Data Mining (Entscheidungsunterstützungssysteme)

Größe: px
Ab Seite anzeigen:

Download "Data Mining (Entscheidungsunterstützungssysteme)"

Transkript

1 Vorlesung (Entscheidungsunterstützungssysteme) WS 2014/2015 Prof. Dr. Peter Gluchowski Professur Wirtschaftsinformatik II Dr. Christian Schieder Professur Wirtschaftsinformatik II

2 Übersicht 1. Einführung Begriffsbestimmung 2. CRISP-DM 3. Ausgewählte Methoden des 3. Betriebswirtschaftliche Einsatzgebiete des 4. Web Mining und Text Mining 1. Entscheidungsbaumverfahren 2. Clusterverfahren 3. Künstliche Neuronale Netze 4. Assoziationsanalyse 4. Zusammenfassung und Ausblick Professur Wirtschaftsinformatik II Vorlesung WS 2014/2015 2

3 A Tidal Wave of Data Der Datentsunami Professur Wirtschaftsinformatik II Vorlesung WS 2014/2015 3

4 Dataismus Optimismus vs. Nihilismus? vs. Professur Wirtschaftsinformatik II Vorlesung WS 2014/2015 4

5 The Data Analyst (D)eine Zukunft? Professur Wirtschaftsinformatik II Vorlesung WS 2014/2015 5

6 Anwenderbeispiel für Big Data Professur Wirtschaftsinformatik II Vorlesung WS 2014/2015 6

7 Vorlesung (Entscheidungsunterstützungssysteme) WS 2014/2015 Prof. Dr. Peter Gluchowski Professur Wirtschaftsinformatik II Dr. Christian Schieder Professur Wirtschaftsinformatik II

8 Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business Intelligence, 2. Aufl., Springer, Berlin, 2008 Chamoni, Peter; Gluchowski, Peter: Analytische Informationssysteme Business Intelligence-Technologien und -Anwendungen, 4. Auflage, Berlin 2009 Turban, E., Aronson, J.E., Liang, T.-P., and Sharda, R. (2007) Decision Support and Business Intelligence Systems, Pearson Prentice Hall, Upper Saddle River, NJ, USA. Professur Wirtschaftsinformatik II Vorlesung WS 2014/2015 8

9 Gliederung 1. Einführung Begriffsbestimmung 2. CRISP-DM 3. Betriebswirtschaftliche Einsatzgebiete des 4. Web Mining und Text Mining 3. Ausgewählte Methoden des 1. Entscheidungsbaumverfahren 2. Clusterverfahren 3. Künstliche Neuronale Netze 4. Assoziationsanalyse 4. Zusammenfassung und Ausblick Professur Wirtschaftsinformatik II Vorlesung WS 2014/2015 9

10 Einführung1 Gliederung 1. Management- und Planungszyklus 2. Einordnung 3. Historische Entwicklung 4. Treiber für die Einführung analytischer Informationssysteme

11 Strategischer und operativer Management-Zyklus Kommunikation Stakeholder Management Ebene SWOT- Analyse Strategie- Formulierung Strategischer Management-Zyklus Strategische Rückkopplung Operationalisierung der Strategie Operative Leistungsmessung Operativer Management-Zyklus Entscheidung über Maßnahmen Durchführung Operative Ebene Professur Wirtschaftsinformatik II Vorlesung WS 2014/

12 Planungs- und Entscheidungsprozess als Teil des Management-Zyklus Planung: = Geistige Vorwegnahme zukünftigen Handelns Entscheidung: = Festlegung einer Handlungsalternative unter Unsicherheit oder Risiko Professur Wirtschaftsinformatik II Vorlesung WS 2014/

13 Einordnung der EUS in die IT Systeme eines Unternehmens Vertikale Integration Administrations- und Dispositionssysteme Planungs- und Kontrollsysteme Forschung und Entwicklung Individuelle Unterstützung Sonstige Verwaltung Entscheid. unterstütz.- systeme Executive Information System KI Vorgangsbearbeitung Gruppenunterstützung Abfrageund Berichtssysteme Produktionsplanung und -steuerung Transaktionssysteme Managementunterstützungssysteme Büro informationssysteme Personalwirtschaft Marketing und Verkauf Finanz- und Rechnungswesen Materialwirtschaft Horizontale Integration Professur Wirtschaftsinformatik II Vorlesung WS 2014/

14 Entscheidungsunterstützungssysteme Definition: Computergestütztes Planungs- und Informationssystem, das die Entscheidungsvorbereitung auf den Führungsebenen unterstützt, indem entscheidungsrelevante Informationen verdichtet und geeignet dargestellt Charakter: Unterstützung von Entscheidungen bei schlecht strukturierten Problemen Eigenschaften: Leichte Handhabbarkeit Einfache Durchführung von Alternativrechnungen und Simulationen Berücksichtigung von Modellvarianten und -änderungen Professur Wirtschaftsinformatik II Vorlesung WS 2014/

15 Einordnung von Anwendungssoftware nach dem Unterstützungsniveau Operative DV-Anwendungen Administrationssysteme: einfache Verarbeitung großer Datenmengen Dispositionssysteme: Unterstützung von Entscheidungen bei strukturierten Abläufen Management-Support-Systeme oder Business-Intelligence-Systeme Unterstützung von Entscheidungen bei schlecht strukturierten Problemen Einordnung von EUS: Management-Support-System Professur Wirtschaftsinformatik II Vorlesung WS 2014/

16 Quelle: Hinz & Kunz 2000 Historie der analyseorientierten Informationssysteme Professur Wirtschaftsinformatik II Vorlesung WS 2014/

17 Treiber der analyseorientierten Informationssysteme Professur Wirtschaftsinformatik II Vorlesung WS 2014/

18 Treiber der analyseorientierten Informationssysteme Neue IuK-Systeme und -Technologien Fortentwicklung leistungsfähiger Informations- und Kommunikationssysteme sowie -technologien Leistungsfähigere Verfahren zur besseren Analyse bzw. Auswertung der Daten Wachstum der Datenbestände interne Datenbestände Operative Datenbanksysteme Data Warehouse-Systeme externe Datenbestände Marktforschungsunternehmen Internet Professur Wirtschaftsinformatik II Vorlesung WS 2014/

19 Treiber der analyseorientierten Informationssysteme Verschärfter Wettbewerbsdruck Zunehmend verschärfter Wettbewerbsdruck Komplexer werdende Unternehmensverflechtungen Ausgeschöpfte Produktionsfaktoren Wachsende Dynamik des Unternehmungsumfeldes Daten als Kapital Wissen und Lernen als Schlüsselfaktoren für den Unternehmenserfolg Konzeption des Wissensmanagements als Werkzeug zur Wissensgenerierung Professur Wirtschaftsinformatik II Vorlesung WS 2014/

20 Treiber der analyseorientierten Informationssysteme Risikomanagement Basel II als aktuelle gesetzliche Vorschrift Customer Relationship Management CRM = Strategisches Konzept, in dessen Mittelpunkt die effiziente und effektive Gestaltung aller Maßnahmen für ein erfolgreiches Kundenbeziehungsmanagement steht. Ziel: Kundenindividuelle Ansprache, um neue Kunden zu gewinnen, bestehende Kunden zu binden und ehemals abgewanderte Kunden wieder zu gewinnen. Instrument: Analytisches CRM zur methodisch-gestützten Analyse der Zielkunden. Professur Wirtschaftsinformatik II Vorlesung WS 2014/

