Personalisierung internetbasierter Handelsszenarien. Matthias Pretzer
|
|
- Johannes Kästner
- vor 7 Jahren
- Abrufe
Transkript
1 Matthias Pretzer Fachbereich Informatik Abteilung Informationssysteme Prof. Dr. Appelrath Inhalt: Motivation Grundlagen Anwendungsszenario Realisierung Fazit
2 Was ist Personalisierung (im Kontext der PG)? Verhalten des Kunden analysieren für häufig gekaufte Produkte Rabatte geben beim Kauf bestimmter Produkte dazu passende anbieten Warum Personalisierung? Optimierung der Werbekosten Stärkung der Kundenbindung alte Kunden zu halten ist billiger, als neue zu gewinnen Warum internetbasiert? Verhältnismäßig einfach darstellbar Probleme gläserner Kunde Datenschutz wird im Kontext der Projektgruppe nicht betrachtet Motivation Grundlagen Anwendungsszenario Realisierung Fazit 1/15
3 Zielsetzung der PG: Entwicklung einer Java-Bibliothek, die Kunden gruppiert und klassifiziert, Muster im Kaufverhalten der Kunden aufdeckt, temporale Datenquellen bei der Analyse beachtet, durch Meta-Daten gesteuert wird und eine verteilte Analyse ermöglicht Entwicklung eines Konzeptes zur Personalisierung auf Basis der von der Bibliothek gefundenen Muster Entwicklung eines exemplarischen Online-Shops mit personalisiertem Angebot Motivation Grundlagen Anwendungsszenario Realisierung Fazit 2/15
4 Basis der Datenanalyse: KDD (Knowledge Discovery in Databases) Phasen des KDD-Prozesses: Selektion: die zu analysierenden Daten auswählen Vorverarbeitung: Bereinigung und Integration der Daten Transformation: die Daten in ein analysierbares Format bringen Data Mining: Muster in den Daten entdecken Interpretation: gefundene Muster interpretieren Data-Mining Methoden: Clustering: Daten in Gruppen hoher Ähnlichkeit einteilen Klassifikation: Daten in vordefinierte Klassen einteilen Assoziationsanalyse: Regeln aufstellen, z.b. Wenn eine Person Bier kauft, kauft sie mit 40%iger Wahrscheinlichkeit auch Chips. Motivation Grundlagen Anwendungsszenario Realisierung Fazit 3/15
5 Grundlagen temporaler Datenbanken: ermöglichen, Veränderungen in den Daten zu speichern bekanntes Modell: bitemporal conceptual data model (BCDM) Speicherung zweier Zeitstempel: Transaktionszeit: bestimmt, wann der Eintrag in der DB gültig ist Gültigkeitszeit: bestimmt, wann der Eintrag in der realen Welt gültig ist Tupel-basierte Zeitstempelung: für jeden Datensatz wird eine Transaktionszeit und eine Gültigkeitszeit gespeichert Attribut-basierte Zeitstempelung: für einzelne Attribute eines Tupels wird eine eigene Zeitstempelung durchgeführt erfordert zusätzliche Entität im relationalen Modell für jedes attributbasiert zeitgestempelte Attribut Motivation Grundlagen Anwendungsszenario Realisierung Fazit 4/15
6 keine generelle Beschränkung auf Online-Shops wie identifiziert man Kunden in traditionellen Geschäften? Kundenkarten (wie z.b. Payback) Szenario: Bestellungen Transaktionsdaten Kunde Händler Kartenanbieter personalisiertes Angebot Analyseergebnisse Händler identifizieren Kunden anhand der Karten Kartenanbieter analysieren die Transaktionsdaten Händler erstellen aufgrund der Ergebnisse ein personalisiertes Angebot Motivation Grundlagen Anwendungsszenario Realisierung Fazit 5/15
7 konkretes Anwendungsszenario in der PG: ein Online-Shop; sammelt zusätzliche Daten über Weblogs ein klassischer Filial-Händler; sammelt Daten über Umfragen, Gewinnspiele ein Kartenanbieter; speichert Transaktions-, Produkt- und Kundendaten Analyseergebnisse Online-Shop Händler 1 Personalisierung Händler 2 Daten Analyseergebnisse aggregierte Daten Kartenanbieter Bibliothek Ergebnisse Analyseergebnisse Daten Analyseergebnisse Motivation Grundlagen Anwendungsszenario Realisierung Fazit 6/15
8 Drei Phasen der Projektgruppenarbeit: 0. Vorbereitendes Seminar: Teilnehmer erarbeiten grundlegende Themen zu KDD und temporalen Datenbanken 1. Aufsetzen des Anwendungsszenarios: Einteilung in drei Kleingruppen à vier Studierenden (WiWi+Inf) unabhängiger Entwurf der Datenbankschemata für die Händler und den Kartenanbieter 2. Realisierung der Bibliothek, des Personalisierungskonzeptes und des exemplarischen Online-Shops Motivation Grundlagen Anwendungsszenario Realisierung Fazit 7/15
