Matthias Bock Bücher

Dieses Buch bietet Ihnen einen praktischen Einstieg in die Welt der Künstlichen Intelligenz (KI) und Data Science. Es hinterfragt aktuelle Hypes und ist ein praxiserprobter Guide mit konkreten Schritten für den sinnvollen Einsatz von einfachen bis komplexeren KI-Anwendungen im Unternehmen - mit Schwerpunkt auf Data Analytics und Web-/App-Tracking. In welchen Einsatzbereichen steckt das meiste Potenzial? Wie bestimmen Sie den KI-Reifegrad Ihres Unternehmens und wie planen Sie Ihre KI-Weiterbildungsoffensive? Welche wirtschaftlichen, ethischen und ökologischen Risiken sollten Sie berücksichtigen? Antworten darauf erhalten Sie in diesem Quick Guide - mit zahlreichen Tipps, Methoden und Vorlagen für den Transfer in Ihr Unternehmen. Ein Buch für alle, die sich die Möglichkeiten von KI-Anwendungen jetzt erschließen und schon bald davon profitieren wollen. Der Inhalt Grundlagen und historische Einordnung Einsatzbereiche von KIim Bereich Analytics Risiken und Chancen beim Einsatz von KI im Unternehmen KI-Governance in fünf konkreten Schritten AI & Data Analytics trifft Recht: AI Act und DSGVO KI-Strategie aus Ihrer Geschäftsstrategie ableiten KI-Kompetenz im Unternehmen erhöhen - mit Self-Assessment, Gap-Analyse und KI-Kompetenz-Canvas Vom Scheitern lernen: Der Friedhof der KI-Projekte Was Sie aus diesem Buch mitnehmen werden: Warum wir im Zeitalter der allgegenwärtigen Künstlichen Intelligenz alle zumindest ein bisschen zu Data Scientists werden müssen Wie sich die Teildisziplinen von Künstlicher Intelligenz und Data Science zueinander verhalten Was Machine Learning und Deep Learning eigentlich sind und was das mit Neuronalen Netzen zu tun hat Wie sich die genAI, also generative Künstliche Intelligenz, in verschiedenen Domänen (Sprache, Bild, Musik etc.) entwickelt Wo aktuelldas meiste Potenzial für den Einsatz von KI steckt und welche Bereiche Sie sich deshalb genauer ansehen sollten Wo Sie KI in Ihrem Alltag direkt anwenden können, um Aufgaben schneller und einfacher zu erledigen Welche wirtschaftlichen, ethischen und ökologischen Risiken und Chancen Sie beim Einsatz von KI berücksichtigen sollten Wieso eine Kosten-Nutzen-Abwägung erfolgen sollte, bevor ein KI-Projekt gestartet wird Wie Sie die Ziele Ihrer KI-Governance festlegen Worauf Sie bei der Umsetzung Ihrer Governance Welche rechtlichen Entwicklungen im Bereich von Data Procurement und Data Analytics zu erwarten sind Grundlegende Schritte zur Bewertung der Anwendbarkeit des Gesetzes auf spezifische Praktiken durch Fallstudienanalysen Wie sich Ihre KI-Strategie in der Praxis umsetzen lässt (am Beispiel von Conversion Rate Optimization) Warum sich KI-Kompetenz und KI-Strategie gegenseitig bedingen und wie Sie dieses Henne-AI-Problem lösen können Wie Sie bestimmen, welchen KI-Reifegrad Ihr Unternehmen gerade hat und welchen es erreichen möchte Wie Sie die vorhandene KI-Kompetenz in Ihrem Unternehmen erheben und anhand eines Zielbildes und einer Gap-Analyse herausfinden, auf welche Bereiche Sie sich bei Ihrer Weiterbildungsoffensive konzentrieren sollten Wie Sie Ihre Weiterbildungsoffensive mit einem Canvas planen Wie wir mit den Hypes im Zeitalter der KI umgehen sollten Warum es KI-Kompetenz und kritisches Denken braucht, um herauszufinden, aus welchen Fehlern und Projekten man wirklich lernen kann - mit Self-Assessment und Gap-Analyse Was Scheitern mit Ihrer Datenkultur zu tun hat und wie diese gefördert werden kann Mit Self-Assessment und Gap-Analyse für die KI-Kompetenz Ihres Unternehmens Zahlreichen konkreten Tipps für den Transfer in Ihr Unternehmen Inhaltsverzeichnis 1. Grundlagen und historische Einordnung.- 2. Einsatzbereiche von KI im Bereich Analytics.- 3. Risiken und Chancen für den Einsatz von KI im Unternehmen.- 4. Governance in Zeiten von KI in Analytics fünf konkrete Schritte.- 5. AI & Data Analytics trifft Recht: Clash of cultures oder living in harmony? (Gastbeitrag von Peter Hense/Tea Musta ).- 6. Strategie meets Literacy.- 7. KI-Kompetenz im Unternehmen erhöhen vom Self-Assessment bis zur Umsetzung.- Schlussbemerkung: Der Friedhof der KI-Projekte.- GLOSSAR.

