Data Mining

Methoden und Algorithmen intelligenter Datenanalyse

Author: Thomas A. Runkler

Publisher: Springer-Verlag

ISBN: 3834893536

Category: Computers

Page: 165

View: 2585

DOWNLOAD NOW »

Dieses Buch behandelt die wichtigsten Methoden zur Erkennung und Extraktion von „Wissen“ aus numerischen und nichtnumerischen Datenbanken in Technik und Wirtschaft. Es vermittelt einen kompakten, fundierten Überblick über die verschiedenen Methoden sowie deren Motivation und versetzt den Leser in die Lage, Data Mining selbst praktisch einzusetzen.

Data Mining

Modellierung und Durchführung ausgewählter Fallstudien mit dem SAS Enterprise Miner

Author: Christian Gottermeier

Publisher: diplom.de

ISBN: 3832472177

Category: Computers

Page: 127

View: 4222

DOWNLOAD NOW »

Inhaltsangabe:Einleitung: Entscheidungen sind ein Akt des menschlichen Verhaltens, bei denen eine Festlegung für eine unter mehreren Möglichkeiten stattfindet. Da bei diesen Handlungen die Berufung auf Traditionen oder Autoritäten oftmals nicht möglich ist, wurde schon früh auf verschiedenste Hilfsmittel zurückgegriffen. So ließ sich Julius Cäsar von einem Würfelergebnis leiten, General Wallenstein von einem Astrologen beraten oder es wurden Prognosen mit Hilfe von Glaskugeln, Spielkarten oder dem Stand der Sterne getroffen. Unter wirtschaftlichen Gesichtspunkten sind Entscheidungen eine rationale Wahl zwischen mehreren Möglichkeiten, wobei der Entscheidungsprozess als tragendes Element der ökonomischen Tätigkeit herausgestellt wird. Gerade in diesem Umfeld wird die Entscheidungsfindung nun allerdings wissenschaftlich fundiert und mit weitreichenden Konsequenzen durch folgende Verfahren unterstützt: Analysemethoden wie Benchmarking, Lebenszyklus- oder Erfahrungskurvenkonzept und Prognoseverfahren wie die Delphi-Methode oder die Szenario-Technik. Allerdings sind die meisten dieser Verfahren i.d.R. auf spezielle Problemstellungen ausgerichtet. Ganzheitliche Lösungsansätze werden seit den 60er Jahren zur Unterstützung des Managements bereitgestellt. Mit Hilfe von Informationssystemen soll die Entscheidungsfindung verbessert werden. Häufig wechselnde Schlagworte wie z.B. Management Information System (MIS) oder Decision Support System (DSS) konnten allerdings noch keine durchschlagenden Erfolge erzielen. Seit Mitte der 90er Jahre wurden mit neuen konzeptionellen Ansätzen, die meist unter dem Oberbegriff Business Intelligence zusammengefasst werden, erfolgsversprechende Lösungen zum Aufbau entscheidungsorientierter Informationssysteme (EIS) etabliert. EIS setzen sich dabei aus Werkzeugen zur Selektion und Speicherung entscheidungsrelevanter Informationen (Data Warehouse) sowie zur entscheidungsunterstützenden Modellierung (OLAP-Tools) zusammen. Eine konsequente Umsetzung des Data Warehouse Gedanken führt zu immensen Datensammlungen, die, um die Archivierung nicht zum Selbstzweck werden zu lassen, dann auch ausgewertet werden sollen. An dieser Stelle setzt Data Mining an. In Kapitel 2 werden die Grundzüge des Data Mining dargestellt, eine Verbindung zu Data Warehouse und OLAP gezogen und die Einsatzgebiete skizziert, in denen sich Data Mining durchgesetzt hat. In Kapitel 3 wird der erste wichtige Schritt, der vor der eigentlichen Modellierung [...]