9 1. Phase: Aufbau des Anwendungsszenarios: Verwendung des BCDM, um Daten temporal zu speichern sowohl tupel- als auch attribut-basierte Zeitstempelung Kartenanbieter: Vewaltung der verschiedenen Kartensysteme Verwaltung der Kunden, die Karten besitzen Verwaltung der mit Karten ausgeführten Transaktionen dynamische Attribute für Kunden und Produkte 48 Entitäten Händler 1 (Online-Shop): Produkthierarchie dynamische Attribute für Produkte 30 Entitäten Motivation Grundlagen Anwendungsszenario Realisierung Fazit 8/15
10 Händler 2 (klassischer Händler): Unterscheidung zwischen Kunden mit Karten und anonymen Kunden 16 Entitäten Generierung von Testdaten als Grundlage für die Analysen teilweise wenige, manuell angelegte Testdaten (z.b. Kartensysteme) Kunden, Produkte usw. mit zufalls-basierten Skripten erzeugt Millionen Transaktionen mit kalendarischem Muster durch tbasket ( yli/tbasket/) erzeugt Motivation Grundlagen Anwendungsszenario Realisierung Fazit 9/15
11 Datenbankschema des Kartenanbieters Motivation Grundlagen Anwendungsszenario Realisierung Fazit 10/15
12 Kunden Name KundenID: Integer tza: DATE Name: Varchar(255) Vorname: Varchar(255) tze: DATE gze: DATE gza: DATE Kunden Familienstand KundenID: Integer tza: DATE Familienstand: Integer tze: DATE gze: DATE gza: DATE Kunden KundenID: Integer Geburtsdatum: DATE Geschlecht: Smallint KStringAttribut KStringAttributID: Integer KundenID: Integer tza: DATE Wert: Varchar(255) tze: DATE gze: DATE gza: DATE KNumberAttribut KNumberAttributID: Integer KundenID: Integer tza: DATE Wert: Integer tze: DATE gze: DATE gza: DATE KundenAttribut KundenAttributID: Integer Name: Varchar(40) Beschreibung: Varchar(255) Einheit: Varchar(40) Typ: Varchar(10) Motivation Grundlagen Anwendungsszenario Realisierung Fazit 11/15
13 2. Phase: Realisierung der Bibliothek die Bibliothek soll das verteilte Analysieren ermöglichen keine Bindung an ein spezielles Datenschema daher Verwendung von Metadatenstandards zur Steuerung angedacht als Basis Waikato Environment for Knowledge Analysis (WEKA) ( + freie Java-Bibliothek (GPL) + bietet verschiedene Clusterer und Klassifikatoren + ein Algorithmus zum Erstellen von Assoziationsregeln (Apriori) + Filter ermöglichen es, Daten zu bereinigen arbeitet komplett im Hauptspeicher keine Beachtung von temporalen Informationen Motivation Grundlagen Anwendungsszenario Realisierung Fazit 12/15
14 WEKA ergänzen/erweitern um: metadaten-gesteuerte Schnittstelle Möglichkeiten, nicht komplett im Hauptspeicher zu arbeiten vor allem: Analysen auf temporalen Daten Veränderungen von Clustern/Klassen über die Zeit entdecken und darstellen Kalenderbasierte Assoziationsregeln finden ( vor Ostern werden zu Eiern mit einer Wahrscheinlichkeit von 50 % auch Eierfarben gekauft ) Motivation Grundlagen Anwendungsszenario Realisierung Fazit 13/15
15 Online-Shop zur Verifikation auf Basis der Datenbank des Online-Händlers rudimentäre Features baumartige Katalogstruktur darstellen Produktdetailseiten Warenkorb Bestellung Personalisierung auf den Detailseiten eines Produktes andere Produkte gemäß den Assoziationsregeln einblenden guten Kunden Sonderangebote unterbreiten Produkte innerhalb der Katalogstruktur gemäß den Präferenzen des Kunden hervorheben Motivation Grundlagen Anwendungsszenario Realisierung Fazit 14/15
16 Abgeschlossen sind: das Aufsetzen des Anwendungsszenarios die Planung der zweiten Projektphase Zwischenbericht ist kurz vor der Fertigstellung bis Oktober 2003 ist noch zu tun: Implementierung der Bibliothek Implementierung des Online-Shops Abschlußbericht Was haben wir bislang gelernt? Grundlagen KDD Grundlagen temporaler Datenbanken Teamarbeit ist mit viel Verwaltungsaufwand verbunden Motivation Grundlagen Anwendungsszenario Realisierung Fazit 15/15
Anforderungsdefinition Gesamtszenario
Carl von Ossietzky Universität Oldenburg Anforderungsdefinition Gesamtszenario Fachbereich Informatik Abteilung Informationssysteme Prof. Dr. Appelrath Projektgruppe Personalisierung internetbasierter
MehrData Mining auf Datenströmen Andreas M. Weiner
Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas
MehrErmittlung von Assoziationsregeln aus großen Datenmengen. Zielsetzung
Ermittlung von Assoziationsregeln aus großen Datenmengen Zielsetzung Entscheidungsträger verwenden heutzutage immer häufiger moderne Technologien zur Lösung betriebswirtschaftlicher Problemstellungen.
