Künstliche Intelligenz für Business Analytics (eBook)

Vorwort 5
Inhaltsverzeichnis 8
1: Business Analytics und Analytics 11
1.1 Notwendigkeit einer zunehmenden analytischen Entscheidungsunterstützung 11
1.2 Abgrenzung zwischen Business Intelligence und Business Analytics 16
1.3 Kategorisierung von analytischen Methoden und Modellen 18
1.3.1 Deskriptive Analytik 18
1.3.2 Prädiktive Analytik 19
1.3.3 Präskriptive Analytik 21
1.4 Business Analytics Technologieframework (BA.TF) 22
1.4.1 Datenquellen 24
1.4.2 Data Preparation 25
1.4.3 Datenspeicherung 26
1.4.4 Analyse 28
1.4.5 Zugriff und Nutzung 29
1.4.6 (Big)-Data Management and Governance 30
1.5 Vorgehensmodell: Business Analytics Model for Artificial Intelligence (BAM.AI) 32
1.5.1 Development Cycle 34
1.5.1.1 Business Understanding 34
1.5.1.2 Data Discovery 36
1.5.1.3 Data Wrangling 36
1.5.1.4 Analyse 37
1.5.1.5 Validierung 38
1.5.1.6 New Data Aquisition 39
1.5.2 Deployment Cycle 39
1.5.2.1 Publish 40
1.5.2.2 Analytic Deployment 41
1.5.2.3 Application Integration 43
1.5.2.4 Test 44
1.5.2.5 Production/Operations 44
1.5.2.6 Continuous Improvement 45
Literatur 45
2: Künstliche Intelligenz 47
2.1 Maschinelles Lernen 49
2.1.1 Überwachtes Lernen/Supervised Learning 50
2.1.2 Unüberwachtes Lernen/Unsupervised Learning 52
2.1.3 Bestärkendes Lernen/Reinforcement Learning 53
2.1.4 Übersicht über die Arten des Maschinellen Lernens 54
2.1.5 Neuronale Netze 54
2.2 Problemtypen der Künstlichen Intelligenz und deren Algorithmen 57
2.2.1 Klassifizierung 57
2.2.2 Abhängigkeiten und Assoziationen 60
2.2.3 Clustering 64
2.2.4 Regression, Prediction oder Vorhersage 66
2.2.5 Optimierung 69
2.2.6 Erkennung von Anomalien (Outliner) 71
2.2.7 Empfehlung oder Recommender-Systems 73
2.2.8 Wann welchen Algorithmus nutzen? 76
Literatur 81
3: KI- und BA-Plattformen 83
3.1 Grundbegriffe und Softwareframeworks 83
3.1.1 Datenhaltung 83
3.1.1.1 Datawarehouse 83
3.1.1.2 Data Lake 84
3.1.1.3 Data Streaming und Message Queuing 86
3.1.1.4 Datenbankmanagementsystem 88
3.1.1.5 Apache Hadoop 89
3.1.2 Datenanalyse und Programmiersprachen 92
3.1.2.1 Python 92
3.1.2.2 R 93
3.1.2.3 SQL 94
3.1.2.4 Scala 95
3.1.2.5 Julia 95
3.1.3 KI-Frameworks 96
3.1.3.1 Tensorflow 97
3.1.3.2 Theano 98
3.1.3.3 Torch 98
3.1.3.4 Scikit-learn 99
3.1.3.5 Jupyter Notebook 100
3.2 Business Analytics und Machine Learning as a Service (Cloud-Plattformen) 101
3.2.1 Amazon AWS 102
3.2.1.1 Data-Services von Amazon AWS 103
3.2.1.1.1 Amazon S3 (Data-Service) 105
3.2.1.1.2 Amazon RDS (Data-Service) 106
3.2.1.2 ML-Services von Amazon AWS 108
3.2.1.2.1 Amazon SageMaker (ML-Service) 108
3.2.1.2.2 Amazon Forecast (Analytik-Service) 109
3.2.1.2.3 Amazon Personalize (Analytik-Service) 111
3.2.2 Google Cloud Platform 113
3.2.2.1 Data-Services von Google 114
3.2.2.1.1 Firebase/Google Firebase Realtime Database 114
3.2.2.1.2 Google BigQuery 116
3.2.2.2 ML-Services von Google 117
3.2.2.2.1 Google Prediction API und Cloud AutoML 117
3.2.2.2.2 Google Cloud Machine Learning Engine (Cloud Machine Learning Engine) 118
3.2.3 IBM Watson 118
3.2.4 Microsoft Azure 119
3.2.4.1 Data-Services von Microsoft Azure 119
3.2.4.1.1 Azure Cosmos DB 119
3.2.4.2 ML-Services von Microsoft Azure 121
3.2.4.2.1 Microsoft Azure Machine Learning Studio 121
3.2.4.2.2 Microsoft Azure Machine Learning Services 121
3.2.4.3 Weitere Services von Microsoft Azure in der Übersicht 122
3.2.5 SAP Services und SAP HANA Cloud Plattform (SCP) 122
3.2.5.1 Data-Services von SAP 125
3.2.5.1.1 SAP Data Hub und SAP Data Intelligence 125
3.2.5.2 ML-Services von SAP 128
3.2.5.2.1 SAP Leonardo Machine Learning Foundation 128
3.2.5.2.2 SAP Predictive Service 131
3.2.5.3 SAP-HANA-Datenbankplattform 132
3.3 Build or Buy? 133
Literatur 135
4: Fallstudien zum Einsatz von KI-basierter Business Analytics 136
4.1 Fallstudie: Kundenstimmung in Echtzeit analysieren mit Streaming Analytics 136
4.1.1 Kundenzufriedenheit im Einzelhandel 136
4.1.2 Mit Technologieakzeptanz und Omnichannel zu mehr Daten 137
4.1.3 Customer Satisfaction Streaming Index (CSSI) 139
4.1.4 Implementierung in einer Retail-Architektur 140
4.1.5 Ergebnisse 142
4.2 Fallstudie: Marktsegmentierung und -automatisierung im Einzelhandel mit neuronalen Netzen 145
4.2.1 Die Standortentscheidung im stationären Handel 146
4.2.2 Marketing-Segmentierung und Einzugsgebiet 147
4.2.3 Klassische Clustering-Ansätze und Growing Neural Gas 148
4.2.4 Projektaufbau 151
4.2.5 Die Daten und Quellen 152
4.2.6 Implementierung 156
4.3 Ergebnisse 157
Literatur 160
Stichwortverzeichnis 163