![Datenmuster
[00:00]
[03:06]
[? ?:? ?]](https://image.slidesharecdn.com/unijenamachinelearning-171228103236/85/FSU-Jena-Machine-Learning-13-320.jpg)
![Datenmuster
[00:00]
[03:06]
[06:12]
[? ?:? ?]](https://image.slidesharecdn.com/unijenamachinelearning-171228103236/85/FSU-Jena-Machine-Learning-14-320.jpg)
![Datenmuster
[00:00]
[03:06]
[06:12]
[09:18] [12:24]](https://image.slidesharecdn.com/unijenamachinelearning-171228103236/85/FSU-Jena-Machine-Learning-15-320.jpg)
![Datenmuster
[00:00]
[03:06]
[06:12]
[09:18]
[12:24]](https://image.slidesharecdn.com/unijenamachinelearning-171228103236/85/FSU-Jena-Machine-Learning-16-320.jpg)
![Datenmuster
[145735:897265]
[562798:537541]
[276958:753451]
[???????
:???????]
100000000 mehr?](https://image.slidesharecdn.com/unijenamachinelearning-171228103236/85/FSU-Jena-Machine-Learning-17-320.jpg)
![Datenmuster
[145735:897265]
[562798:537541]
[276958:753451]
[???????
:???????]
100000000 mehr?
Mo
Di
Mi
Fr](https://image.slidesharecdn.com/unijenamachinelearning-171228103236/85/FSU-Jena-Machine-Learning-18-320.jpg)
FSU Jena Machine Learning
- 1. Lehrstuhl für Wirtschaftsinformatik WirtschaftswissenschaftlicheFakultät Friedrich-Schiller-Universität Jena — Ralph Siepmann Digital Reinvention Advisor 21.12.2017 Wie Maschinen lernen und warum das wichtig ist IBM Collabortion and Talent Solutions / / © 2017 IBM Corporation
- 2.
- 3.
- 4.
- 5.
- 6. Beispiel Pizza um 20:00 (in ca.30 Minuten)
- 7.
- 8. Beispiel Fragestellung bin ich vorder Pizza zurück? (kann ich meinen Freund abholen) vor Lieferung nach Lieferung
- 9.
- 10. Beispiel Analyse Kommt die Pizzaüber 10 Minuten später? Daten Montags: meistens zu spät, 3 von 4 Dienstags: selten zu spät, 1 von 4 Freitags: noch nie bestellt Parameter Es regnet, ist der Pizzabote dann langsamer? Bin ich auf meiner Strecke langsamer? Spielt die Stärke des Regens eine Rolle? Gibt es Freitags mehr Bestellungen? Gibt es bei einem Spiel mehr Bestellungen? Wird flexibel mit mehr Personal reagiert? verspätet pünktlich
- 11. Beispiel Daten Montags: meistens zuspät, 3 von 4 Dienstags: selten zu spät, 1 von 4 Freitags: noch nie bestellt = 8 Bestellungen, 4 waren verspätet Bauchgefühl 50% Chance, aber zu wenig um sich sicher zu fühlen. Entscheidungsbaum: Dienstag ist der ähnlichere Tag Wahrscheinlichkeit 1 aus 4 = 25% = alleine Fußball schauen! Wahrheit Die Daten für Freitag und die vorhandenen Bedingungen sind nicht vorhanden. verspätet pünktlich
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19. Künstliche Intelligenz “Deep Blue,as it stands today, is not a ‘learning system.’ It is therefore not capable of utilizing artificial intelligence to either learn from its opponent or ‘think’ about the current position of the chessboard.”
- 20. Künstliche Intelligenz “Any changesin the way Deep Blue plays chess must be performed by the members of the development team between games. Garry Kasparov can alter the way he plays at any time before, during, and/or after each game.”