Data Mining

Verfahren, Prozesse, Anwendungsarchitektur

Author: Helge Petersohn

Publisher: Oldenbourg Verlag

ISBN: 9783486577150

Category:

Page: 330

View: 9486

DOWNLOAD NOW »

In vielen, insbesondere in grosseren Unternehmen entstehen in kurzen Zeitraumen Terabyte von Daten. Diese umfangreichen Datenbestande beinhalten wertvolle Informationen fur Entscheider und erfordern die Anwendung von anspruchsvollen mathematisch-statistischen Verfahren zur Datenanalyse. In diesem Buch wird eine Anwendungsarchitektur fur Data Mining entwickelt. Ein wesentlicher Beitrag besteht in der systematischen Aufarbeitung von Data Mining-Verfahren und deren anwendungsbezogene Einordnung in die Data Mining-Anwendungsarchitektur (DMA)."

Data Mining

Author: Jürgen Cleve,Uwe Lämmel

Publisher: Walter de Gruyter GmbH & Co KG

ISBN: 311045677X

Category: Computers

Page: 328

View: 6404

DOWNLOAD NOW »

In den riesigen Datenbergen moderner Datenbanken steckt unentdecktes Wissen, das ohne geeignete Hilfsmittel kaum zu Tage gefördert werden kann. Hier setzt das Data Mining an und liefert Methoden und Algorithmen, um bisher unbekannte Zusammenhänge zu entdecken. Nach der Vermittlung der Grundlagen und Anwendungsklassen des Data Mining in den ersten beiden Kapiteln wird in Kapitel 3 auf geeignete Darstellungsmöglichkeiten für Data-Mining-Modelle eingegangen; Kapitel 4 behandelt die Algorithmen und Verfahrensklassen, Kapitel 5 geht auf konkrete Anwendungsarchitekturen ein. Das Buch deckt den Stoff einer einsemestrigen Vorlesung zu Data Mining an Universitäten oder Fachhochschulen ab und ist als klassisches Lehrbuch konzipiert. Es bietet Zusammenfassungen, zahlreiche Beispiele und Übungsaufgaben.

Data Mining

Theoretische Aspekte und Anwendungen

Author: Gholamreza Nakhaeizadeh

Publisher: Springer-Verlag

ISBN: 364286094X

Category: Business & Economics

Page: 363

View: 2574

DOWNLOAD NOW »

Data Mining

Ein Überblick über Verfahren und Anwendungsfelder

Author: Jürgen Sembdner

Publisher: diplom.de

ISBN: 3832428445

Category: Computers

Page: 101

View: 2202

DOWNLOAD NOW »

Inhaltsangabe:Einleitung: Die Arbeit beschäftigt sich mit der Beschreibung der gängigen Data-Mining-Verfahren und beschreibt deren Anwendungsgebiete in der Praxis. Nachdem in Kapitel 2 der Begriff Data Mining definiert und zu verwandten Themengebieten abgegrenzt wird, werden im Schwerpunkt der Arbeit, dem dritten Kapitel, die Data-Mining-Verfahren dargestellt. Dabei werden in Kapitel 3.1 die klassischen Verfahren der Clusteranalyse beschrieben, in Kapitel 3.2 die Bayes-Klassifikation und die Assoziationsanalyse als statistische Verfahren vorgestellt und im Kapitel 3.3 eine Alternative zu den klassischen Clustermethoden vorgeführt, das konzeptionelle Clustern. Außerdem werden die Entscheidungsbaummethoden dargestellt. Das Kapitel schließt mit einer Beschreibung von künstlichen Neuronalen Netzen und Genetischen Algorithmen ab. Im vierten Kapitel sollen dann beispielhaft praxisrelevante Anwendungsfelder beschrieben werden. Neben der Betrugserkennung, auf die bereits in der Einleitung hingedeutet wurde, soll auf die Möglichkeiten der Warenkorbanalyse, Kundensegmentierung und Datenreinigung eingegangen werden. Das Kapitel endet mit dem Versuch, durch Anwendung von Neuronalen Netzen Aktienkurse vorherzusagen. Nach einer Zusammenfassung in Kapitel 5 soll ein Ausblick gegeben werden, welche Entwicklungslinien für Data Mining denkbar sind und welche strategische Bedeutung sich hieraus für ein Unternehmen ergibt. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung6 1.1Motivation zur Anwendung von Data Mining 6 1.2Zielsetzung der Arbeit7 1.3Aufbau und Schwerpunktsetzung8 2.Einordnung und Begriffsbestimmung8 2.1Der Gesamtprozess Knowledge Discovery in Databases (KDD) 8 2.2Definition Data Mining 10 2.3Abgrenzung zu anderen Disziplinen12 2.3.1Data Warehouse12 2.3.2Visualisierungstechniken13 2.3.3Statistik14 2.3.4Maschinelles Lernen15 2.3.5Expertensysteme16 3.Eigenschaften von Data-Mining-Verfahren17 3.1Clusteranalyse18 3.1.1Hierarchische Clusterung18 3.1.1.1Agglomerative Methoden23 3.1.1.2Divisive Methoden26 3.1.1.3Eigenschaften hierarchischer Methoden28 3.1.2Partitionierende Clusterung29 3.1.2.1K-Means-Algorithmus29 3.1.2.2FKM-Algorithmus33 3.1.2.3Eigenschaften partitionierender Methoden39 3.2Statistische Verfahren40 3.2.1Bayes-Klassifikation40 3.2.1.1Beschreibung des Verfahrens40 3.2.1.2Eigenschaften der Bayes-Klassifikation44 3.2.2Assoziationsanalyse45 3.2.2.1Beschreibung des Verfahrens45 3.2.2.2Eigenschaften der [...]

