Katholische Universität Eichstätt-Ingolstadt
Wirtschaftswissenschaftliche Fakultät
Lehrstuhl für ABWL und Wirtschaftsinformatik

Text Mining

Eine übersichtliche Darstellung des Text Mining

Dominik Claussen

Inhaltsverzeichnis

II. Abbildungsverzeichnis ... III

III. Tabellenverzeichnis ... IV

IV. Abkürzungsverzeichnis ... V

1 Einleitung ... 1

2 Hauptteil ... 1

2.1 Grundlagen ... 1
    2.1.1 Einordnung Text Mining ... 1
    2.1.2 Abgrenzung zu Information Retrieval Systems ... 2
    2.1.3 Grundlagen der Bedeutungsanalyse ... 2
2.2 Prozess des Text Mining ... 4
    2.2.1 Textdatenbanken ... 4
    2.2.2 Maschinelle Sprachverarbeitung ... 5
        2.2.2.1 Bedeutungsanalyse ... 5
        2.2.2.2 Sprachstatistik ... 6
    2.2.3 Wissensgenerierung ... 6
        2.2.3.1 Dokumentsuche mit Suchmaschinen ... 7
        2.2.3.2 Dokumentordnung: Klassifizierung und Segmentierung ... 8
        2.2.3.3 Wissen extrahieren: Visualisierung und Data Mining Methoden ... 9
2.3 Praktisches Beispiel ... 11
2.4 Ausblick ... 12

3 Zusammenfassung ... 13

V. Literaturverzeichnis ... VI

1 Einleitung

Text Mining wird zur Suche und Ordnung von Dokumenten benötigt. Außerdem kann Wissen aus den Texten gewonnen werden. Für diese drei Ergebnisse des Text Mining bestehen zahlreiche Einsatzmöglichkeiten in Unternehmen. Da im Customer-Relationship-Management (CRM) viele Informationen über Texte ausgetauscht werden, kann Text Mining dort gut verwendet werden.

Um einen Einblick in das Thema zu bekommen, soll zuerst eine Einordnungen des Text Mining betrachtet werden. Grundlegend werden im ersten Teil auch einzelne Begriffe erläutert, ähnliche Verfahren abgrenzt, sowie eine Übersicht für sprachliche Problemfälle gegeben.

Anschließend wird der Prozess des Text Mining erläutert, die Erläuterung erfolgt entlang der Prozesskette. So wird erst die Textdatenbank, dann die maschinelle Sprachverarbeitung und abschließend die Wissensgenerierung jeweils als Prozesselement vorgestellt.

Um die Theorie abzurunden, soll ein Ausblick der Entwicklung des Text Mining, sowie ein praktisches Beispiel der Firma Media-Saturn gegeben werden. Zuletzt werden nochmal die Kernthesen zusammengefasst.

2 Hauptteil

2.1 Grundlagen

2.1.1 Einordnung Text Mining

Im CRM bilden Data und Text Mining gute Hilfestellungen an, um die Masse der vorhandenen Daten verwalten zu können.

Zentrale Zielsetzung ist dabei die Generierung von Wissen, dass im CRM-Kontext oder auch in anderen Bereichen des Unternehmens gewinnbringend eingesetzt werden kann (Heyer et al. 2006, S. 2). Im CRM ist Wissen im Bereich der Business Intelligence angesiedelt, es soll nicht direkt dem Kundenkontakt dienen. Zugriff auf die generierten Daten ist vor allem vom Back Office, Front Office, sowie der operativen IT vorgesehen.

Die Begriffe Daten, Information und Wissen sind grundlegend für das Text Mining. Daten sind in den Unternehmensdatenbanken vorhanden. Information ist eine Auskunft, die, um eine handlungsrelevante Entscheidung zu treffen, erst zu Wissen aufbereitet werden muss (Heinrich 1992, S.7).

Data und Text Mining setzen auf ähnliche Verfahren. Der hauptsächliche Unterschied: Text Mining untersucht im Gegensatz zu Data Mining unstrukturierte Daten, also Texte und keine Zahlen.

Da sich Text zu strukturierten Daten umformen lässt, kann beim Text Mining auch auf Methoden des Data Mining zurückgegriffen werden.

Tabelle 1: Zusammenhang Data und Text Mining [nur in der Download-Version verfügbar]
(Quelle: in Anlehnung an Heyer et al. 2006, S. 5)

Abschließend zu Einordnung von Text Mining noch der Versuch einer Definition: Text Mining ist ein automatisierter Prozess, relevantes Wissen aus Texten zu erhalten (Miller 2005, S. 104).

[...]