- 21. Wie lernt eineMaschine? Maus Katze Hund
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29. Maschinenlernen Gekennzeichnete Bilder, Bilderkennung Vorführendurch den Menschen, Arbeitsschritte
- 30. Maschinenlernen Data Mining, Datensetsbilden, Reinigen der Daten Muster und Erkenntnisse feststellen
- 31. Maschinenlernen Nicht vorhersagbare Bedingungen(Parcour) Wiederkehrende Analysen z.B. Karrierepfade
- 32. Deep Learning Komplexe Musterund Bilder Tiefe Datensets und verknüpfte Bedingungen https://www.youtube.com/watch?v=40riCqvRoMs
- 33.
- 34.
- 35.
- 36. Intention erkennen Who wasDonald Trump‘s first wife? Donald Trump Positionen Präsident Frauen Ivanka: Tochter Ivana: Mutter von Ivanka, geschieden Melania: verheiratet Melania: First Lady Stichwörter sind ungenau Einfaches Maschinenlernen Deep Learning kennt den Benutzer und Beziehungen Hinweis: Fiktives Datenmodell zur Verdeutlichung
- 37.
- 38.
- 39. Interaktion Ungeplante Handlungen Rücksicht undVorsicht https://www.robotik-produktion.de/allgemein/fachtagung-assistenzrobotik-und-menschroboter-kollaboration-2/
- 40.
- 41. it never rainsin southern california... https://www.ibm.com/watson/stories/ejgallo-with-watson.html
- 42.
- 43. Datenanalyse Big Data (Datenschürfen) Exploratives suchen nach vorhandenem aber unbekanntem Wissen, Strukturen erkennen, Erkenntnisse darstellen. Maschinenlernen Selbstständiges lernen durch die gemachten Erfahrungen und gesammelten Daten. Entwickeln von Lösungen und Strategien durch die Analyse der Datenbasis und Lösungsvorgänge automatisieren.
- 44. Vorhersagen Big Data sagtvorher, was aufgeräumt werden muss Insights Maschinenlernen sagt vorher, was für Maßnahmen ergriffen werden müssen Predictive
- 45.
- 46. Geschäftsmodelle Kundenservice Prognosen Beispiel Pizza: Exakte Lieferzeitin Abhängigkeit aller Bedingungen und GPS Services
- 47. Geschäftsmodelle Kundenservice Neue Modelle Beispiel Pizza: Pizzazum selbst fertigbacken und zu „off-Zeiten“ und günstiger.
- 48. Risiken „Datenhörige Menschen vergessen, dass Risiken inder Zukunft liegen und nicht in der Vergangenheit“
- 49. Kontakt Ralph Siepmann Digital ReinventionAdvisor ralph.siepmann@de.ibm.com +49.152.22 898 150 @iRalph_
Hinweis der Redaktion
- #2 Ralph Titel Vorstellung Recap aus Visions-Präsi: Dinge werden sich ändern! Veränderung in den Geschäftsmodellen nur durch flexible Organisation lösbar. Zusammenarbeit ist Kernkompetenz Was bedeutet das konkret – darum soll es gehen.
- #3 Ralph Entscheidungen: Wie werden diese gefällt? Wo sind Daten sinnvoll? Sie haben dann auch die Pflicht, aus Ihren Daten etwas zu machen. Automatisiert aufbereiten! Ohne vorherige Meinung bestätigt haben zu wollen. Bauchgefühl versagt – Gehirn hat immer eine Beeinflussung. Der Mensch ist sehr schlecht in Entscheidungen zu treffen, die vollständig neutral sind. Man sucht nur Daten, die die eigene Meinung bestätigen. Prinzipiell gibt es zwei Arten von Entscheidungen: 1: Entscheidungen die durch Analyse von Daten und Vergangenheitsdaten gefestigt werden können 2: Entscheidungen bei denen dies nicht möglich ist, z.B. bei Innovationen wo es keine vergleichbaren Produkte oder Vorgehensweisen gibt und natürlich auch keine Daten aus der Vergangenheit. Dieser Call beschäftigt sich mit den Entscheidungen #1 - die #2 kommt zu einem anderen Zeitpunkt aber kann gerne bei mir erfragt werden.