21 Grundlagen des 2 Gliederung 1. Begriffsbestimmung 2. CRISP-DM 3. Betriebswirtschaftliche Einsatzgebiete 4. Web Mining und Text Mining

22 Mining Maschineller Abbau und Aufbereitung riesiger Gesteinsmengen mit großem technologischen Aufwand, um Edelmetalle und Edelsteine zu fördern. Maschinelle Aufbereitung riesiger Datenmengen mit anspruchsvollen, automatisierten Methoden, um neue, gesicherte und handlungsrelevante Muster zu fördern. Professur Wirtschaftsinformatik II Vorlesung WS 2014/

23 Knowledge Discovery in Databases Knowledge Discovery in Databases beschreibt den non trivial process of identifying valid, novel, potentially useful and ultimately understandable patterns in data [Fayyed, et al., 1996] KDD = Ansatz der Datenanalyse KDD umfasst eine komplexe inhaltlich abgeschlossene, zeitlich und sachlogische Abfolge von Tätigkeiten Ziel: vorhandenes Wissen in umfangreichen Datenbeständen zu entdecken und explizit zu machen KDD! Professur Wirtschaftsinformatik II Vorlesung WS 2014/

24 bezeichnet alle Aktivitäten, that find a logical or mathematical description, eventuelly of a complex nature, of patterns and regularities in a set of data [Decker, et al. 1995] wird hier als ein Schritt im KDD-Prozess aufgefasst! Professur Wirtschaftsinformatik II Vorlesung WS 2014/

25 KDD Prozess Professur Wirtschaftsinformatik II Vorlesung WS 2014/

26 Prozessmodell Professur Wirtschaftsinformatik II Vorlesung WS 2014/

27 Aufgabenstellungen des DM bzw. KDD Clusterung Entdecken von Gruppen ähnlicher Daten Bsp.: Welche Kunden besuchen mein Geschäft? Klassifikation Ordne einem neuen Objekt eine Klasse zu Bsp.: Zu welcher Kundengruppe gehört dieser Kunde? Assoziation Entdecke Abhängigkeiten in Daten Bsp.: Welche Artikel werden zusammen gekauft? Professur Wirtschaftsinformatik II Vorlesung WS 2014/

28 Warum nutzen wir? Verdopplung der weltweiten Datenbestände alle 20 Monate Nur 10% der Daten werden überhaupt analysiert 50% der Großunternehmen verwenden bereits Tendenz steigend Professur Wirtschaftsinformatik II Vorlesung WS 2014/

29 Unterschied zu anderen Auswertungsmöglichkeiten betrieblicher Daten Rückblick auf die Vergangenheit Berichtssysteme OLAP-Anwendungen Professur Wirtschaftsinformatik II Vorlesung WS 2014/

30 Unterschied zu anderen Auswertungsmöglichkeiten betrieblicher Daten Aussagen über zukünftiges Verhalten/Geschehen Professur Wirtschaftsinformatik II Vorlesung WS 2014/

31 Grundprinzip des Beispiel: Mustererkennung Interne Daten Verfahren + Erkennen von Ähnlichkeiten in den Daten Welche Strukturen finden sich wiederholt? Externe Daten Genaueres Bild von den Datenstrukturen Grundlagen für weitere Analysen Professur Wirtschaftsinformatik II Vorlesung WS 2014/

32 Grundprinzip des Beispiel Vorhersagemodell Historische Daten Bekannte Ergebnisse Vorhersagemodell Aufbau des Modells mittels historischer Daten und + bekannter Ergebnisse der Zielvariablen. Historische Daten Vorhersagemodell Bekannte Ergebnisse Überprüfung des Modells mittels (anderer!) historischer + Daten und bekannter Ergebnisse der Zielvariablen. Neue Daten Vorhersagemodell Vorhersagen Anwenden des Modells auf neue Daten zur Vorhersage von Ergebnissen der Zielvariablen (=Ergebnisse). Professur Wirtschaftsinformatik II Vorlesung WS 2014/

33 Quellen: in Anlehnung an Küsters (2001), S. 95 ff.; Meyer (2002) übernommen von Hilbert (2012), S. 47 aus Methodensicht Professur Wirtschaftsinformatik II Vorlesung WS 2014/

34 Wiederholung Begriffsverständnis Welche Treiber der Einführung von analytischen Informationssystemen in Unternehmen kennen Sie? Beschreiben Sie Aufgaben und Inhalte des Berufsbilds eines Data Scientists / Analysts / Engineers Welche Reaktionen/Lösungen auf das Problem der Komplexitätssteigerung von Entscheidungssituation kennen Sie? Welche Begriffsverständnisse von kennen Sie? Setzen Sie sie in Beziehung zu KDD. Professur Wirtschaftsinformatik II Vorlesung WS 2014/

35 Wiederholung Begriffsverständnis Prozessorientiertes Verständnis von : entspricht Knowledge Discovery in Databases als Prozess,... der aus einer Datenmenge implizit vorhandene, aber bisher unentdeckte, nützliche Informationen extrahiert. Mertens, Bissantz, Hagedorn: Datenmustererkennung in der Ergebnisrechnung mit Hilfe der Clusteranalyse, in: Die Betriebswirtschaft (DBW), 54. Jg., Heft 6, 1994, S Methodenorientiertes Verständnis von : entspricht einer Phase im KDD-Prozess umfasst alle Aktivitäten, that find a logical or mathematical description, eventually of a complex nature, of patterns and regularities in a set of data. Bankhofer: und seine betriebswirtschaftliche Relevanz, in: Betriebswirtschaftliche Forschung und Praxis (BFuP), 56. Jg., Heft 4, 2004, S Professur Wirtschaftsinformatik II Vorlesung WS 2014/

36 Grundlagen des 2 Gliederung 1. Begriffsbestimmung 2. CRISP-DM 3. Betriebswirtschaftliche Einsatzgebiete 4. Web Mining und Text Mining

37 Cross Industry Standard Process for -Modell (CRISP-Modell) Business understanding Deployment Data Data understanding Data preparation Modeling Prozessmodell (Industriestandard) für die Durchführung von - Projekten mit sechs Phasen Evaluation Chapman et al.: CRISP-DM 1.0, Step-by-step data mining guide, aufgerufen im Internet unter: S. 13 Professur Wirtschaftsinformatik II Vorlesung WS 2014/

38 Phase: Business Understanding Formulierung einer genauen Problembeschreibung einschließlich einer darauf folgenden Aufgabendefinition Abstimmung mit vorhandenen organisatorischen Strukturen und Abläufen einer Unternehmung Teilschritte: Situationsanalyse und Aufgabendefinition Formulierung der Data-Mining-Ziele Erstellung des Projektplans Professur Wirtschaftsinformatik II Vorlesung WS 2014/

39 Phase: Data Understanding Identifizierung benötigter Daten in internen und externen Quellen Auswahl relevanter Daten Erste Analysen des Datenbestandes durch Nutzung von Visualisierungstechniken sowie Methoden der deskriptiven Statistik Abschätzung der Datenqualität Professur Wirtschaftsinformatik II Vorlesung WS 2014/

