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/