Player FM - Internet Radio Done Right
0-10 subscribers
Checked 1+ y ago
Lisätty four vuotta sitten
Contenuto fornito da Barbara Bredner. Tutti i contenuti dei podcast, inclusi episodi, grafica e descrizioni dei podcast, vengono caricati e forniti direttamente da Barbara Bredner o dal partner della piattaforma podcast. Se ritieni che qualcuno stia utilizzando la tua opera protetta da copyright senza la tua autorizzazione, puoi seguire la procedura descritta qui https://it.player.fm/legal.
Player FM - App Podcast
Vai offline con l'app Player FM !
Vai offline con l'app Player FM !
Podcast che vale la pena ascoltare
SPONSORIZZATO
C
Curated Questions: Conversations Celebrating the Power of Questions!


Episode Notes [03:47] Seth's Early Understanding of Questions [04:33] The Power of Questions [05:25] Building Relationships Through Questions [06:41] This is Strategy: Focus on Questions [10:21] Gamifying Questions [11:34] Conversations as Infinite Games [15:32] Creating Tension with Questions [20:46] Effective Questioning Techniques [23:21] Empathy and Engagement [34:33] Strategy and Culture [35:22] Microsoft's Transformation [36:00] Global Perspectives on Questions [39:39] Caring in a Challenging World Resources Mentioned The Dip by Seth Godin Linchpin by Seth Godin Purple Cow by Seth Godin Tribes by Seth Godin This Is Marketing by Seth Godin The Carbon Almanac This is Strategy by Seth Godin Seth's Blog What Does it Sound Like When You Change Your Mind? by Seth Godin Value Creation Masterclass by Seth Godin on Udemy The Strategy Deck by Seth Godin Taylor Swift Jimmy Smith Jimmy Smith Curated Questions Episode Supercuts Priya Parker Techstars Satya Nadella Microsoft Steve Ballmer Acumen Jerry Colonna Unleashing the Idea Virus by Seth Godin Tim Ferriss podcast with Seth Godin Seth Godin website Beauty Pill Producer Ben Ford Questions Asked When did you first understand the power of questions? What do you do to get under the layer to really get down to those lower levels? Is it just follow-up questions, mindset, worldview, and how that works for you? How'd you get this job anyway? What are things like around here? What did your boss do before they were your boss? Wow did you end up with this job? Why are questions such a big part of This is Strategy? If you had to charge ten times as much as you charge now, what would you do differently? If it had to be free, what would you do differently? Who's it for, and what's it for? What is the change we seek to make? How did you choose the questions for The Strategy Deck? How big is our circle of us? How many people do I care about? Is the change we're making contagious? Are there other ways to gamify the use of questions? Any other thoughts on how questions might be gamified? How do we play games with other people where we're aware of what it would be for them to win and for us to win? What is it that you're challenged by? What is it that you want to share? What is it that you're afraid of? If there isn't a change, then why are we wasting our time? Can you define tension? What kind of haircut do you want? How long has it been since your last haircut? How might one think about intentionally creating that question? What factors should someone think about as they use questions to create tension? How was school today? What is the kind of interaction I'm hoping for over time? How do I ask a different sort of question that over time will be answered with how was school today? Were there any easy questions on your math homework? Did anything good happen at school today? What tension am I here to create? What wrong questions continue to be asked? What temperature is it outside? When the person you could have been meets the person you are becoming, is it going to be a cause for celebration or heartbreak? What are the questions we're going to ask each other? What was life like at the dinner table when you were growing up? What are we really trying to accomplish? How do you have this cogent two sentence explanation of what you do? How many clicks can we get per visit? What would happen if there was a webpage that was designed to get you to leave? What were the questions that were being asked by people in authority at Yahoo in 1999? How did the stock do today? Is anything broken? What can you do today that will make the stock go up tomorrow? What are risks worth taking? What are we doing that might not work but that supports our mission? What was the last thing you did that didn't work, and what did we learn from it? What have we done to so delight our core customers that they're telling other people? How has your international circle informed your life of questions? What do I believe that other people don't believe? What do I see that other people don't see? What do I take for granted that other people don't take for granted? What would blank do? What would Bob do? What would Jill do? What would Susan do? What happened to them? What system are they in that made them decide that that was the right thing to do? And then how do we change the system? How given the state of the world, do you manage to continue to care as much as you do? Do you walk to school or take your lunch? If you all can only care if things are going well, then what does that mean about caring? Should I have spent the last 50 years curled up in a ball? How do we go to the foundation and create community action?…
Irgendwas mit Daten - Datenanalyse in der Industrie
Segna tutti come (non) riprodotti ...
