#63: Data Mining: der pragmatische Weg zu Datenreife & Datenkultur mit Prof. Dr. Ana Moya

„Data Mining“ – klingt nach Staub und Schaufeln, ist aber der Schlüssel zur Mustererkennung in Daten! Wir diskutieren, warum einfache Methoden oft besser sind als fancy KI-Lösungen, besonders bei niedriger Datenreife. Außerdem: Wie man nachhaltigen Mehrwert schafft, ohne sich in Dashboards zu verlieren, und welche Skills und Tools wirklich zählen. Hilfreich für alle, die effektiv mit Daten arbeiten wollen.

Zusammenfassung

• Data Mining: Definition und Bedeutung als pragmatischer Ansatz zur Mustererkennung
• Herausforderungen: Niedrige Datenreife und der Druck, „fancy“ Methoden einzusetzen
• Lösungsansätze: Bewährte Methoden wie Statistik, Visualisierungen und Anomaly Detection
• Nachhaltigkeit: Optimierte Prozesse und ressourcenschonende Lösungen als Kernnutzen
• Skills und Tools: Analytisches Denken, Statistik, Programmierkenntnisse, sowie Tools aus dem Bereich Business Intelligence und Programmiersprachen wie R & Python
• Fehler vermeiden: Datenqualität, Vermeidung von Confirmation Bias und sinnvolle Nutzung von Dashboards

***Links***

• Prof. Dr. Ana Moya auf LinkedIn: https://www.linkedin.com/in/doc-moya/
• International School of Management (ISM) https://en.ism.de/
• INFOMOTION GmbH https://www.infomotion.de/
• Power BI https://www.microsoft.com/de-de/power-platform/products/power-bi?market=de
• Tableau https://www.tableau.com/
• Python https://www.python.org/
• R https://www.r-project.org/
• Fragen, Feedback und Themenwünsche gern an podcast@inwt-statistics.de