Statistische Methoden des Data Mining und deren Anwendung

Author: Hendrik Eisenberg

Publisher: diplom.de

ISBN: 3832479635

Category: Computers

Page: 111

View: 7086

DOWNLOAD NOW »

Inhaltsangabe:Zusammenfassung: In dieser Arbeit stehen neben dem Begriff des Data Mining besonders die statistischen Methoden im Mittelpunkt. Interessenten sollen den kreativen Prozess des Data Mining näher kennen lernen und erfahren, welche Rolle dabei der Statistik zukommt. Das Ziel der Arbeit ist, eine weiterreichende Darstellung des Prozesses des Data Mining mit statistischen Methoden zu erstellen, angefangen bei der Zielfindung, über die Modellbildung, bis hin zur Bewertung der Ergebnisse. Dabei orientiert sich die Vorgehensweise der systematischen Auswertung an der Methode des CRoss Industry Standard Process for Data Mining, mit der sich Data Mining Prozesse beschreiben lassen. Zum besseren Verständnis werden grundlegende Begriffe zum Data Mining sowie die bedeutsamsten Methoden und Verfahren zur statistischen Datenanalyse erläutert, welche bei den im Anschluss aufgezeigten Data Mining Problemen zur Anwendung kommen. Die veranschaulichten Analyseprobleme entsprechen den Aufgaben der Data Mining Cups der Jahre 2001 und 2002. Dabei werden die zur Lösung angewendeten statistischen Methoden nachvollziehbar wiedergegeben und es wird auf die kritischen Erfolgsfaktoren eingegangen. Oftmals wirken sich schon einzelne Teilentscheidungen bei der Datenaufbereitung und bei den eingesetzten Klassifizierungsmethoden auf die Lösung der Data Mining Aufgabe aus. Daher stellte sich die Frage, wie solche Abweichungen von den aufgezeigten Methoden aussehen könnten. In dieser Arbeit werden im Einzelnen verschiedene Abwandlungen durchgeführt, am Ende zusammengefasst und diskutiert. Inhaltsverzeichnis:Inhaltsverzeichnis: Abbildungsverzeichnis6 Tabellenverzeichnis7 1.Einleitung9 1.1Problemstellung10 1.2Ziel der Arbeit11 1.3Themenabgrenzung12 2.Der Data Mining Prozess im CRISP-DM Referenzmodell14 2.1Das CRISP-DM Referenzmodell14 2.2Die Phasen des CRISP-DM Referenzmodells15 2.2.1business understanding (Anwendungsverstehen)15 2.2.2data understanding (Datenverstehen)16 2.2.3data preparation (Datenaufbereitung)16 2.2.4modeling (Modellerstellung)17 2.2.5evaluation (Bewertung der Ergebnisse)18 2.2.6deployment (Anwendung)19 3.Grundlegende Begriffe20 3.1Die Statistik im Data Mining Prozess20 3.2Segmentierung und Klassifikation22 3.2.1Begriff der Segmentierung22 3.2.2Begriff der Klassifikation22 3.3Standardisierung23 3.4Maße für die Ähnlichkeit von Objekten24 4.Methoden der statistischen [...]