MehrData Mining im Einzelhandel Methoden und Werkzeuge
Fakultät Informatik Institut für Angewandte Informatik Professur Technische Informationssysteme Proseminar Technische Informationssysteme Data Mining im Einzelhandel Methoden und Werkzeuge Betreuer: Dipl.-Ing.
MehrWEKA A Machine Learning Interface for Data Mining
WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010
MehrDokumentation Händler 1
Dokumentation Händler 1 Tim Brüggemann, Michael Onken, Carsten Saathoff, Oliver Wien 16. Mai 2003 1 Inhaltsverzeichnis 1 Aufgabenbeschreibung 4 1.1 Kurze Beschreibung des Händlers......................
MehrZwischenbericht Teil A. Personalisierung internetbasierter Handelsszenarien
Zwischenbericht Teil A der Projektgruppe Personalisierung internetbasierter Handelsszenarien DATA IN KNOWLEDGE OUT Tim Brüggemann, Tina Goldau, Christian Lüpkes, Michael Onken, Matthias Pretzer, Christian
MehrApriori-Algorithmus zur Entdeckung von Assoziationsregeln
Apriori-Algorithmus zur Entdeckung von PG 42 Wissensmanagment Lehrstuhl für Künstliche Intelligenz 22. Oktober 21 Gliederung Motivation Formale Problemdarstellung Apriori-Algorithmus Beispiel Varianten
MehrData Mining-Modelle und -Algorithmen
Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,
MehrKnowledge Discovery. Lösungsblatt 1
Universität Kassel Fachbereich Mathematik/nformatik Fachgebiet Wissensverarbeitung Hertie-Stiftungslehrstuhl Wilhelmshöher Allee 73 34121 Kassel Email: hotho@cs.uni-kassel.de Tel.: ++49 561 804-6252 Dr.
MehrIntroduction to Data and Knowledge Engineering Übung 1: Entity Relationship Model
Introduction to Data and Knowledge Engineering Übung 1: Entity Relationship Model FB Informatik Datenbanken und Verteilte Systeme Arthur Herzog 1 Entity Relationship Model FB Informatik Datenbanken und
MehrData Mining mit RapidMiner
Motivation Data Mining mit RapidMiner CRISP: DM-Prozess besteht aus unterschiedlichen Teilaufgaben Datenvorverarbeitung spielt wichtige Rolle im DM-Prozess Systematische Evaluationen erfordern flexible
MehrSeminar 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?
MehrDr. 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
MehrKapitel 4: Data Mining
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Skript zur Vorlesung: Einführung in die Informatik: Systeme und Anwendungen Sommersemester 2017 Kapitel 4: Data Mining Vorlesung:
MehrDatenbanken und Informationssysteme
Datenbanken und Informationssysteme Lehrangebot Stefan Conrad Heinrich-Heine-Universität Düsseldorf Institut für Informatik April 2012 Stefan Conrad (HHU) Datenbanken und Informationssysteme April 2012
MehrKlausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten
Klausur Datenbanken Wintersemester 2011/2012 Prof. Dr. Wolfgang May 8. Februar 2012, 14-16 Uhr Bearbeitungszeit: 90 Minuten Vorname: Nachname: Matrikelnummer: Studiengang: Bei der Klausur sind keine Hilfsmittel
MehrFortgeschrittene Computerintensive Methoden: Assoziationsregeln Steffen Unkel Manuel Eugster, Bettina Grün, Friedrich Leisch, Matthias Schmid
Fortgeschrittene Computerintensive Methoden: Assoziationsregeln Steffen Unkel Manuel Eugster, Bettina Grün, Friedrich Leisch, Matthias Schmid Institut für Statistik LMU München Sommersemester 2013 Zielsetzung
MehrInformationssysteme. Prof. Dr. Hans Czap. Lehrstuhl für Wirtschaftsinformatik I. Lehrstuhl für Wirtschaftsinformatik I - II - 1 -
Vorlesung Grundlagen betrieblicher Informationssysteme Prof. Dr. Hans Czap Email: Hans.Czap@uni-trier.de - II - 1 - Inhalt Kap. 1 Ziele der Datenbanktheorie Kap. 2 Datenmodellierung und Datenbankentwurf
MehrDOAG BI Data-Mining in sozialen Online-Netzwerken
DOAG BI 2013 Data-Mining in sozialen Online-Netzwerken Bianca Vornamen Böckelmann, Name, 17. dd.mm.yyyy April 2013 Agenda Über Robotron Motivation Knowledge Discovery in Databases (KDD)-Prozess Oracle
