10.4Diskussion und Fazit
11Gespräch zur digitalen Ethik
12Customer Churn mit Keras/TensorFlow und H2O
12.1.1Wie kann Predictive Analytics bei dem Problem helfen?
12.1.2Wie können wir Customer Churn vorhersagen?
12.2.2Vorverarbeitung der Daten
12.2.3Neuronale Netze mit Keras und TensorFlow
12.2.4Stacked Ensembles mit H2O
12.3Bewertung der Customer-Churn-Modelle
12.3.1Kosten-Nutzen-Kalkulation
12.3.2Erklärbarkeit von Customer-Churn-Modellen
13.1Herausforderungen in der Praxis
13.1.1Data-Science-Anwendungen im Online-LEH
13.1.2Auswahl und Umsetzung wirtschaftlicher Anwendungsfälle
13.2Fallstudie: Kaufempfehlungssysteme im Online-Lebensmitteleinzelhandel
13.2.1Vorabanalysen zur Platzierung von Empfehlungen
13.2.2Prototypische Entwicklung eines Empfehlungsalgorithmus
13.2.3MVP und testgetriebene Entwicklung der Recommendation Engine
14.2Maschinelles Lernen: von der Uni zu Unternehmen
14.3Wie arbeiten Data Scientists und Programmierer zusammen?
14.4Architekturmuster, um maschinelle Lernmethoden produktiv zu nehmen
14.4.1Architekturmuster des maschinellen Lernens
14.4.2Architekturmuster, um Modelle auszuliefern
14.4.3Datenvorverarbeitung und Feature-Extraktion
14.4.4Automation und Monitoring
14.4.5Integrationsmuster für maschinelles Lernen
14.5Was kann man sonst auf Firmenebene tun, um Data Science zu unterstützen?
15.2.1Folgen mangelhafter Instandhaltung