Data Mining

Author: Martin Kneip

Publisher: GRIN Verlag

ISBN: 3638927849

Category:

Page: 52

View: 7336

DOWNLOAD NOW »

Studienarbeit aus dem Jahr 2005 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,0, FernUniversitat Hagen (Wirtschaftswissenschaften), 129 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: In der heutigen Zeit werden Unternehmen und Institutionen, bedingt durch den technologischen Fortschritt, mit einer enormen Flut unterschiedlichster Daten konfrontiert. Das Earth Observing System der NASA mit seinen Satelliten produziert beispielsweise uber 50GB Daten pro Stunde. Insbesondere fur das Management enthalten diese Daten wertvolles Wissen, um Probleme aufzudecken, Produktionsablaufe zu optimieren oder bessere Zukunftsprognosen anzustellen. Resultat dieser Bemuhungen um den strategischen Wettbewerbsfaktor Wissen ist eine langfristig bessere Positionierung des Unternehmens am Markt. Ohne Analyse dieser Daten steht jedoch das Wissen nicht zur Verfugung. Aufgrund der Datenmenge scheiden jedoch manuelle Analyseverfahren aus und es werden schnelle und effiziente automatisierte Analyseverfahren notig. Mit dem Data Mining beziehungsweise dem Knowledge Discovery in Databases (KDD) existiert ein machtiges Werkzeug, um die sehr umfangreiche Aufgabe der Wissensextraktion zu bewaltigen, so dass das Interesse der Forschung und Industrie an diesem Gebiet stetig ansteigt. Anzumerken ist jedoch, dass das Data Mining ein relativ junges Forschungsgebiet ist und daher die Meinungen, was Data Mining ist und was Data Mining zugeordnet werden soll, teilweise stark differieren. In dieser Arbeit wird im ersten Kapitel ein allgemeiner Uberblick uber Data Mining gegeben. Dazu wird der Begriff Data Mining erlautert, gegenuber dem KDD abgegrenzt und das Data Mining bezuglich seiner Arten, Aufgaben, Ziele und Bedeutung eingeordnet. Im zweiten Kapitel werden verschiedene etablierte und neuere Data Mining-Verfahren vorgestellt. Der konkreten Ausgestaltung des Data Mining in der Praxis widmet sich Kapitel drei. Neben der Vorstellung des CRISP-DM Modells und des Ansatzes Data Mi

Data Mining als Hilfsmittel für gezielte Datensuche

Author: Sandra Feist

Publisher: GRIN Verlag

ISBN: 3638619230

Category: Computers

Page: 31

View: 3469

DOWNLOAD NOW »