MehrTemporale Datenintegration in Data-Warehouse-Systemen
Temporale Datenintegration in Data-Warehouse-Systemen Arne Harren 4. März 2005 BTW 2005 11. GI-Fachtagung für Datenbanksysteme in Business, Technologie und Web Karlsruhe, 2. - 4. März 2005 Datenintegration
MehrEndbericht der Projektgruppe. Personalisierung internetbasierter Handelsszenarien DATA IN KNOWLEDGE OUT
Endbericht der Projektgruppe Personalisierung internetbasierter Handelsszenarien DATA IN KNOWLEDGE OUT Tim Brüggemann, Tina Goldau, Christian Lüpkes, Michael Onken, Matthias Pretzer, Christian Reitenberger,
MehrWirtschaftsinformatik 2. Tutorium im WS 11/12
Wirtschaftsinformatik 2. Tutorium im WS 11/12 Entity/Relationship-Modell SQL Statements Tutorium Wirtschaftsinformatik WS 11/12 2.1 Datenmodellierung mit ERM (1) Datenmodellierung zur Erarbeitung des konzeptionellen
Mehr6.6 Vorlesung: Von OLAP zu Mining
6.6 Vorlesung: Von OLAP zu Mining Definition des Begriffs Data Mining. Wichtige Data Mining-Problemstellungen, Zusammenhang zu Data Warehousing,. OHO - 1 Definition Data Mining Menge von Techniken zum
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2009/2010 Musterlösung für das 13. Übungsblatt Aufgabe 1: Apriori Gegeben seien folgende Beobachtungen vom Kaufverhalten von Kunden: beer chips dip
MehrDBS5 Kap. 4. Data Mining
DBS5 Kap. 4 Data Mining Klassifikationen und Cluster-Bildung: Auffinden von Regeln zur Partitionierung von Daten in disjunkte Teilmengen (Anwendungsbeispiel: Risikoabschätzung) bzw. Herstellen von Gruppierungen
MehrDatenbanksysteme 2009
Datenbanksysteme 2009 Kapitel 17: Data Warehouse Oliver Vornberger Institut für Informatik Universität Osnabrück 1 OLTP versus OLAP OLTP (Online Transaction Processing) z.b. Flugreservierung, Handelsunternehmen
MehrPG-402 Wissensmanagement: Zeitreihen in Datenbanken
PG-402 Wissensmanagement: Zeitreihen in Datenbanken 07.05.2002 Klaus Unterstein 07.05.02 PG402 Wissensmanagement Zeitreihen in Datenbanken 1 Übersicht Zeitreihen Schritte bei der Zeitreihenanalyse Anwendungsfallbeispiel:
MehrErkennung Sequenzieller Muster Algorithmen und Anwendungen
Achim Eisele, Thema 1.4.3: Sequenzielle Muster 1 FernUniversität in Hagen Seminar 01912 im Sommersemester 2008 Erkennung Sequenzieller Muster Algorithmen und Anwendungen Thema 1.4.3: Sequenzielle Muster
MehrAutomatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:
02. Mai 2005 P R O J E C T C O N S U L T GmbH GmbH 1 Agenda Einführung Automatische Klassifikation Qualität Veränderung des Arbeitsumfeldes Ausblick GmbH 2 1 Einführung GmbH 3 Eine Herausforderung geordnete
MehrNoSQL Datenbanken EIN ÜBERBLICK ÜBER NICHT-RELATIONALE DATENBANKEN UND DEREN POTENTIALE IM ALLGEMEINEN UND IN DER INDUSTRIE
NoSQL Datenbanken EIN ÜBERBLICK ÜBER NICHT-RELATIONALE DATENBANKEN UND DEREN POTENTIALE IM ALLGEMEINEN UND IN DER INDUSTRIE Was bedeutet NoSQL? Ein Sammelbegriff für alternative Datenbanklösungen, die
MehrDatenbanksysteme: Entwurf
Wichtigste Themen hier: Datenbanksysteme: Entwurf DB Entwurf ist in der Regel eingebettet in ein größeres Projekt: siehe Informationssysteme Die Daten dienen einem Zweck und sind dennoch universell nutzbar:
MehrAssoziationsregeln & Sequenzielle Muster. A. Hinneburg, Web Data Mining MLU Halle-Wittenberg, SS 2007
Assoziationsregeln & Sequenzielle Muster 0 Übersicht Grundlagen für Assoziationsregeln Apriori Algorithmus Verschiedene Datenformate Finden von Assoziationsregeln mit mehren unteren Schranken für Unterstützung
MehrBusiness Analytics im E-Commerce
Business Analytics im E-Commerce Kunde, Kontext und sein Verhalten verstehen für personalisierte Kundenansprache Janusz Michalewicz CEO Über die Firma Crehler Erstellung von Onlineshops Analyse von Transaktionsdaten
MehrKontext-basierte Personalisierung von Web Services
