aufschrieb

Die Schulen in Deutschland sollen bald wieder öffnen und mit diesen Meldungen gab es auch wieder Meldungen über "Fridays for Future"-Demonstrationen. Wie entwickelt sich die Bewegung in Deutschland? Hier ein Versuch, wie viel wir mit Google Trends über die Bewegung erfahren können. Google Trends ist ein Tool von Google, mit dem man die Popularität von Suchbegriffen analysieren kann. Hierbei muss man beachten, dass die Zahlen normalisiert sind um Einflüsse von Zeit und Ort zu verhindern. Herauskommt eine Zahl zwischen 0 und 100, welche die Popularität eines Suchbegriffes über all Suchen und alle Themen hinweg anzeigt. Die Arbeit in RStudio funktioniert in diesem Fall mit dem package gtrendsR . Wir fangen mit dem Zeitverlauf an, wie wir ihn auch von Google Trends kennen: Für die Popularität der beiden Suchbegriffe "Fridays for Future" und "Klimawandel" für die letzten 12 Monate, in Deutschland bekommen wir folgenden Datensatz: > head(time_tre

Der Jahresabschluss 2019 der Daimler AG hat 350 teils eng beschriebene Seiten. Zur schnellen Analyse und ersten Einschätzung habe ich mir selbst ein PDF-Template zur Analyse von PDFs geschrieben (unten angehängt der R-Code) und aufbauend u.a. auf folgendem Intro  wichtige Codes beschrieben. Worthäufigkeiten Zuerst schauen wir in Plot 1-4 nach den häufigsten Wörtern, bzw. Wortpaaren. Wir sehen die zu erwartenden Wörter eines Jahresabschlusses; aber auch spezifische Themen wie "Mobility" oder "Truck". Wir haben nun also bereits einen kleinen Einblick darin, was für Themen wichtig sein könnten. Sentiment Was erfahren wir über die  Stimmung - den Sentiment Score? Plot 5-13 zeigen uns verschiedenes dazu. Die Ausprägung von "positive" in Plot 5 lässt sich erklären. "Trust" auch; hier können wir aber tiefer tauchen und schauen, welche Wörter diese Ausprägung veranlassen. Genauso können wir schauen, welche Wörter in was für ein

Klar, es gibt zig Hilfen dazu, wie man richtig verhandelt. Dies ist auch nur eine weitere; aber sie soll vor allem mir als Sammlung der mir wichtigen Punkte dienen und bringt dir vielleicht auch etwas: Vorbereitung ist immens wichtig! Kläre unter anderem, was du selbst eigentlich willst. Stelle Fragen und höre zu. Was ist dem Gegenüber wichtig? Was macht ihm Sorgen? Lerne so den Standpunkt deines Verhandlungspartners zu verstehen; ganz gemäß der ICE-Methode: seine Interessen zu kennen, seine Concerns (Bedenken) zu identifizieren und seine Emotionen zu erfassen und darauf einzugehen. Fairness ist wichtig. Wenn ein Kuchen aufgeteilt werden soll; wie groß ist denn der Kuchen? Statt sich gegeneinander auszuspielen wird der Kuchen bei Kooperation oft größer! Hier kommt das Zuhören wieder ins Spiel: vielleicht sind deinem Gegenüber manche Dinge wichtiger als dir und schon wird der Kuchen größer! Mache dies gleich am Anfang. Es sollte darum gehen, eine Win-Win-Lösung zu finden. Fang

Viele packages in R haben auch eine Auswahl an Texten, mit denen man sich an die Textanalyse heranwagen kann. Hier eine kleine (nicht vollständige) Liste für die ersten Versuche: # Jane Austen texts library(janeaustenr) #one-row-per-line format of her books texts <- austen_books() %>% group_by(book) %>% mutate(linenumber = row_number(), #annotate line number chapter = cumsum(str_detect(text, regex("^chapter [\\divxlc]", ignore_case = TRUE)))) %>% #annotate chapter ungroup() # Access to Gutenberg Project (not working in Germany!) library(gutenbergr) #access to the public Project Gutenberg collection texts <- gutenberg_download(c(35, 36, 5230, 159)) #downloads one or more books by ID # Access to AssociatedPress Articles library(tm) texts <- data("AssociatedPress", package = "topicmodels") # Access to metadata from NASA papers library(jsonlite) metadata <- fromJSON(