Studienarbeit aus dem Jahr 2005 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt, Veranstaltung: Information und Kommunikation, 7 Literaturquellen, 16 Internetquellen Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: Durch die Informationsflut haben die Datenmengen in den letzten Jahren rasant zugenommen. Diese Datenberge können wertvolle Informationen enthalten, die zum Verständnis von wichtigen Zusammenhängen beitragen oder die Entscheidungsträger innerhalb eines Unternehmens bei wichtigen Entscheidungen unterstützen. Nicht zu unrecht wird Wissen oftmals als vierter Produktionsfaktor oder als entscheidender Wettbewerbsfaktor bezeichnet. Doch dieses Wissen in den Datenbergen kann oft nicht oder nur unzureichend genutzt werden. Denn Daten sind nicht gleich Information, bzw. Wissen. Im Gegensatz zu den herkömmlichen Verfahren, die auf einfachen statistischen Methoden und Datenbankmanagementsystemen basieren, verbinden Data-Mining Verfahren Methoden aus den Bereichen Statistik, Maschinelles Lernen, Datenbanken und Visualisierung. Diese unterstützen den Benutzer dabei, in großen Datenbeständen verborgene und für das Unternehmen wertvolle Daten aufzufinden. Mithilfe von Data Mining können die Unternehmen quasi einen Blick in die Zukunft werfen und Ereignisse mit einer gewissen Wahrscheinlichkeit voraussagen. In der nachfolgenden Arbeit wird zuerst in einer Einführung dargestellt, was man unter Data-Mining versteht und der Data-Mining Prozess anhand des CRISP- DM Modells erklärt. Anschließend werden die Data Mining Aufgaben und ihnen zugeordnete Methoden anhand von Beispielen veranschaulicht. Um die große Bedeutung für die Praxis zu verdeutlichen wird danach ein Überblick der wichtigsten Anwendungsfelder gegeben. Da ein Data Mining ohne Daten unmöglich ist, muss der Zielkonflikt zwischen Data Mining und dem Datenschutz diskutiert werden, bevor in einem Fazit auf die zukünftige Bedeutung des Data Mining eingegangen wird.

Data Mining: Möglichkeiten und Grenzen

Author: Jana Andreas

Publisher: GRIN Verlag

ISBN: 3638629058

Category: Business & Economics

Page: 32

View: 4893

DOWNLOAD NOW »

Studienarbeit aus dem Jahr 2006 im Fachbereich BWL - Marketing, Unternehmenskommunikation, CRM, Marktforschung, Social Media, Note: 2,0, Duale Hochschule Baden-Württemberg, Stuttgart, früher: Berufsakademie Stuttgart, Veranstaltung: Marketing, 45 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: „We are drowning in information but starved for knowledge.” Dieses Zitat von John Naisbitt beschreibt das Dilemma, welches das rasante Wachstum von Datenbeständen mit sich bringt. Zwar können Daten in immer umfangreicherem Maße erhoben werden, doch ein Großteil des darin enthaltenen Wissens bleibt verborgen. Die größte Herausforderung stellt, neben der Erfassung und Speicherung der Daten, deren Aufbereitung und Verarbeitung dar. 2 Dazu bedarf es einer verständlichen und einfachen Methode, um die regelrechte Datenflut bewältigen und sinnvoll nutzen zu können. 3 Data Mining verspricht diese Aufgabe zu erfüllen. Es ermöglicht die automatische Wissensextraktion aus großen Datenbeständen. 4 Vor diesem Hintergrund sehen viele Unternehmen Data Mining sogar als strategisches Instrument zur Realisierung von Kon-kurrenzvorteilen. 5 Durch die Fähigkeit, Informationen über ihren Markt, ihre Kunden und ihre Geschäftstätigkeit aus diesen riesigen Datenbeständen auslesen und wirksam einsetzen zu können, ergeben sich oftmals entscheidende Wettbewerbsvorteile für die Unternehmen. 6 Besonders im Bereich des Marketing erscheint die Anwendung von Data Mining Methoden vielversprechend. Denn traditionellen Marketinginstrumente sind unter Einsatz der bisherigern Informationssysteme den neuen Ansprüchen des Marktes, die auf einer zunehmenden Wettbewerbsverschärfung und der verstärkten Fragmentierung der Märkte in immer kleiner und differenzierte Marktsegmente beruhen, nicht mehr gewachsen. Bis 1995 wurde Data Mining nur durch hoch spezialisierte Berater oder Firmen im Auftrag von großen Einzelhandelsketten oder Finanzinstituten eingesetzt. Erst dann erlaubte die Markteinführung neuer Data Mining Software den generellen Einsatz in Data Warehouse Projekten. Seither ist die Bedeutung dieser Verfahren kontinuierlich angestiegen. Das Marktvolumen für Data Mining Produkte und Dienstleistungen wurde von der MetaGroup für das Jahr 2000 auf acht Milliarden US $ geschätzt. [...]

