Data Science für Unternehmen

Das amerikanische Original ist von 2015, die deutsche Übersetzung trotzdem sehr aktuell: Beweis, dass uns die Amerikaner zwei Jahre voraus sind? Beim Schreiben guter Bücher in pragmatisch-wissenschaftlichen Bereichen scheint das so. Und da es explizit auch für Personenkreise gedacht ist, die mit Data Scientist zusammenarbeiten, ohne selbst solche zu sein, ist eine Besprechung an dieser Stelle angebracht. Das Ziel des Buches ist, ein echtes Verständnis von Data Science zu gewinnen. Dies ist – auch bei geringen mathematischen Vorkenntnissen – absolut möglich. Man muss nur den Mut haben, die speziell gekennzeichneten Kapitel zu überlesen oder zu überspringen, und darf nicht mit dem Anspruch antreten, alle vergessenen statistischen Grundlagen und Kenntnisse über Algorithmen im Darüberlesen nun endgültig zu verstehen. Nach einer Einführung über datenanalytisches Denken und „einfaches“ Data Mining steigt man in die Vorhersagemodellbildung ein. Danach erfährt man, wie die Modelle an Daten angepasst werden, wie man Überanpassung vermeiden kann sowie einige Hintergründe zu Ähnlichkeit, Nachbarn und Clustern. Die nachfolgenden Kapitel erläutern weitere Spezialthemen wie Textmining, analytisches Engineering sowie Visualisierungen bezogen auf die Leistung der Modelle. Und wenn gegen Ende der Zusammenhang zwischen Data Science und Geschäftsstrategie aufgezeigt wird, sollte wieder klar sein, dass dieses Buch aus Vorlesungen vor BWLern entstand – und nicht im Big-Data-II-Master. Es dient auf alle Fälle dazu, die Kommunikation zwischen den Fachdisziplinen zu verbessern. Aber auch dazu, das Machbare vom zu Vermutenden zu unterscheiden. Und verhindert werden soll natürlich ein Phänomen, wie es Ronald Coase formulierte: „Wenn man die Daten lange genug foltert, werden sie gestehen.“ 

Weitere Infos bei Amazon.de.