Kontext-basierte Personalisierung von Web Services Markus Keidl, Stefan Seltzsam, Christof König und Alfons Kemper Universität Passau Fakultät für Mathematik und Informatik 94030 Passau @db.fmi.uni-passau.de
MehrMatthias-Claudius-Gymnasium Fachcurriculum Informatik
Klasse 8 (2-stündig) Grundlagen der Informatik Einführung in die Programmierung mit Scratch 10 Wochen Betriebssysteme - die Aufgaben eines Betriebssystems nennen. - Einstellungen des Betriebssystems in
MehrLernen von Assoziationsregeln
Lernen von Assoziationsregeln Gegeben: R eine Menge von Objekten, die binäre Werte haben t eine Transaktion, t! R r eine Menge von Transaktionen S min " [0,] die minimale Unterstützung, Conf min " [0,]
MehrDatenbankanwendungen werden oft über einen sehr langen Zeitraum (z.b. Jahrzehnte) eingesetzt
2. Datenbankentwurf Motivation Datenbankanwendungen werden oft über einen sehr langen Zeitraum (z.b. Jahrzehnte) eingesetzt Fehler sind umso teurer zu beheben, je weiter die Entwicklung bzw. der Einsatz
MehrFrequent Itemset Mining und FP-Tree
Übung 4 Frequent Itemset Mining und FP-Tree Frequent Itemset Mining Motivation: Es existiert eine Datenbank mit vielen Einträgen Man möchte wissen, welche Einträge oft zusammen vorkommen Frequent Itemset
MehrWirtschaftsinformatik 2
Wirtschaftsinformatik 2 Prof. Dr. Dr. L. Schmidt-Thieme MSc. André Busche Übung 2 1. Übungsblatt 2 2. Saalübung 02.05.12 2/ Aufgabe 2a (2 Punkte) Welche Vorteile bietet die Verwaltung von Daten in Datenbanken?
MehrGrundlagen der Programmentwurfstechnik Fundamentals of Software Engineering 1
Fundamentals of Software Engineering 1 Inhaltsverzeichnis 1. Einführung 2. Allgemeine Modellbildung - Klassische Konzepte des Software Engineering- 2.1 Das Kontextmodell 2.2 Entscheidungstabellen 2.3 Zustandsmodelle
MehrPräsentation der Bachelorarbeit
Präsentation der Bachelorarbeit Einrichtung einer BI-Referenzumgebung mit Oracle 11gR1 Jörg Bellan Hochschule Ulm Fakultät Informatik Institut für Betriebliche Informationssysteme 15. Oktober 2009 Agenda
MehrBusiness Intelligence
Hochschule Darmstadt Business Intelligence Fachbereich Informatik Praktikumsaufgabe 3 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 11.06.2007 Business Intelligence Aufgabenstellung 1.
MehrVisuelle Exploration und semantikbasierte Fusion multivariater Datenbestände
Visuelle Exploration und semantikbasierte Fusion multivariater Datenbestände Stefan Audersch, Guntram Flach, Tom Klipps Zentrum für Graphische Datenverarbeitung e.v., Rostock Joachim-Jungius-Str. 11, 18059
MehrDatenmodellierung VU Einführung SS 2016
184.685 Datenmodellierung VU Einführung SS 2016 Nysret Musliu, Sebastian Skritek Institut für Informationssysteme Technische Universität Wien Nysret Musliu, Sebastian Skritek Seite 1 1. Motivation Motivation
MehrSeminare/Praktika/ Projekte
Seminare/Praktika/ Projekte ANGEWANDTE INFORMATIK IV PROF.DR.-ING. STEFAN JABLONSKI TOPICS PROCESS MANAGEMENT AND DATA SCIENCE Processes In organisations many kinds of systems and people work together
MehrManagement 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
MehrSchlüssel bei temporalen Daten im relationalen Modell
Schlüssel bei temporalen Daten im relationalen Modell Gesine Mühle > Präsentation > Bilder zum Inhalt zurück weiter 322 Schlüssel im relationalen Modell Schlüssel bei temporalen Daten im relationalen Modell
MehrDatenbanken-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
MehrMotivation. 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
MehrEinführung in Data Mining anhand des Modells CRISP-DM
Einführung in Data Mining anhand des Modells CRISP-DM Seminarvortrag Linnea Passing Seminar, Scientific Programming, FH Aachen Stand: 11.01.2011 Rechen- und Kommunikationszentrum (RZ) Agenda Motivation
MehrMining the Web. Analyse von Benutzerpfaden und Nutzertypen im Internet. Business Unit CRM Solutions SAS Deutschland. Dr.
