Data Science

WAS ist das?

WAS genau?

• Extraktion von Information aus (großen) Datenmengen
• Ableitung von Handlungsempfehlungen ⇒ Analyse
• Entwicklung von Entscheidungsmodellen ⇒ Predictive Analytics
• Übersichtliche (interaktive) Aufbereitung von Information aus (großen) Datenmengen ⇒ Visualisierung

Welcher NUTZEN?

• Informationsvorsprung gegenüber Mitbewerber ⇐ Analyse & Predictive Analytics
• Effizienzsteigerung im Unternehmen ⇐ Analyse
• Umsatzsteigerung im Handel ⇐ Predictive Analytics
• Mehr Transparenz nach Außen und Innen ⇐ Visualisierung
• Smarte Produkte ⇐ Predictive Analytics & Visualisierung

WOHER nehmen?

adaptiert von Drew Conway

oderdaten sensorium

Mein Background

Soziologie (als wirtschaftswiss. Studium)

• Fokus auf empirische Sozialforschung
• Fundierte statistische Grundausbildung
• Analyse von Sozial- und Wirtschaftsdaten

Berufsausbildung akadem. Geoinformatiker

• Räumliche Daten
• Visualisierungstheorien & -techniken
• Programmierung
• tw. Datenbanktechnologien

Selbststudium

Fachbücher und Absolvierung diverser MOOC's

• Data Science
• Machine Learning
• Software- und Webentwicklung
• Datenbanktechnologien
• Visuelles Design

Sonstige Aktivitäten

• Trendrecherche auf Twitter und div. Fachzeitschriften
• Blog: shed01.blogspot.co.at

Data Science as a Service

Geschäftsmodell

• Auftragsbasierte Dienstleistungen (Analyse, Visualisierung, Predictive Analytics, UXR)
• Beratung Datentechnologien (PyData Stack, NoSQL, Cloud Computing) & Open Data

Warum Dienstleistung?

• Fixes Team für KMU's nicht wirtschaftlich
• Standardprodukte komplex & teuer, aber wenig effizient
• Bestehendes Dienstleistungsangebot an Produkte gekoppelt - unflexibel & Kostentreiber
• Fehler von Laien können extreme Folgen haben
• Zu erwartender Engpass an Expertise

Warum Beratung?

• Beratungsleistungen im Datenbereich fast immer gekoppelt mit Nutzung bestimmter Produkte von Hersteller
• Open-Source Technologien im Datenbereich überlegen - mehr Fachwissen dafür aber nötig

Status Quo

EPU in Home Office

• Vorteil: Geringe Fixkosten, Flexibilität
• Anforderungen an Arbeitsplatz gering (Workstation & Notebook, bei Bedarf Auslagerung in Cloud)
• Limitierungen: Einzelkämpfer, Vertrieb, Weiterbildung, Markt in Ö

Vision

• Kleines Team (Software Entwickler, Data Engineers, Grafik Designer, andere Data Scientists)
• Professioneller Vertrieb
• Forschung und Entwicklung eigener Produkte (Schnittstelle IoT-Mensch)

Das kann ich brauchen:

Unterstützung im Bereich Marketing und Geschäftsmodelle

Das kann ich anbieten:

Wissen über state-of-the-art Methoden & Techniken der Datenwissenschaft und Information über Trends in einer (aufstrebenden) Kerndomäne von Innovation

Beispiele

Sherlock Holmes Bücher

• Sherlock Ana: Text Ähnlichkeiten der Bücher
• Sherlock Rec: Empfehlungssystem
• Sherlock Vis: Visualisierung

Sherlock Ana

Text Ähnlichkeiten von Sherlock Holmes Büchern

Sherlock Vis

Interaktive Visualisierung des gemeinsamen Auftauchens von Charaktere in Episoden der BBC Serie Sherlock:

Sherlock Rec

Sherlock Holmes Buch Empfehlung: Collaborative Filtering Algorithmus basierend auf Jaccard Koeffizienten

for row in ratings_matrix:
    similarity_coefficient = jaccard_similarity_score(user_rating,
	 row)
    weighted_row = row * similarity_coefficient
    row[row != 0.] = similarity_coefficient
    if weighted_ratings.size == 0 and user_similarities.size == 0:
        weighted_ratings = np.hstack((weighted_ratings,
		weighted_row))
        user_similarities = np.hstack((user_similarities, row))
    else:
        weighted_ratings = np.vstack((weighted_ratings,
		weighted_row))
        user_similarities = np.vstack((user_similarities, row))
total = np.sum(weighted_ratings, axis=0)
sim_sum = np.sum(user_similarities, axis=0)
return total / sim_sum