Manage series 2924427
Contenuto fornito da Barbara Bredner. Tutti i contenuti dei podcast, inclusi episodi, grafica e descrizioni dei podcast, vengono caricati e forniti direttamente da Barbara Bredner o dal partner della piattaforma podcast. Se ritieni che qualcuno stia utilizzando la tua opera protetta da copyright senza la tua autorizzazione, puoi seguire la procedura descritta qui https://it.player.fm/legal.
Auch in Ihren Daten stecken wertvolle Informationen! Möchten Sie mit Daten Ihre Produkte schneller entwickeln? Ihre Versuche effizienter auswerten? Ihre Prozesse besser verstehen und optimieren? Dann ist dieser Podcast für Sie. Barbara Bredner berät und begleitet seit 2003 Menschen in der Industrie bei der Datenauswertung in Forschung und Entwicklung, Prozess Engineering und Qualitätsmanagement. In ihrem Podcast erklärt sie, wie Sie eigene Daten auswerten und gezielt nutzen können. Sie gibt Tipps für solide und nachvollziehbare Analysen, damit Sie mit größerer Sicherheit und Klarheit belastbare Ergebnisse erreichen. Das Ziel sind abgesicherte Entscheidungen auf Grundlage Ihrer Datenanalysen!
…
continue reading
51 episodi
Segna tutti come (non) riprodotti ...
Manage series 2924427
Contenuto fornito da Barbara Bredner. Tutti i contenuti dei podcast, inclusi episodi, grafica e descrizioni dei podcast, vengono caricati e forniti direttamente da Barbara Bredner o dal partner della piattaforma podcast. Se ritieni che qualcuno stia utilizzando la tua opera protetta da copyright senza la tua autorizzazione, puoi seguire la procedura descritta qui https://it.player.fm/legal.
Auch in Ihren Daten stecken wertvolle Informationen! Möchten Sie mit Daten Ihre Produkte schneller entwickeln? Ihre Versuche effizienter auswerten? Ihre Prozesse besser verstehen und optimieren? Dann ist dieser Podcast für Sie. Barbara Bredner berät und begleitet seit 2003 Menschen in der Industrie bei der Datenauswertung in Forschung und Entwicklung, Prozess Engineering und Qualitätsmanagement. In ihrem Podcast erklärt sie, wie Sie eigene Daten auswerten und gezielt nutzen können. Sie gibt Tipps für solide und nachvollziehbare Analysen, damit Sie mit größerer Sicherheit und Klarheit belastbare Ergebnisse erreichen. Das Ziel sind abgesicherte Entscheidungen auf Grundlage Ihrer Datenanalysen!
…
continue reading
51 episodi
Tutti gli episodi
×DIE Verteilung bei Zuverlässigkeit & Lebensdauer-Analysen Die Weibull-Verteilung 👉 Woher kommt die Weibullverteilung? 👉 Wie wird die Weibullverteilung bestimmt? 👉 Was sind typische Kennzahlen der Weibull-Verteilung? Bei der Zuverlässigkeits- und Lebensdauer-Analyse wird die Weibull-Verteilung zur Beschreibung des Ausfallverhaltens eingesetzt. Hierfür werden Kennzahlen wie Ausfallsteilheit und charakterstische Lebensdauer aus den Daten ermittelt. Oft werden auch bestimmte Kenngrößen wie die B10-Lebensdauer gefordert. In dieser Folge erfahren Sie, warum die Weibull-Verteilung gar nicht von Waloddi Weibull stammt. Es geht um Methoden, mit denen die Parameter der Weibull-Verteilung wie charakteristische Lebensdauer und Ausfallsteilheit ermittelt werden können und darum, welche Aussagen mit MTTF, MTBF und B10 gemacht werden können. Links 👉 80 Jahre Rosin-Rammler-Sperling-Bennett-Verteilung Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