40 Extraktion relevanter Daten Sind die nötigen Daten verfügbar? Evtl. Datenerhebung (Testmailing), Datenanreicherung Berücksichtigung aller internen Datenquellen Informationen aus den Fachabteilungen Informationen aus der DV Verstehen der Daten! Daten in Vorsystemen Extraktion DM-Daten Professur Wirtschaftsinformatik II Vorlesung WS 2014/

41 Externe (demografische) Daten Prinzip demografischer Daten: In einem Wohngebiet leben meist Personen mit ähnlichem gesellschaftlichen Status, Lebensstil und finanziellen Möglichkeiten. Verschiedenste Anbieter externer Daten (demografisch, Finanzkennzahlen): Schufa, AZ Direct, Axciom, Schober, Informa,... Professur Wirtschaftsinformatik II Vorlesung WS 2014/

42 Externe (demografische) Daten Firmeninterne Informationen zu einem Kunden zumeist Kundenstammdaten und Vertragsdaten Zusätzliche demografische Informationen zu diesen Kunden Bevölkerungskennzahlen, Arbeitsloseninformationen, private Kaufkraft, finanzielle Situation, Status, bevorzugte Automarken, Bildungslevel, Art des Wohngebietes,... detaillierteres Bild des Kunden - Erhöhung der Analysequalität Professur Wirtschaftsinformatik II Vorlesung WS 2014/

43 Externe (demografische) Daten Lifestyle-Daten aus Haushaltsbefragungen (Konsumprofile, Konsuminteressen) Wohngebäudedatenbanken (Wohnverhältnisse) Inkassodaten (Bonität) Marktforschungsdaten Professur Wirtschaftsinformatik II Vorlesung WS 2014/

44 Demografische Daten auf Kundenebene 1. Die Datenanbieter erheben auf kleinen Wohneinheiten (Kreisgemeindeschlüssel) Informationen über die Bewohner. 2. Ein Kunde wird an Hand eines Adressabgleichs einer Einheit zugeordnet. 3. Die durchschnittliche Information auf dieser Einheit wird als geschätzter Wert für den Kunden verwendet. Professur Wirtschaftsinformatik II Vorlesung WS 2014/

45 Beispiel: Acxiom 2 Mio. Haushalte werden regelmäßig befragt Fragen zu Themen wie: Auto, Beruf, Hobbys, Geld&Versicherung, Spendenbereitschaft etc. Fragen zu zukünftigen Kaufabsichten Professur Wirtschaftsinformatik II Vorlesung WS 2014/

46 Beispiel: AZ Direct Person Haushalt Haus Mikrogeographische Datenbank (Ø 70 Haushalte pro Straßenabschnitt) Wahlbezirk Gemeinde/Postleitahlgebiet Anrede Akademischer Titel Berufscode Vorname, Name Telefon-Nr. Alterskategorie Geburtsdatum Sperrkennzeichen Konsum-Schwerpunkte Familie Textilien Zeitschriften Hobby Körperpflege, Gesundheit Heim, Haus, Garten Neuheiten Nahrungs-/Genussmittel Horoskope, Esoterik Ökologie, Natur, Bio Finanzdienstleistungen Fernsehen Manager, Führungskräfte, Entscheider Postkaufaffinität Haushaltsvorstand Haushaltsart Anzahl der Haushaltsmitglieder PLZ Ortsname Straße Anzahl der Familien pro Haus Wohngebietstyp Kaufkraft Mail-order-Neigung Altersstruktur Bebauungsstruktur Business-Struktur KFZ-Informationen Koordinaten Gemeindegrößenklasse Offizielle Statistiken Koordinaten Professur Wirtschaftsinformatik II Vorlesung WS 2014/

47 Phase: Data Preparation Preprocessing Datenaufbereitung Zielgerichtete Aufbereitung der Daten für die nachfolgenden Analysen Bis zu 80% der zeitlichen, technischen und personellen Ressourcen Teilschritte die durchlaufen werden: Datenbereinigung (Data Cleansing) Datentransformation (Data Transformation) Professur Wirtschaftsinformatik II Vorlesung WS 2014/

48 Phase: Data Preparation Gründe: Datenqualität Methodische Anforderungen Problemstellungen Verbesserung der Analyseergebnisse Reduzierung des Zeitaufwandes Professur Wirtschaftsinformatik II Vorlesung WS 2014/

49 Data Cleansing Maßnahmen zur Erhöhung der Qualität des Datenbestandes und damit der Datenanwendbarkeit Korrektur fehlerhafter Daten Ergänzung fehlender Daten Eliminierung von Redundanzen Kriterien zur Beurteilung der Datenqualität Vollständigkeit Konsistenz Genauigkeit Korrektheit Aktualität Professur Wirtschaftsinformatik II Vorlesung WS 2014/

50 Data Cleansing Name Age Region City Children Meier 56 NRW Duisburg 3 Schulz 32 NRW Duisburg Yes Muster NRW Essen 2 Müller 18 NRW Diusburg 4 fehlende Werte fehlerhafte Werte Redundanz Professur Wirtschaftsinformatik II Vorlesung WS 2014/

51 Data Cleansing Behandlung fehlender Werte Daten aus operativen Prozessen oft lückenhaft Je nach Methode sind vollständige Datensätze Voraussetzung Möglichkeiten Ausschluss unvollständiger Datensätze Ausschluss lückenhafter Merkmale Ersetzen fehlender Werte Kodierung fehlender Werte als zusätzliche Ausprägung Professur Wirtschaftsinformatik II Vorlesung WS 2014/

52 Data Cleansing Ersetzen fehlender Werte Einsetzen eines plausiblen Wertes Einfachste Vorgehensweise: Arithmetisches Mittel Modalwert Anspruchsvolleres Vorgehen: Anwendung statistischer Verfahren Korrelationsbeziehungen zwischen Merkmalen Individuelle Schätzwerte Professur Wirtschaftsinformatik II Vorlesung WS 2014/

53 Data Cleansing - Beispiel Vorname Produkt Werbeweg Alter Jennifer CD Backstreet Boys Internet Gertrude CD Lustige Musikanten Couponanzeige im Goldenen Blatt Fehlende Werte Professur Wirtschaftsinformatik II Vorlesung WS 2014/

54 Data Cleansing - Beispiel Vorname Produkt Werbeweg Alter Jennifer CD Tokio Hotel Internet 17 Gertrude CD Lustige Musikanten Couponanzeige im Goldenen Blatt 68 Zu Vorname, Produkt und Werbeweg passendes Durchschnittsalter Professur Wirtschaftsinformatik II Vorlesung WS 2014/

55 Data Transformation Maßnahmen: Formatumwandlungen Datenstrukturen Datenanreicherung Datenreduktion Alphanumerische und numerische Datentypen Anpassung von Skalenniveaus Normierung Abgeleitete Merkmale Professur Wirtschaftsinformatik II Vorlesung WS 2014/

56 Grundlegende Bezeichnungen Datenbestand / Database / Datenbasis Zur Verfügung stehendes Datenmaterial Unterscheidung zwischen Training, Test, Validierung Bei Modellbildung: Historische Daten Beobachtung Zeile, Tupel einer Tabelle Daten zu einer Einheit / einem Vorgang / einem Individuum / einem Vertrag... Professur Wirtschaftsinformatik II Vorlesung WS 2014/

