Kategorie: Digital

Veröffentlicht am

Neues Tool für eine Dividenstrategie

Einige Tools im Netz bieten die Möglichkeit, dass man sieht, wie viele Dividenden wohl auf einen zukommen werden. extraETF bietet zum Beispiel ein Tool, bei dem man sehen kann, wie die Dividenden aussehen könnten bei einer angenommenen Wachstumsrate (CAGR) und einer bestimmten Anzahl von Jahren und Vermögenszuwächsen.

Was ich bisher nicht gesehen habe, ist ein Tool, das von einem Portfolio ausgehend mit einer angenommenen CAGR und Dividendenrendite sowie einer weiteren Bespannung das Dividendenwachstum berechnet und auch noch die Steuern inkludiert. Genau so ein Tool habe ich geschrieben.

Veröffentlicht am

ggplot2 und die neue Pipe

Warum funktioniert dieser Code nicht?

mtcars |> ggplot(., aes(x = mpg, y = hp)) + geom_point()

Das Problem mit dem oben genannten Code liegt in der Verwendung des Pipe-Operators (|>), direkt vor ggplot. ggplot2 wird nicht nativ mit der R-spezifischen Pipe (|>) unterstützt, wie hier verwendet. Allerdings funktioniert ggplot2 nahtlos mit dem Magrittr-Pipe (%>%) aus dem dplyr-Paket. Hier ist die korrekte Verwendung:

library(ggplot2)
library(dplyr)

mtcars %>% 
  ggplot(aes(x = mpg, y = hp)) + 
  geom_point()

Alternativ müssen die Daten explizit in ggplot übergeben werden, wie hier:

library(ggplot2)

mtcars |> 
  ggplot(data = ., aes(x = mpg, y = hp)) + 
  geom_point()

Hier stellt der Punkt (.) die Daten dar, die von mtcars in ggplot gepiped werden, und Sie müssen ihn als data-Argument in der ggplot-Funktion spezifizieren.

Veröffentlicht am

Die Digital Analytics Association ist Geschichte – und keinen interessiert es

Ein bisschen überraschend war das schon. Ich hatte mit Jim Sterne vor kurzem noch gemailt, als es um den deutschen Ableger ging. Die DAA hatte meinem Webanalyse-Buch auch ein Geleitwort gespendet. Ein bisschen schade ist es schon.

Wer es nicht weiß: Die DAA war früher die WAA, die Web Analytics Association, und sie hat die meistgenutzte Definition von Web Analytics geschaffen. Zwar war diese Definition schon lange nicht mehr auf der Webseite zu finden, aber das hat die meisten Wissenschaftler, die die Zitate aus anderen Papern kopieren, nicht interessiert.

Wie aber kann es sein, dass trotz der Wichtigkeit von Daten eine solche Organisation aufgibt? Es könnte zum Beispiel daran liegen, dass viele zwar Google Analytics & Co installiert haben, aber die Daten gar nicht genutzt werden. In meinem letzten Paper, das leider noch nicht öffentlich ist, kam heraus, dass den meisten Anwendern auch gar nicht klar ist, dass das Einbinden des GA-Codes nicht ausreicht, um datengetrieben zu arbeiten. Und vielleicht liegt es auch ein bisschen an der DAA selbst, dass sie es nicht geschafft hat, die eigene Relevanz deutlich zu machen.

Ich war zuletzt nur noch aus Nostalgiegründen Mitglied. Dabei hatte ich meinen Studierendenstatus ausgenutzt, um die Mitgliedsbeiträge etwas zu senken.

Die Website ist bereits nicht mehr erreichbar.

Veröffentlicht am

Von WordPress zu Hugo und wieder zurück

Vor 3 Jahren, zum 15. Geburtstag dieses Blogs, war ich umgezogen von WordPress zu Hugo. Superschnelle Seiten, alles in R, eigentlich eine coole Sache. Aber in der Realität war es nicht so cool. Ich brauchte immer eine R-Umgebung, die ich nicht immer hatte. Git machte mich manchmal wahnsinnig. Und manche Probleme waren einfach nicht nachzuvollziehen. Und so bin ich jetzt wieder umgezogen. Vielleicht kommen nun auch die Rankings wieder zurück, die ich auch verloren hatte nach dem Umzug.

Veröffentlicht am

Künstliche Intelligenz, Machine Learning, Data Science, Data Mining und Statistik… was ist der Unterschied???

Künstliche Intelligenz (KI)

Künstliche Intelligenz bezieht sich auf das breite Feld der Informatik, das Maschinen die Fähigkeit gibt, Aufgaben auszuführen, die menschliche Intelligenz erfordern. Ein Beispiel im Marketing ist die Entwicklung von intelligenten Chatbots, die Kundenanfragen automatisch beantworten.

