1. data
1.1. data: op basis van likes sexuele geaardheid en geslacht bepalen in facebook
1.2. toepassingen big data
1.2.1. bayesiaanse methode
1.3. heritage health prize
1.3.1. door wedstrijd aandacht genereren
1.3.2. kleine beetje extra voorspellend vermogen
2. people competetion
2.1. talent ontdekken
2.1.1. wie moet je aanemen
2.1.2. waar zit het analytics talent
2.2. deloitte: wedstrijd onder 100000+ werknemers
2.3. facebook: uitdaging wedstrijd uitschrijven
2.4. tip
2.4.1. bbc documentaire Big Data 2013
2.4.1.1. http://www.youtube.com/watch?v=EsVy28pDsYo
2.5. kiva - kaggle in class
2.5.1. kijk hoe goed iemand is en welke problemen je kan oplossen
3. algoritmes
3.1. financiële markt
3.2. real time addbiding
3.2.1. RTB competitieve marketing tussen algoritmes
3.2.2. RTB: ultieme marketing predictive analyse
4. conclusie
4.1. goede lens om predictive analtics en big date bekijken
4.2. concrete
4.2.1. oplossing en vraagstukken
4.2.2. mensen
4.3. doe er je voordeel mee
5. Q&A
5.1. Q: hoeveel verdient het
5.1.1. A: leuke hobby, leeft er niet van
5.2. Q: geeks without border, competities ook concurentievoordelen beslechten
5.2.1. A: verbeteren vd wereld, houdt zich er mee bezig
5.2.1.1. datascience
5.2.1.2. datascience without borders
5.2.1.2.1. data skills gebruiken om problemen op te lossen
5.3. Q: te kort aan datascientist, welke opleiding
5.3.1. A: programeer (software) hacker
5.3.1.1. boek: data scientist voor hackers
5.3.2. A: statistiek, beslissingen nemen onder onzekerheid
5.3.3. A: zelf aanleren
6. competive predictive analytics
6.1. marketing beslissing onder onzekerheid
6.2. juiste beslissing vraagt om voorspelling
6.2.1. opbrenst vs kosten
6.3. predictive analystics: data gebruiken om deze voorspelling te doen
7. competitie
7.1. vb Champions League
7.2. ervaringen
7.2.1. kaggle
7.2.1.1. predictive analytics
7.2.1.2. wedstrijden online organiseren
7.2.1.3. waaronder
7.2.1.3.1. facebook
7.2.1.3.2. microsoft
7.2.1.3.3. ford
7.2.2. http://www.abc.net.au/catalyst/stories/3296837.htm
7.3. hoe werkt het?
7.3.1. platform predictive analytics
7.3.2. data beschiknaar stellen, houdt deel data achter
7.3.3. deelnemers bouwen modellen obv data
7.3.4. deelnemers voorspellen de waardes vd achtergehouden data
7.3.5. beste voorspelling wint
7.4. 3 soorten competities
7.4.1. 1 case
7.4.1.1. oplossen mbv data
7.4.1.2. specifiek vaagstuk in business: beste oplossing
7.4.2. 2 mensen
7.4.2.1. vinden van de beste mensen
7.4.3. 3 algoritme
7.4.3.1. tussen algoritmes
7.4.3.2. geen mensen nodig
8. case competitie
8.1. business case
8.1.1. welke beslissing
8.1.2. bronnen van onzekerheid
8.1.3. info belangrijk
8.1.4. resultaat meting
8.1.5. onsluit relevante data
8.1.6. schrijf een wedstrijd uit
8.2. voorbeeld allstate
8.2.1. allstate US autoverzekeraar
8.2.2. premie
8.2.2.1. te hoog
8.2.2.2. te laag
8.2.2.3. veel data
8.2.2.3.1. schadevrij
8.2.2.3.2. hoe lang klant
8.2.2.3.3. leeftijd
8.2.2.3.4. merk auto
8.2.2.3.5. woonplaats
8.2.2.4. beter voorspellen
8.2.2.4.1. verdienen
8.2.3. 3 jr data beschikbaar
9. Tim Salimans
9.1. bio
9.1.1. oprichter van Algoritmica
9.2. zie de overige mindmaps
9.2.1. http://www.alexisvandam.nl/mindmapping/bigdata-driven-desicions-livemindmapping/
9.3. health
9.3.1. preventieve zorg