Promotoren des Data Mining im betrieblichen Umfeld

Transkript

1 Gliederung MSS. Einführung in die Management Support Systeme (MSS) 2. Data Warehouse als Basis-Konzept aktueller MSS 3. Business Intelligence (BI) als Weiterführung des DW-Ansatzes 4. XML und BI 5. Grundlagen des Data Mining. Grundlagen zum Konzept des Data Mining 2. Klassische Data Mining-Verfahren im Überblick 6. Zusammenfassung und Ausblick Folie 246 Promotoren des Data Mining im betrieblichen Umfeld Neue Informationstechnologien Wachstum der Datenbestände Daten als Kapital Bedarf nach weitgehend automatischer Informations- und Wissensgenerierung auf Basis der angesammelten Daten in der Unternehmung Unzufriedenheit mit vorhandenen Auswertungsmethoden Folie Grundlagen zum Konzept des Data Mining Zunehmende Umweltkomplexität Verschärfter Wettbewerbsdruck

2 Definitionsansätze zum Data Mining... Prozess, der aus einer Datenmenge implizit vorhandene, aber bisher unentdeckte, nützliche Informationen extrahiert. (Mertens et al. (994), S. 74.) allgemein verwendbare, effiziente Methoden, die autonom aus großen Datenmengen die bedeutsamsten und aussagekräftigsten Muster identifizieren und sie dem Anwender als interessantes Wissen präsentieren. (Hagedorn/Bissantz/Mertens (997), S. 6.) software-gestützte Ermittlung bisher unbekannter Zusammenhänge, Muster und Trends aus dem Datenbestand sehr großer Datenbanken beziehungsweise des Data Warehouse. (Hansen/Neumann (25), S. 822.) 5. Grundlagen zum Konzept des Data Mining Knowledge Discovery in Databases (KDD) als interdisziplinäres Forschungsgebiet Databases Expert Systems KDD Machine Learning Statistics Visualization Folie Grundlagen zum Konzept des Data Mining

3 Methodenorientierte Sichtweise des Data Mining Data Mining als Phase im KDD-Prozess Transformation Datenmustererkennung Data Mining Muster Auswahl Datenbank Vorverarbeitung Ziel Daten Transformierte Daten Vorverarbeitete Daten Wissen Folie Grundlagen zum Konzept des Data Mining Prozessorientierte Sichtweise des Data Mining Data Mining = KDD-Prozess Transformation Datenmustererkennung Data Mining i. e. S. Muster Auswahl Datenbank Vorverarbeitung Ziel Daten Transformierte Daten Vorverarbeitete Daten Wissen Interpretation Interpretation Folie Grundlagen zum Konzept des Data Mining

4 Cross Industry Standard Process for Data Mining (CRISP-DM) als populäres Phasenmodell [Chapman et al. (2, S. 3)] Folie Grundlagen zum Konzept des Data Mining Aufwand beim Data Mining bzw. KDD-Prozess Aufgabe der Analyse Analyse- daten Muster Data Mining Wissen Zielsetzung und Aufgabenstellung Datenvorbereitung Ergebnisinterpretation Ergeb nisse Prozessphasen Zeitaufwand (in %) Folie Grundlagen zum Konzept des Data Mining

5 Abgrenzung DM und OLAP Kundenakquise Cross-Selling Customer Lifetime Value Online Analytical Processing Wie war die Responsequote unseres Mailings? Wie viele Einheiten unseres neuen Produktes haben wir an unsere bestehenden Kunden verkauft? Wer waren letztes Jahr unsere besten Kunden? Data Mining Wie ist das Profil der Leute, die auf unsere zukünftigen Mailings am wahrscheinlichsten antworten werden? Welche unserer bestehenden Kunden werden am wahrscheinlichsten unser neues Produkt kaufen? Welche Kunden bieten uns das größte Umsatzpotenzial? Forecasting Wieviel Umsatz haben wir in jedem Vertriebsgebiet im letzten Quartal erwirtschaftet? 5. Grundlagen zum Konzept des Data Mining Folie 254 Wie ist der erwartete Umsatz in jedem Vertriebsgebiet im nächsten Quartal? Einordnung der Anwendungsbereiche des DM zu den Methodenklassen Anwendungsbereich Inhalt Beispiel für mathematisch- statistische Verfahren Kategorisierung (Clusterung) Klassifikation Prognose Assoziation Vgl. Bankhofer (25), S Folie Grundlagen zum Konzept des Data Mining Bildung von Klassen aufgrund Ähnlichkeiten der Objekte Ermittlung der Klassenzugehörigkeit von Objekten auf der Basis gegebener Merkmale Vorhersage der Werte einer abhängigen Variablen auf Basis einer funktionalen Beziehung Aufdeckung von inhaltlichen oder zeitlichen strukturellen Zusammenhängen Hierarchisch agglomerative und partitionierende Clusteranalyse (z. B. K-Means) KNN Diskriminanzanalyse KNN Entscheidungsbäume Regressionsanalyse KNN Entscheidungsbäume. Assoziationsanalyse