- #4 Doro Wenn Sie als Mannschaft spielen, darf nciht jeder in einem Silo spielen. Nationalmannschaft – erstmal wieder Team formen. Projekte werde nciht erfolgreich sein, die gegen individuelle Bereichsziele verstoßen. Unterschiedilche Bezahlmodelle sind zusätzliche Hürden.
- #5 Doro Wenn Sie als Mannschaft spielen, darf nciht jeder in einem Silo spielen. Nationalmannschaft – erstmal wieder Team formen. Projekte werde nciht erfolgreich sein, die gegen individuelle Bereichsziele verstoßen. Unterschiedilche Bezahlmodelle sind zusätzliche Hürden.
- #6 Doro Gleiche Methoden führen nicht zum gleichen Ergebnis Manager muss auf Fähigkeiten setzen – Planung funktioniert nur teilweise
- #7 Freitag Abend um 19:30 - Du bestellst eine Pizza und die WebSite sagt "30 Minuten" Lieferzeit. Um 20:15 beginnt das Champions League Spiel und die Getränke sind schon kalt.
- #8 Ein Anruf: ein Freund sagt seine Freundin ist eben spontan los zum Mädels-Shoppen und wenn Du ihn abholen könntest, dann könntet ihr zusammen das Spiel schauen. Getränke hat er auch noch und Snacks, also kein Problem wenn nur eine Pizza da ist.
- #9 Ralph Entscheidungen: Wie werden diese gefällt? Wo sind Daten sinnvoll? Sie haben dann auch die Pflicht, aus Ihren Daten etwas zu machen. Automatisiert aufbereiten! Ohne vorherige Meinung bestätigt haben zu wollen. Bauchgefühl versagt – Gehirn hat immer eine Beeinflussung. Der Mensch ist sehr schlecht in Entscheidungen zu treffen, die vollständig neutral sind. Man sucht nur Daten, die die eigene Meinung bestätigen.
- #10 Was ist dann das Problem? Die Fahrstrecke (hin und zurück) dauert 30 Minuten. Also was tun? Die Pizza ist nicht vorab bezahlt kann nicht vor der Tür abgelegt werden. Wenn man erst auf die Pizza wartet und dann den Freund abholt, ist sie kalt und man verpasst man 15 Min vom Spiel. Eine Entscheidung muss her - soll man den Freund abholen und klappt das dann mit der Pizza?
- #11 Sind 30 Minuten wirklich 30 Minuten? Wird die Pizza wahrscheinlich später kommen? Was sind die Variablen? - es ist Freitag Abend = mehr Bestellungen - es ist ein Spiel = mehr Bestellungen - aber: hat der Pizzadienst das vorhergesehen und mehr Leute beschäftigt? - wenn das Aushilfen sind, wie gut finden die die Adresse? - kann ich durch anrufen genauere Informationen haben als "30 Minuten"? - zudem regnet es, dauert die Fahrt dann länger? Was ist mit der eigenen Fahrt? = Erfahrung nicht länger da Nebenstrassen. - Was sagt die Erfahrung? = in 4 aus 8 Fällen - also 50% der Fälle sind sie zu spät, allerdings dreimal Montags und da ist am wenigsten Personal da. Die anderen Lieferungen waren recht pünktlich - aber eben nie Freitags und nie direkt vor einem Spiel.
- #12 Aus den bestehenden Daten (Erfahrungen) ist die Chance also 50% dass die Pizza zu spät kommen wird und das reicht nicht aus um ein gutes Gefühl zu haben. Also sagt man dem Freund (der Geschäftschance, …) ab. Bei Maschinen wäre das ein empirisches Modell, die Häufigkeit der zu späten Lieferung. Vorhersagen (Predictive Analysis) benötigt mindestens 2 Faktoren: einen Konstanten Faktor und einen Variablen (den es vorherzusagen gilt) - als hier eine signifikante Verspätung um => 10 Min (der konstante Faktor / Abfrageparameter) Hier könnte man einen Entscheidungsbaum mit Gewichtungen nutzen: Seite 10 Hier sieht man also, dass die Chance nicht einmal 50% (Bauchgefühl) ist sondern nur 25% (Daten). Aber: die Daten treffen ja noch immer nicht die Situation! Also kann man weitere bekannte Daten hinzufügen: hier den Regen. Aus Erfahrung der Verspätungen war bei schwerem Regen die Verspätung 15 Minuten, die Annahme ist bei mittlerem Regen 5 Minuten und bei leichtem Regen 2 Minuten.