57 Grundlegende Bezeichnungen Attribut / Feld / Variable Spalten in einer Tabelle Merkmal oder Eigenschaft Wert / Ausprägung Realisierung eines Feldes für eine bestimmte Beobachtung Professur Wirtschaftsinformatik II Vorlesung WS 2014/

58 Grundlegende Bezeichnungen Zielvariable Abhängige Variable Zu erklärende Variable Für neue Beobachtungen unbekannt Einflussvariable Erklärungspotential Immer bekannt ID-Variable Indifikator für Transaktionsgruppe Professur Wirtschaftsinformatik II Vorlesung WS 2014/

59 Beispiel Variablenarten Name PLZ Geschlecht Familienstand Alter Anz_Konten Beruf Storno Meier G Müller m Schulze m Berger w Jansen 6656 w Müller m Becker 6718 m Knorr m Einflussvariablen Zielvariable Professur Wirtschaftsinformatik II Vorlesung WS 2014/

60 Datenformat Relationales Datenmodell (Data Warehouse) Flache Tabelle () Transformation Zielvariable Attribut1 Attribut2... Z1 Ausprägung11 Ausprägung12 Z2 Ausprägung21 Ausprägung22 Z3 Ausprägung31... Professur Wirtschaftsinformatik II Vorlesung WS 2014/

61 Datenanreicherung Externe Daten auf höherer Aggregationsebene Marktforschung Kundendaten Artikelumsatz pro Alter Jahr m Geschlecht w Name Online-Käufe pro Jahr Geschlecht Geo-Typ Villen- Vorort Dorf Stadt m w Alte r Geschlecht Geo-Typ... Artikelumsatz Online- Käufe Meier 35 m Villen-Vorort Müller 48 w Stadt 20 3 Schulze 53 w Dorf Professur Wirtschaftsinformatik II Vorlesung WS 2014/

62 Datenreduktion Zeilen: Stichprobe Aggregation Aggregation auf Transaktionsebene, Kundenebene, Marktsegmentebene,... Vergröberung des Zeitrasters bei Längsschnittstudien Spalten: Dimensionsreduktion Professur Wirtschaftsinformatik II Vorlesung WS 2014/

63 Stichproben Zufallsstichprobe Repräsentativität Gesamtzahl der Datensätze Besetzungsdichte der wichtigen Merkmale Geschichtete Stichprobe (z. B Schlechtzahler und 5000 Gutzahler) Sensibilität des Verfahrens Trainingsstichprobe, Validierungsstichprobe Professur Wirtschaftsinformatik II Vorlesung WS 2014/

64 Aggregation Zusammenfassung mehrerer Datensätze niedriger Aggregationsebenen zu einem Datensatz auf höherer Aggregationsebene Z.B. Zusammenfassung verschiedener Käufe auf Kundenebene oder verschiedener Transaktionen auf Kontoebene Aggregationsfunktionen Summierung (Umsatzsumme, Kaufanzahl) Mittelwertbildung (mittlerer Umsatz pro Monat) Professur Wirtschaftsinformatik II Vorlesung WS 2014/

65 Informationsverlust Informationsverlust Informationsdichte ID Name Produkt Umsatz 1 Müller Hemd 60 2 Müller Hose 80 3 Müller Hemd 70 Name Käufe Hemden Hosen Umsatzsumme Standardabweichung Müller Professur Wirtschaftsinformatik II Vorlesung WS 2014/

66 Dimensionsreduktion Hoch korrelierte Merkmale redundante Information Reduzierung der Merkmalsanzahl Merkmalsteilmenge mit gleicher Beschreibungs-, Erklärungs- und Prognosefähigkeit Ausschluss offensichtlich überflüssiger Merkmale Professur Wirtschaftsinformatik II Vorlesung WS 2014/

67 Skalenniveau Überführung auf ein niedrigeres Skalenniveau Informationsverlust Klassenbildung (Cluster) Erfüllung von Modellvoraussetzungen Verringerung der Modellkomplexität Professur Wirtschaftsinformatik II Vorlesung WS 2014/

68 Skalentransformation 1. Nominalskala Niedrigstes Skalenniveau Keine Rangfolge Keine Vergleichbarkeit Bsp.: Farbe, Beruf 2. Ordinalskala Werte unterscheiden sich in Intensität Werte lassen sich ordnen Rangfolge Keine Interpretation der Abstände zwischen Merkmalsausprägungen möglich Bsp.: gut mittel schlecht, Zensuren Professur Wirtschaftsinformatik II Vorlesung WS 2014/

69 Skalentransformation 3. Metrische Skala Höchstes Skalenniveau Reihenfolge der Ausprägungen Interpretierbarkeit der Abstände Bsp.: Gewicht, Größe, Lebensdauer Professur Wirtschaftsinformatik II Vorlesung WS 2014/

70 Normierung Abbildung durch mathematische Funktion Logarithmus, Exponentialfunktion, Wurzel Merkmal mit bestimmten Lage- und Streuungsmaßen Standardnormalverteilung Wertebereich [0,1] Komplexitätsreduktion Erfüllung von Modellvoraussetzungen Professur Wirtschaftsinformatik II Vorlesung WS 2014/

71 Abgeleitete Merkmale Abbildung bestehender Merkmale auf ein neues Merkmal Beispiele: Marktanteil = Absatz / Marktvolumen Pro-Kopf-Umsatz = Umsatz / Kundenzahl Share of Voice = Werbeausgaben / Wettbewerbswerbeausgaben Expertenwissen, Abbildung nichttrivialer Wirkungsrelationen Professur Wirtschaftsinformatik II Vorlesung WS 2014/

72 Phase: Data Modeling Anwendung der Verfahren Anwendung verschiedener -Verfahren auf Grundlage einer abgestimmten Modellbildung Anwendungsbereiche: Kategorisierung bzw. Segmentierung Klassifikation Assoziation (Prognose) Professur Wirtschaftsinformatik II Vorlesung WS 2014/

73 Phase: Evaluation Bewertung und Interpretation Bewertung der -Ergebnisse Interessantheit Gültigkeit Neuartigkeit Nützlichkeit Verständlichkeit Interpretation hinsichtlich der Aufgabenstellung bzw. des Projektziels Bewertung des gesamten -Prozesses Aufdeckung von Schwachstellen Erarbeitung von Verbesserungsmöglichkeiten Professur Wirtschaftsinformatik II Vorlesung WS 2014/

74 Phase: Deployment Anwendung der Ergebnisse Bestimmung der Art und Weise zur Nutzung der erzielten Ergebnisse in der Unternehmung Einmalige oder dauerhafte Verwendung der Ergebnisse Entscheidung für konkrete Maßnahmen Professur Wirtschaftsinformatik II Vorlesung WS 2014/

75 Backstrom, L.; Kleinberg, J.: Romantic Partnerships and the Dispersion of Social Ties: A Network Analysis of Relationship Status on Facebook, Bemerkenswertes aus der Welt der Datenanalyse Facebook weiß, ob sich ein Paar in den kommenden 60 Tagen trennen wird. Professur Wirtschaftsinformatik II Vorlesung WS 2014/

