Gutes Management in Data-Science-Projekten
Die Autoren beschreiben zunächst grundlegende Konzepte der Datenwissenschaft wie das Design von Projekten, Datenformate, Datenbanken sowie Methoden zur Datenaufbereitung und -analyse aus Statistik und Machine Learning. Anschließend gehen sie auf das Management von Data-Science-Projekten ein und zeigen insbesondere, wie gutes Projektmanagement für Data-Science-Produkte aussehen muss. Sie erläutern die Grundlagen des Projektmanagements, zeigen typische Fallstricke auf und diskutieren die Rolle sowie die Aufgaben des Managements und der Data-Science-Teams. Besonderes Augenmerk legen sie auf das Konzept des "Servant" und Agile Leaderships sowie auf die Bedeutung der Kommunikation mit Stakeholdern.
Ein weiterer Schwerpunkt ist die Infrastruktur und Architektur von Data-Science-Systemen. Die Automatisierung, IT-Infrastruktur, Data-Science-Architekturen sowie DevOps und MLOps werden ausführlich behandelt, um eine effiziente Umsetzung sicherzustellen. Schließlich heben die Autoren die Bedeutung von Governance und einer datengetriebenen Unternehmenskultur hervor. Themen wie digitale Transformation, Implementierung von Data Science im Unternehmen, Sicherheit und Datenschutz sowie Recruiting werden beleuchtet, um ein ganzheitliches Verständnis zu vermitteln.
Das Buch bietet nicht nur theoretisches Wissen, sondern auch praktische Anleitungen und Ressourcen. Jedes Kapitel wird durch Hands-on-Beispiele ergänzt, die konkrete Toolsets, Checklisten und Projekt-Canvases enthalten, um die Umsetzung in die Praxis zu erleichtern. Es richtet sich sowohl an Einsteiger als auch an erfahrene Data-Science-Praktiker und bietet einen ganzheitlichen Ansatz für das Management von Data-Science-Projekten in verschiedenen Unternehmenskontexten.