Wie belastbar sind Komponenten und Produkte? Zuverlässigkeit & Lebensdauer 👉 Was können Verfahren für Zuverlässigkeit & Lebensdauer? 👉 Wie entsteht die Badewannen-Kurve? 👉 Was sind Besonderheiten von Zuverlässigkeits-Tests? Methoden aus dem Bereich Zuverlässigkeit & Lebensdauer sind spezielle Auswertungsverfahren, mit denen die Haltbarkeit von Bauteilen, Produkten oder Systemen bewertet wird. Oft wird hierbei die so genannte Badewannenkurve als Modell für das Ausfallverhalten zu unterschiedlichen Zeitpunkten im Produktlebenszyklus verwendet. Daten aus dem Bereich Zuverlässigkeit und Lebensdauer haben einige Besondernheite wie beispielsweise geringe Anzahl bei gleichzeitig hoher Anforderung an die Aussagekraft der Analysen. Mit dieser Folge beginnt eine Serie zum Thema "Zuverlässigkeit und Lebensdauer". Freuen Sie sich auf Informationen zur Weibull-Verteilung, den Nachweis von Zuverlässigkeits-Anforderungen und der Ermittlung von Prüfmengen sowie der Einfluss-Analyse bei Belastungsprüfungen! Links 👉 Reliability Academy Stuttgart Haben Sie auch Themen-Ideen oder brauchen Sie Unterstützung bei der Datenanalyse? Schreiben Sie mir gerne! Barbara Bredner, post@irgendwas-mit-daten.io…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

Von der Problemstellung über die Prozessbeschreibung zur Auswertung & Nutzung Was sind wichtige Schritte in der DoE? 👉 Womit fängt die DoE an? 👉 Welche Vorarbeiten sind notwendig bzw. sinnvoll? 👉 Wann ist ein Versuchsplan zu wenig? Viele Menschen denken bei der statistischen Versuchsplanung und -auswertung (Design of Experiments, DoE) zuerst daran, dass der Versuchsplan gut gewählt sein muss. Das stimmt, doch bevor es um die Auswahl und Erstellung eines geeigneten Versuchsplans geht, sind andere Schritte zur Vorbereitung notwendig. In dieser Folge erhalten Sie Informationen zu den ersten Schritten sowie zu sinnvollen und notwendigen Vorarbeiten bei der DoE. Sie bekommen Entscheidungskriterien dafür, ob ein Versuchsplan ausreichend ist oder weitere Versuche sinnvoll sein können. Links 👉 Statistische Versuchsplanung und -auswertung (DoE) Ablauf Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

Kennzahlen für die Modell-Quaität bei attributiven Zielgrößen (Klassifizierung) In Ordnung oder nicht in Ordnung, das ist hier die Frage! 👉 Wie funktioniert die Bewertung der Erklär-Qualität bei attributiven Zielgrößen (gut/schlecht)? 👉 Was ist die Konfusionsmatrix? 👉 Welche Kennzahlen werden für die Erklär-Qualität bei der Klassifizierung eingesetzt? Vor der Nutzung von Modellen zum Beispiel für die Optimierung von Versuchs- oder Prozess-Einstellungen sollte immer die Aussagekraft oder Erkär-Qualität bewertet werden. In dieser Folge erfahren Sie, mit welchen Kennzahlen Machine Learning Modelle evaluiert werden, die eine attributive Zielgröße (gut/schlecht, in Ordnung/nicht in Ordnung) haben. Diese Methoden werden eingesetzt, wenn das Versuchs- oder Prozess-Ergebnis eine Klassifizierung ist. Je treffsicherer das ML Modell vorhersagen kann, in welcher Klasse oder Kategorie das Ergebnis landet, desto besser ist es für den produktiven Einsatz geeignet. In dieser Folge bekommen Sie Informationen und Erklärungen zur Konfusionmatrix und den wichtigsten Kennzahlen zur Bewertung der Erklär-Qualität von Modellen mit attributiven Zielgrößen. Darüber hinaus erfahren Sie, wie die ROC-Kurve entsteht und warum die Fläche unter der Kurve (AUC) für ein gutes Modell deutlich größer als 0,5 sein muss. Links 👉 Schwangere Männer Bild 👉 In Ordnung oder nicht in Ordnung - Erklär-Qualität bei attributiven Zielgrößen: Konfusionsmatrix, Accuracy, Precision, Recall, Speficity, F1-Score 👉 Visualisierung von ROC und AUC: What is AUC? Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