6 Betriebliche Anwendungen des Data Mining im Überblick Marketing Controlling - Kundensegmentierung (Löbler, Petersohn, 2; Poloni, Nelke, 2) - Responseanalyse von Werbemitteln (Ittner et al., 2; Bissantz, 2) - Warenkorbanalyse (Michels, 2; Schnedlitz et al., 2) - Ergebnisabweichungsanalyse (Top-Down-Ansatz) (Hagedorn, 996; Mertens et al., 997) - Entdecken von Controlling-Mustern (Bottom-Up-Ansatz) (Bissantz, 996; Mertens et al., 997) - Storno- / Kündigungsanalyse (Wittmann, Ruhland, 2) Beschaffung / Produktion - Materialbedarfsplanung (Bracht, Holtze, 999) - Qualitätssicherung und -kontrolle (Wirth, Reinhartz, 996) Finanzdienstleistungen - Kreditrisikobewertung (Hippner, Rupp, 2; Schierreich, 2) - Kreditkartenmissbrauch (Chan, Stoifo, 998; Hepp, 996) - Bildung von Versicherungsrisikoklassen (Kornmann, 996) Folie Grundlagen zum Konzept des Data Mining Gliederung MSS. Einführung in die Management Support Systeme (MSS) 2. Data Warehouse als Basis-Konzept aktueller MSS 3. Business Intelligence (BI) als Weiterführung des DW-Ansatzes 4. XML und BI 5. Grundlagen des Data Mining. Grundlagen zum Konzept des Data Mining 2. Klassische Data Mining-Verfahren im Überblick 6. Zusammenfassung und Ausblick Folie 257

7 Künstliche Neuronale Netze (KNN) KNN sind Funktionsweise des menschlichen Gehirns nachempfunden Durch sehr viele Wiederholungen / Datendurchläufe werden bestehende Strukturen gelernt Geeignet zur Abbildung nicht-linearer Zusammenhänge 2 Arten: Supervised learning Ergebnisse sind bekannt Algorithmus passt Gewichte innerhalb des Netzes an Unsupervised learning Ziel: Ermittlung unerkannter Gruppierungsmöglichkeiten keine Kenntnis über die Gruppenzugehörigkeit eines Falls Kritik: KNN als Black Box Folie 258 Funktionsweise eines KNN x Eingangsinformationen x j = unabhängige Variablen w i Ausgabe der Unit Output t o i x j w ij m net i = w ij x j a i = f akt (net i ) o i = f out (a i ) j= y w im x m Folie 259 Verbindungsgewichte w ij, geben an, mit welcher Stärke die i-te Unit von der j-ten Signale empfängt Bildung des Nettoeingangssignals Bildung des Outputs Bildung des Aktivitätsniveaus

8 Netzstrukturen Folie 26 Entscheidungsbaumverfahren Ziel: Erzeugung eines Modells, durch welches unbekannte Datenobjekte bestimmten t vorgegebenen Klassen zugeordnet werden können Zuordnung geschieht anhand von Regeln (Darstellung über Klassifikationsbäume) Beispiel: Einteilung von Datensätzen, die Angaben über Kunden enthalten, so dass damit die Käufergruppe erkannt werden kann, in die der Kunde voraussichtlich gehört Voraussetzung: Datenbestand bei dem für jeden Datensatz die zugehörige Klasse bekannt ist. Folie 26

