Zusammenfassung
Professionelle Datenanalyse basiert auf statistischen Methoden und der geschickten, (semi-)automatisierten Anwendung geeigneter Algorithmen auf zuvor aufbereiteten Datenbeständen. Während durch die fortschreitende Digitalisierung immer umfangreichere Datenmengen bereitstehen und hierfür komplexe und hochspezialisierte Werkzeuge zum Einsatz kommen, lassen sich die üblichen Fragen in Unternehmen in der Regel durch den Einsatz fundamentaler Analysetechniken lösen und die Ergebnisse nachvollziehbar grafisch aufbereiten. Der Beitrag stellt die relevanten Methoden mit ihren zugrunde liegenden Konzepten vor, gibt erste Einblicke in die Feinheiten der Anwendung und bietet Leserinnen und Lesern eine Übersicht des Feldes der Datenanalyse. Er vermittelt so die Möglichkeit, die richtigen Methoden für die ersten eigenen Analysen auszuwählen und das passende Vertiefungsgebiet zu finden.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Literatur
Bramer, M.A.: Principles of data mining, 3. Aufl. Springer, London (2016)
Fränti, P., Sieranoja, S.: How much can k-means be improved by using better initialization and repeats? Pattern Recogn. 93, 95–112 (2019)
Goodman, S.: A Dirty Dozen: Twelve P-Value Misconceptions. Semin. Hematol. 45(3), 135–140 (2008)
James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning: with Applications in R. Springer, NY (2013)
Kemper, H.-G., Baars, H., Mehanna, W.: Business Intelligence – Grundlagen und praktische Anwendungen: Eine Einführung in die IT-basierte Managementunterstützung, 3. Aufl. Vieweg+Teubner, Wiesbaden (2010)
Kim, B.: Understanding Diagnostic Plots for Linear Regression Analysis. https://data.library.virginia.edu/diagnostic-plots/ (2015). Zugegriffen: 29. Juli 2020
Legendre, P., Legendre, L.: Numerical ecology, 3. Aufl. Elsevier, Amsterdam (2012)
Meier, A.: Werkzeuge der digitalen Wirtschaft: Big Data, NoSQL & Co. essentials. Springer, Wiesbaden (2018)
Mittag, H.-J.: Statistik: Eine Einführung mit interaktiven Elementen, 5. Aufl. Springer, Berlin (2017)
Schulz, M., Neuhaus, U., Kaufmann, J., Kühnel, S., Gröschel, A., Brauner, D., Badura, D., Passlick, J., Kloker, S., Gölzer, P., Kerzel, U., Rissler, R., Alekozai, E., Binder, H., Welter, F., Badewitz, W., Felderer, M., Rohde, H., Prothmann, M., Dann, D., Lanquillon, C., Gehrke, N. (2020) DASC-PM v1.0. Ein Vorgehensmodell für Data-Science-Projekte. Hamburg, Elmshorn
Weber, F.: Künstliche Intelligenz für Business Analytics: Algorithmen. Plattformen und Anwendungsszenarien, Springer Fachmedien, Wiesbaden (2020)
Witten, I.H., Frank, E., Hall, M.A., Pal, C.J.: Data mining: practical machine learning tools and techniques, 4. Aufl. Morgan Kaufmann, Cambridge (2017)
Wooldridge, J.M.: Introductory econometrics: a modern approach, 6. Aufl. Cengage, Boston (2015)
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Kaufmann, J. (2021). Fundamentale Analyse- und Visualisierungstechniken. In: Frick, D., et al. Data Science. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-33403-1_11
Download citation
DOI: https://doi.org/10.1007/978-3-658-33403-1_11
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-33402-4
Online ISBN: 978-3-658-33403-1
eBook Packages: Computer Science and Engineering (German Language)