Strategy and AI - Cheatsheet

SWOT-Analyse: Stärken, Schwächen, Chancen und Risiken

Definition:

SWOT-Analyse: Instrument zur strategischen Planung zur Identifikation und Bewertung von internen Stärken (Strengths) und Schwächen (Weaknesses) sowie externen Chancen (Opportunities) und Risiken (Threats).

Details:

• Stärken: Interne Eigenschaften/Ressourcen, die Wettbewerbsvorteile schaffen
• Schwächen: Interne Mängel/Limitierungen, die Nachteile verursachen
• Chancen: Externe Faktoren/Trends, die Wachstum ermöglichen
• Risiken: Externe Faktoren/Trends, die Bedrohungen darstellen
• Ziel: Strategien entwickeln, um Stärken zu nutzen, Schwächen zu minimieren, Chancen zu ergreifen und Risiken zu begegnen

Porters fünf Kräfte Modell

Definition:

Analysewerkzeug zur Bestimmung der Wettbewerbsintensität und Attraktivität einer Branche.

Details:

• Bedrohung durch neue Konkurrenten
• Verhandlungsmacht der Lieferanten
• Verhandlungsmacht der Abnehmer
• Bedrohung durch Ersatzprodukte
• Rivalität unter bestehenden Wettbewerbern

Maschinelles Lernen: Überwachtes vs. Unüberwachtes Lernen

Definition:

Maschinelles Lernen: Überwachtes und unüberwachtes Lernen sind zwei zentrale Ansätze des maschinellen Lernens.

Details:

• Überwachtes Lernen: Modell wird mit gekennzeichneten Daten trainiert.
• Ziel: Vorhersagen oder Klassifikationen für neue, unlabeled Daten.
• Beispiele: Lineare Regression, Entscheidungsbäume.
• Unüberwachtes Lernen: Modell arbeitet mit ungekennzeichneten Daten.
• Ziel: Muster oder Strukturen in den Daten finden.
• Beispiele: K-Means, Hauptkomponentenanalyse (PCA).

Prädiktive Analytik für Markttrends

Definition:

Verwendung statistischer Modelle und maschinelles Lernen zur Vorhersage zukünftiger Markttrends und Verbraucherpräferenzen

Details:

• Datenquellen: historische Verkaufsdaten, sozioökonomische Faktoren, soziale Medien, Wetterdaten
• Modelle: Regressionsanalyse, Zeitreihenanalyse, Klassifikationsmodelle
• Ziel: Ableitung umsetzbarer Erkenntnisse zur Optimierung von Marketingstrategien und Bestandsmanagement
• Formel: Lineares Regressionsmodell: \( y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \ldots + \beta_n x_n + \epsilon \)

Visuelle Datenanalyse und Dashboards

Definition:

Verwendung grafischer Darstellungen zur Analyse von Daten und Erstellung von Dashboards zur Überwachung von KPIs und Entscheidungsfindung.

Details:

• Einfaches Erkennen von Mustern, Trends und Ausreißern
• Unterstützt datengetriebene Entscheidungen
• Interaktive Dashboards ermöglichen Echtzeit-Überwachung
• Wichtige Tools: Tableau, Power BI, QlikView
• Typische Visualisierungen: Balkendiagramme, Liniendiagramme, Kreisdiagramme, Heatmaps
• KPIs und Metriken klar definieren
• Filteroptionen für detailliertere Analysen

Transparenz und Nachvollziehbarkeit von KI-Entscheidungen

Definition:

Fähigkeit, die Entscheidungsprozesse von Künstlicher Intelligenz (KI) für Menschen verständlich und nachvollziehbar zu machen.

Details:

• Erhöht Vertrauen und Akzeptanz gegenüber KI-Systemen.
• Wichtig für Compliance und ethische Standards.
• Methoden: Erklärbare KI (XAI), Entscheidungsbäume, regelbasierte Systeme.
• Herausforderungen: Komplexität der Modelle, Balance zwischen Transparenz und Leistung.

Werkzeuge und Plattformen für KI-Entwicklung

Definition:

Tools und Plattformen zur Unterstützung bei der Entwicklung, dem Training und der Implementierung von KI-Modellen.

Details:

• Programmiersprachen: Python, R
• Entwicklungsumgebungen: Jupyter Notebook, PyCharm
• Frameworks: TensorFlow, PyTorch
• Plattformen: Google Colab, AWS SageMaker, Microsoft Azure AI
• Datenverarbeitungsbibliotheken: Pandas, NumPy
• Visualisierungswerkzeuge: Matplotlib, Seaborn
• Versionierung: Git, DVC
• Automatisierung: MLflow, Kubeflow

Automatisierung von Geschäftsprozessen

Definition:

Einsatz von Technologie zur Durchführung wiederkehrender Aufgaben oder Prozesse in einem Unternehmen ohne manuelle Eingriffe.

Details:

• Verbesserung von Effizienz und Genauigkeit
• Reduktion von Kosten und Fehlern
• Beispieltechnologien: RPA (Robotic Process Automation), AI
• Wichtige Aspekte: Workflow-Optimierung, Integration in bestehende Systeme
• Ziele: Zeitersparnis, Skalierbarkeit, Qualitätssteigerung