Data Mining im praktischen Einsatz

Verfahren und Anwendungsfälle für Marketing, Vertrieb, Controlling und Kundenunterstützung

Author: Paul Alpar,Joachim Niedereichholz

Publisher: Springer-Verlag

ISBN: 3322899500

Category: Technology & Engineering

Page: 232

View: 6817

DOWNLOAD NOW »

Das Buch stellt anhand von Praxisfällen dar, wie mit Hilfe der Verfahren des Data Mining und der Business Intelligence Verhaltensmuster und Wissen in großen Datenbeständen entdeckt werden können. Es geht beispielsweise um Kundensegmentierung, Bonitätsprüfung oder Werbeträgerplanung in Branchen wie Versandhandel, Versicherung, Einzelhandel oder Telekommunikation.

Techniken des Data Mining, Knowledge Discovery und SPSS

Author: Holger Herrmann

Publisher: GRIN Verlag

ISBN: 3638897907

Category: Computers

Page: 32

View: 1934

DOWNLOAD NOW »

Studienarbeit aus dem Jahr 2004 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,7, FernUniversität Hagen, Veranstaltung: Wirtschaftsinformatik, 7 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: 1 Einleitung 1.1 Definition und Ziele des Data Mining 1.2 Vorgehensweise 1.3 Probleme beim Data Mining 1.4 Aufbereitung der Daten 2 Data Mining und Knowledge Discovery 2.1 Definition: „Knowledge Discovery“ 2.2 Die Phasen des Knowledge Discovery 3 Data Mining als Bestandteil des Data Warehousing 4 Techniken des Data Mining 4.1 Klassifikation und Entscheidungsbaum 4.1.1 Ziele der Verfahren 4.1.2 Beschreibung der Klassifikation und des Entscheidungsbaums 4.1.3 Anwendungsbeispiel eines Entscheidungsbaums 4.1.4 Probleme bei Klassifikation und Entscheidungsbaum 4.2 Die Assoziationsregeln 4.2.1 Ziel der Assoziationsregeln 4.2.2 Erzeugung von Assoziationsregeln 4.2.3 Anwendungsbeispiel von Assoziationsregeln 4.2.4 Probleme bei Assoziationsregeln 4.3 Das Clustering 4.3.1 Ziel des Clustering 4.3.2 Beschreibung des Clustering 4.3.3 Anwendungsbeispiel des Clustering 4.3.4 Probleme beim Clustering 5 Data Mining mit SPSS 5.1 Was ist SPSS? 5.2 Ein Beispiel zur Entscheidungsbaum-Analyse 6 Data Mining mit SAS 6.1 Das Unternehmen „SAS“ 6.2 Die Lösungen von SAS 6.3 Die Brücke zwischen Theorie und Praxis: Musterbeispiel KSFE 7 Zusammenfassung und Ausblick

Data Mining im Personalmanagement

Eine Analyse des Einsatzpotenzials zur Entscheidungsunterstützung

Author: Franca Piazza

Publisher: Springer-Verlag

ISBN: 3834986488

Category: Business & Economics

Page: 227

View: 1260

DOWNLOAD NOW »

Franca Piazza untersucht auf Basis der Entscheidungstheorie das Einsatzpotenzial von Data Mining im Personalmanagement. Sie zeigt, welche personalwirtschaftlichen Entscheidungen unterstützt werden können, worin der Beitrag zur personalwirtschaftlichen Entscheidungsunterstützung besteht und wie dieser zu bewerten ist.

