<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Tizian Kronsbein on Medium]]></title>
        <description><![CDATA[Stories by Tizian Kronsbein on Medium]]></description>
        <link>https://medium.com/@TKronsbein?source=rss-6a423a555d54------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*_GZVBHBdF-XQSyTnVRz6TA.jpeg</url>
            <title>Stories by Tizian Kronsbein on Medium</title>
            <link>https://medium.com/@TKronsbein?source=rss-6a423a555d54------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 09:25:27 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@TKronsbein/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[The Productivity Conundrum]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@TKronsbein/the-productivity-conundrum-ebb47dc9ddda?source=rss-6a423a555d54------2"><img src="https://cdn-images-1.medium.com/max/1279/1*yek-AVRP1oZOJT0c-EZPSg.png" width="1279"></a></p><p class="medium-feed-snippet">Why GenAI Hasn&#x2019;t Yielded the Results You Expect in the DACH Region&#x200A;&#x2014;&#x200A;Yet</p><p class="medium-feed-link"><a href="https://medium.com/@TKronsbein/the-productivity-conundrum-ebb47dc9ddda?source=rss-6a423a555d54------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@TKronsbein/the-productivity-conundrum-ebb47dc9ddda?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/ebb47dc9ddda</guid>
            <category><![CDATA[automation]]></category>
            <category><![CDATA[generative-ai]]></category>
            <category><![CDATA[artificial-intelligene]]></category>
            <category><![CDATA[digital-transformation]]></category>
            <category><![CDATA[change-management]]></category>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Mon, 28 Oct 2024 08:57:41 GMT</pubDate>
            <atom:updated>2024-10-28T08:57:41.446Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Speaking Data: Becoming a Janus face]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/@TKronsbein/speaking-data-becoming-a-janus-face-893265c2bd2a?source=rss-6a423a555d54------2"><img src="https://cdn-images-1.medium.com/max/2600/1*VB7p_zlKy4rMEAny9KEPFg.jpeg" width="3964"></a></p><p class="medium-feed-snippet">Three ways to close the data communication gap.</p><p class="medium-feed-link"><a href="https://medium.com/@TKronsbein/speaking-data-becoming-a-janus-face-893265c2bd2a?source=rss-6a423a555d54------2">Continue reading on Medium »</a></p></div>]]></description>
            <link>https://medium.com/@TKronsbein/speaking-data-becoming-a-janus-face-893265c2bd2a?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/893265c2bd2a</guid>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[communication]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Fri, 15 Mar 2019 16:18:51 GMT</pubDate>
            <atom:updated>2019-03-19T15:24:02.602Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Design Thinking vs Data Thinking]]></title>
            <link>https://medium.com/series/design-thinking-vs-data-thinking-749f0237c0e8?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/749f0237c0e8</guid>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Mon, 11 Mar 2019 11:00:31 GMT</pubDate>
            <atom:updated>2019-03-11T11:00:31.606Z</atom:updated>
            <content:encoded><![CDATA[<p></p><p></p><p></p><p></p><p></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=749f0237c0e8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Der Essentialismus einer Datenstrategie.]]></title>
            <link>https://medium.com/@TKronsbein/der-essentialismus-einer-datenstrategie-5eff4bbc4af7?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/5eff4bbc4af7</guid>
            <category><![CDATA[data-lake]]></category>
            <category><![CDATA[künstliche-intelligenz]]></category>
            <category><![CDATA[daten]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[datenstrategie]]></category>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Tue, 15 Jan 2019 13:50:14 GMT</pubDate>
            <atom:updated>2019-01-15T13:50:14.746Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2woCDpcgNIX3hiliZpAqnA.jpeg" /></figure><h4>Warum essenzielle Anwendungsfälle oft mehr Nutzen bringen.</h4><p>Michael Porter, der berüchtigte Ökonom und strategische Vordenker, hat einmal gesagt: „Die Essenz der Strategie besteht darin, zu entscheiden, was nicht zu tun ist.“ Wir leben jedoch in einer Welt mit Millionen von Alternativen. Selbst wenn Sie also wissen, dass 99% nicht funktionieren, haben Sie immer noch eine Vielzahl an strategische Optionen. Wie entwickelt man dann eine passende Strategie?</p><p>Ein besonders interessanter Bereich ist die Entwicklung der richtigen Datenstrategie. Hier sehen wir eine Unmenge an Architekturlösungen, Data Warehouse-Strategien, KI- und ML-anwendungen und vieles mehr. Um zu verstehen wie sie funktionieren, ist es wichtig, die Risiken zu bestimmen, da viele Produkte nicht gerade günstig daher kommen.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/608/1*H_OJ_0YwoLRgW4re4QTI5w.jpeg" /><figcaption>©Timo Elliot at <a href="https://timoelliott.com/blog/cartoons/more-analytics-cartoons">https://timoelliott.com/blog/cartoons/more-analytics-cartoons</a></figcaption></figure><p>Häufig besteht die Hauptstrategie darin, alle Datenbestände intern zu zentralisieren. Unternehmen beginnen, einen zentralen Ort für all ihre Datenbanken aufzubauen und alles in einen Data Lake (Übersetzung: Datensee) zu werfen. Während Data Lakes die Analyse großer Mengen strukturierter, halbstrukturierter und unstrukturierter Daten ermöglichen und möglicherweise langfristig Wert schaffen, besteht das Risiko, dass diese strategische Entscheidung keinen schönen See erzeugt, sondern in einen Sumpf (ein sog. Data Swamp). Dieser Data Swamp kann mit Blick auf die Personalressourcen eine Unmenge kosten. Der Grund für das Scheitern dieser Strategie, liegt häufig an den Hauptcharakteristika von Data Lakes. In Data Lakes können Sie alles speichern! Es spielt keine Rolle, ob Sie die Daten tatsächlich verwenden oder nicht. Wie Adam Wray, CEO von Basho, zu Forbes sagte: „Alles wird alles aufgesaugt. Dies führt jedoch zu Problemen. […] [Data Lakes] sind böse, weil sie widerspenstig sind, unglaublich teuer sind und die Wertschöpfung im Vergleich zu dem versprochenen Wert unendlich ist. “</p><p>Die zentrale Frage ist nun, wie man Wert generiert und diese Daten nutzbar macht. Mit anderen Worten, was ist für die Strategie wirklich essenziell?</p><h3><strong>Was is Essentialismus?</strong></h3><p>Vor kurzem bin ich auf Greg McKeowns Konzept des <em>Essentialismus</em>gestoßen. <a href="https://tim.blog/2019/01/09/greg-mckeown-essentialism/">In einer Tim-Ferriss-Podcast-Episode</a>spricht McKeown über seinen Kurs in der d.school von Stanford, der dieses Konzept mit Design Thinking kombiniert.</p><p>McKeown zufolge, ist die beste Definition für den Essentialismus, “weniger, aber besser”. Es beginnt also mit der Frage, was wirklich wichtig ist für das, was ich erreichen möchte. Im Allgemeinen, ist dies ein disziplinierter, systematischer Ansatz, bei dem man zunächst Felder definitiver, die wichtig sind, aber von denen man weiß, dass man momentan zu wenig investiert. Anschließen konzentriert man sich auf die Dinge, die den höchsten Einfluss haben können und baut für diese entsprechende Lösungen.