Entwickeln oder kaufen? Teil 3: Ist die Entwicklung auf dem falschen Weg?
Bob Selfridge von Minitab nennt die drei wichtigsten Szenarien, in denen seiner Erfahrung nach eine selbst erstellte Software wahrscheinlich nicht funktionieren wird.
Entwickeln oder kaufen? Teil 2: 4 Vorteile beim Kaufen
Hier sind 4 Gründe, warum wir glauben, dass Sie Ihre nächste Softwarelösung zur Datenaufbereitung, -integration und -verwaltung kaufen werden.
Entwickeln oder kaufen? 5 Fragen zur Entscheidungsfindung
Entwickeln oder kaufen? Um die optimale Lösung zu finden, muss man oft entscheiden, ob man eine Softwarelösung kauft oder sich auf ein internes Team verlässt, um sie von Grund auf zu entwickeln.
5 analytische Fähigkeiten für Ihre Karriere im Chemieingenieurwesen
Durch das Erlernen von Datenanalyse- und Data-Science-Fähigkeiten sind Chemieingenieure in der Lage, einzigartige und tiefgreifende Erkenntnisse aus Ihren Daten zu gewinnen, um einen Mehrwert zu schaffen.
Bessere, schnellere und einfachere Analysen und Visualisierungen – überall verfügbar
Die Arbeitswelt hat sich im Laufe des letzten Jahres radikal verändert. Organisationen überarbeiten ihre Strategien und richten sich zunehmend digital aus. Dabei gilt es, diesen digitalen Wandel zu beschleunigen und nachhaltig umzusetzen.
Greg Kinsey, Führungskraft bei Hitachi: Black Belts können (und sollten) die digitale Transformation in der Produktion anführen
Mit 30 Jahren internationaler Erfahrung in der Fertigung sind die Gedanken von Hitachis Industry Executive Greg Kinsey zur digitalen Transformation lesenswert!
IT und Operational Excellence für eine erfolgreiche digitale Transformation zusammenbringen
Mit 30 Jahren internationaler Erfahrung in der Fertigung sind die Gedanken von Hitachis Industry Executive Greg Kinsey zur digitalen Transformation lesenswert!
Trennschärfe und Stichprobenumfang – Ihre Versicherung bei der statistischen Analyse
Bei statistischen Analysen, wie Hypothesentests und der Planung von Experimenten, verwenden wir eine Stichprobe von Daten, um Fragen zu allen unseren Daten zu beantworten. Die Zuverlässigkeit dieser Antworten hängt von der Größe der analysierten Stichprobe ab. Um das Risiko einer unzuverlässigen statistischen Analyse zu minimieren, können wir vor der Datenerhebung die Trennschärfe und den Stichprobenumfang verwenden, um zu bestimmen, wie viele Daten erforderlich sind, um eine gute Chance zu haben, den Effekt zu finden, falls er existiert. Der empfohlene Mindestwert hierfür ist 80 %.
Datenwissenschaft für alle: Die Bedeutung der prädiktiven Analyse
With 30 years of experience working with the manufacturing industry around the world, the thoughts of Hitachi's Industry Executive Greg Kinsey on several data science topics are worth reading!
Zu viel oder nicht genug: Stichprobenumfänge und die statistische Analyse
Der einfachste Grund, aus dem eine statistische Analyse genutzt wird, ist der Umstand, dass nicht die vollständige Grundgesamtheit, sondern nur eine Teilmenge der Daten erfasst wird.