Gerade jetzt dürften sich viele fragen, was ein Insolvenzverwalter eigentlich macht. Kurz beschrieben, ermittelt er die Insolvenzmasse, die Liste an Gläubigern und fällt dann die Entscheidung, ob diese Masse aufgeteilt werden soll, oder ob das Unternehmen saniert werden soll. Insolvent ist ein Unternehmen dann, wenn es seinen laufenden Zahlungsverpflichtungen nicht mehr nachkommen kann. Dies geschieht bei Überschuldung sowie bei mangelnder Liquidität. Nach der Eröffnung eines Insolvenzverfahrens wird der Insolvenzverwalter vom Insolvenzgericht bestellt (es gibt aber auch vorläufige Insolvenzverwalter). Dies sind überwiegend Rechtsanwälte, welche in ihrem Studium die Fachrichtung Insolvenzrecht gewählt haben. Es gibt aber auch Betriebswirte, oder Wirtschaftsprüfer, welche sich in der Niche spezialisiert haben. Es gibt keine formale Ausbildung zum Insolvenzverwalter. Als ein solcher hat man die Verwaltungs- und Verfügungsbefugnisse über das Vermögen. Die ents

Bilanz, Gewinn- und Verlustrechnung, Anhang, ... Ein Jahresabschluss beinhaltet viele Zahlen. Dazu kommen aber auch noch viele Texte, mit welchen das Management Auskunft über verschiedenste Themen gibt. Das Problem ist, dass dies tatsächlich sehr viel zu lesen ist. Es stellt sich die Frage, inwiefern hier eine Textanalyse in RStudio hilft. Hier ein Versuch mit den Jahresabschlüssen der Siemens AG. Zur Textanalyse habe ich jeweils die zwei Kapitel "Overall assessment of the economic position" und "Strategic Risk" der Abschlüsse 2011 bis 2018 genommen und will schauen, ob der jeweilige Sentiment-Score zu den berichteten Zahlen passt. Im Schaubild ist der Sentiment-Score für die beiden Texte mit den jeweiligen Methoden abgebildet. Hervorgehoben sind die Durchschnittswerte des Scores jeweils für den Text über die Wirtschaft (blau) und den Text über die strategischen Risiken (grün). Während der Score zu Economy jeweils positiv ist, sind die grünen Linien teils auch

Die Netflix-Serie "Haus des Geldes", bzw "Money Heist" auf englisch, ist äußerst erfolgreich. Gerade wurde die vierte Staffel veröffentlicht; gute Gelegenheit für mich, meine neuen Skills zur Textanalyse anzuwenden. Ich benutze die Beschreibung auf Wikipedia zur vierten Staffel, um zu sehen, wie diese beschrieben wird. So viel auch schon vorab: man kann erkennen, dass es ein Drama ist. Der Einfachheit halber im Englischen und im unten stehenden Code unter dem Punkt #text in R direkt reinkopiert. Achtung, für manche sind hier evtl. Spoiler dabei! ;) Im nächsten Schritt (unter #creating a corpus) wird ein spezifisches Format für die Textanalyse erschaffen. Dieses Corpus-Format enthält den Text zusammen mit Metadaten. Zusammen mit den weiteren Schritten erhalten wir danach folgendes Format: > corpus$content [1] "part begins robbers rushing save nairobis life tokyo stages coup détat egocentric palermo walk bank restrained chair group help tokyo ...&quo

  Die Aussage, dass Tortendiagramme unnütz sind, findet man häufig im Internet. Bei der Beschäftigung damit, welche Grafik welche Aussage haben. So landete ich auch bei der im Titel genannten Aussage. Zum Beispiel dieser Artikel mit der Aussage "...  one simple way is to eliminate pie charts from your repertoire ". Oder dieser Artikel mit dem Tipp diese ab sofort nicht mehr zu benutzen. Selbst bei der Hilfe in R zu PieCharts steht: " Pie charts are a very bad way of displaying information. The eye is good at judging linear measures and bad at judging relative areas." Grafiken werden benutzt um Daten einfacher verständlich zu machen. Speziell das Tortendiagramm ist einfach herzustellen und allseits bekannt und lesbar. Doch genau diese Aussagekraft könne bei Tortendiagrammen hinterfragt werden. Tortendiagramme seien zwar gut geeignet um Verhältnisse aufzuzeigen und Kinder lernten die Figur mit gleich großen Stücken kennen. Sobald diese Tortenstücke aber ni