Diese Arbeit untersucht, inwiefern Data-Mining notwendig ist und ob es das eigene Geschäftsmodell, sich weiter auszubauen und nachhaltig Erfolg zu sichern, unterstützt. Es wird das Ziel verfolgt, anhand des Zweckes und der Methoden von Data-Mining am Beispiel von 'HeyCash' die Relevanz dessen zu ergründen sowie die Mehrwerte zu finden und zu erläutern. Darüber hinaus werden anhand von drei ausgewählten Methoden die Funktionsweise und der Nutzen von Data-Mining gemessen und bewertet.
Die Macht und Möglichkeiten von Datenbesitz ist unabdingbar und allgegenwärtig. Ein Synonym für dieses Szenario stellt das sogenannte 'Big Data' dar. Big Data ist eine der bedeutendsten Entwicklungen im digitalen Zeitalter. Es steht für große, komplexe und unstrukturierte Datenmengen. Die Daten nehmen tagtäglich exponentiell zu und die damit einhergehenden Problematiken, wie der Datenschutz, müssen diskutiert werden.
Es zeigt sich aber auch, dass durch Daten erhebliche Potenziale für die Gesellschaft und vor allem für Unternehmen entstehen. Viele neuartige Geschäftsmodelle basieren auf Daten, woraus neue Dienstleistungen und Produkte resultieren. Die Auswertung der immer größer werdenden Datenmengen stellt somit eine der lukrativsten Herausforderungen dieser Zeit dar. Somit kommt dem Data-Mining eine immer größere Bedeutung zu.
Inhaltsverzeichnis
1 Einleitung
1.1 Hinführung zur Thematik
1.2 Problemstellung und Zielsetzung der Arbeit
1.3 Aufbau der Arbeit
2 Theoretischer Teil
2.1 Data Mining
2.1.1 Begriffsdefinition „Data Mining“
2.1.2 Abgrenzung von verwandten Begriffen
2.2 Data Mining Prozess
2.3 Data Mining Methoden
2.3.1 Segmentierung: Clustering
2.3.2 Klassifikation: Entscheidungsbaum
2.3.3 Abhängigkeitsanalyse: Korrelation
3 Methodischer Teil
3.1 „HeyCash“– Finanz Startup
3.2 Ausgewählte Data Mining Methoden am Beispiel von HeyCash
3.2.1 Clustering
3.2.2 Entscheidungsbaum
3.2.3 Korrelationsanalyse
3.3 Vor- und Nachteile der ausgewählten Data Mining Methoden
4 Diskussion
4.1 Untersuchungsobjekt und Methodik
4.2 Gütekriterien
5 Fazit
Zielsetzung & Themen
Diese Arbeit untersucht die Relevanz, Methodik und den praktischen Nutzen von Data Mining anhand des Finanz-Startups "HeyCash". Ziel ist es, durch die Anwendung ausgewählter Data-Mining-Verfahren aufzuzeigen, wie datenbasierte Geschäftsmodelle optimiert werden können, um nachhaltigen Erfolg zu sichern und Mehrwerte für Nutzer und Kooperationspartner zu generieren.
- Grundlagen und Definition von Data Mining sowie Abgrenzung zu verwandten Begriffen.
- Detaillierte Erläuterung des CRISP-Data-Mining-Prozesses.
- Analyse des Geschäftsmodells von "HeyCash" unter Anwendung von Clustering, Entscheidungsbäumen und Korrelationsanalysen.
- Kritische Diskussion der Untersuchungsmethodik und der Rolle des Datenschutzes.
Auszug aus dem Buch
2.1.1 Begriffsdefinition „Data Mining“
Der Begriff „Data Mining“ kommt ursprünglich aus dem Wortstamm „to mine“ und bedeutet „schürfen nach.5 So bezieht sich das Data Mining u.a. auf den Bergbau „Mining“.6 Analog dazu werden beim Data Mining, durch automatisierte Methoden, handlungsrelevante und wertschöpfende Geschäftserkenntnisse, versucht zu finden.7
Dabei wird das Ziel verfolgt, durch eine automatisierte und nichttriviale Suche, Wissen aus Messdaten zu erlangen.8 Data Mining kann es schaffen, nützliche Antworten auf noch nicht gestellte Fragen bis hin zu überraschenden Informationen aus dem weiten Datenmeer zu erforschen.9 Es resultieren Ergebnisse aus dem sich Mustern erkennen lassen, weswegen Data Mining auch als Datenmustererkennung bekannt ist. Täglich werden riesige Datenmengen angesammelt, die oftmals entweder unabhängig voneinander betrachtet werden oder gar nicht genutzt werden. Das Potenzial steckt hier in den Beziehungen der Daten untereinander. So hat sich das Data Mining in der Statistik als eine Art Datenbeziehungsmethode entwickelt. Deshalb beschreibt Fayyad Data Mining als eine Anwendung spezifischer Algorithmen, welche zur Extraktion von Muster aus Daten dienen.10 Entscheidend für den Erfolg von Data Mining ist die Qualität der Daten.11 Das Ziel von Data Mining nach Wissen zu schürfen, impliziert gleichermaßen wonach geschürft wird. Deshalb wird nicht versucht Informationen zu generieren, sondern explizit aus Informationen Wissen zu generieren. Diese Möglichkeit der Wissensgenerierung stellt eine zukünftige Wertschöpfung und somit direktes Gewinn- und Umsatzpotenzial für Unternehmen dar.12
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung führt in die Relevanz von Big Data ein und definiert das Ziel der Arbeit, Data Mining Methoden am Beispiel des Finanz-Startups "HeyCash" wissenschaftlich zu untersuchen.