Kennzahlen für die Modell-Quaität bei messbaren Zielgrößen (Regression) Wie gut funktionieren Machine Learning Modelle? 👉 Welche Qualitäts-Kriterien gibt es für Machine Learning? 👉 Wie wird Erklär-Qualität bei der Regression bewertet? 👉 Wann ist die Anpassungsgüte R² groß genug? Ein Modell mit Methoden des maschinellen Lernens wie z. B. Regression oder Klassifikation zu bauen ist einfach. Solche Modelle können uns beispielsweise optimale Arbeitspunkte liefern oder dabei helfen nachzuweisen, dass die Anforderungen in einem bestimmten Prozessfenster erfüllt werden. Bevor ein Modell produktiv genutzt wird, sollten Sie zuerst prüfen, ob das Modell gut genug ist. In dieser Folge erhalten Sie Informationen dazu, welche Kenngrößen für die Modell- bzw. Erklär-Qualität genutzt werden und warum die beliebteste Kennzahl, die Anpassungsgüte R², allein zu wenig ist. Alternative Kennzahlen wie die Prognosegüte liefern weitere wichtige Erkenntnisse über die Qualität des ML Modells. Links 👉 Barbara Bredner (2021) "NOT Statistik. Nachweise führen, Optimierungen finden, Toleranzen berechnen mit Minitab und R" 👉 Anber Arif: Cross Validation in Machine Learning 👉 Shervine Amidi: Machine Learning tips and tricks cheatsheet 👉 Adi Bronshtein: Train/Test Split and Cross Validation in Python Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

warum "normal-verteilt" eher nicht normal ist Wie funktioniert Einfluss-Analyse bei nicht-normalverteilten Ergebnissen? 👉 Warum ist das Ergebnis nicht normal-verteilt? 👉 Wie funktionieren verallgemeinerte lineare Modelle (GLM: Generalized Linear Models)? 👉 Sind Machine Learning Modelle auch GLMs? Die Normalverteilung von Messwerten wird für viele Methoden vorausgesetzt und sie scheint oft "das Normalste" von der Welt zu sein - bis echte Messwerte aufgenommen werden. Die sind selten normalverteilt und damit stellt sich schnell die Frage, warum die Messwerte nicht aus einer "normalen" Verteilung kommen. Mögliche Antworten darauf erhalten Sie in der aktuellen Folge. Außerdem geht es darum, wie Auswertungen bei nicht-normalverteilten Messdaten z. B. mit GLMs funktionieren und wie die verallgemeinerten linearen Modelle mit den Methoden des maschinellen Lernens zusammenhängen. Links 👉 Hilbe, S. (2010) "Generalized Linear Models", Encyclopedia of Mathematics 👉 Great Learnings Team (2021) "Generalized Linear Model | What does it mean?" 👉 Clark, M. (2019) "Generalized Additive Models" Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

Unterschiede und Gemeinsamkeiten bei der Zusammenhangs- und Einfluss-Analyse Korrelation, Regression und ANOVA - alles das Gleiche? 👉 Woher kommen Korrelation und Regression? 👉 Woher kommt die Varianzanalyse (ANOVA)? 👉 Was sind die Gemeinsamkeiten von ANOVA und Regression? Wenn Korrelation, Regression und Varianzanalyse (ANOVA, Analysis Of Variance) das Gleiche wären, bräuchten wir keine unterschiedlichen Namen für die drei Verfahren - oder? Die Unterschiede sind tatsächlich eher historisch gewachsen und liegen weniger in den Unterschieden zwischen den Verfahren selbst. Klassischerweise wurde die Regression verwendet, wenn die Einflussgrößen messbar oder variabel sind, z. B. Temperatur und Druck. Die Varianzanalyse oder ANOVA bewertete klassischerweise kategoriale oder attributive Einflüsse wie verschiedene Maschinen oder Werkzeuge. In der praktischen Anwendung gab und gibt es häufig beide Arten von Einflüssen, so dass die ursprünglichen Methoden weiterentwickelt wurden. Die Folge gibt einen Einblick in die geschichtliche Entwicklung von Korrelation, Regression und ANOVA und zeigt auf, wie diese Verfahren mit dem allgemeinen linearen Modell (general linear model, GLM) zusammehängen. Links 👉 Kinship & Correlation 👉 Datenanalyse-Methoden & Leben von Ronald A. Fisher 👉 Rutherford, Andres (2000) "Introducing Anova and Ancova: A GLM Approach (Introducing Statistical Methods)" Sage Publications Inc., ISBN 9780761951612 👉 Stigler, Stephen M. (1986) "The History of Statistics: The Measurements of Uncertainity Before 1900" Harvard University Press, ISBN 9780674403406 Ich freue mich über Ihre Ideen & Nachrichten! Barbara Bredner, post@irgendwas-mit-daten.io…