Urban data mining

Operationalisierung der Strukturerkennung und Strukturbildung von Ähnlichkeitsmustern über die gebaute Umwelt

Author: N.A

Publisher: KIT Scientific Publishing

ISBN: 3866442491

Category:

Page: 303

View: 4315

DOWNLOAD NOW »

Einsatzmöglichkeiten von ausgewählten DATA MINING VERFAHREN im Bereich Financial Services

Author: Hans-Peter Neeb

Publisher: GRIN Verlag

ISBN: 3638143759

Category: Business & Economics

Page: 254

View: 3127

DOWNLOAD NOW »

Diplomarbeit aus dem Jahr 1999 im Fachbereich BWL - Marketing, Unternehmenskommunikation, CRM, Marktforschung, Social Media, Note: 1,0, Universität Karlsruhe (TH) (Institut für Entscheidungstheorie und Unternehmensführung), Sprache: Deutsch, Abstract: Gezielte CRM Strategien zur Bestandskundenausschöpfung, Loyalisierung sowie Neukundengewinning im Marketing bedienen sich heutzutage etablierten Methoden des Data Mining bzw Knowledge Discovery in Databases. Der Autor beschreibt anhand von praktischen Beispielen der Banken- sowie Versicherungsbranche die Möglichkeiten und Einsatzszenarien. Anschaulich werden die Stärken sowie Limitationen von Verfahren beschrieben. Es wird mit dem Irrglauben aufgeräumt, man brauche einfach nur Datenmengen automatisch durch Analysemethoden durchlaufen zu lassen. Notwendige Vorüberlegungen betreffen die Formulierung des Business Problems sowie die adäquate Aufbereitung der Daten. Es wird zudem das breite Spektrum der unterschiedlichen Methodenansätze zu gerichteten bzw ungerichteten Verfahren vorgestellt und die Algorithmen erläutert. Eine ausgewogene Mischung aus konzeptionellen Betrachtungen mit praktischem Bezug geben dem Leser einen breiten Überblick mit genug Detailwissen.

Data mining, data warehousing

datenschutzrechtliche Orientierungshilfen für Privatunternehmen

Author: Alex Schweizer

Publisher: N.A

ISBN: 9783280025406

Category: Data mining

Page: 416

View: 3152

DOWNLOAD NOW »

Private Unternehmung.

Data Mining als Komponente innovativer Systeme

Author: Stefan Kempka

Publisher: GRIN Verlag

ISBN: 3638900436

Category: Computers

Page: 91

View: 7529

DOWNLOAD NOW »

Diplomarbeit aus dem Jahr 2003 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Verwaltungs- und Wirtschaftsakademie Essen , 96 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: Die zunehmende Globalisierung und Liberalisierung der Märkte, der Wandel von Anbieter- zu Nachfragemärkten und die abnehmende Kundenloyalität verschärfen den Wettbewerb und führen dazu, dass Unternehmen ihre Aktivitäten immer stärker am Kunden ausrichten, um wettbewerbsfähig zu bleiben. Durch die sich ständig weiterentwickelnde Technologie entstehen immer neue Informationssysteme, die die Unternehmen in allen wichtigen Geschäftsprozessen unterstützen und zum Erhalt der Wettbewerbsfähigkeit und Positionierung am Markt beitragen. Im täglichen Einsatz dieser Systeme fallen eine große Menge unterschiedlichster Daten über Kunden, ihr Kaufverhalten, Reaktionen auf Werbeaktionen, etc. an, die sich ein Unternehmen durch eine entsprechende Auswertung und anschließende Integration der Analyseergebnisse in die Geschäftsprozesse zunutze machen kann. Um die enormen Datenmengen strukturiert analysieren, sinnvoll interpretieren und auf den Unternehmenserfolg abgestimmt auswerten zu können, werden computergestützte Werkzeuge und Methoden zur Datenuntersuchung benötigt. Ein Bereich, welcher zu diesem Zweck immer häufiger zum Einsatz kommt, ist das Gebiet des Data Mining (DM). Das Data Mining beinhaltet Verfahren und Algorithmen zur Wissensaufdeckung in Datenbanken und wird deshalb auch als „Knowledge Discovery in Databases (KDD)“ bezeichnet. Mit Hilfe von DM können für ein Unternehmen wichtige Fragestellungen wie „Werden Chips und Bier in der zweiten Jahreshälfte genauso häufig gekauft wie in der ersten?“ oder „Wie entwickelt sich der Aktienkurs der Firma Meier, wenn der Kurs der Konkurrenzfirma Müller sinkt?“ etc. beantwortet werden.