Machine Learning

Machine Learning ist ein Teilbereich der KI, der Maschinen befähigt, aus Daten zu lernen und sich anzupassen, ohne explizit programmiert zu werden. In der Marketingwelt wird Machine Learning beispielsweise genutzt, um Kundentrends vorherzusagen und personalisierte Werbeinhalte zu erstellen.

Data Mining

Data Mining ist der Prozess des Entdeckens von Mustern in großen Datensätzen. Es ist ein wichtiger Teil der Data Science und wird im Marketing eingesetzt, um beispielsweise Kundensegmente zu identifizieren und Zielgruppen besser zu verstehen.

Data Science

Data Science ist das Feld, das Techniken aus Statistik, Machine Learning und Datenanalyse kombiniert, um Erkenntnisse aus Daten zu gewinnen.

Statistik

Statistik ist die Grundlage für Data Science und Machine Learning. Sie befasst sich mit Methoden zur Analyse und Interpretation von Daten. Im Marketingkontext wird Statistik verwendet, um Kundentrends zu analysieren und Hypothesen zu testen, wie z.B. bei A/B-Tests. Böse Zungen behaupten, dass Data Science einfach nur Statistik im neuen Gewand sei. Allerdings ist Data Science eher eine Kreuzung von Statistik und Informatik, da hier auch große Datenmengen bearbeitet werden.

Überlappungen und Unterschiede

  • Überlappungen: Machine Learning ist ein Teilbereich der KI und wird in der Data Science angewendet. Sowohl Data Mining als auch Machine Learning nutzen statistische Methoden.
  • Unterschiede: Während KI ein breites Feld mit verschiedenen Anwendungen ist, konzentriert sich Machine Learning spezifisch auf das Lernen aus Daten. Data Science vereint diese Techniken, um datengetriebene Erkenntnisse zu gewinnen.
Veröffentlicht am

Wie passen Minimalismus und Apple-Produkte zusammen, wenn Apple doch so teuer ist?

Ich nutze seit Mitte der 90er Jahre fast ausschließlich Apple-Produkte. Hin und wieder habe ich Debatten über die Vor- und Nachteile von Apple-Produkten im Vergleich zu ihren Konkurrenten, insbesondere in Bezug auf den Preisunterschied. Und natürlich stellt sich die Frage, ob das überhaupt zusammenpasst, Minimalismus und die Nutzung von Apple-Produkten. Ambivalenz zwischen Designkult und Konsumwiderspruch.

„Wie passen Minimalismus und Apple-Produkte zusammen, wenn Apple doch so teuer ist?“ weiterlesen
Veröffentlicht am

Eternal November: wird Mastodon das gleiche Schicksal zuteil wie dem Usenet?

Mastodon und das Fediverse hatten viele Jahre ein Nischendasein gepflegt, bis sie durch Musks Twitter-Übernahme und den dadurch entstandenen Turbulenzen ins Rampenlicht gerückt wurden. Seitdem wächst die Mastodon-Gemeinde nicht wie ein Hockeystick, wie es im Investoren-Deutsch heißt, sondern wie eine Rakete. Das ist ein inneres Lachsbrötchen für diejenigen, die die Open Source-Fahne hochhalten. Aber vielleicht wird dies auch zum Fluch. Und das aus mehreren Gründen.

„Eternal November: wird Mastodon das gleiche Schicksal zuteil wie dem Usenet?“ weiterlesen
Veröffentlicht am

Warum ich meinen Kindle Scribe zurückschicken werde

Ich hatte mich eigentlich sehr auf den bestellten Kindle Scribe gefreut, denn er schien zwei Probleme zu lösen, die ich in der Benutzung meines reMarkable habe:

  • Ich schreibe meine Notizen ungern an den Rand eines PDFs, sofern überhaupt genug Rand vorhanden ist, denn meine Arbeitsnotizen sind die Vorstufe der finalen Notizen, die in den Zettelkasten kommen. Einfach etwas anzustreichen ist wenig sinnvoll, das sagen auch einige Studien, ich muss meine eigenen Gedanken zu einem Text aufschreiben können, und das geht mit dem reMarkable 2 eben nicht.
  • Licht 🙂

Licht ist vorhanden, ansonsten ist der Kindle Scribe eine sehr enttäuschende Erfahrung für mich. Natürlich habe ich sowieso keine große Lust, Amazon Geld in den Rachen zu werfen oder meine Daten in deren Cloud zu haben, aber die Themen “Paper durcharbeiten” und “Lesen” sind für mich von enormer Relevanz, und da ich keine geheimen Sachen notiere… einen Tod muss man sterben. Vielleicht gibt es ja irgendwann mal eine Lösung, die ohne Cloud funktioniert. Aber wie gut ist der Scribe nun wirklich?

„Warum ich meinen Kindle Scribe zurückschicken werde“ weiterlesen