</p><p>McKeowns Kurs für Essentialismus umfasst viele Techniken vom Design Thinking, z. B. das Definieren des Problemraums und das Entwickeln von Lösungen, die anschließend mit kleinen Prototypen getestet werden. Diese Methode kann auch auf das Entwickeln einer Datenstrategie angewendet werden, <a href="http://www.dlighted.de/">wie es auch bei Data Thinking Workshops oder Data Sprints gemacht wird</a>.</p><h4>Mit Anwedungsfällen anfangen</h4><p>Wenn es um die Datenstrategie eines Unternehmens geht, ist es sinnvoll, zunächst sinnvolle Anwendungsfälle für Ihre Unternehmensstrategie zu identifizieren. Oft ist es viel schlanker, zuerst gute Anwendungsfälle zu entwickeln und dann zu entscheiden, wie die Architektur aussieht. Dies bedeutet nicht, dass Sie keine Data-Lake-Strategie entwickeln können, aber Ihr wichtigster Faktor ist die Zeit, und es ist ratsam, frühzeitig mit sinnvollen Lernergebnissen zu beginnen. Eine wertvolle Denkweise, die dazu beiträgt, ist z.B <a href="https://medium.com/d-lighted/wtf-is-data-thinking-acd17f2ce05a">Data Thinking</a>.</p><p>Daher können einige Prinzipien vom <strong>Essentialismus </strong>auch auf Data Thinking und Ihre gesamte Datenstrategie angewendet werden. Durch eine Methode wie Data Thinking Workshops, werden die wertvollen Anwendungsfälle generiert, priorisiert (entscheidet, welche essenziell sind) und anschließend zu Prototypen weiterentwickelt. Einige Grundsätze des <em>Essentialismus</em>- Das disziplinierte Streben nach weniger, kann direkt für diese Art von Arbeit angewendet werden.</p><h4>Hausaufgaben machen!</h4><p>Es gibt ein weit verbreitetes Missverständnis, dass künstliche Intelligenz (auch AI) und Maschinelles Lernen (abgekürzt als ML) oft bereits als Plug-and-Play-Lösungen zu finden sind. Als Grundlage für den Einsatz solcher Technologien, sind häufig ziemlich große Datenmengen erforderlich. Meistens verfügen die Unternehmen, die ML und AI einsetzen wollen, nicht über die erforderlichen Daten. Daher ist zunächst eine Strategie zum Sammeln und Speichern erforderlich. Während der Data Sprints verbringen wir oft viel Zeit damit, Anwendungsfälle zu untersuchen, die für das Unternehmen sinnvoll sind, und entscheiden, wie wir die benötigten Daten tatsächlich erhalten, wenn sie nicht bereits vorhanden sind.</p><h4>Man hat immer eine Wahl!</h4><p>Wie bei allem im Leben, ist es auch hier wichtig, zu wissen, dass Sie die Wahl haben. Nur weil die Großen beschließen, alle ihre Datenbanken in einem Data Lake zu zentralisieren und die entsprechende Tech-Architektur zu kaufen, bedeutet dies nicht, dass dies die richtige Konfiguration für Sie ist. Am Ende haben Sie immer die Wahl.</p><h4>Konzentrieren Sie sich auf die “Low hanging fruits”</h4><p>In Data Thinking Workshops, sammeln wir zunächst so viele verschiedene Anwendungsfälle wie möglich. Eine der entscheidenen Fragen ist es jedoch, wie man diejenigen bestimmt, die essenziell sind? Eine effiziente Methode dafür, ist die Impact-Effort-Matrix. Hier platziert man alle Anwendungsfälle auf eine 4x4-Matrix und bestimmt jeweils den Grad an Nutzen (Impact) und Aufwand (Effort).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/869/1*LOgoCW9yEg-uF6LdlfUyaQ.png" /></figure><p>Am Anfang konzentriert man sich auf die Anwendungsfällen in der oberen rechten Ecke, da diese einen hohen Nutzen und weniger Aufwand bedeuten. Sie werden auch oft als “low hanging fruits” bezeichnet.</p><h4>Repeat the process</h4><p>Zu einem Profi wird man nur, wenn man es immer und immer wieder wiederholt. Auch Design Thinking und Data Science sind iterative Disziplinen. Sie müssen ständig weiter lernen und ihre Lösungen verbessern. Dat Tran von Idealo hat <a href="https://medium.com/idealo-tech-blog/what-is-minimum-viable-data-product-49269e338d85">einen fantastischen Artikel darüber geschrieben, was ein Minimum Viable Data Product ist</a>. Er schreibt: „A possible approach to solve this classification problem would be to take a neural network with one hidden layer. We would next train and evaluate the model. Then depending on the results, we might want to keep improving our model. We then would add another hidden layer and then do the same modelling exercise again. Then depending on the results again we might add more and more hidden layers.“ Dies zeigt den iterativen Ansatz. Man fängt mit dem einfachsten an und fügt, nach genügen Lernerfahrungen, Komplexität hinzu.</p><p><strong>Zusammenfassung</strong></p><p>Es bleibt festzuhalten, dass die Datenstrategie ein untrennbarer Bestandteil der Produkte und Dienstleistungen ist und dies erfordert ständiges Lernen, Testen und Verbessern.</p><p>Zum Abschluss möchte ich einige der Fragen, die man sich bei der persönlichen Anwendung des Essentialismus stellen kann, anpassen, und sie mit den Fragen kombinieren, die wir in Data Thinking-Workshops und Data Sprints stellen.</p><ul><li>Stellen Sie sich die drei Fragen: Wofür steht unsere Marke / Produkt / Firma? In was sind wir besonders gut? Was entspricht einem erheblichen Bedarf für unsere Kunden?</li><li>Wenn Sie nur eine Sache mit den zur Verfügung stehenden Daten machen könnten, was würden Sie tun?</li><li>Was meine Datenstrategie angeht, ist dies das Allerwichtigste, was ich jetzt mit meiner Zeit und meinen Ressourcen tun sollte?</li><li>Was ist jetzt wichtig? Können wir es mit den Daten lösen, die wir haben?</li></ul><p>Hat Ihnen dieser Artikel geholfen? Haben Sie Fragen oder Kommentare? Schreiben Sie sie gerne unter den Artikel.</p><h3>Quellen</h3><p>Kowalski, Kyle (2017). <em>10 Life hacks form ‘Essentialism’ (Book Summary) </em>URL<em>: </em><a href="https://www.sloww.co/essentialism-book/">https://www.sloww.co/essentialism-book/</a></p><p>Knowledgent (2014). <em>How to design a successful data lake URL: </em><a href="https://knowledgent.com/whitepaper/design-successful-data-lake/"><em>https://knowledgent.com/whitepaper/design-successful-data-lake/</em></a></p><p>Tran, Dat (2018). <em>What is Minimum Viable Data Product? On Medium URL: </em><a href="https://medium.com/idealo-tech-blog/what-is-minimum-viable-data-product-49269e338d85">https://medium.com/idealo-tech-blog/what-is-minimum-viable-data-product-49269e338d85</a></p><p>Wood, Dan (2016). <em>Why Data Lakes are evil. </em>Forbes URL: <a href="https://www.forbes.com/sites/danwoods/2016/08/26/why-data-lakes-are-evil/#b4f61be4f736">https://www.forbes.com/sites/danwoods/2016/08/26/why-data-lakes-are-evil/#b4f61be4f736</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5eff4bbc4af7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[The Essentialism of your Data Strategy]]></title>
            <description><![CDATA[<div class="medium-feed-item"><p class="medium-feed-image"><a href="https://medium.com/dain-studios/the-essentialism-of-your-data-strategy-48ae7e9c5d67?source=rss-6a423a555d54------2"><img src="https://cdn-images-1.medium.com/max/1267/1*2woCDpcgNIX3hiliZpAqnA.jpeg" width="1267"></a></p><p class="medium-feed-snippet">How a use-case-driven approach provides more value.</p><p class="medium-feed-link"><a href="https://medium.com/dain-studios/the-essentialism-of-your-data-strategy-48ae7e9c5d67?source=rss-6a423a555d54------2">Continue reading on DAIN Studios »</a></p></div>]]></description>