76 Bemerkenswertes aus der Welt der Datenanalyse GOOGLE, TWITTER Professur Wirtschaftsinformatik II Vorlesung WS 2014/

77 Bemerkenswertes aus der Welt der Datenanalyse "Wir wissen, wo du bist. Wir wissen, wo du warst. Wir wissen mehr oder weniger, worüber du nachdenkst." - Google Professur Wirtschaftsinformatik II Vorlesung WS 2014/

78 Grundlagen des 2 Gliederung 1. Begriffsbestimmung 2. CRISP-DM 3. Betriebswirtschaftliche Einsatzgebiete 4. Web Mining und Text Mining

79 Beispiel Stornoanalyse Ziel: Erkennen abwanderungsgefährdeter Kunden Abwanderung vermeiden Hohe Kosten für Neu- oder Rückgewinnung vermeiden Geschäftlicher Mehrwert: Gezielte Kundenbindung statt Gießkannen-Prinzip Reduktion des zeitlichen und finanziellen Aufwands Professur Wirtschaftsinformatik II Vorlesung WS 2014/

80 Beispiel Responseanalyse Ziel: Auswahl von Kunden oder Adressen, die affin für eine bestimmte Kampagne sind Geschäftlicher Mehrwert: Maximierung des Gewinns Keine Überschwemmung der Kunden Professur Wirtschaftsinformatik II Vorlesung WS 2014/

81 Beispiel Cross- und Up-Selling Ziel: Optimierung der Produktplatzierung und Produktbündelung Verbesserter Aufbau des Web-Auftritts Zusammenstellung von Katalogen und Werbematerial Geschäftlicher Mehrwert: Steigerung des Umsatzes mit einem bestimmten Kunden Professur Wirtschaftsinformatik II Vorlesung WS 2014/

82 Beispiel Betrugserkennung Ziel: Vermeidung von Zahlungen für unrechtmäßige Schadenforderungen Geschäftlicher Mehrwert: Extrem hohes Sparpotenzial Steigerung der Wettbewerbsfähigkeit Steigerung des Gewinns Bereinigung des Kundenbestandes Professur Wirtschaftsinformatik II Vorlesung WS 2014/

83 Beispiel Bonitätsanalyse Ziel: Erkennen von zahlungsunfähigen oder zahlungsunwilligen Kunden Geschäftlicher Mehrwert: Vermeidung von Zahlungsausfällen Verringerung der Kosten Bereinigung des Kundenbestands Professur Wirtschaftsinformatik II Vorlesung WS 2014/

84 Beispiel Risikoanalyse Ziel: Verringerung der Ausfallrate bei Krediten Geschäftlicher Mehrwert: Verringerung der Verluste Bereinigung des Kundenbestandes Geringere Eigenkapitalunterlegung (Basel II) Professur Wirtschaftsinformatik II Vorlesung WS 2014/

85 Beispiel Verbrechensbekämpfung Ziel: Erkennung von Zusammenhängen zwischen Straftaten Geschäftlicher Mehrwert: Täterfindung in ungeklärten Fällen Vorgehensmuster bei Straftaten Bekämpfung organisierter Kriminalität Bekämpfung von Geldwäsche Auffinden terroristischer Zellen Professur Wirtschaftsinformatik II Vorlesung WS 2014/

86 Grundlagen des 2 Gliederung 1. Begriffsbestimmung 2. CRISP-DM 3. Betriebswirtschaftliche Einsatzgebiete 4. Web Mining und Text Mining

87 Text Mining als Ansatz zur Entwicklung und Anwendung spezifischer Algorithmen zur Entdeckung von Mustern in Texten (: Verarbeitung strukturierter Daten) Schätzungen: 80 % der Datenbasis einer Unternehmung bestehen aus unstrukturierte Daten Professur Wirtschaftsinformatik II Vorlesung WS 2014/

88 Web Mining Ausprägungen des Web Mining Web Content Mining Aufdecken nützlicher Informationen aus dem Web Web Structure Mining Ansätze zur Untersuchung und Auswertung von Strukturen auf der Typologie von Hyperlinks Web Usage Mining Untersuchung protokollierten Daten, die während der Nutzung einer Web-Site innerhalb einer Sitzung (Session) oder mehreren Sitzungen Professur Wirtschaftsinformatik II Vorlesung WS 2014/

89 E-Commerce Quellen: Professur Wirtschaftsinformatik II Vorlesung WS 2014/

90 Administration Business Consumer E-Commerce Nachfrager der Leistung Consumer Business Administration Consumer-to- Consumer (Internet- Kleinanzeigen) Consumer-to-Business (Job-Börsen) Consumer-to- Administration (Online-Verwaltung) Anbieter der Leistung Business-to-Consumer (Internet-Shops) Business-to-Business (Elektronische Chemikalienbörsen) Business-to- Administration (Steuerabwicklung) Administration-to- Consumer (Internet-Shops) Administration-to- Business (Elektronische Chemikalienbörsen) Administration-to- Administration (Steuerabwicklung) Professur Wirtschaftsinformatik II Vorlesung WS 2014/

91 Protokolle des Zugriffsverhaltens: Log-Dateien Dokumentieren in standardisierter Form und mit genormtem Format einzelne Interaktionsschritte des zugreifenden Nutzers Inhalte: (IP-)Adresse des Zugriffs (bzw. Domänenname) Zugriffszeit Herkunfts-URL (zuvor abgefragte Seite)... Protokoll-Optionen im Internet Information Server Professur Wirtschaftsinformatik II Vorlesung WS 2014/

92 Protokolle des Zugriffsverhaltens: Log-Dateien Log-Datei-Datenvolumen bei Yahoo ca. 200 Gigabyte/Tag Professur Wirtschaftsinformatik II Vorlesung WS 2014/

93 Personalisierung von Zugriffen Erforderlich bei geschäftlichen Transaktionen oder geschlossenem Benutzerkreis Incentives für die freiwillige Informationspreisgabe Freischaltung geschützter Bereiche der Website Zusendung von Werbegeschenken Gewinnspiele... Professur Wirtschaftsinformatik II Vorlesung WS 2014/

94 Technologische Nutzenpotenziale Akzeptanz und Nutzung der Web-Site Analyse von Zugriffszahlen und Verweildauern Identifikation von Einstiegs- und Ausstiegsseiten Clickstream-Analyse Analyse der Search-Page Verbesserung von Inhalt und Struktur einer Web-Site Frühzeitige Erkennung von Kapazitätsengpässen Aufdeckung unbefugter Zugriffe (Hacker) Professur Wirtschaftsinformatik II Vorlesung WS 2014/

95 Betriebswirtschaftliche Nutzenpotenziale Analyse der Herkunftsseite Effizienz von Marketing-Kanälen (z.b. Banner-Werbung) Clickstream-Analyse Zugriffshäufigkeit bzw. Entfernung von Profit-Seiten Profiling / Segmentierung Gruppenspezifische Angebote Cross- und Up-Selling One-to-One-Marketing Individuelles Werbeangebot Zusammenführung mit anderen Datenbeständen Effizienz von Marketing-Kampagnen Vision des gläsernen Kunden Professur Wirtschaftsinformatik II Vorlesung WS 2014/