2 Theoretischer Teil: Dieses Kapitel liefert die wissenschaftlichen Grundlagen, definiert Data Mining, erläutert den Prozess (CRISP) und stellt die Methoden Clustering, Entscheidungsbaum sowie Korrelationsanalyse vor.
3 Methodischer Teil: Hier wird das Geschäftsmodell von "HeyCash" beschrieben und die drei gewählten Data Mining Methoden konkret auf das Unternehmen angewendet, gefolgt von einer kritischen Vor- und Nachteile-Analyse.
4 Diskussion: Das Kapitel reflektiert kritisch das Untersuchungsobjekt und die verwendete Methodik, prüft wissenschaftliche Gütekriterien und betrachtet die Herausforderungen durch den Datenschutz.
5 Fazit: Das Fazit fasst die Bedeutung von Data Mining für moderne, datengetriebene Geschäftsmodelle in einer digitalen Welt zusammen und gibt einen Ausblick auf notwendige strategische Entwicklungen.
Schlüsselwörter
Data Mining, Big Data, HeyCash, Business Intelligence, Clustering, Entscheidungsbaum, Korrelationsanalyse, Finanz-Startup, Wissensextraktion, Datenanalyse, Geschäftsmodell, Plattformökonomie, Datenschutz, digitale Transformation, Kundensegmentierung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der wissenschaftlichen Betrachtung von Data Mining und dessen Anwendungsmöglichkeiten in modernen, datengestützten Finanz-Geschäftsmodellen am Beispiel des Startups "HeyCash".
Was sind die zentralen Themenfelder der Publikation?
Zentrale Themen sind die theoretischen Grundlagen des Data Mining, der standardisierte CRISP-Prozess sowie die praktische Anwendung der Methoden Clustering, Klassifikation und Korrelationsanalyse.
Was ist das primäre Ziel oder die Forschungsfrage der Arbeit?
Die Forschungsfrage lautet: „Inwiefern ist Data Mining notwendig bzw. unterstützt das eigene Geschäftsmodell sich weiterauszubauen und nachhaltig den Erfolg zu sichern?“
Welche wissenschaftliche Methode wird in der Arbeit verwendet?
Die Arbeit nutzt Literaturanalysen zur theoretischen Fundierung und wendet die Data-Mining-Methoden Clustering (für die Nutzenanalyse), Entscheidungsbaum (für die Marktanalyse) und Korrelationsanalyse (für die Strategieentwicklung) auf das Beispielunternehmen an.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in eine theoretische Einführung in die Data-Mining-Methodik und einen anschließenden methodischen Teil, in dem die drei genannten Methoden praxisnah auf das Geschäftsmodell von "HeyCash" übertragen und kritisch bewertet werden.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich primär über die Begriffe Data Mining, Big Data, Finanz-Startup, Geschäftsmodelloptimierung und Datennutzung charakterisieren.
Warum ist das "HeyCash"-Startup ein geeignetes Beispiel für diese Arbeit?
Das Unternehmen stellt ein digitales Plattformgeschäftsmodell dar, dessen Erfolg direkt von der Analyse von Nutzerdaten abhängt, was es zu einem idealen Untersuchungsobjekt für die praktische Anwendung von Data Mining macht.
Welche Rolle spielt der Datenschutz laut der Arbeit?
Der Autor identifiziert den Datenschutz als größte Herausforderung für das Geschäftsmodell von "HeyCash", da einerseits die Analyse sensibler Kundendaten essenziell ist, andererseits aber strenge rechtliche Vorschriften und Vertrauensaspekte zu berücksichtigen sind.
- Quote paper
- Christian Halder (Author), 2021, Data-Mining am Beispiel von HeyCash. Clustering, Entscheidungsbaum und Korrelationsanalyse, Munich, GRIN Verlag, https://www.grin.com/document/1011087