            <link>https://medium.com/dain-studios/the-essentialism-of-your-data-strategy-48ae7e9c5d67?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/48ae7e9c5d67</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[data-strategy]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Tue, 15 Jan 2019 12:33:32 GMT</pubDate>
            <atom:updated>2020-10-08T07:49:33.405Z</atom:updated>
        </item>
        <item>
            <title><![CDATA[Irrungen, Wirrungen mit Natural Language Processing]]></title>
            <link>https://medium.com/d-lighted/irrungen-wirrungen-mit-natural-language-processing-69e2530b5d9?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/69e2530b5d9</guid>
            <category><![CDATA[books]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[naturallanguageprocessing]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Tue, 09 Oct 2018 09:10:24 GMT</pubDate>
            <atom:updated>2018-10-09T09:10:24.762Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UrrWUMIfyPEAeklHTng90w.jpeg" /></figure><p>co-author of the article <a href="https://medium.com/u/8e90b6dd4db">Dennis U.</a></p><blockquote><em>“If you only read the books that everyone else is reading, you can only think what everyone else is thinking.” </em>― <strong>Haruki Murakami, </strong><a href="https://www.goodreads.com/work/quotes/2956680"><strong>Norwegian Wood</strong></a></blockquote><p>Dieses Zitat von Murakami motiviert uns ständig neue Dinge zu lesen und auch einmal über den Tellerrand zu schauen. Dies gilt für zukünftige Bestseller, elektrisierende Novellas, vergessene Schinken und zeitlose Klassiker. Genau um letztere geht es in diesem Artikel.</p><p>Wir wollen zeigen, welche Möglichkeit uns neue Technologien wie Machine Learning, Deep Learning und Artificial Intelligence bieten. Anlässlich der Online Buchmesse 2018 (<strong>#obm2018</strong>) und der Frankfurter Buchmesse (<strong>#fbm18</strong>) haben wir einmal einen Deutschen Klassiker genauer unter die Lupe genommen. Hierfür haben wir uns einen Klassiker der deutschen Literaturgeschichte herausgesucht, den wahrscheinlich jeder in der Schule lesen musste: Das Buch “Irrungen, Wirrungen” von Theodor Fontane.</p><h3><strong>Worum geht es in <em>Irrungen, Wirrungen?</em></strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t3qCs36t39u4Jxr000Lcxw.png" /><figcaption>By Carl Breitbach (1833–1904) (zeno.org) [Public domain], via Wikimedia Commons</figcaption></figure><p>Bevor wir nerdig werden, nochmal ein kleiner Reminder an die Handlung in Irrungen, Wirrungen für diejenigen, bei denen die Lektüre schon eine Weile zurückliegt.</p><p>Der Roman von Theodor Fontane wurde erstmalig 1887 in der Vossischen Zeitung veröffentlicht und ein Jahr später in Buchform herausgegeben. Der Roman handelt von der nicht standesgemäßen Liebe zwischen Baron Botho von Reinecker und der kleinbürgerlichen Magdalene (Lene). Beide können sich nicht von ihren gesellschaftlichen Grenzen lösen und heiraten letzendes einen anderen Partner. Zum Ende stellt Botho dann geläutert fest, dass Lenes neuer Partner Gideon einfach besser ist als er. [<a href="https://de.wikipedia.org/wiki/Irrungen,_Wirrungen">1</a>]</p><p>Damals war der Roman auf viel Kritik gestoßen und hatte heftige Ablehnung erfahren. Besonders problematisch wurde es gesehen, dass Fontane Lene, trotz ihres niedrigeren Stands als gleichwertig und moralisch sogar als überlegen darstellte.</p><p>Aus Data Science Perspektive ist es nun interessant festzustellen, ob die Machine Learning Algorithmen in der Lage sind die Stimmung des Romans wiederzugeben und welche anderen Informationen man daraus noch herauslesen kann. Eine Methode der Datenanalyse, welche dabei hilft Text zu analysieren, ist das sogenannte Natural Language Processing.</p><h3><strong>Was ist Natural Language Processing (NLP)?</strong></h3><p>Durch Natural Language Processing (NLP) versucht man in der Datenanalyse natürliche Sprache zu erfassen und mit der Hilfe von Algorithmen zu verarbeiten.</p><blockquote>“NLP muss Lösungen schaffen, um sowohl gesprochene als auch geschriebene Sprache zu erkennen, zu analysieren und den Sinn zur weiteren Verarbeitung zu extrahieren. Hierfür ist ein Verständnis nicht nur von einzelnen Wörtern und Sätzen, sondern das Erfassen von kompletten Textzusammenhängen und Sachverhalten notwendig.” [<a href="https://www.bigdata-insider.de/was-ist-natural-language-processing-a-590102/">2</a>]</blockquote><p>In unserem Fall haben wir verschiedene NLP Algorithmen der nltk Python library [<a href="https://www.nltk.org/">3]</a>genutzt um zu determinieren, wie oft gewisse Worte in dem Roman vorkommen und welche Stimmung die einzelnen Kapitel haben.</p><h4>Herausforderungen bei NLP</h4><p>Dabei sei eingehend erwähnt, dass es einige Herausforderungen bei der Analyse von Text gibt, die dieses Feld deutlich schwieriger machen als bei “normalen” Daten.</p><p>Zum einen gehören Texte zu den sog. unstrukturierten Daten und sind daher nicht vergleichbar mit Daten in einer Tabelle. Denn durch Eigenschaften, wie die unterschiedlichen Längen von Worten und Sätzen und deren Anordnung kann sich die Komplexität enorm steigern. Einige Herausforderungen sind zum Beispiel:</p><ul><li>Die Bedeutung von Worten — Synonyme, Antonyme, Homonyme bringen zusätzliche Komplexität.</li><li>Die Reihenfolge von Worten kann mal über die Bedeutung eines Satzes entscheiden und mal nicht.</li><li>Der Kontext oder Informationen, die sich zum Beispiel aus Insider-Informationen ergeben kann oft nicht erkannt werden.</li></ul><p>Im Anschluss haben wir ein paar einfache NLP Techniken am Beispiel von Theodor Fontanes <em>Irrungen, Wirrungen </em>ausprobiert.</p><h3><strong>NLP Experiment an <em>Irrungen, Wirrungen</em></strong></h3><p>Zunächst sei gesagt, dass wir lediglich eine simple Analyse des Rohtext des Romans vorgenommen haben. Hierfür muss der Text entsprechend vorbereitet werden.</p><h4>Textvorbereitungen</h4><p>Vollständigkeitshalber sei jedoch gesagt, dass elementare Schritte zum Preprocessing das Entfernen von Satzzeichen und sogenannten <em>Stop words </em>sind. Stop words sind Worte, die sehr häufig auftreten und daher für gewöhnlich keine hohe Relevanz zur Bestimmung des Inhalts eines Dokumentes haben. Außerdem haben wir zum Beispiel die Satzzeichen entfernt, sowie Großschreibung auf Kleinschreibung reduziert. Es können noch weitere Schritte vorgenommen werden wie das Reduzieren von</p><h4>Häufigkeit eines Wortes</h4><p>Nach dem Entfernen der Stop words, haben wir uns angeschaut welche Worte nun am häufigsten vorkommen.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/424/1*pLvx696Qi7VKu9YekIbS5g.png" /><figcaption>Häufigkeit einzelner Worte im Text von Irrungen, Wirrungen von Theordor Fontane</figcaption></figure><p>Wie der Graph zeigt, kommen die Worte “frau”, “ja”, “lene”, “botho”, “immer”, “dörr”, und “sagte” am häufigsten vorkommen.</p><p>Hieraus kann man bereits erste Informationen über die Handlung eines Textes herauslesen. Das Wort “Frau” kommt über 250-mal im Text vor. Daraus lässt sich ableiten, dass weibliche Charaktere eine besondere Rolle spielen.</p><p>Außerdem sind die Namen von 3 Charakteren, nämlich Lene, Botho und Frau Dörr, unter den häufigsten Worten. Dies ist damit zu erklären, dass Fontane die Namen seiner Figuren oft in Dialogen wiederholt und sich diese direkt mit Namen ansprechen.