- #13 BMW 800 Sensoren
- #17 Der Mensch ist gut - aber zu langsam und zu restriktiert. Man muss Dinge die die Mschine besser kann also auch der Maschine überlassen. Programmieren "vergleiche 1 und 2 mit dem nächsten Datenset". Dann müsste ich aber die Inhalte und Regel schon verstehen, die Maschine würde nur rechnen. Maschinen sind aber in der Lage selbst die Patterns zu erkennen.
- #18 Menschen sind schlampig – nicht alle Möglichkeiten, Vorurteile (Schwangerschaftstest ohne weiteren Bestärkungen) also sollte man den Menschen weder die Daten analysieren lassen, noch die Algorithem schreiben. Wahrscheinlichkeit / Trend (genauer, es steigt unter diesen Bedingungen)
- #19 Menschen sind schlampig – nicht alle Möglichkeiten, Vorurteile (Schwangerschaftstest ohne weiteren Bestärkungen) also sollte man den Menschen weder die Daten analysieren lassen, noch die Algorithem schreiben. Wahrscheinlichkeit / Trend (genauer, es steigt unter diesen Bedingungen)
- #20 “Deep Blue, as it stands today, is not a ‘learning system.’ It is therefore not capable of utilizing artificial intelligence to either learn from its opponent or ‘think’ about the current position of the chessboard.” “Any changes in the way Deep Blue plays chess must be performed by the members of the development team between games. Garry Kasparov can alter the way he plays at any time before, during, and/or after each game.”
- #21 “Deep Blue, as it stands today, is not a ‘learning system.’ It is therefore not capable of utilizing artificial intelligence to either learn from its opponent or ‘think’ about the current position of the chessboard.” “Any changes in the way Deep Blue plays chess must be performed by the members of the development team between games. Garry Kasparov can alter the way he plays at any time before, during, and/or after each game.”
- #30 Supervised Learning Der Benutzer zeigt der Maschine die Daten und/oder benennt diese. Die Maschine versucht die Muster zu lernen, ohne dass diese programmiert werden. zB SPAM erkennung oder Roboter im Raum
- #31 Die Maschine muss ausschließlich auf Datensets und Clustering relyien - also erst einmal Data Mining um die Muster und Erkenntnisse festzustellen und die Daten zu "reinigen". Dann werden aber selbständig algorytmhen geändert um zu testet. Google Roboter.
- #32 Reinforement Learning Man vergibt Punkte oder Belohnungen, wie im Sales mit Bonus. So weiß man aber auch, dass Fehlleitungen entstehen können. Man muss also genau testen. Später werden dies auch Maschinen selbst können, das ist aber wenig erforscht. Robert Raum selbst lernen.
- #33 Später: wie lernt ein Kind eine Katze zu erkenne? Indem er genügend Katzen gesehen hat und man die Katze so bezeichnet hat "tag"
- #34 Die Maschine muss ausschließlich auf Datensets und Clustering relyien - also erst einmal Data Mining um die Muster und Erkenntnisse festzustellen und die Daten zu "reinigen". Dann werden aber selbständig algorytmhen geändert um zu testet. Google Roboter. https://www.litmos.com/blog/articles/the-realities-of-artificial-intelligence-and-adaptive-learning https://en.wikipedia.org/wiki/Adaptive_learning
- #38 http://psychologie-news.stangl.eu/547/was-menschen-motiviert Zufrieden: es gab wenig Bildung der unteren Schichten und es wurde auch nicht als notwendig gesehen (Bauernaufstand) Was motiviert einen Menschen? Lob? Anerkennung? Freiheit? Geld? Umfeld? Ziele? Persönlicher Nutzen?Ergebnisse?Dabei geht es um die Anerkennung der Leistung, die Einbindung in Entscheidungsprozesse und die Schaffung von Anreizen.„Kurzfristige Belohnungssysteme wie Zusatzprämien sind eher ungünstig“ erklärt Sperling, „sie nutzen sich schnell ab, weil man sich leicht an sie gewöhnt.“Kreativität.