Die Autoren zeigen in diesem Buch, wie man für eigene Data-Science-Projekte mit Data Analytics und AI einen echten (Mehr-)Wert schafft. Sie entwickeln einen Leitfaden, mit dem Sie Ihre Datenanalyse systematisch, agil und nutzer:innenzentriert aufbauen und betreiben können. Zunächst machen die Autoren klar, wie wichtig es ist zu Beginn Ihrer Analytics-Projekte die für Ihr Geschäftsmodell richtigen und wertstiftenden Fragen zu stellen. Im Anschluss erläutern sie, wie Sie Technologien und Daten so einsetzen, dass sie einen echten Mehrwert erzeugen können. Schließlich zeigen sie, wie Sie die Projekte effektiv, effizient und gewinnbringend umsetzen können. Das Fundament dafür bilden agile Methoden und Design Thinking, die die Autoren für alltägliche Analytics- und Data-Science-Projekte überführt und adaptiert haben.Mit zahlreichen Beispielen und Erfahrungen aus Daten-, Web- und Digital-Analytics-Projekten sowie zwei realen Beispielen, wie man von der Idee und dem Auftrag zum Prototypen kommt. Aus dem Inhalt Agile Basics: Agile Prinzipien und Erfolgsfaktoren Vom Design Thinking zum Data Thinking - wie Design Thinking Datenprojekte besser macht Artificial Intelligence - wie Künstliche Intelligenz mehrwertorientiert in Data Analytics eingesetzt werden kann Ethische, rechtliche und ökologische Implikationen - wie Data Analytics und AI doch kein Schreckgespenst werden Der Data Value Loop - Datenmehrwert agil und nutzer:innenzentriert Analytics in der Praxis - von der Konzeption über Tracking und Reporting bis zum Arbeitsmeeting im Alltag AI in der Praxis - Data Science und Agile, geht das überhaupt zusammen? Zwei exemplarische Projektdurchführungen Glossar Inhaltsverzeichnis Agile Basics: Agile Prinzipien und Erfolgsfaktoren.- Vom Design Thinking zum Data Thinking wie Design Thinking Datenprojekte besser macht.- Artificial Intelligence wie Künstliche Intelligenz mehrwertorientiert in Data Analytics eingesetzt werden kann.- Ethische, rechtliche und ökologische Implikationen wie Data Analytics und AI doch kein Schreckgespenst werden.- Der Data Value Loop - Datenmehrwert agil und nutzer:innenzentriert.- Analytics in der Praxis von der Konzeption über Tracking und Reporting bis zum Arbeitsmeeting im Alltag.- AI in der Praxis - Data Science und Agile, geht das überhaupt zusammen? Zwei exemplarische Projektdurchführungen.- Glossar.

Die vorliegende Studie entwickelt einen Fetischismusbegriff, der das ästhetische Moment dieses Kulturphänomens als ›Figuration des Augenblicks‹ beschreibbar macht. Interpretiert werden kanonische Prosatexte des 19. und 20. Jahrhunderts – etwa E. T. A. Hoffmanns Der Sandmann (1816), Robert Musils Törleß -Roman(1906) oder Elfriede Jelineks Die Klavierspielerin (1983) – sowie ausgewählte Texte Sigmund Freuds und Jacques Lacans – darunter sein Essay Das Spiegelstadium. Im Fokus der Untersuchung steht die diskursive und narrative Darstellung des Körpers als fetischistisches Anschauungsobjekt. Mit der Konzeptualisierung einer Ästhetik des Fetischismus leistet die Studie einen innovativen Beitrag zu einer Kulturtheorie der Moderne: Die ästhetischen ›Figurationen des Augenblicks‹ erscheinen dabei als Kompensationsmomente einer affektiven Welt- und Selbstentfremdung des individualisierten Subjekts.

Die Autoren legen beispielhafte Analysemethoden von Social-Media-Daten dar: deskriptive und Data-Mining-Methoden. Mit deren Hilfe werden kundenorientierte Geschäftsmaßnahmen eingeleitet und ein stetiges Abwägen zwischen vollautomatisierten und manuellen, kostenintensiven Reports gesteuert. Das Werk liefert eine Übersicht zu aktuell diskutierten Themen wie begleitende Emotionen, Vernetzung der interagierenden User oder Verbindung von Themen. Als Gewinn für ein Unternehmen müssen die Analysen durch eine strategische Prozedur geleitet werden, um Erkenntnisse in konkrete Handlungsempfehlungen zu überführen. Neben den Potenzialen durch die Anwendung komplexerer Analysemethoden gibt es auch konzeptionelle, technische und ethische Herausforderungen, wie die Autoren veranschaulichen.