</p><p>Letztlich kommt das Wort “sagte” auf knapp 190 Wiederholungen in dem Roman. Dies ist eine klare Indikation darüber, dass das Buch besonders durch Dialoge geprägt ist. Dennoch lässt sich dadurch nicht klar sagen, ob dies nun viel oder wenige Dialoge sind im Vergleich zu anderen zeitgenössischen Werken.</p><h4>Die Stimmung im Buch — Eine Sentiment Analyse</h4><p>Als Nächstes wollten wir bestimmen, ob das Buch eher positiv oder negativ geschrieben ist. Teile der nltk Library ermöglicht es, den Text nach negativen oder positiven Worten zu durchsuchen.</p><p>Dabei wurde bereits ein Wörterbuch entsprechend klassifiziert und gleicht die Häufigkeit von eben diesen Worten ab. Am Ende erhält man einen Score. In unserem Fall erhalten wir eine prozentuale Verteilung der als positiven und negativ klassifizierten Worte. (Hier sei erwähnt, dass es noch andere Möglichkeiten gibt sich ein Bild über das Sentiment zu machen, wie z.B. den AFINN Score, welcher eine Zahl zwischen 1 und -1 liefert)</p><p>Trotz des eher traurigen Endes ist der Roman dennoch von einer positiven Sprache geprägt. So sind 2/3 der identifizierten Worte dem Positiven zu zuordnen (positiv = 0.6999, negativ = 0.3333)</p><p>Anschließend wollten wir wissen, wie sich die einzelnen Kapitel verhalten.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/445/1*_KipMo6CUkT4t7T1i6-kYw.png" /><figcaption>Sentiment Analyse der Kapitel in Theodor Fontanes Irrungen Wirrungen</figcaption></figure><p>Der Graph zeigt die jeweiligen Scores der einzelnen Kapitel. Dabei ist vor allem der Abfall zum Ende des Buches, in dem Botho zur Erkenntnis kommt, dass Gideon ein besser Mann für Lene ist als er, auf. Hier wird der Ton anscheinend negativer bzw. nüchterner als in den vorherigen Kapiteln.</p><h3>NLP: was ist der Business Case dahinter?</h3><p>Wie bereits vorab erwähnt, ist dies eine sehr einfache Analyse und man kann noch viel tiefer in den Text eintauchen. Vielmehr drängt sich die Frage auf, wofür man solche Analysen überhaupt gebrauchen kann. Dafür gibt es verschiedene Business Cases, die für Verleger und Unternehmen aus dem E-Commerce besonders interessant sein können.</p><ol><li>Eine Sentiment Analyse kann man zum Beispiel für das automatische Klassifizieren von User Feedbacks benutzten. Eine Vielzahl an Produktbewertungen können dadurch innerhalb von Sekunden nach negativen Bewertungen durchforstet und gefiltert werden.</li><li>Eine weitere Möglichkeit ist die Text2Cassification Methode. Hier kann aus Produktbeschreibungen direkt eine Produktkategorie erstellt werden oder gegengeprüft werden.</li><li>Text2Numbers — Aus dem Text eine Zahl erstellen. Dies ist ein eher abstrakter Anwendungsfall, dennoch könnte man beispielsweise den Preis eines Fahrzeugs durch dessen Beschreibung ermitteln bzw. schätzen.</li><li>Clusteranalyse von Lesern — Amazon ist bereits sehr stark, wenn es um das Empfehlen von ähnlichen Büchern geht. Dort wird jedoch überwiegend ein Algorithmus genutzt, der die Kaufhistorie von Millionen von Usern checked und dann unter der berühmten “Andere Kunden kauften auch…”-Kategorie empfohlen. Eine weitere Möglichkeit durch NLP, speziell für Verlage, wäre das Analysieren von Schreibstilen, Wortwahl oder ähnlichen Charakteristika von Schriftstellern, um eine solche Empfehlung zu machen.</li></ol><p>Dies sind nur ein paar interessante Use Cases, welche man im Verlagswesen einsetzen können. Fallen euch noch welche ein? Habt ihr noch interessante Sachen, die man aus einem Text herauslesen kann? <br>Solltet ihr Fragen zu weiteren Use Cases haben, oder sollte es euch interessieren, wie man basierend auf euren Nutzern, Lesern und Kunden spannende daten-getriebene Use Cases und Prototypen entwickeln kann, schreibt uns gerne in den Kommentaren oder schaut euch <a href="https://medium.com/d-lighted/wtf-is-data-thinking-acd17f2ce05a">unsere anderen Artikel</a> an.</p><h3>Referenzen</h3><p>[1] Wikipedia.org, <em>Irrungen,Wirrungen, </em><a href="https://de.wikipedia.org/wiki/Irrungen,_Wirrungen">https://de.wikipedia.org/wiki/Irrungen,_Wirrungen</a> (2018)</p><p>[2]Bigdata-Insider, <em>Was ist natural language processing?, </em><a href="https://www.bigdata-insider.de/was-ist-natural-language-processing-a-590102/">https://www.bigdata-insider.de/was-ist-natural-language-processing-a-590102/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=69e2530b5d9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/d-lighted/irrungen-wirrungen-mit-natural-language-processing-69e2530b5d9">Irrungen, Wirrungen mit Natural Language Processing</a> was originally published in <a href="https://medium.com/d-lighted">dlighted</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[This is not okay, Mark!]]></title>
            <link>https://medium.com/d-lighted/this-is-not-okay-mark-7823f152d347?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/7823f152d347</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-literacy]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[facebook]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Mon, 01 Oct 2018 16:26:01 GMT</pubDate>
            <atom:updated>2018-10-01T16:26:01.527Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*Hbn2N62LRA_HXwRAvtxZIA.jpeg" /><figcaption>By Anthony Quintano from Honolulu, HI, United States (Mark Zuckerberg F8 2018 Keynote) [CC BY 2.0 (<a href="https://creativecommons.org/licenses/by/2.0">https://creativecommons.org/licenses/by/2.0</a>)], via Wikimedia Commons</figcaption></figure><h3>Why Facebook lost the touch to its users and what companies can learn from this!</h3><p>Let’s assume you and I know each other for years now. Your vacation is coming up and you need someone to water the plants and feed your cats while you are gone. You commit your keys for your apartment, the physical manifestation of your private safe space, to me. In order to being able to contact you in the case of an emergency you additionally provide me your private phone number. This is a hell lot of trust you place in my hands and I would be honoured to have someone who would trust me that much, right?</p><p>However, now let’s picture this: After your trip, you realize that I was taking a stroll through your apartment. I checked out how you live, made conclusions on what you might think, what your private interests are and gave away all of that information to other people, plus gave them your private number with the purpose of making a commission on what ever they would afterwards trying to sell to you. How would you feel?</p><p>Violated? Disappointed? Angry? One could also just say it was your fault to trust me that much? Would that change anything? Probably not.</p><p>I assume you would feel all of the emotions and you would probably never ever want to interact with me again. So, why are you not feeling this way when it comes to Facebook?