9 Funktionsweise Gesamtdatenbestand wird in eine Trainingsmenge und eine Testmenge aufgeteilt Dann sukzessive Aufteilung der Trainingsmenge, so dass sich daraus homogenere Gruppen von Datensätzen bezüglich der Klassifikationsvariablen ergeben Die Aufteilung der Datenmengen kann durch einen Baum dargestellt werden, in dem jeder Knoten eine Datenmenge indiziert, dem ein Homogenitätsmaß zugeordnet wird Erreicht dieses Homogenitätsmaß einen vorgegebenen Wert, so wird der Knoten einer bestimmten Klasse zugeordnet. Folie 262 Beispiel eines Entscheidungsbaums Datensätze Gesamt: Datensätze Klasse X: 3 Datensätze Klasse Y: 7 Attribut A: erfüllt nicht Bedingung K Attribut A: erfüllt Bedingung K Datensätze Gesamt: 6 Datensätze Klasse X: 28 Datensätze Klasse Y: 32 Datensätze Gesamt: 4 Datensätze Klasse X: 2 Datensätze Klasse Y: 38 Attribut B: erfüllt Bedingung K 2 Attribut B: erfüllt nicht Bedingung K 2 Datensätze Gesamt: 3 Datensätze Klasse X: 3 Datensätze Klasse Y: 27 Datensätze Gesamt: 3 Datensätze Klasse X: 26 Datensätze Klasse Y: 4 Folie 263

10 Clusterverfahren Ziel: Bestimmung der Klassenzugehörigkeit von Objekten Datenobjekte innerhalb einer Klasse hohe Ähnlichkeit Vorgehensweise:. Auswahl eines Proximitätsmaßes 2. Anwendung eines Fusionierungsalgorithmus 3. Bestimmung der Clusterzahl Klassischer Anwendungsbereich: Marktsegmentierung Folie 264 Arten von Clusteranalysen Clusterverfahren Hierarchische Clusterverfahren Partitionierende Clusterverfahren Agglomerative Methoden Divisive Methoden Folie 265

11 Arten einer Assoziationsanalyse "Welche Attribute im Datenbestand hängen zusammen?" "Parallele" Assoziation Zwei Artikel werden gleichzeitig gekauft ("Windeln und Bier") Sequentielle Assoziation Tätigkeiten werden nacheinander ausgeführt ("Betrugsfälle") Folie 266 Support und Confidence Regel: Wenn A dann auch B Zwei Maße werden berechnet:. Support Factor: = Anzahl der Transaktionen, in denen A und B vorkommen / Anzahl aller Transaktionen 2. Confidence Factor: = Anzahl der Transaktionen, in denen A und B vorkommen / Anzahl der Transaktionen mit A - berechne alle Attributkombinationen mit Support > x % - analysiere die Konfidenz der gefundenen Regeln Folie 267

12 Warenkorbanalyse als klassisches Abwendungsbeispiel Nudeln Regelrumpf Wein Regelkopf Transaktionen gesamt:.. Nudeln: 2. Wein: 5. Nudeln und Wein: 3. Alle Transaktionen Nudeln Wein Alle Transaktionen Alle Transaktionen (%) Nudeln (%) Wein Nudeln Wein 5% Confidence Folie 268 3% Support Berechnung des Support-Werts () Beispiel Kassenbonanalyse Kauf A Artikel B C D E Support (A; B) = 2/5 Folie 269

13 Berechnung des Support-Werts (2) Beispiel Kassenbonanalyse Artikel A B C D E Kauf Support (A; B) = 2/5 Support (B; C) = 3/5 Folie 27 Berechnung des Support- und des Confidence-Werts Beispiel Kassenbonanalyse Kauf A Artikel B C D E Regel: In 66 % der Fälle, in denen A gekauft wird, wird auch B gekauft. Dieses kommt in 4 % der Transaktionen vor Support (A; B) = 2/5 Support (B; C) = 3/5 Confidence (A; B) = 2/3 Confidence (B; C) = 3/4 Folie 27

14 Literaturquellen Bankhofer, U. (24): Data Mining und seine betriebswirtschaftliche Relevanz, in: Betriebswirtschaftliche Forschung und Praxis (BFuP), 56. Jg., Heft 4, 24, S Beekmann, F.; Stock, S.; Chamoni, P. (23): Anwendungsmöglichkeiten der Assoziationsanalyse, in: Das Wirtschaftsstudium (Wisu), 32. Jg., Heft 2, 23, S Crone, S. V. (23): Künstliche neuronale Netze zur betrieblichen Entscheidungsunterstützung, in: Das Wirtschaftsstudium (Wisu), 32. Jg., Heft 4, 23, S Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K. (2): Handbuch Data Mining im Marketing: Knowledge Discovery in Marketing Databases, Braunschweig/Wiesbaden 2. Folie 272