- #39 Alles ist effizient Doro Es gibt keine Staus mehr, weil die meisten von uns keine eigenen Autos mehr haben werden und die Fahrzeuge dann ihre Routenplanungen zu effizienten Verkehrsvorhersagen konsolidieren können. Aus Parkflächen werden Parkflächen (also grüne :-) Warum auch besitzen? Der teuerste Gegenstand (neben der eigenen Immobilie) ist in einem Haushalt das Auto – dafür, dass es nur in durchschnittlich 5% der Zeit genutzt wird. Bequemlichkeit ist alles: Wir nutzen ja alle schon mit Spotify „Music as A Service“ – warum nicht auch „Car as a service“ mit einem Fingertipp steht das autonome Fahrzeug vor der Tür, und bringt mich zu viel geringeren Kosten mit höherer Bequemlichkeit zu meinem Ziel. Effizient ist das aber nur, wenn man komplett auf eMobilität umsteigt und nicht wenn man mehrere Infrastrukturen mit Herstellung und Lieferketten parallel hat. Es wird also überall solche Entscheidungen geben müssen wie in den nordischen Ländern – wann die letzten Diesel und Benziner vom Band gehen dürfen. Wenn es bis dahin auch Entscheidungen und Gesetze zum autonomen Fahren gibt, ist man weit vorne – mit Ressourcen, Technologievorsprung und auch mit sauberer Luft. Sie wollen noch mehr Platz in der Garage, nicht nur der Rasenmäher weg? Sie brauchen kein Auto mehr. Bequemlichkeit ist alles: Wir nutzen ja alle schon mit Spotify „Music as A Service“ – warum nicht auch „Car as a service“ mit einem Fingertipp steht das autonome Fahrzeug vor der Tür, und bringt mich zu viel geringeren Kosten mit höherer Bequemlichkeit zu meinem Ziel. Effizient ist das aber nur, wenn man komplett auf eMobilität umsteigt und nicht wenn man mehrere Infrastrukturen mit Herstellung und Lieferketten parallel hat. Es wird also überall solche Entscheidungen geben müssen wie in den nordischen Ländern – wann die letzten Diesel und Benziner vom Band gehen dürfen. Wenn es bis dahin auch Entscheidungen und Gesetze zum autonomen Fahren gibt, ist man weit vorne – mit Ressourcen, Technologievorsprung und auch mit sauberer Luft. Es gibt auch keine Staus mehr, weil die meisten von uns keine eigenen Autos mehr haben werden und die Fahrzeuge dann ihre Routenplanungen zu effizienten Verkehrsvorhersagen konsolidieren können. Aus Parkflächen werden Parkflächen (also grüne :-) Warum auch besitzen? Der teuerste Gegenstand (neben der eigenen Immobilie) ist in einem Haushalt das Auto – dafür, dass es nur in durchschnittlich 5% der Zeit genutzt wird. Ralph Stellen Sie sich vor Sie sind Automobilhersteller und werden in Zukunft 80% weniger Autos verkaufen. Wird es nicht Zeit für neue Geschäftsmodelle? Vielleicht muss man die Fahrzeuge nicht nur bauen sondern auch gleich vermieten – ansonsten tut es ein anderer. Dies hat mit dem CarSharing wie Car2Go oder xxx bereits begonnen – genauso wie mit privaten Fahrzeugen bei Croove. Sehen Sie den Screen? Hier werden ihnen Informationen zur Route und Umgebung angeboten. Vielleicht von Google oder Apple, die das Fahrzeug gebaut haben. Ein Dieselgipfel ist also nicht gerade zielführend, wir müssen hier ganz neu