</p><p>This morning <a href="https://techcrunch.com/2018/09/27/yes-facebook-is-using-your-2fa-phone-number-to-target-you-with-ads/?utm_source=tcfbpage&amp;sr_share=facebook&amp;guccounter=1">Techcrunch released an article</a> stating that Facebook conformably uses your phone number, which you provided for the purpose of the two factor authentication (2FA), to target you with ads. The 2FA method is used to make your account safer so it cannot be hacked that easily. This means you provided them your number for the pure purpose to make logging into your account more secure. However, they mistreated that purpose and used the data in a way that was not clearly part of this deal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WlxhmyrwOgkeuKa0W6oepQ.jpeg" /></figure><p>It is yet another sad and pressing indication why Facebook is not caring for its users anymore. It has lost its user-centric vision of connecting people all around the world. It just uses every possibility to increase the ad revenue. And it goes on. Facebook will soon be using the information on Whatsapp users to target you with apps despite the encryption wrapper around your messages. This is hypocritical. While I don’t want to go too deep on the ethical problems behind this behavior, I do want to raise attention to why it is important to keep the user in mind especially when it comes to data.</p><p>We already see a sharp decline in users and hence ad revenue among the probably most data literate user group of Facebook — the teens and digital natives. Many users claimed already that the Cambridge Analytical scandal was the <a href="https://www.google.com/url?sa=t&amp;rct=j&amp;q=&amp;esrc=s&amp;source=web&amp;cd=8&amp;cad=rja&amp;uact=8&amp;ved=2ahUKEwjylJGlpeXdAhVOblAKHUVqCScQFjAHegQIBBAB&amp;url=https%3A%2F%2Fwww.marketwatch.com%2Fstory%2Ffacebook-stock-crushed-after-revenue-user-growth-miss-2018-07-25&amp;usg=AOvVaw3YmZOvbMi3TtuKMcRE1cUN">last straw that led them quitting FB</a>, says marketwatch. This will further be elevated by news like the one from this morning. Facebook lost 2.8 million users and faced a 20% drop in value after this.</p><h3>What can companies learn from this?</h3><p>First and foremost, it is a sharp reminder for companies to keep their user’s needs and wants in the center of their doing, especially when it comes to data-driven products and services. With an intangible asset like data, it is easy to blank out the actual human element behind the data and just use it because you have it.</p><p>This is where data literacy and <a href="https://techcrunch.com/2018/09/27/yes-facebook-is-using-your-2fa-phone-number-to-target-you-with-ads/?utm_source=tcfbpage&amp;sr_share=facebook&amp;guccounter=1">formats like Data Thinking</a> enter the picture. When making business decisions on features and services, employees need to have the user in mind. Many experts believe that the human element will still be essential within the digital processes, regardless of the level of automation that we reach. In fact, we cannot loose our moral obligation either. Just because we can do something, doesn’t mean we should. We need to have a view on this issue that shifts the individual from a pure consumer towards a questioner, debater and explorer. There are many good things we can do through data and this doesn’t mean that revenue needs to suffer, the opposite is the case. Good data usage will increase the trust people have in your brands and hence will extensively drive revenue while reducing churn in the future. Who doesn’t want to feel safe, right?</p><p>However, how do we shape our organizations to be ready for this? Companies need to instill a higher level of data literacy in their employees, helping them to understand the moral responsibilities towards their users better but also provide them with the technological understanding to develop new products and services with the user and data in mind. They need to have a creatively safe environment to be able to explore technologies like AI and see how it can be used in the best possible way. Most importantly, through formats like Data Thinking, employees understand the benefits that are beyond profit optimization which are then way more purposeful and value-oriented. They may start with simple, basic charts and trying to understand the technical implications through using post-its but ultimately they will shape better products that people are enjoying in then long run and they will trust.</p><h3>A personal note…</h3><p>On a personal note though, I know it is hard to get off the Facebook bandwagon. I use it myself constantly to spread my content and also to stay in contact with friends. However, I try to reduce it as much as possible. I haven’t figured out how to not use it anymore and I invite you to brainstorm ideas in the comments. Furthermore, I invite you to join me in a more data literate and morally acceptable data world.</p><p>We have powerful tools and insights nowadays, let’s use them accordingly.</p><p>Moreover, I am happy to answer any questions regarding Data Thinking. Please <strong><em>leave a comment</em></strong> with your thoughts and ideas.</p><p>My series of posts is about making you think a little deeper about every day concepts. I look forward to <em>having you follow along</em> and reading what you throw at me. Peace!</p><p><strong>Twitter:</strong> @tkronsbein</p><p><strong>Instagram:</strong> @tizian_kronsbein</p><p><strong>YouTube:</strong> <a href="http://www.youtube.com/c/tiziankronsbein">Tizian</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7823f152d347" width="1" height="1" alt=""><hr><p><a href="https://medium.com/d-lighted/this-is-not-okay-mark-7823f152d347">This is not okay, Mark!</a> was originally published in <a href="https://medium.com/d-lighted">dlighted</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[The Data Innovation Board]]></title>
            <link>https://medium.com/d-lighted/the-data-innovation-board-44b9cc35e0ca?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/44b9cc35e0ca</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[design-thinking]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-thinking]]></category>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Thu, 26 Jul 2018 15:52:04 GMT</pubDate>
            <atom:updated>2018-07-26T16:00:59.779Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JnO5ze49tHFgNhwlHH2iBw.jpeg" /><figcaption>Introducing the Data Innovation Board</figcaption></figure><h4>A Visual Canvas for Data-Driven Ideation Workshops</h4><p>In the last post, I wrote about what <a href="https://medium.com/d-lighted/wtf-is-data-thinking-acd17f2ce05a">Data Thinking</a> in my opinion is. While working on the the theory, I developed a visual collaboration tool — the <strong>Data Innovation Board</strong>. In the following paragraphs I am going to present the individual building blocks and the basic functionality of the canvas.</p><h4>Data Innovation Board: A little bit of theory…</h4><p>In the classic design thinking process, we have five distinct phases. However, there are tools like the Digital Innovation Board by Dark Horse Innovation that summarize these five phases of convergent and divergent thinking into three distinct sections. In order to reduce the initial complexity, the DIB follows the Digital Innovation Playbook [3] by Dark Horse and follows the same structue: <em>Explore, Ideate</em>, and <em>Evaluate</em>.<br>It follows lean principles [4, 5] and conceptually focuses on the iterative circle of <em>Build, Measure</em>, and <em>Learn </em>by <a href="https://medium.com/u/d2f31bf094c6">Eric Ries</a>. This approach is closer to what is tried to achieve with the DIB, since a new idea is supposed to be developed and tested.</p><h4>Data Innovation Board — But Why?