Mining the Web Analyse von Benutzerpfaden und Nutzertypen im Internet Dr. Frank Säuberlich Business Unit CRM Solutions SAS Deutschland Agenda 1. Einleitung: Der Lebenszyklus eines e-kunden Begriffsdefinition
Mehr1 Einleitung... 1. 2 Vorstellung der Fallstudie KnowBeer... 5
1 Einleitung... 1 2 Vorstellung der Fallstudie KnowBeer... 5 Teil I: Überblick Der Business Rules Ansatz 3 Ausgangslage... 11 3.1 Was ist das Problem?... 11 3.2 Motivation: Sinnvolle Unternehmen... 12
MehrEntwicklung eines E-Learning Topic-Map Rahmenwerks
Institut für Betriebssysteme und Rechnerverbund der TU Braunschweig Verteilte Systeme, Prof. Dr. Fischer Entwicklung eines Topic-Map Rahmenwerks Betreuer: Martin Gutbrod Bearbeitet von: Yichen Yu Gliederung
MehrDatenbanken. Seminararbeit. Einführung in das wissenschaftliche Arbeiten
Seminararbeit vorgelegt von: Gutachter: Studienbereich: Christian Lechner Dr. Georg Moser Informatik Datum: 6. Juni 2013 Inhaltsverzeichnis Inhaltsverzeichnis 1 Einführung in Datenbanken 1 1.1 Motivation....................................
MehrDatenmodelle und Datenbanken 2
Datenmodelle und Datenbanken 2 Prof. N. Fuhr Institut für Informatik und Interaktive Systeme Arbeitsgruppe Informationssysteme 24. Februar 2005 Hinweise zur Bearbeitung Die Zeit läuft erst, wenn Sie alle
MehrData-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
MehrData Mining Standards am Beispiel von PMML. Data Mining Standards am Beispiel von PMML
Data Mining Standards am Beispiel von PMML Allgemeine Definitionen im Data Mining Data Mining (DM) Ein Prozess, um interessante neue Muster, Korrelationen und Trends in großen Datenbeständen zu entdecken,
MehrData 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
MehrWeb Data Management Systeme
Web Data Management Systeme Seminar: Web-Qualitätsmanagement Arne Frenkel Agenda Einführung Suchsysteme Suchmaschinen & Meta-Suchmaschinen W3QS WebSQL WebLog Information Integration Systems Ariadne TSIMMIS
MehrEndbericht der Projektgruppe. Personalisierung internetbasierter Handelsszenarien
Endbericht der Projektgruppe Personalisierung internetbasierter Handelsszenarien DATA IN KNOWLEDGE OUT Tim Brüggemann, Tina Goldau, Christian Lüpkes, Michael Onken, Matthias Pretzer, Christian Reitenberger,
MehrSL PROVISOR Automation in der Qualitätssicherung sinnvoll erhöhen
SL PROVISOR Automation in der Qualitätssicherung sinnvoll erhöhen Christian Langmann langmann@softwareloft.de Stefan Kohrs kohrs@softwareloft.de Oktober 2013 SoftwareLoft IT-Solutions GmbH gegründet 2004
MehrKlassifikation von Integrationskonflikten
Klassifikation von Integrationskonflikten Christiane Telöken 1 Inhaltsverzeichnis 1. Was bedeutet Integration? 2. Strukturelle Heterogenitätskonflikte 2.1 Konflikte bei bilateralen Korrespondenzen 2.2
MehrDokument Klassifikation. Thomas Uhrig: Data-Mining SS10
Agenda: 1: Klassifizierung allgemein 2: der naive Bayes-Klassifizierer 3: Beispiel 4: Probleme 5: Fazit 6: Quellen 1: Klassifizierung allgemein: 1: Klassifizierung allgemein: - Einordnung von Objekten
MehrHands-on-Workshop Datenmodellierung mit dem neuen Innovator for Database Architects. MID Insight Nürnberg,
Hands-on-Workshop Datenmodellierung mit dem neuen Innovator for Database Architects MID Insight 2010 - Nürnberg, 09.11.2010 I N H A L T 1. Konzeptionelle ER-Modellierung 2. Das Datenbankschema entsteht
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 18. Januar 2006 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
MehrData 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
MehrData 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
MehrDatenbanken Datenbanken 1 Belegnummer Belegnummer
Datenbanken Datenbanken 1 Belegnummer 30.7302 Belegnummer 30.7312 Blockkurs 31.08. 11.09.2015 Wintersemester 2015/16 (Bachelor) Materialien zur Vorlesung Michael Roth Inge Hochschule Darmstadt Fachbereich
MehrCommon Warehouse Metamodel und Imperfektion
Common Warehouse Metamodel und Imperfektion Christoph Goebel Imperfektion und erweiterte Konzepte im Data Warehousing 2 Fragestellungen Welche Bedeutung haben Metadaten in der Information Supply Chain
