Unterschied zwischen den Versionen

Version vom 2. Juli 2008, 12:26 Uhr

Verknüpfte Informationen liefern neue Erkenntnisse

Das populärste Business-Intelligence-Verfahren modellorientierter Analyse ist Data Mining (DM). Hier geht es um die Suche nach unbekannten Datenzusammenhängen im Data Warehouse. Diese Form der Wissensfindung kann mitunter recht überraschende Ergebnisse auswerfen.

Eine interessante Frage ist z.B. immer wieder: „Welche Faktoren beeinflussen den Verkauf eines Produktes? Kann man den Verkauf durch Veränderung der Rahmenbedingungen verbessern?“ Eine Data-Mining-Analyse geht immer von einem vorhandenen Datensatz aus und zieht aus diesem Schlüsse und Hypothesen.

Praktisches Beispiel: Das Modehaus Breuninger führte vor einer Mailing-Aktion eine Analyse der Kundendaten durch. Auf diese Weise konnten wertvolle Kunden mit überdurchschnittlicher Kaufwahrscheinlichkeit identifizieren werden. Nur diese wurden dann angeschrieben. Dadurch verringerte sich der Kostenaufwand für das Mailing deutlich – gleichzeitig wurde die Erfolgsrate erhöht. (oj)

@@ Zeile 1: / Zeile 1: @@
-Von [[Hans Klumbies]]
+==Verknüpfte Informationen liefern neue Erkenntnisse==
-Data Mining (DM) setzt sich aus einer Reihe von Technologien zusammen, mit deren Hilfe Unternehmen Informationen, die Entscheidungen beeinflussen, aus Datenbanken extrahieren können. Diese Technologien setzen sich aus statistischen Modellen und Verfahren der künstlichen Intelligenz zusammen. Sie ermöglichen die Analyse und Prognose von Handlungen und Trends. Data Mining liefert dem Management verborgene Erkenntnisse und Zusammenhänge, die bisher nicht beachtet worden sind, weil sie entweder für wichtige Beschlüsse als unbedeutend betrachtet oder für nicht analysierbar gehalten wurden. Folgende Technologien unterscheidet man beim Data Mining:
+Das populärste [[Business Intelligence|Business-Intelligence]]-Verfahren modellorientierter Analyse ist Data Mining (DM). Hier geht es um die Suche nach unbekannten Datenzusammenhängen im [[Data Warehouse]]. Diese Form der Wissensfindung kann mitunter recht überraschende Ergebnisse auswerfen.
-# Künstliche neuronale Netze sind nicht lineare Verfahren der Voraussage, die der biologischen Verarbeitung von Informationen nachgeahmt wurden und selbständig lernende Eigenschaften besitzen.
+Eine interessante Frage ist z.B. immer wieder: „Welche Faktoren beeinflussen den Verkauf eines Produktes? Kann man den Verkauf durch Veränderung der Rahmenbedingungen verbessern?“ Eine Data-Mining-Analyse geht immer von einem vorhandenen Datensatz aus und zieht aus diesem Schlüsse und Hypothesen.
-# Kohonen Netze bilden ein Segmentierungsverfahren, das auf den Eigenschaften neuronaler Netze basiert und selbständig Cluster innerhalb eines Sets von Daten bildet.
-# Die lineare Regression ist ein klassisches lineares Prognoseverfahren zur Deutung von Verhaltensweisen beim Einsatz von unabhängiger Variablen.
-# Genetische Algorithmen basieren auf der Basis der biologischen Evolution und dienen der Ermittlung der besten Lösung innerhalb eines Lösungsgebiets.
-# CHAID - Chi-squared Automatic Interaction Detection – ist eine Methode, die eine Menge von Datensätzen hinsichtlich einer abhängigen Variable aufteilt.
-# Regelbasierte Systeme sind Techniken, die zur Extraktion und dem Wahrheitsnachweis von Regeln mit dem Befehl „Wenn-Dann“ dienen.
-Die Anwendung der unterschiedlichen Methoden hängt stark von der Aufgabenstellung ab. Neuronale Netze, lineare Regression und CHAID kommen bei Fragestellungen mit Prognosecharakter zum Einsatz. Kohonen-Netze und regelbasierte Systeme sind beim Clustering die erste Wahl. Eine eindeutige Zuordnung der Instrumente nach Aufgabenstellung ist jedoch nicht möglich. Oftmals werden mehrere Data Mining-Lösungen für dieselbe Aufgabenstellung entwickelt, wobei dann diejenige eingesetzt wird, die im Test am besten abschneidet. Selbst die Kombination verschiedener Methoden innerhalb einer Lösung ist möglich.
+Praktisches Beispiel: Das Modehaus Breuninger führte vor einer [[E-Mail-Marketing|Mailing-Aktion]] eine Analyse der [[Kundendaten]] durch. Auf diese Weise konnten [[Kundenwertanalyse|wertvolle Kunden]] mit überdurchschnittlicher Kaufwahrscheinlichkeit identifizieren werden. Nur diese wurden dann angeschrieben. Dadurch verringerte sich der Kostenaufwand für das Mailing deutlich – gleichzeitig wurde die Erfolgsrate erhöht. ([[Oliver Jendro|oj]])
+==Nützliche Links==
+* [[EUS]]
+* [[OLAP]]
+* [[XPS]]