</h4><p>Design Thinking is a method that facilitates user-driven innovation processes [2, 6]. However, data innovation has its own particular challenges. Bhargava and D’Ignazio [1] claimed that there is a “lack of consistent and appropriate approaches for helping novices learn to ’speak data’”.</p><p>The Data Innovation Board is a visual canvas helping teams to monitor their collaboration in terms of ideation and prototyping over a longer period of time. Hence, users of the board are able to iterate over every block and come back to it to ask whether previous assumptions are still relevant at the stage of the development. Aspects involved in the single blocks can then be changed and updated based on new insights.</p><p>In order to create a framework that can be used to sharpen a more data-oriented view on new ideas, the prerequisites the tool are the adherence and support of the main design principles. As such the tool needs to be user-centric, enable prototyping and still be suitable for several of iterations during the development period. In addition to this, the new concept of data needs to be included.</p><h4>Data Innovation Board — How does it work?</h4><p>The blocks are allocated in the three process steps: <em>Explore, Ideate</em>, and <em>Evaluate</em>. At each of the three steps, linking questions connect the three different process steps. Similar to the Business Model Canvas [30], each building block has guiding questions leading the user of the tool through the board. The DIB also follows this method when asking data related questions.<br>In the Explore area, the primary objective is to increase the understanding of the situation. In this section the team is supposed to apply divergent thinking. This means <strong>the user is explored </strong>as broad as possible in this step. Additionally, it is required to <strong>understand the data that exists</strong> within the organization, or more specifically, what data the organization currently owns or stores about the user, its behavior and other valuable data sources. These are described in the Existing Data blbock. The link question that leads over to the ideation period is <em>How might we solve the user needs with the existing data we currently have?</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/246/1*K7gcQXI1PAuUoFg3f-IPpw.png" /><figcaption>Data Innovation Board — Explore Area</figcaption></figure><p>The question is the introduction to the brainstorming period. In the Ideate area describe the <strong>Data Idea</strong> in more detail. The team is following a convergent thought process. It summarizes the user needs that are addressed, potential risks as well as the data that is used and that still needs to be added additionally.<br>Additional data can be acquired from an external source, like e.g. open data portals or which needs to be collected in addition internally. The link questions that need an answer before users of the DIB can proceed are <em>How might we collect the additional data? </em>and<em> How are we planning on implementing the prototype?.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/249/1*tzEvCubW0nupGHqdZhbsIw.png" /><figcaption>Data Innovation Board — Ideate Area</figcaption></figure><p>In the third stage, the <strong>Evaluate period</strong>, the main objectives are to measure the success of the idea and collect the learning for later iterations. As such, Touchpoints enable the data idea. This is where the user is getting in contact with the new idea to receive the value. However, in most of the cases the idea needs traffic. Hence, channels should summarize how the collaborating team is planning on promoting the new idea and from where they want to acquire traffic. All observations about the performance, new learning about the user interaction and general experiences with the newly implemented data idea can be collected in the evaluation period. Those qualitative learning are partly using the KPIs that measure the general performance of the data idea.<br>The link questions at this stage, initializing the new iteration, are <em>How might we implement the learning?</em> and <em>How might we iterate the data idea?</em>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/248/1*K7yRWq8WFZu1zCXlAKJ0SA.png" /><figcaption>Data Innovation Board — Evaluate Area</figcaption></figure><h4>Want to learn more about Data Thinking?</h4><p>If you are interested in learning more about the method, feel free to follow me here or on my other channels, or say hi in the comments. Moreover, I am happy to answer any questions regarding Data Thinking. Please <strong><em>leave a comment</em></strong> with your thoughts and ideas.</p><p>My series of posts is about making you think a little deeper about every day concepts. I look forward to <em>having you follow along</em> and reading what you throw at me. Peace!</p><p><strong>Twitter:</strong> @tkronsbein<br><strong>Instagram:</strong> @tizian_kronsbein<br><strong>YouTube:</strong> <a href="http://www.youtube.com/c/tiziankronsbein">Tizian</a></p><h3>References</h3><p>[1] Bhargava, R., and C. D’Ignazio, “Designing Tools and Activities for Data Literacy Learners”, pp. 5.</p><p>[2]Brown, T., “Design Thinking”, Harvard Business Review, 2008. <a href="https://hbr.org/2008/06/design-thinking">https://hbr.org/2008/06/design-thinking</a></p><p>[3] Dark Horse, Digital Innovation Playbook: Das unverzichtbare Arbeitsbuch für Gründer, Macher und Manager., Murmann Publishers, Hamburg, 2016.</p><p>[4]Müller, R.M., and K. Thoring, “Design Thinking vs. Lean Startup: A Comparison of two User-Driven Innovation Strategies”, Proceedings of the DMI 2012 International Research Conference: Leading Innovation through Design, Design Management Institute (2012), 151–161.</p><p>[5]Ries, E., The lean startup: How today’s entrepreneurs use continuous innovation to create radically successful businesses, Crown Books, 2011.</p><p>[6]Thoring, K., and R.M. Müller, “Understanding the creative mechanisms of design thinking: an evolutionary approach”, Procedings of the Second Conference on Creativity and Innovation in Design, TU Delft/IASDR (2011), 137–147.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=44b9cc35e0ca" width="1" height="1" alt=""><hr><p><a href="https://medium.com/d-lighted/the-data-innovation-board-44b9cc35e0ca">The Data Innovation Board</a> was originally published in <a href="https://medium.com/d-lighted">dlighted</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[WTF is Data Thinking?]]></title>
            <link>https://medium.com/d-lighted/wtf-is-data-thinking-acd17f2ce05a?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/acd17f2ce05a</guid>
            <category><![CDATA[design-thinking]]></category>
            <category><![CDATA[data-thinking]]></category>
            <category><![CDATA[data-sciene]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Tue, 17 Jul 2018 15:05:27 GMT</pubDate>