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Data Mining Wiederholung Begriffsverständnis Prozessorientiertes Verständnis von Data Mining: entspricht

Mehr

Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme Vorlesung WS 2013/2014 Christian Schieder Professur Wirtschaftsinformatik II cschie@tu-chemnitz.eu Literatur zur Vorlesung Gluchowski, P.; Gabriel, R.; Dittmar, C.: Management Support Systeme und Business

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Web-Log-Mining. Dr. Peter Gluchowski. Wirtschaftswissenschaftliche Fakultät Heinrich-Heine-Universität Düsseldorf

Web-Log-Mining. Dr. Peter Gluchowski. Wirtschaftswissenschaftliche Fakultät Heinrich-Heine-Universität Düsseldorf Web-Log-Mining Dr. Peter Gluchowski Wirtschaftswissenschaftliche Fakultät Heinrich-Heine-Universität Düsseldorf MIS 2001 7. Kongressmesse für DW und BI 26.09.2001 Gliederung Internet und E-Commerce Aufbau

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 1 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNG UND ENTSCHEIDUNGSTHEORIE

Mehr

Management Support Systeme

Management Support Systeme Management Support Systeme WS 24-25 4.-6. Uhr PD Dr. Peter Gluchowski Folie Gliederung MSS WS 4/5. Einführung Management Support Systeme: Informationssysteme zur Unterstützung betrieblicher Fach- und Führungskräfte

Mehr

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen

Komponenten und Architekturen von Analytischen Informationssystemen Komponenten und Architekturen von Analytischen Informationssystemen Sommersemester 2013 Prof Dr. Peter Gluchowski Literatur zur Vorlesung AIS/BIS Gluchowski, Peter; Gabriel, Roland; Dittmar, Carsten: Management

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

Anwendung der Predictive Analytics

Anwendung der Predictive Analytics TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Knowledge Discovery In Databases. Data Mining - Der moderne Goldrausch?

Knowledge Discovery In Databases. Data Mining - Der moderne Goldrausch? Oberseminar Data Mining 07. April 2010 Methodik des Data Mining Knowledge Discovery In Databases oder auch Data Mining - Der moderne Goldrausch? Data Mining...? Hochleistungsrechnen Geoinformationssysteme

Mehr

Dr. Andreas Hotho, Robert Jäschke Fachgebiet Wissensverarbeitung 30.10.2008. Wintersemester 2008/2009

Dr. Andreas Hotho, Robert Jäschke Fachgebiet Wissensverarbeitung 30.10.2008. Wintersemester 2008/2009 Dr. Andreas Hotho, Robert Jäschke Fachgebiet Wissensverarbeitung 30.10.2008 1. Übung Knowledge Discovery Wintersemester 2008/2009 Vorbemerkungen Vorlesungsfolien und Übungsblätter können Sie im Internet

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

Data/Information Quality Management

Data/Information Quality Management Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi

Motivation. Themenblock: Data Preprocessing. Einsatzgebiete für Data Mining I. Modell von Gianotti und Pedreschi Motivation Themenblock: Data Preprocessing We are drowning in information, but starving for knowledge! (John Naisbett) Was genau ist Datenanalyse? Praktikum: Data Warehousing und Data Mining Was ist Data

Mehr

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

Business Intelligence im Krankenhaus

Business Intelligence im Krankenhaus Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung

Ermittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Datenbanken-Themen im OS "Data Mining" SS 2010

Datenbanken-Themen im OS Data Mining SS 2010 Prof. Dr.-Ing. Thomas Kudraß HTWK Leipzig, FIMN Datenbanken-Themen im OS "Data Mining" SS 2010 Die Vorträge sollten eine Dauer von 60 Minuten (Einzelvortrag) bzw. 45 Minuten (Doppelvortrag) haben. Nachfolgend

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten von Jürgen Mauerer Foto: Avantum Consult AG Seite 1 von 21 Inhalt Mehrwert aufzeigen nach Analyse des Geschäftsmodells...

Mehr

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement

Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement Steuerungsverfahren und ihre Datenstrukturen 02 - Datenmanagement 1 Übersicht - Datenmanagement 1 Übersicht - Datenmanagement...1 2 Übersicht: Datenbanken - Datawarehouse...2 3 Übersicht: Data Mining...11

Mehr

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28. PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

26. GIL Jahrestagung

26. GIL Jahrestagung GeorgAugustUniversität Göttingen 26. GIL Jahrestagung Einsatz von künstlichen Neuronalen Netzen im Informationsmanagement der Land und Ernährungswirtschaft: Ein empirischer Methodenvergleich Holger Schulze,

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining

Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe

Mehr

Informationssysteme Aufgaben (1)

Informationssysteme Aufgaben (1) Universitätslehrgang Controlling Berichtswesen und Managementinformationssystem SS 2008 A-6600 Reutte - Tränkeweg 18 Phone/Fax: +43 (5672) 64704 - e-mail: g.lovrecki.cat@tnr.at 1 Aufgaben (1) Entscheidungsvorbereitung

Mehr

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note:

Matrikelnr: Name: Vorname: Aufgabe 1 2 3 4 Summe Maximal erreichbare 20 30 30 20 100 Punktzahl Erreichte Punktzahl. Note: Fakultät für Wirtschaftswissenschaft Matrikelnr: Name: Vorname: : Modul 32711 Business Intelligence Termin: 28.03.2014, 9:00 11:00 Uhr Prüfer: Univ.-Prof. Dr. U. Baumöl Aufbau und Bewertung der Aufgabe

Mehr

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendung 1 MInf1 HAW Hamburg Betreuender Professor: Prof. Dr. Zukunft by Jason Hung Vuong [12] Gliederung 1. Hamburg Energie Kooperation 2. Motivation 3. Business Intelligence 4.

Mehr

Datenqualitätsmanagement im Customer Relationship Management

Datenqualitätsmanagement im Customer Relationship Management Wolfgang Leußer Datenqualitätsmanagement im Customer Relationship Management Verlag Dr. Kovac Hamburg 2011 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XVII XIX XXI

Mehr

Business and Data Understanding. Business und Data Understanding

Business and Data Understanding. Business und Data Understanding Business und Data Understanding Gliederung 1. Grundlagen 2. Von Data Warehouse zu Data Mining 3. Das CRISP-DM Referenzmodell 4. Die Phasen Business- und Data Understanding 5. Überblick der weiteren Phasen

Mehr

Business Intelligence. Business Intelligence Seminar, WS 2007/08

Business Intelligence. Business Intelligence Seminar, WS 2007/08 Business Intelligence Seminar, WS 2007/08 Prof. Dr. Knut Hinkelmann Fachhochschule Nordwestschweiz knut.hinkelmann@fhnw.ch Business Intelligence Entscheidungsorientierte Sammlung, Aufbereitung und Darstellung

Mehr

Data Warehouse und Data Mining

Data Warehouse und Data Mining Data Warehouse und Data Mining Marktführende Produkte im Vergleich von Dr. Heiko Schinzer, Carsten Bange und Holger Mertens 2., völlig überarbeitete und erweiterte Auflage -. - Verlag Franz Vahlen München

Mehr

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3

Teil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3 xi Teil A Grundlagen und Methoden 1 1 Customer Relationship Management ein Bezugsrahmen 3 1.1 Die Entwicklung zum kundenzentrierten Unternehmen 3 1.2 Ziel und Kernkonzepte des CRM 5 1.2.1 Ziel: Profitable

Mehr

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Informationsflut bewältigen - Textmining in der Praxis

Informationsflut bewältigen - Textmining in der Praxis Informationsflut bewältigen - Textmining in der Praxis Christiane Theusinger Business Unit Data Mining & CRM Solutions SAS Deutschland Ulrich Reincke Manager Business Data Mining Solutions SAS Deutschland

Mehr

DataMining in der polizeilichen Anwendung

DataMining in der polizeilichen Anwendung Hintergrund / Motivation DataMining in der polizeilichen Anwendung Heiko Held, BKA Wiesbaden Zur Zuständigkeit des Fachbereichs KI14 zählt u.a. die Marktbeobachtung und Toolauswahl im Bereich von Analysesoftware.