denken. Und nicht nur die Automobilindustrie – was bedeutet autonomes Fahren für die Infrastruktur? Tankstellen? Für die Bahnunternehmen? Taxen? Für die Bezahlmodelle und auch für die Versicherungen? Denken Sie wir sind hier vorbereitet? Denken Sie das wird nicht kommen? Hinweis auf Hamburg „Smart City“ https://www.linkedin.com/pulse/die-deutsche-bahn-gestaltet-smart-city-von-morgen-interview-schulz?trk=eml-email_feed_ecosystem_digest_01-recommended_articles-11-Unknown&midToken=AQEm1Olqg-4DqA&fromEmail=fromEmail&ut=3po3Jj9AOntDU1
- #42 It never rains… Ralph Der Titel aus dem Song von Albert Hammond verrät es schon - Wasser ist eine kostbare Ressource. Dazu kommen Dinge wie Nährstoffe, ebenfalls keine unendliche Ressource und auch die Schädlingsabwehr. Gewässert wird einfach regelmäßig oder wenn es eine Zeit nicht geregnet hat. Ebenso Nährstoffe, also Dünger - einfach nach Jahreszeit. Erfahrungswerte. Allerdings sind die Bedingungen unterschiedlich - selbst auf dieser begrenzten Fläche - alleine schon ob die Weinstöcke oben oder weiter unten am Hügel sind. Was wäre, wenn man Wasserbedarf und Nährstoffe aus Sensoren auslesen könnte und zudem Wetterdaten und Satellitenbilder zur Hilfe nehmen könnte? Genau das wird hier gemacht. Eine künstliche Intelligenz steuert den Bedarf pro Abschnitt und vorhandener Bedingung zielgenau, nicht mehr per Zufall oder nach Gießkannenprinzip und kommt mit bis zu 1/3 der vorher benötigten Wasserressourcen (Durchschnitt 30% weniger) und einem Bruchteil an Nährstoffen aus. Sehr wichtig in einer Zeit wo wir selbst in Deutschland wegen Überdüngung der Felder ein Problem mit dem Trinkwasser bekommen und die Preise um >50% steigen nur um das Natrium wieder aus dem Wasser zu bekommen. Weniger Ressourcenverbrauch ist weniger Kosten, man wird konkurrenzfähiger und kann sich sogar mit der Nachhaltigkeit des Produktes schmücken. Das ist der Weg den man mit Technologien gehen muss um den Ressourcenverbrauch auf der Erde einzudämmen. Braucht man hier Technologie? Das kann der Mensch mit etwas Mühe doch auch? Alleine in diesem begrenzten Gebiet wären tausende von Daten zu lesen, zu analysieren, mit den Wetterdaten zu vergleichen und dann die Anlagen entsprechend anzusteuern. Da würden zwei Vollzeitkräfte nicht reichen, wenn es überhaupt machbar ist.
- #44 Bevor die Maschine also lernen kann, muss man die Daten "schürfen". Data Mining. Daten analyieren, Pattern entdecken, Insights liefern - Maschinen lernen verbessert diese Ergebnisse, ohne dass ich den Algorythmus anpassen muss. Data Mining explorativ sucht nach unbekanntem Wissen, Data Mining = große Datensets, Daten säubern, Verbindungen und Muster erkennen. Big Data
- #45 Kurz: Data Mining = was ist beim letzten Hurricane passiert, was wurde getan = Aktionen ableiten was man nach dem nächsten Hurricane auch wieder tun muss. Mach Learning: Vorhersage wann der nächste Hurricane kommt und wie man sich schützen kann um nicht die gleichen Verwüstungen zu haben. Oder: lernen von Suchergebnissen und verfeinern für den nächsten Aufruf für den Benutzer.