MehrDatenbanken und Informationssysteme Sommersemester 2012 Probeklausur
Datenbanken und Informationssysteme Sommersemester 2012 Probeklausur 1 Konzeptuelle Modellierung (12 Punkte) Die folgende Beschreibung skizziert ein Informationssystem zur Verwaltung von Musikern: Jeder
MehrBERUFSPRAKTIKUM UND -VORBEREITUNG
Department für Geographie Marco Brey BERUFSPRAKTIKUM UND -VORBEREITUNG Crashkurs IT-Methoden ein anwendungsorientierter Einstieg in Datenbanksysteme, Programmierung und fortgeschrittene Excel-Funktionen
MehrInformations-, Daten- und Wissensmanagement
Informations-, Daten- und Wissensmanagement Lesen Sie den Artikel Schürfen in der Datenhalde und beantworten Sie folgende Fragen: Was ist Wissensmanagement? Forschungsgebiet / Managementthema, das sich
MehrSQL Tutorial. SQL - Tutorial SS 06. Hubert Baumgartner. INSO - Industrial Software
SQL Tutorial SQL - Tutorial SS 06 Hubert Baumgartner INSO - Industrial Software Institut für Rechnergestützte Automation Fakultät für Informatik Technische Universität Wien Inhalt des Tutorials 1 2 3 4
MehrKonzeptionelle Modellierung von XML-Dokumenttypen
Konzeptionelle Modellierung von XML-Dokumenttypen Rainer Eckstein Institut für Informatik LFE DBIS Humboldt-Universität zu Berlin Rainer Eckstein 1 Konzeptionelle Modellierung von XML: XML (extensible
MehrData 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
MehrMaschinelles Lernen: Symbolische Ansätze
Semestralklausur zur Vorlesung Maschinelles Lernen: Symbolische Ansätze Prof. J. Fürnkranz / Dr. G. Grieser Technische Universität Darmstadt Wintersemester 2005/06 Termin: 23. 2. 2006 Name: Vorname: Matrikelnummer:
MehrKapitel 17: Date Warehouse
Kapitel 17: Date Warehouse 1 OLTP versus OLAP OLTP (Online Transaction Processing) z.b. Flugreservierung, Handelsunternehmen kleine, kurze Transaktionen jeweils auf jüngstem Zustand OLAP (Online Analytical
MehrVisualisierung der Imperfektion in multidimensionalen Daten
Visualisierung der Imperfektion in multidimensionalen Daten Horst Fortner Imperfektion und erweiterte Konzepte im Data Warehousing Betreuer: Heiko Schepperle 2 Begriffe (1) Visualisierung [Wikipedia] abstrakte
MehrAbschluss Einblick und Ausblick
Abschluss Einblick und Ausblick Prof. Dr. T. Kudraß 1 Benutzer Komponenten eines DBMS (Überblick) I/O-Prozessor Output-Generierung Parser für selbst. oder eingebettete Kommandos Precompiler Autorisierungs-Kontrolle
MehrPraktikum Datenbanken und verteilte Systeme SS Einführung August 2008
Praktikum Datenbanken und verteilte Systeme SS 2007 - Einführung - 18. August 2008 Verteilte Systeme und Informationssysteme (VSIS) Department Informatik Universität Hamburg VSIS Arbeitsbereich VSIS: Verteilte
MehrSeminar Informationsintegration und Informationsqualität. Dragan Sunjka. 30. Juni 2006
Seminar Informationsintegration und Informationsqualität TU Kaiserslautern 30. Juni 2006 Gliederung Autonomie Verteilung führt zu Autonomie... Intra-Organisation: historisch Inter-Organisation: Internet
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrInformatik II Datenorganisation Datenbanken
Informatik II Datenorganisation Datenbanken Studiengang Wirtschaftsingenieurwesen (2. Semester) Prof. Dr. Sabine Kühn Tel. (0351) 462 2490 Fachbereich Informatik/Mathematik skuehn@informatik.htw-dresden.de
MehrKapitel 1: Einleitung
Ludwig Maximilians Universität München Institut für Informatik Lehr- und Forschungseinheit für Datenbanksysteme Skript zur Vorlesung Knowledge Discovery in Databases im Wintersemester 2003/2004 Kapitel
MehrTransAction Allianz 2.0
Quality Address Bestes Timing für Ihr Mailing TransAction Allianz 2.0 Stand Januar 2016 Adresse Prime Data AG Badenerstr. 13 CH-5200 Brugg www.primedata.ch Kontakt Tel. 056 544 52 00 contact@primedata.ch
MehrPräsentation zur Diplomprüfung. Thema der Diplomarbeit:
Präsentation zur Diplomprüfung Thema der Diplomarbeit: Analyse der Einsatzmöglichkeiten von Data Mining- Verfahren innerhalb einer Unternehmens - Balanced Scorecard und Entwicklung eines Empfehlungskatalogs.