Mehr

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen

Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Die Integration von Data-Mining in die Geschäftsprozesse von Versicherungsunternehmen Systematische Potenzialanalyse und ein generisches Prozessmodell Berlin, 22.03.2006 Andreas Reuß Universität Ulm Sektion

Mehr

Datenqualität erfolgreich steuern

Datenqualität erfolgreich steuern Edition TDWI Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte von Detlef Apel, Wolfgang Behme, Rüdiger Eberlein, Christian Merighi 3., überarbeitete und erweiterte Auflage

Mehr

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008

Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Ermittlung dynamischer Fahrzeiten für die City-Logistik Jan Ehmke Doktorandenworkshop 2008 St. Andreasberg, 10.03.2008 Inhalt Einführung Planung in der City-Logistik Erhebung dynamischer Fahrzeiten Konzeption

Mehr

Informationssysteme für das Management

Informationssysteme für das Management FHBB l Departement Wirtschaft l Informationssysteme für das Management Michael Pülz, Hanspeter Knechtli Lernziele Den Unterschied zwischen operativen und analytischen Informationssystemen beschreiben können

Mehr

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

Mehr

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion

Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Big Data als neuer Partner von Six Sigma Optimierung der diskreten Produktion Frank Effenberger, Marco Fischer, 22.06.2015, München Agenda Firmenpräsentation Einführung Anwendungsfall Fazit Zahlen und

Mehr

erfolgreich steuern Datenqualität rä dpunkt.verlag Ldwi Praxislösungen für Business-Intelligence-Projekte Rüdiger Eberlein Edition TDWI

erfolgreich steuern Datenqualität rä dpunkt.verlag Ldwi Praxislösungen für Business-Intelligence-Projekte Rüdiger Eberlein Edition TDWI Detlef Apel Wolfgang Behme Rüdiger Eberlein Christian Merighi Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte 3., überarbeitete und erweiterte Auflage Edition TDWI rä

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche Neuronale Netze und Data Mining Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

Direktmarketing im Zentrum digitaler Vertriebsstrategien

Direktmarketing im Zentrum digitaler Vertriebsstrategien Direktmarketing im Zentrum digitaler Vertriebsstrategien Standortbestimmung und Key Learnings für Verlage Hamburg, September 2014 Im Zentrum digitaler Vertriebsstrategien steht zunehmend die Analyse komplexer

Mehr

2.8. Business Intelligence

2.8. Business Intelligence 2.8. Zulieferer BeschaffungProduktion Kunde E-Procurement Customer Relationship (CRM) Supply Chain (SCM) Enterprise Resource Planning (ERP) Executive Information (EIS) Executive Support (ESS) Chef-Informations-

Mehr

Data Mining - Clustering. Sven Elvers

Data Mining - Clustering. Sven Elvers Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 2 Agenda Data Mining Clustering Aktuelle Arbeiten Thesis Outline 3 Data Mining Entdecken versteckter Informationen, Muster und Zusammenhänge

Mehr

TNS EX A MINE GeoCheck Evaluation und Selektion mikrogeographischer Daten für Marketing und Vertrieb. TNS Infratest Applied Marketing Science

TNS EX A MINE GeoCheck Evaluation und Selektion mikrogeographischer Daten für Marketing und Vertrieb. TNS Infratest Applied Marketing Science TNS EX A MINE GeoCheck Evaluation und Selektion mikrogeographischer Daten für Marketing und Vertrieb 1 TNS EX A MINE GeoCheck Warum GeoCheck für Sie interessant ist Mikrogeographische Informationen werden

Mehr

Analytisches CRM und Data Mining

Analytisches CRM und Data Mining Analytisches CRM und Data Mining Magische Zahlen für das Marketing Computerwoche Initiative CRM 2009 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Mitglied im CRM Expertenrat

Mehr

Der CRISP-DM Prozess für Data Mining. CRISP-DM Standard CRISP-DM. Wozu einen standardisierten Prozess?

Der CRISP-DM Prozess für Data Mining. CRISP-DM Standard CRISP-DM. Wozu einen standardisierten Prozess? Wozu einen standardisierten Prozess? Der Prozess der Wissensentdeckung muss verlässlich und reproduzierbar sein auch für Menschen mit geringem Data Mining Hintergrundwissen. Der CRISP-DM Prozess für Data

Mehr

Historie der analyseorientierten Informationssysteme

Historie der analyseorientierten Informationssysteme Gliederung MSS 1. Einführung in die Management Support Systeme (MSS) 2. Data Warehouse als Basis-Konzept aktueller MSS 3. Business Intelligence (BI) als Weiterführung des DW-Ansatzes 1. Grundlagen zum

Mehr

Analytisches Fundraising

Analytisches Fundraising Analytisches Fundraising Vorgehen, Verfahren, Werkzeuge DiaSys. Marketing Engineering AG, Wankdorffeldstr.102, 3014 Bern 031 922 31 50, zuercher@diasys.ch Analytisches Fundraising Inhaltsverzeichnis Datenbankgestütztes

Mehr

Aktuelle Trends im CRM

Aktuelle Trends im CRM . CRM-Symposium.. Aktuelle Trends im CRM Prof. Dr. Klaus D. Wilde Lehrstuhl für ABWL und Wirtschaftsinformatik Katholische Universität Eichstätt-Ingolstadt. &. Generation KM ext Best X Aktionsorientiertes

Mehr

Seminar im Sommersemester 2005 DATA WAREHOUSING. Data Mining. Christian Knappe. Fachrichtung Wirtschaftsinformatik Friedrich-Schiller-Universität Jena

Seminar im Sommersemester 2005 DATA WAREHOUSING. Data Mining. Christian Knappe. Fachrichtung Wirtschaftsinformatik Friedrich-Schiller-Universität Jena Seminar im Sommersemester 2005 DATA WAREHOUSING Data Mining Christian Knappe Fachrichtung Wirtschaftsinformatik Friedrich-Schiller-Universität Jena Fakultät für Mathematik und Informatik Lehrstuhl für

Mehr

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM Datenreorganisation > Effiziente und performante Stammdatenreorganisation mit SAP Data Services < Simon Hartstein / T-Systems Data Migration Consulting AG / Harmonization & Consolidation Mai 21, 2014 Agenda

Mehr

Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management

Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management Vom Data Mining zur effektiven Entscheidungsunterstützung mit IBM SPSS Modeler und Analytical Decision Management Martin Herzog 06/07.11.2012 Data Mining als Herzstück von Predictive Analytics Data Mining

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl.