Bunte Bildchen sind super - oder etwa nicht? Datenvisualisierungen & Tools 👉 Warum verwenden wir Visualisierungen? 👉 Wie finde ich die "richtige" Visualisierung? 👉 Was ist das beste Tool für Datenvisualsierungen? "1 Bild sagt mehr als 1000 Worte." Dieser Satz ist absolut abgegriffen und trifft trotzdem den Nagel auf den Kopf: Wir Menschen können Informationen aus Bildern deutlich schneller aufnehmen und länger behalten als Text-Informationen. Alle Informationen in Bilder zu packen ist trotzdem nicht sinnvoll und wie gut eine Daten-Visualisierung funktioniert, hängt von vielen Aspekten ab. Diese Folge liefert Ihnen Informationen dazu, wie Sie die beste Visualisierung für eine bestimmte Situation finden können und wann Visualisierungen eine schlechte Wahl sind. Sie bekommen Kriterien an die Hand, mit denen Sie gezielt ein passendes Visualisierungs-Tool auswählen können. Zum Ausprobieren von Tools finden Sie Links zu Datensätzen und einer Datensatz-Suchmaschine in den Shownotes. Links 👉 Storytelling with Data - Challenges & Exercises 👉 Kaggle Datasets 👉 Open Data on AWS 👉 Datensatz-Suchmaschine von Google 👉 JMP Graph Builder Beispiele 👉 R package esquisse für Grafiken in R über eine Benutzeroberfläche 👉 Gartner Report: Magic Quadrant for Analytics and BI Platforms 2021 Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

Wie aus unbegrenzten Möglichkeiten gezielte Aktionen werden Wie sinnvoll sind Digitalisierung & Automatisierung in der Datenanalyse? 👉 Warum ist Digitalisierung & Automatisierung in der Datenanalyse wichtig? 👉 Wie sinnvoll ist die Digitalisierung von Daten? 👉 Wie hilfreich ist die Automatisierung bei der Datenauswertung? Wir schreiben das Jahr 2022. Unendliche Möglichkeiten in der Digitalisierung liegen vor uns. Bei der Automatisierung in der Datenanalyse können wir (fast) alles realisieren. Bald wird jede Analyse auf Knopfdruck, oder noch besser einfach so voll automatisiert da sein. Wir müssen nur noch das auswählen und anschauen, was wir brauchen. So weit sind wir noch lange nicht. (Zum Glück?) Aktuell muss präzise entschieden und ausgewählt werden, welche digitialisiert werden sollen und bei welchen Datenanalysen eine Automatisierung sinnvoll ist. Spoiler: Es kommt darauf an und wie immer gilt: alles gleichzeitig zu machen ist weder möglich noch sinnvoll. Links 👉 Goldratt, Eliyahu M. und Jeff Cox (2013). Das Ziel: Ein Roman über Prozessoptimierung. Campus Verlag. ISBN 978-3593398532 👉 Seven Ways You Interact With AI Before Lunch 👉 Anwendungsfall-Canvas von Datentreiber 👉 Datenstrategie-Canvas von Datentreiber Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

