Informationssysteme. Prof. Dr. Hans Czap. Lehrstuhl für Wirtschaftsinformatik I. Lehrstuhl für Wirtschaftsinformatik I - II - 1 -

Transkript

1 Vorlesung Grundlagen betrieblicher Informationssysteme Prof. Dr. Hans Czap - II - 1 -

2 Inhalt Kap. 1 Ziele der Datenbanktheorie Kap. 2 Datenmodellierung und Datenbankentwurf Kap. 3 Datenbankarchitektur kt Kap. 4 Die Datenbanksprache SQL Kap. 5 Konzepte für Objektorientierte Datenbanken Kap. 6 Objektrelationale Datenbanken Kap. 7 Datenbankentwurf: Funktionale Abhängigkeiten gg und Normalisierung Kap. 8 Datenintegrität Sperrprotokolle Recovery Kap. 9 Data-Warehouse-Konzept Kap. 10 Data Mining und Knowledge Discovery - II - 2 -

3 Data-Mining und Knowledge Discovery Aufgaben des Data Mining Identifizierung von Beziehungsmustern (Regelmäßigkeiten oder auch Auffälligkeiten) der Daten einer Datensammlung (Abweichungsentdeckung) Aufzeigen der logischen bzw. funktionalen Beziehungszusammenhänge: Ziel ist es, neue Zusammenhänge bzw. Zusammenhangsmuster (Pattern-Analyse) zu entdecken. Konkret ist dabei an Assoziationen bzw. der Analyse von Sequenzen zu denken (Abhängigkeitsentdeckung, Regression) ) Klassifikation und Clusterbildung von Daten mit dem Ziel Risiko-Faktoren zu entdecken bzw. Erfolgsgruppen (z.b. für Marketing-Aktivitäten) zu identifizieren bzw. zu selektieren. Typisches Anwendungsbeispiel: Klassifikation von Konsumenten, die um einen Kredit nachsuchen, in Risikogruppen. Klassifikation = Einteilung in vorgegebene Klassen Clusterbildung = Einteilung aufgrund von Merkmalsausprägungen nach Ähnlichkeit bzw. Unähnlichkeit. Anzahl Klassen ist nicht vorgegeben. Knowledge Discovery in Datenbanken (KDD) KDD wird zum Teil als Oberbegriff des Data-Mining gesehen, zum Teil als äquivalent. Es wird also in der Literatur nicht scharf zwischen KDD und Data- Mining ggetrennt. Soweit KDD als Oberbegriff gesehen wird, wird das Data_Mining als Hilfsmittel bzw. Methode für KDD betrachtet. - II - 3 -

4 Warenkorbanalyse (Beispiel) Abhängigkeitsentdeckung WK# Kunden# Datum Artikel# Bezeichnung E-Preis Menge Füller Tinte Heft Seife Füller Tinte Heft Füller Heft Füller Tinte Seife II - 4 -

5 Warenkorbanalyse Vermutete Assoziation Wenn ein Füller gekauft wird, dann wird auch Tinte gekauft: Füller Tinte Hier: Betrachtungseinheit (BE) = Warenkorb, Items der Regel = Füller, Tinte Definitionen Support (einer Regel) = # BE, die alle Items der Regel enthalten # aller in der Tabelle vorkommenden BE Confidence(einer Regel) = # BE, die alle Items der Regel enthalten # BE, die die Items des Voraussetzungsteils enthalten Folglich gilt für obige Regel: Support = ¾, Confidence = ¾. - II - 5 -

6 Algorithmische Bestimmung von Regeln Zur algorithmischen Bestimmung von Regeln sucht man zunächst nach Mengen von Items mit einem Support > s 0, s 0 vorgegebener Schwellenwert. Anschließend bildet man geeignete Teilmengen der Items LS und RS ( LS = left side, RS = right side) und bestimmt die Confidence der Regel LS RS. Es werden nur die Regeln akzeptiert, die eine Confidence > c 0, c 0 vorgegebener Minimalwert, haben. - II - 6 -

7 Algorithmus M I = Menge häufiger Item-Mengen, Zu Beginn gilt M I =. Teste für jedes Item I (genauer für jede ein-elementige Item-Menge I 1 ), ob I häufig ist, d.h. in mehr als s 0 BE (Warenkörben) vorkommt. Falls ja, M I := M I +{I} {I}, d.h. dh nimmiinm in I auf. k sei Indikator für die größten in M I vorkommenden Item-Mengen. Zunächst gilt k:=1. Für jede Item-Menge I k in M I mit k Elementen: Bilde sukzessive alle (k+1)-elementigen Obermengen I k +1 I k und prüfe auf Häufigkeit Falls I k+1 häufig ist, nimm I k+1 in M I auf: M I := M I + {I k +1} Erhöhe k, k:=k+1. Wenn dieser Algorithmus mit den Werten s 0 = 0,7 und c 0 = 0,8 auf obiges Beispiel angewendet wird, erhält man folgende Mengen: k=1, M I = {{Füller},{Tinte},{Heft}} k=2, M I = {{Füller, Tinte },{Füller, Heft}} Die dreielementige Menge {Füller, Tinte, Heft} wird getestet und als nicht häufig verworfen. Die potentiellen Regeln lauten damit: Füller Tinte, Tinte Füller, Füller Heft und Heft Füller. Sie sind auf Confidence > 0,8 zu überprüfen. Damit verbleiben die Regeln Tinte Füller und Heft Füller. - II - 7 -