            <atom:updated>2018-07-17T20:41:58.756Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SFgi4w2Zgm1-FmCi-Torjg.jpeg" /></figure><h4>Merging Data Science and Design Thinking</h4><p>In 2013, the TV series House of Cards launched on the streaming-service Netflix. It became an international success <a href="http://www.theguardian.com/media/2014/feb/23/netflixviewer-%20data-house-of-cards">leading to 2 million new subscribers</a>. Using analytics of viewers’ preferences, Netflix’s <a href="https://thenextweb.com/insider/2016/03/20/datainspires-%20creativity/">analysts found several trends that ensured them that users would love plot twists, particular characters, and other aspects, even before the show was produced</a>.<br>In 2016, the Washington Post introduced Heliograf, a prototype of an AI-powered bot. It was able to <a href="https://www.wired.com/2017/02/robots-wrote-this-story/">create automated newspaper articles similar tothe ones written by humans</a>. <br>In 2018, Google launched Duplex, an <a href="http://ai.googleblog.com/2018/05/duplex-ai-system-fornatural-%20conversation.html">AI empowered voice assistant</a> that is able to book appointments in hair salons or restaurants by using speech recognition and text-to-speech synthesis.</p><p>Among many others, the three examples illustrate that we were able to experience breakthroughs in many different domains in the last years. We have seen vast advancements in machine and deep learning, speech recognition, natural language processing, and image recognition. While they all facilitate a variety of different interfaces in versatile products and services,<br>they all have something in common: they are all heavily driven by data.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-1FLUQhQcSVGOTDwazLE-w.jpeg" /><figcaption>We live in a Dataconomy where data is driving everything</figcaption></figure><p>Hence, companies need their employees to understand data-driven products and services better. Harris claims that <a href="https://hbr.org/2012/09/data-is-useless-without-the-skills">companies need to make sure that their employees are able to read, understand and interpret data</a>. More specifically, employees need to understand how the data strategy is evolving during the different stages of the user journey and the respective product life cycle.</p><p>Several studies show that many companies are still facing data challenges to manage the digitization. McAfee et al. argue that these <a href="https://hbr.org/2012/10/big-data-the-managementrevolution">data challenges are related to people and how they interact with technology, including leadership, talent management, and decision-making</a>.<br>However, often it is not necessary to become sophisticated in math.</p><blockquote>Data Literacy is more about the “continuous learning journey that creates the ability to identify, understand, interpret, create, communicate, and compute pieces of information to develop knowledge and the ability to participate fully in our society” says <a href="https://medium.com/u/85f470833da4">Helena Sternkopf</a>.</blockquote><p>Similarly, getting practical with data is often more valuable than revising statistical concepts. Moreover, there is a lack of consistent and appropriate approaches for helping novices learn to ’speak data’. Most of the tools are designed to help users but are not beginner-friendly. Design Thinking is a method that facilitates user-driven innovation processes. However, data innovation has its own particular challenges.</p><p>In the last few month, I have been working on bringing these two approaches together. Hence, Data Thinking is bringing Design Thinking and Data Science together. Further, it is a holistic approach to the systematic identification of value-creating data use cases, which improve products and processes through intelligent use of data or form the basis for new, data-based business models.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/962/1*6pODENVB_BXvVUs75NwaHg.png" /><figcaption>Data Thinking is the symbiosis of Design Thinking and Data Science</figcaption></figure><p>Formally, it can be defined as</p><blockquote>a set of creative strategies that designers utilize during the process of creating new products and services where the working principle is a more detailed view on data at every single design step.</blockquote><p>I developed a set of tools during the last few weeks that help people to start working creatively with data, get an overview over the data landscape within their business model, and enable a more inclusive debate between the IT department and product representations. In the next few days I will further introduce the Data Innovation Board — a visual collaboration tool for Data Thinking Workshops.</p><p>If you are interested in learning more about the method feel free to follow me here or on my other channels, or say hi in the comments. Moreover, I am happy to answer any questions regarding Data Thinking. Please <strong><em>leave a comment</em></strong> with your thoughts and ideas.</p><p>My series of posts is about making you think a little deeper about every day concepts. I look forward to <em>having you follow along</em> and reading what you throw at me. Peace!</p><p><strong>Twitter:</strong> @tkronsbein<br><strong>Instagram:</strong> @tizian_kronsbein<br><strong>YouTube:</strong> <a href="http://www.youtube.com/c/tiziankronsbein">Tizian</a></p><h3>References</h3><p><strong>Atchison, S., and J. Burby</strong>, “Big data and creativity: What we can learn from ‘House of Cards’”, The Next Web,2016. https://thenextweb.com/insider/2016/03/20/datainspires-creativity/</p><p><strong>Kedhane, J.</strong>, “A Robot May Have Written This Story”, WIRED, 2017.<br>https://www.wired.com/2017/02/robots-wrote-this-story/</p><p><strong>Leviathan, Y., and Y. Matis</strong>, “Google Duplex: An AI System for Accomplishing Real-World Tasks Over the Phone”, Google AI Blog. http://ai.googleblog.com/2018/05/duplex-ai-system-fornatural-conversation.html</p><p><strong>McAfee, A., and E. Brynjolfsson</strong>, “Big Data: The Management Revolution”, Harvard Business Review, 2012. https://hbr.org/2012/10/big-data-the-managementrevolution</p><p><strong>Sternkopf, H., and R.M. Mueller</strong>, “Doing Good with Data: Development of a Maturity Model for Data Literacy in Non-governmental Organizations”, Proceedings of the 51st Hawaii International Conference on System Sciences (HICSS), IEEE Computer Society (2018), 5045–5054.</p><p><strong>Sweney, M.</strong>, “Netflix gathers detailed viewer data to guide its search for the next hit”, The Guardian, 2014. http://www.theguardian.com/media/2014/feb/23/netflixviewer-data-house-of-cards</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=acd17f2ce05a" width="1" height="1" alt=""><hr><p><a href="https://medium.com/d-lighted/wtf-is-data-thinking-acd17f2ce05a">WTF is Data Thinking?</a> was originally published in <a href="https://medium.com/d-lighted">dlighted</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[5 Frauen in Tech, die wir bewundern!]]></title>
            <link>https://medium.com/disruptive-elements/5-frauen-in-tech-die-wir-bewundern-6aecf9aaced7?source=rss-6a423a555d54------2</link>
            <guid isPermaLink="false">https://medium.com/p/6aecf9aaced7</guid>
            <category><![CDATA[feminism]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[international-womens-day]]></category>
            <category><![CDATA[women-in-tech]]></category>
            <category><![CDATA[women]]></category>
            <dc:creator><![CDATA[Tizian Kronsbein]]></dc:creator>
            <pubDate>Fri, 09 Mar 2018 11:33:18 GMT</pubDate>