Warum sich Gleichheit nicht beweisen lässt signifikant gleich - geht das überhaupt? 👉 Warum können wir keine Gleichheit beweisen? 👉 Wie funktioniert der Äquivalenz-Nachweis? 👉 Wofür können wir Äquivalenz-Nachweise verwenden? Sie wollen (oder müssen) zeigen, dass etwas gleich ist. Nichts leichter als das, oder? Wir nehmen einen statistischen Test und haben dann signifikante Gleichheit bewiesen. Das geht so aus mehreren Gründen nicht, die in dieser Folge erklärt werden. Außerdem erhalten Sie Hinweise darauf, wie Sie den Nachweis für "gleich genug" oder äquivalent machen können. Literatur 👉 Wellek, Stefan (2010). Testing Statistical Hypotheses of Equivalence and Noninferiority. ed. Chapman und Hall. ISBN 9781439808184. https://www.routledge.com/Testing-Statistical-Hypotheses-of-Equivalence-and-Noninferiority/Wellek/p/book/9781439808184# Ich freue mich auf Ihre Nachricht Barbara Bredner, post@irgendwas-mit-daten.io…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

Wie kann die Gleichheit oder Äquivalenz von Messmethoden geprüft werden? Wann sind Messmethoden gleich genug? 👉 Wann vergleichen wir Messmethoden? 👉 Wie funktioniert der Vergleich über die Gage R&R? 👉 Wie wird der Gleichheits-Nachweis über die Deming-Regression geführt? Beim Thema Messunsicherheit gibt es neben den oft genannten Einflüssen Messwiederholung (Repeatability), Streuung durch verschiedene Prüfer:innen und Einfluss der ausgewählten Teile oft auch die Überlegung, die Messgenauigkeit an unterschiedlichen Standorten zu vergleichen. Beispielsweise kann untersucht werden, wie groß die Unterschiede zwischen Labor, Fertigung und Warenausgangskontrolle oder beim Kunden und beim Lieferanten sind. Der zweite große Anwendungsbereich für den Vergleich von Messmethoden liegt im regulierten Bereich. Dort werden neben den Fertigungsmethoden und Materialien auch Messmethoden festgeschrieben. Die Entwicklung neuer Messsysteme wie beispielsweise Sensoren bringt immer wieder neue Optionen auf den Markt, die Messwerte präziser oder wirtschaftlicher aufnehmen können. Bevor solche Messmethoden im regulierten Bereich eingesetzt werden können, muss nachgewiesen werden, dass die Messwerte der beiden Methoden gleich genug ist. Links 👉 VDI: Volumenerfassung für Schüttgut mit Lidar Sensor (2022) 👉 CLSI: EP09c Measurement Procedure Comparison and Bias Estimation Using Patient Samples (2018), 2. Auflage, Clinical and Laboratory Standards Institute (CLSI), ISBN 9781684400072 👉 Biljak, Vanja Radišić: Passing & Bablok and Deming Regression (2019) Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

Was Sie schon immer zur Mess-System-Analyse wissen wollten Wann ist eine MSA sinnvoll und wie wird sie "richtig" gemacht? 👉 Warum ist eine Mess-System-Analyse überhaupt sinnvoll? 👉 Wann sollte eine MSA durchgeführt werden? 👉 Wie wird eine MSA richtig gemacht? Mess-System-Analysen scheinen vor der Durchführung oft ziemlich überflüssiges Futter für den Papiertiger zu sein. In der Auswertung von MSAs zeigt sich oft, dass die Mess-Unsicherheit deutlich größer als angenommen (und vertretbar) ist. In dieser Folge erfahren Sie, wie oft bzw. wann eine Mess-System-Analyse durchgeführt werden sollte und welche Konsequenzen es hat, wenn auf die MSA verzichtet wird. Sie bekommen eine Orientierungshilfe für die Auswahl geeigneter Verfahren und Methoden sowie Hinweise zu Handbüchern. Links 👉 AIAG (2010). Measurement System Analysis (MSA-4). Hrsg. von Automotive Industry Action Group (AIAG). 4. Aufl., ISBN 9781605342115 👉 VDA (2021). Band 5: Mess- und Prüfprozesse. Hrsg. von Verband der Automobilindustrie (VDA). 3. überarbeitete Auflage 2021 👉 ICH (1994). Q2(R1) Validation of Analytical Procedures: Text and Methodology. International Conference on Harmonisation of Technical Requirements for Registration of Pharmaceuticals for Human Use (ICH) Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