3. Integrationsdimensionen, u. a. Integrationsrichtungen (vgl. 1 und 2) 4. Vertikale und horizontale Integrationsrichtung (vgl. Anwendungssysteme 1. Vertikal: unterstützte organisationale Ebene Informationsdichtegrad 2. Horizontal: unterstützter Funktionsbereich betriebliche Grundfunktion 3. Integrationsdimensionen, u. a. Integrationsrichtungen

Mehr

Visual Business Intelligence Eine Forschungsperspektive

Visual Business Intelligence Eine Forschungsperspektive Visual Business Intelligence Eine Forschungsperspektive Dr. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße 5 64283 Darmstadt Tel.: +49 6151 155 646 Fax.: +49

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

Mehr

Räumliches Data Mining

Räumliches Data Mining Räumliches Data Mining Spatial Data Mining Data Mining = Suche nach "interessanten Mustern" in sehr großen Datensätzen => explorative Datenanlyse auch: Knowledge Discovery in Databases (KDD) verbreitete

Mehr

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006)

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006) Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau (01/2006) Strategisches Informationsmanagement 1 Definition Notwendige Vermaischung der Daten in der Vorstufe zur Destillation von hochprozentiger

Mehr

Datenmanagement und Datenqualität Techniken und Prozesse

Datenmanagement und Datenqualität Techniken und Prozesse Database Marketing: Datenmanagement und Datenqualität Techniken und Prozesse Andrea Ahlemeyer-Stubbe Management Summary Der zunehmende Wandel hin zu einer kundenorientierten Geschäftsführung und die Verinnerlichung

Mehr

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG

DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG DATEN - Das Gold des 21. Jahrhunderts? Dr. Oliver Riedel, AUDI AG Inhalt Globale und unternehmensspezifische Herausforderungen Von Big Data zu Smart Data Herausforderungen und Mehrwert von Smart Data 2

Mehr

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Einordnung der Begriffe Business Intelligence Strategic Association Management Controlling and Data Warehousing Data Mining, Knowledge

Mehr

Analytisches CRM. Workshop Data Mining im Datenbasierten Marketing. Michael Lamprecht und Jan Frick, Altran GmbH & Co. KG 26.06.

Analytisches CRM. Workshop Data Mining im Datenbasierten Marketing. Michael Lamprecht und Jan Frick, Altran GmbH & Co. KG 26.06. Analytisches CRM Workshop Data Mining im Datenbasierten Marketing Michael Lamprecht und Jan Frick, Altran GmbH & Co. KG 26.06.2015 Data Mining bietet Antworten auf zahlreiche analytische Fragestellungen

Mehr

Entfesseln Sie Ihr Potential als Realzeit-Unternehmen!

Entfesseln Sie Ihr Potential als Realzeit-Unternehmen! Entfesseln Sie Ihr Potential als Realzeit-Unternehmen! CC NOW 2013-19.9.13 in Düsseldorf Klaus-J. Zschaage authensis AG stellen Sie sich vor Seite 2 stellen Sie sich vor was ist dafür zu tun? Seite 3 Geschäftsoptimierung

Mehr

1. Biometrische Planung

1. Biometrische Planung 1. Biometrische Planung Die biometrische Planung ist Teil der Studienplanung für wissenschaftliche Studien, in denen eine statistische Bewertung von Daten erfolgen soll. Sie stellt alle erforderlichen

Mehr

Kundenbindung optimieren mit Predictive Analytics und Text Mining

Kundenbindung optimieren mit Predictive Analytics und Text Mining Kundenbindung optimieren mit Predictive Analytics und Text Mining Ein Praxis-Beispiel mit der Analyse-Plattform STATISTICA CeBIT Hannover, 10. März 2014 www.statsoft.de StatSoft (Europe) GmbH 2014 Dr.

Mehr

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation?

Data Mining - Marketing-Schlagwort oder ernstzunehmende Innovation? 1. Konferenz der A Benutzer KFE in Forschung und Entwicklung Data Mining - Marketing-chlagwort oder ernstzunehmende Innovation? Hans-Peter Höschel,, Heidelberg 1. Konferenz der A Benutzer KFE in Forschung

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Business Intelligenceein Überblick

Business Intelligenceein Überblick Exkurs Business Intelligenceein Überblick Folie 1 Januar 06 Literatur Kemper, Hans-Georg; Mehanna, Walid; Unger, Carsten (2004): Business Intelligence: Grundlagen und praktische Anwendungen Eine Einführung

Mehr

Business Intelligence Anwendungssysteme

Business Intelligence Anwendungssysteme Business Intelligence Anwendungssysteme Fakultät für Wirtschaftswissenschaften Professur Wirtschaftsinformatik II Prof. Dr. Peter Gluchowski Folie 1 Literatur zur Vorlesung BI- Anwendungssysteme Gluchowski,

Mehr

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

Social Media trifft Business

Social Media trifft Business Social Media trifft Business Intelligence Social Media Analysis als Teil der Unternehmenssteuerung Tiemo Winterkamp, VP Global Marketing Agenda Social Media trifft Business Intelligence Business Intelligence

Mehr

Vorlesung Mittwoch Literatur: MSS, Prof. Gluchowski

Vorlesung Mittwoch Literatur: MSS, Prof. Gluchowski Business Intelligence Anwendungssysteme (BIAS) Zusammenfassung Übung WS 2012/13 Lernziele Business Intelligence Aufgabe 1 Metadatenmanagement Aufgabe 1 Planungssysteme Aufgabe 2 Begriffe und Definitionsvielfalt

Mehr

Big Data So heben Sie den Schatz vom Silbersee! Monetarisieren von Kundenbeziehungen in der digitalen Welt!

Big Data So heben Sie den Schatz vom Silbersee! Monetarisieren von Kundenbeziehungen in der digitalen Welt! Big Data So heben Sie den Schatz vom Silbersee! oder: Monetarisieren von Kundenbeziehungen in der digitalen Welt! Über Kampagnen, Paid Content & Co Impulsvortrag zur Mitgliederversammlung am 13.06.2014

Mehr

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6

Summary... 4. Keywords... 4. Granularität der Daten... 5. Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Inhaltsverzeichnis Summary... 4 Keywords... 4 Granularität der Daten... 5 Mit Vorverdichtung hochaggregierte Daten bereithalten... 6 Partitionierung der Datenbestände... 7 Vergrößerter Aktionsradius von

Mehr

Technische Integration des Informationssystems über SAP (1/6)

Technische Integration des Informationssystems über SAP (1/6) Technische Integration des Informationssystems über SAP (1/6) Software Systemsoftware Anwendungssoftware Betriebssysteme Standardsoftware Individualsoftware Übersetzungsprogramme Dienstprogramme andere

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

Datenschutzgerechtes Data Mining

Datenschutzgerechtes Data Mining Datenschutzgerechtes Data Mining Seminarvortrag von Simon Boese Student der Wirtschaftsinformatik Wissensgewinnung Rohdaten aus DataWarehouse / OLAP Klassifikation / Assoziation Neue Infos: allgemeine

Mehr