MehrAnwendungen des Data Mining in der Praxis. Seminarvortrag von Holger Dürr
Anwendungen des Data Mining in der Praxis Seminarvortrag von Holger Dürr Seminar Data Mining Wintersemester 2003/20042004 Professor Dr. Schweigert - Universität Ulm Themenübersicht Data Mining - Kleine
MehrKapitel 11: Association Rules
Kapitel 11: Association Association Einleitung Association : Eine wichtige Art von Mustern, an der man im Data-Mining Kontext interessiert ist. Muster mit einfacher Struktur. Ziel im folgenden: Finden
MehrPreisdynamik im Kaufverhalten - Regularitäten, Formen und Verhaltensmuster im Bereich der Fast Moving Consumer Goods
Preisdynamik im Kaufverhalten - Regularitäten, Formen und Verhaltensmuster im Bereich der Fast Moving Consumer Goods von Constance Scheffler Wissenschaftliche Gesellschaft für Innovatives Marketing e.v.
MehrPredictive Modeling Markup Language. Thomas Morandell
Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML
MehrDatenanalyse mit Data Mining
Datenanalyse mit Data Mining von Jan-Christoph Meier Hamburg, 19.01.2012 1 Ablauf Motivation Speicherung der Daten für das Data Mining Data Mining Algorithmen Ausblick auf die Masterarbeit Konferenzen
MehrUniversität Augsburg, Institut für Informatik WS 2009/2010 Prof. Dr. W. Kießling 06. Nov Dr. A. Huhn, F. Wenzel, M. Endres Lösungsblatt 2
Universität Augsburg, Institut für Informatik WS 2009/2010 Prof. Dr. W. Kießling 06. Nov. 2009 Dr. A. Huhn, F. Wenzel, M. Endres Lösungsblatt 2 Aufgabe 1: ER-Modellierung 1. Siehe Unterstreichungen in
MehrSoftwareentwicklungsumgebungen
Softwareentwicklungsumgebungen Pit Pietsch Dipl.-Wirt.-Inform. Universität Siegen Fachgruppe Praktische Informatik Themen 1. SEU / Eclipse 2. Emf Ecore & Model Driven Engineering 3. Model-Repositories
MehrTemporale Daten in objekt-relationalen Datenbanksystemen
Temporale Daten in objekt-relationalen Datenbanksystemen Carsten Kleiner Universität Hannover Institut für Informatik FG Datenbanken und Informationssysteme (dbis) 30159 Hannover 13.Workshop Grundlagen
MehrRelationale Datenbanken Datenbankgrundlagen
Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern
MehrNormalisierung Szenario [nach Zehnder; Informationssysteme und Datenbanken. Teubner, 1989]
Informatik Normalisierung / ERM 1 Normalisierung Szenario [nach Zehnder; Informationssysteme und Datenbanken. Teubner, 1989] Die Firma EDV-Soft beschäftigt die Personen Müller, Meyer, Schultze, Schmidt.
MehrHochschule Darmstadt Data Warehouse SS 2015 Fachbereich Informatik Praktikumsversuch 5
Hochschule Darmstadt Data Warehouse SS 2015 Fachbereich Informatik Praktikumsversuch 5 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 25.06.2015 1. Kurzbeschreibung Dieses Praktikum
MehrAnalyse von Transaktionsdaten im Online-Ticketing mit Data-Mining-Methoden
1 Analyse von Transaktionsdaten im Online-Ticketing mit Data-Mining-Methoden Marten Pfannenschmidt, Freie Universität Berlin Prof. Dr. Jan Fabian Ehmke, Europa-Universität Viadrina Frank Schreier, Berliner
Mehr