Warum Boxplots eine meiner Lieblings-Grafiktypen sind Wozu brauche ich Boxplots? 👉 Was sind Boxplots? 👉 Wann helfen mir Boxplots? 👉 Was können Boxplots nicht? Boxplots sind wunderbar. Mit ihnen lassen sich Strukturen und Muster erkennen, die in anderen Grafik-Typen unsichtbar bleiben, deshalb vertieft die heutige Folge Boxplots und ihre Möglichkeiten und zeigt auf, wo die Grenzen von Boxplots liegen. Denn Boxplots sind eher ein Schweizer Taschenmesser als ein statistisches Testverfahren. Links 👉 Sternchen im Boxplot sind keine Ausreißer Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
Welche Fähigkeiten und Fertigkeiten braucht ein Data Scientist? Wie werde ich Data Scientist? 👉 Welche Schwerpunkte wünsche ich mir? 👉 Wo brauche ich Ausbildung oder Erfahrung? 👉 Welches Unternehmen passt zu mir? Natürlich können Sie einfach Data Science studieren. Vielleicht kommen Sie auch im Laufe Ihres Berufslebens an den Punkt, dass Sie sich beruflich neu orientieren möchten. In dieser Folge erhalten Sie Tipps und Tricks, wie Sie sich die notwendige Ausbildung und Erfahrung verschaffen können. Daneben geht es um Möglichkeiten, ein passendes Unternehmen zu finden und wie Sie schon vor der Bewerbung einschätzen können, ob ein Unternehmen zu Ihnen passt. Ich freue mich über Ihre Nachricht & Themenwünsche! Barbara Bredner, post@irgendwas-mit-daten.io Fähigkeiten & Ausbildung (Auswahl) 👉 Welche Fähigkeiten brauchen Data Strategy Designer, Data Engineer, Data Analyst, Data Scientist und Machine Learning Engineer? 👉 Gelungene Kommunikation mit aktivem Zuhören 👉 Gordon, Thomas (2005). Managerkonferenz: Effektives Führungstraining. Heyne Verlag. ISBN 9783453600003 👉 Gordon, Thomas (2012). Familienkonferenz: Die Lösung von Konflikten zwischen Eltern und Kind. Heyne Verlag. ISBN 9783453602328 👉 Datenstrategie-Design (DE+EN) 👉 Udemy: Data Science Kurse (DE+EN) 👉 coursera: Data Science Kurse (DE+EN) 👉 Meetup: Data Science (DE+EN) 👉 Youtube: Data Professor (EN) 👉 Youtube: Julia Silge, R (EN) Projekte, Competitions, Erfahrung & Austausch (Auswahl) 👉 Kaggle Competitions (EN) 👉 Kaggle Datasets (EN) 👉 Hackathons in Deutschland 👉 Machine Learning Communities (EN) 👉 Storytelling with Data Community (EN) 👉 Stackoverflow (EN) 👉 DataTalks.Club Slack-Channel Data Scientist Jobs und andere Daten-Jobs finden (Auswahl) 👉 stepstone Data Scientist 👉 indeed Data Scientist 👉 glassdoor Data Scientist 👉 Liste von Startups die Daten-Berufe einstellen mit Zahlen zum Funding (EN) 👉 Meetup: Data Science (DE+EN)…
I
Irgendwas mit Daten - Datenanalyse in der Industrie

Data Desing Strategy, Data Engineering, Data Analyst, Data Scientist, ML Engineer Was macht eigentlich ein Data Scientist? 👉 Was macht eigentlich ein Data Scientist? 👉 Was muss ein Data Scientist können? 👉 Welche anderen Data xxx Jobs gibt es? Der Spruch "Daten sind das neue Öl" ist mittlerweile etwas abgegriffen. Es ist klar, dass Daten Informationen enthalten. Je komplexer die Daten sind, desto schwieriger ist die "Ölbohrung". Unterschiedliches Wissen und Erfahrungen müssen kombiniert werden, wenn Daten komplexer werden. In dieser Folge geht es darum, was die Aufgaben von Data Scientists ist und welche anderen Daten-Berufe es gibt. Links 👉 Machine Learning Mindmap 👉 Welche Fähigkeiten brauchen Data Strategy Designer, Data Engineer, Data Analyst, Data Scientist und Machine Learning Engineer? 👉 Was ist Data Governance Schreiben Sie mir! Ich freue mich über Ihre Nachricht! Barbara Bredner, post@irgendwas-mit-daten.io…
Benvenuto su Player FM!
Player FM ricerca sul web podcast di alta qualità che tu possa goderti adesso. È la migliore app di podcast e funziona su Android, iPhone e web. Registrati per sincronizzare le iscrizioni su tutti i tuoi dispositivi.