            <atom:updated>2018-03-09T11:33:18.158Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*xAjLiEuUYw4ru_0IsuxYlA.png" /></figure><h3>KW 10 – 5 Disruptive Elements der Woche</h3><p>Jede Woche konsumieren wir Unmengen an Content und viele der kreativen Dinge geraten schnell wieder in Vergessenheit. Mit den 5 Disruptive Elements der Woche wollen wir ein paar dieser Sachen teilen, die uns unter der Woche begeistert, inspiriert und unterhalten haben oder aber die wir für euch kreiert haben. Dies können beispielsweise Bücher, Artikel, Apps, Zitate oder Gegenstände sein.</p><p>In Anbetracht des International Women’s History Month und dem gestrigen International Women’s Day widmen wir diese 5 Elemente der Woche starken und inspirierenden Frauen in unserem Umfeld bei Disruptive Elements und in der Tech-Welt.</p><h3>1. <a href="https://medium.com/u/85f470833da4">Helena Sternkopf</a> von Disruptive Elements</h3><p>Für uns die absolute Nummer eins ist natürlich unsere Helena. Als unsere Expertin für Data Creativity und Design Thinking ist sie eine Bereicherung für unser Team.</p><p>Einen Eindruck von Ihr bekommt ihr hier:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F8nzov698_-U%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D8nzov698_-U&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F8nzov698_-U%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/5d671685a5cc71766a848aafd5bf9409/href">https://medium.com/media/5d671685a5cc71766a848aafd5bf9409/href</a></iframe><p>Spiegel Online beschrieb den gestrigen Tag als einen <a href="http://www.spiegel.de/politik/deutschland/weltfrauentag-2018-bis-zur-wirklichen-gleichberechtigung-ist-es-noch-ein-weiter-weg-a-1196983.html">“Tag gegen den Alltag”</a>. Denn auch wenn viele Glauben, dass wir zumindest in Deutschland schon die Gleichberechtigung leben, stimmt das nicht. Zu diesem Thema hat sie ein aus unserer Sicht unglaublich starkes Statement gepostet.</p><iframe src="https://cdn.embedly.com/widgets/media.html?type=text%2Fhtml&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;schema=facebook&amp;url=https%3A//www.facebook.com/helena.sternkopf/posts/1667931776577439&amp;image=https%3A//i.embed.ly/1/image%3Furl%3Dhttps%253A%252F%252Fexternal-iad3-1.xx.fbcdn.net%252Fsafe_image.php%253Fd%253DAQCt43H46SGFLELr%2526w%253D400%2526h%253D400%2526url%253Dhttp%25253A%25252F%25252Fcdn4.spiegel.de%25252Fimages%25252Fimage-1260783-860_poster_16x9-juyo-1260783.jpg%2526cfs%253D1%2526sx%253D0%2526sy%253D0%2526sw%253D484%2526sh%253D484%2526_nc_hash%253DAQA6Za_NwzkmsWoH%26key%3Da19fcc184b9711e1b4764040d3dc5c07" width="600" height="600" frameborder="0" scrolling="no"><a href="https://medium.com/media/bada35dbe8dff2e6cd340a1f5f832ea1/href">https://medium.com/media/bada35dbe8dff2e6cd340a1f5f832ea1/href</a></iframe><h3>2. <a href="https://medium.com/u/d0cec5af62a9">Julia Kleeberger</a> von Junge Tüftler</h3><p>Der verantwortungsvolle Umgang mit Technologie wird in Zeiten von Fake-News, intelligenten Algorithmen und der zunehmenden Verschmelzung von Realität und Virtualität immer wichtiger. Das heißt auch: früh übt sich, wer später die Tech-Szene aktiv mitgestalten möchte. Julia und ihr Team von den Jungen Tüftlern sorgen dafür, dass die Kleinsten bereits spielerisch wichtige Bausteine und Prinzipien verschiedener Technologien erleben können. Ob Roboter — Workshops oder <a href="http://Das war’s von uns. Schönes Wochenende euch und wir freuen uns, wenn ihr etwas Applaus hier lasst. Schreibt uns auch gerne in den Kommentaren, was eure Highlights der Woche waren!">eine Tech- Kita in Düsseldorf</a>, gemeinsam mit dem Vodafone Institute — die Jungen Tüftler tüfteln fleißig an unserer Zukunft und das finden wir spitze!</p><p>Schaut euch <a href="https://www.express.de/duesseldorf/trend-aus-duesseldorf-in-der-vodafone-kita-lernen-diese-paenz-schon-programmieren-29794098">den Beitrag</a> einfach mal an. Wir sind riesen Fans. ❤️❤️❤️</p><h3>3. <a href="https://medium.com/u/ef16d3484d7">Ida Tin</a> von Clue</h3><p>Eine weitere Inspiration für uns ist Ida Tin. Sie ist die Gründerin von Clue, einer Female Health App. Sie verbindet Selbstbewusstsein, Selbstbestimmung und Wissenschaft, denn Clue’s Team nutzt Data Science, um die Nutzerin beim Erkennen ihrer Zyklen individualisiert zu unterstützen.</p><p>Der Fireside Chat auf der NOAH Konferenz letztes Jahr ist es absolut Wert sich anzuschauen.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FQcEY-CD95RI%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DQcEY-CD95RI&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FQcEY-CD95RI%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/e208d2e8cdbcd3955e53ff45a09cc898/href">https://medium.com/media/e208d2e8cdbcd3955e53ff45a09cc898/href</a></iframe><h3>4. Die Frauen, die das Geheimnis des Universums mit Computations gelöst haben: <a href="https://en.wikipedia.org/wiki/Williamina_Fleming">Williamina Fleming</a> und die Harvard Computers</h3><p>In den späten 1800er Jahren waren Männer am Harvard College Observatory damit beschäftigt, durch Teleskope in den Himmel zu blicken und Daten über die Sterne und die Planeten zu sammeln. Aber was macht Mann mit all diesen Rohdaten?</p><p>Der Leiter des Observatoriums, <a href="https://en.wikipedia.org/wiki/Edward_Charles_Pickering">Edward Pickering</a>, brauchte jemanden, um die astronomischen Zahlen zu knacken, um Beziehungen zu berechnen und das Universum effektiv zu messen. Angeblich lehnten die Männer bei dieser “klerikalen” Arbeit ab. Also bat Pickering seine Hausangestellte Williamina Fleming, in Harvard als “Computer” zu arbeiten.</p><p>Fleming stimmte zu und führte ein Team von mehr als 80 Frauen, die die Rechenarbeit geleistet haben, und somit maßgeblich dafür verantwortlich sind, wie wir das Universum heute verstehen.</p><h3>5. Die Mutter der Informatik: Grace Hopper</h3><p>“Die Mutter der Informatik” startete beim beim Militär. In den späten 1940er Jahren arbeitete <a href="https://de.wikipedia.org/wiki/Grace_Hopper">Grace Hopper</a> im Harvard Computation Lab als Teil des Navy Reserve und programmierte den Mark 1 Computer, der militärischen Initiativen Schnelligkeit und Genauigkeit verlieh.</p><p>Später wechselte sie zur Eckert-Mauchly Computer Corp. Dort arbeitete sie als leitende Mathematikerin. Sie half bei der Entwicklung des UNIVAC I Computers, der ersten Business-orientierten Maschine. Zu ihren Auszeichnungen gehört <a href="http://www.bbc.com/news/business-38677721">die Erstellung des ersten Compilers</a>: Software, die Arithmetik in Sprache übersetzt und Programmieranweisungen vereinheitlicht. Sie war eine der Architekten einer “neuen kompilierten Computersprache” namens COBOL, die heute noch ein Standard der Datenverarbeitung ist. Vor allem ist ihr der Gedanke zu verdanken, dass Computercode wie Sprache geschrieben und gelesen werden kann.</p><h3>#QOTD: Welche Frauen sind für euch besonders Inspirierend?</h3><p>Das war’s von uns. Schönes Wochenende euch und schlagt kräftig in die Hände für die Frauen in eurem Leben :) Bis nächste Woche!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6aecf9aaced7" width="1" height="1" alt=""><hr><p><a href="https://medium.com/disruptive-elements/5-frauen-in-tech-die-wir-bewundern-6aecf9aaced7">5 Frauen in Tech, die wir bewundern!</a> was originally published in <a href="https://medium.com/disruptive-elements">Disruptive Elements</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>