- #46 Quanten Ralph Jetzt schließen wir den Kreis mit einer Technologie die, die auch noch auf dem Weg zur Reife ist – das QuantenComupting. Rechts sehen Sie ein Bild eines IBM Quantenrechners und oben die Herren die die Grundlagenforschung, wenn auch aus anderen Gründen, dafür geleistet haben. In kurz haben sie entdeckt und nachgewiesen, dass Licht aus elektrischen Wellen besteht und diese aus einzelnen Teilen die verschiedene Zustände gleichzeitig haben können. Raum und Zeit sind nicht fest miteinander verbunden (die Relativitätstheorie). Heute haben wir ein Bit das die Zustände 0 oder 1 darstellen kann. Ein qbit kann 0,1 oder beides sowie beliebig viele Zustände dazwischen. Was bringt das? Wenn man sich ein Labyrinth vorstellt müsste in herkömmlicher Rechner die Wege zum Ziel nacheinander testen. Ein Quantenrechner könnte viele Wege gleichzeitig testen und wüsste um die Zustände der anderen Bits. Das ist sehr sehr sehr viel schneller! Warum erwähnen wir das hier? Das ist der letzte Baustein für den Perfekten Sturm – denn wenn wir über Performanceprobleme bei Deep Learning oder Blockchain sprechen, hiermit wäre jedes dieser Probleme gelöst und auch die Energieeffizienz. Das Geschäftsmodell? Rechenleistung aus der Cloud. Enorme Rechenleistung. Wenn Sie bis dahin noch Berührungsängste mit der Cloud haben, sollten Sie schon mal anfangen auf den eigenen Quantenrechner zu sparen.
- #47 Ralph Entscheidungen: Wie werden diese gefällt? Wo sind Daten sinnvoll? Sie haben dann auch die Pflicht, aus Ihren Daten etwas zu machen. Automatisiert aufbereiten! Ohne vorherige Meinung bestätigt haben zu wollen. Bauchgefühl versagt – Gehirn hat immer eine Beeinflussung. Der Mensch ist sehr schlecht in Entscheidungen zu treffen, die vollständig neutral sind. Man sucht nur Daten, die die eigene Meinung bestätigen. Prinzipiell gibt es zwei Arten von Entscheidungen: 1: Entscheidungen die durch Analyse von Daten und Vergangenheitsdaten gefestigt werden können 2: Entscheidungen bei denen dies nicht möglich ist, z.B. bei Innovationen wo es keine vergleichbaren Produkte oder Vorgehensweisen gibt und natürlich auch keine Daten aus der Vergangenheit. Dieser Call beschäftigt sich mit den Entscheidungen #1 - die #2 kommt zu einem anderen Zeitpunkt aber kann gerne bei mir erfragt werden.
- #48 Ralph Entscheidungen: Wie werden diese gefällt? Wo sind Daten sinnvoll? Sie haben dann auch die Pflicht, aus Ihren Daten etwas zu machen. Automatisiert aufbereiten! Ohne vorherige Meinung bestätigt haben zu wollen. Bauchgefühl versagt – Gehirn hat immer eine Beeinflussung. Der Mensch ist sehr schlecht in Entscheidungen zu treffen, die vollständig neutral sind. Man sucht nur Daten, die die eigene Meinung bestätigen. Prinzipiell gibt es zwei Arten von Entscheidungen: 1: Entscheidungen die durch Analyse von Daten und Vergangenheitsdaten gefestigt werden können 2: Entscheidungen bei denen dies nicht möglich ist, z.B. bei Innovationen wo es keine vergleichbaren Produkte oder Vorgehensweisen gibt und natürlich auch keine Daten aus der Vergangenheit. Dieser Call beschäftigt sich mit den Entscheidungen #1 - die #2 kommt zu einem anderen Zeitpunkt aber kann gerne bei mir erfragt werden.
- #49 Ralph Was ist der Unterschied zwischen Truthahn und Ihnen: Sie können die Organisation aus eigener Kraft ändern.