Blog

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

Sind Neo-Banken wirklich so eine gute Idee?

Ich bin ja ein großer Fan von Unterkonten, um Budgets für verschiedene Posten gut auseinander halten zu können. Dazu habe ich jetzt einige verschiedene Banken durch, bunq funktionierte nicht zuverlässig und war im Support sehr unfreundlich. N26 fand ich eigentlich früher sehr gut, aber was ich nicht wirklich witzig fand, war, dass man beim Downgraden von einem teuren auf ein günstigeres Abo die IBANs der Unterkonten nicht behalten kann. Dann habe ich vivid gefunden. Die Farbgebung der App fand ich von Anfang an schrecklich, aber die Funktionen waren ok, zumal ich verschiedene virtuelle Kreditkarten mit unterschiedlichen Konten verbinden konnte. Leider war auch hier der Support nicht besonders gut. Und nun werden die bestehenden Konten gekündigt, weil vivid sich von der Solaris-Bank verabschiedet. Wieder neue IBANs. Und so ziehe ich weiter, beziehungsweise zurück, zur ING. Da gibt es sowas wie meine geliebten Unterkonten nicht ganz so wie ich sie bräuchte, aber ich werde das mit den Budgets nun irgendwie anders lösen.

Fakt ist, dass man bei jeder Neo-Bank bezahlen muss für die wirklich interessanten Funktionen und dafür dann auch noch nicht so wirklich guten Support erhält. Das ING-Konto ist vielleicht nicht ganz so schick wie das der Neo-Banken, aber dafür kostenlos, und der Support ist in der Regel auch gut. Mein vivid-Konto werde ich behalten, nachdem ich es upgegraded habe. Aber bezahlen werde ich dafür nicht. Manchmal sind die langweiligen und altmodischen Angebote mittel- und langfristig doch keine so schlechte Idee.

Veröffentlicht am

Trillions: Über die Entstehung der ETFs

„Trillions: How a Band of Wall Street Renegades Invented the Index Fund and Changed Finance Forever“ von Robin Wigglesworth gibt einen phänomenalen Einblick in die Geschichte der Indexfonds und ETFs. Was wirklich interessant ist: Es wird auf fast jeder Seite über Fonds und ihre Manager gelästert, die glauben, dass sie besser sind als der Markt.

„Trillions: Über die Entstehung der ETFs“ weiterlesen
Veröffentlicht am

Ist Grahams „Intelligent Investieren“ immer noch relevant?

Benjamin Graham - The Intelligent Investor

Wer mein Blog schon länger verfolgt, hat bemerkt, dass ich in den letzten Jahren immer mehr Finanzthemen behandelt habe. Jahrelang hatte ich einem MLP-Finanzberater vertraut, und auch wenn ich dadurch viele Dinge erst richtig aufgestellt hatte, kam in den letzten Jahren immer mehr ein Unwohlsein auf, dass er einem nicht die ganze Wahrheit erzählt. Letztes Jahr habe ich mich von ihm und MLP getrennt, nachdem mir das ständige Geschwafel, wie toll ein Fonds-Manager seinen Job mache und seine 2,4% Aufschlag wert sei, zu sehr auf den Keks ging. Eine Beratung durch einen unabhängigen Honorarberater (Vorsicht: viele sagen, sie seien unabhängig, aber die tatsächlich unabhängigen Berater bekommen ein Honorar vom Klienten, nicht eine Provision von einer Versicherung) hatte dann ergeben, wie sehr zu meinem Nachteil meine Finanzangelegenheiten geregelt wurden. Darüber werde ich noch mal mehr schreiben, aber heute geht es um einen Teilbereich, nämlich Aktien, Fonds, ETFs. Und ich bedaure es sehr, dass ich Grahams Buch nicht schon viel früher gelesen habe.

„Ist Grahams „Intelligent Investieren“ immer noch relevant?“ weiterlesen
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.