Ziel der Bachelorarbeit ist die Darstellung der bisherigen Anwendung von Data-Mining-Methoden im Performance Management. Hierbei werden sowohl die methodischen Grundlagen von Data-Mining-Methoden als auch deren Einsatzmöglichkeiten analysiert. Ein besonderer Schwerpunkt liegt auf dem Bereich des Kundenwert-Controllings. Folgende Aspekte werden untersucht: Die Darstellung der theoretischen Grundlagen zum Data Mining, ein systematischer Überblick und Beurteilung der verschiedenen Data-Mining Methoden, der bisherige Einsatz von Data-Mining-Methoden im Performance Management, die Identifikation von Anwendungsmöglichkeiten des Data Mining, die Konzeption eines Fragebogens zur Verbreitung, Zielsetzung, Entscheidungsunterstützungspotenzialen, Nutzungs-/ Anwendungsgebieten etc. und die Diskussion von Potenzialen und Herausforderungen des Data Mining im Performance Management.
Inhaltsverzeichnis
1 Data Mining als Instrument der Entscheidungsunterstützung im Kontext wachsender Datenmengen
2 Theoretische Grundlagen des Data Mining
2.1 Begriffe und Entwicklung des Data Mining
2.2 Der KDD-Prozess in Abgrenzung zum Data Mining
2.3 Einordnung des Data Mining in die analytischen Informationssysteme
2.4 Aktivitäten und Problemstellungen des Data Mining
3 Systematischer Überblick und Beurteilung der verschiedenen Data-Mining-Methoden
3.1 Fallbasiertes Schließen
3.2 Neuronale Netze
3.3 Entscheidungsbäume
3.4 Genetische Algorithmen
3.5 Visualisierung
4 Bisheriger Einsatz von Data-Mining-Methoden im Performance Management verschiedener Branchen
4.1 Banken
4.1.1 Betrugserkennung
4.1.2 Financial Management
4.2 Handel
4.2.1 Warenkorbanalyse und Cross Selling
4.2.2 Direct- und Database-Marketing
4.3 Industrie
4.3.1 Ursachenanalyse von Fehlern in Produktionsprozessen
4.3.2 Vorhersage von Komponentenausfällen in der Flugzeugwartung
4.4 Branchenübergreifender Einsatz von Data-Mining-Methoden
4.4.1 Kundenwert-Controlling
4.4.2 Customer Relationship Management
5 Identifikation von Anwendungsmöglichkeiten des Data Mining
5.1 Text-, Opinion- und Web-Mining
5.2 Churn Management
5.3 Neuere Ansätze zur Betrugserkennung
6 Konzeption eines Fragebogens zur Verbreitung, Zielsetzung, Entscheidungsunterstützungspotenzialen und Nutzungs-/Anwendungsgebieten des Data Mining
7 Diskussion von Potenzialen und Herausforderungen des Data Mining im Performance Management
7.1 aCRM: Trends und Probleme
7.2 Nichtnumerische, nichtstationäre und multidimensionale Daten
7.3 Datenschutzrechtliche Aspekte des Data Mining
Zielsetzung & Themen
Die Arbeit verfolgt das Ziel, den aktuellen State-of-the-Art der Anwendung von Data-Mining-Methoden im Performance Management zu analysieren. Dabei wird untersucht, wie diese Methoden zur Entscheidungsunterstützung in verschiedenen Branchen beitragen können und welche Potenziale sowie Herausforderungen sich daraus ergeben.
- Methodische Grundlagen und Klassifizierung von Data-Mining-Methoden
- Einsatzmöglichkeiten im Performance Management (z.B. Kundenwert-Controlling, Betrugserkennung)
- Analyse branchenspezifischer Anwendungsbeispiele
- Diskussion der Rolle von Data Mining im analytischen Customer Relationship Management (aCRM)
- Konzeption einer empirischen Untersuchung zur Verbreitung und Zielsetzung von Data Mining
Auszug aus dem Buch
3.2 Neuronale Netze
Neuronale Netze sind Data-Mining-Methoden, die aus Erkenntnissen der Neurobiologie modelliert werden. Sie bilden biologische Neuronale Netze künstlich nach und entstammen der Theorie, dass Computer „denken“ könnten, wenn sie die Struktur und Funktion des menschlichen Gehirns imitierten. Letztlich stellen sie nur eine sehr rudimentäre Form ihres biologischen Originals dar, können aber dennoch manche Probleme ähnlich lösen.
Ähnlich des menschlichen Gehirns bilden Neuronen die Kernelemente des Neuronale Netzes. Dieses bestehen aus drei Schichten: der sichtbaren Ein- und Ausgabeschicht sowie der versteckten Schicht. Letztere gleicht einer Black-Box, da die dort ablaufenden Prozesse für den Nutzer nicht oder nur schwer nachvollziehbar sind. Neuronale Netze lassen sich auch als Input-Output-Prozess beschreiben, in dem die zugrundeliegenden Daten den Input und die erkannten Muster den Output darstellen. Der Output kann sowohl kategorische als auch stetige Werte annehmen.
EDELSTEIN beschreibt die Funktion eines Neuronalen Netzes wie folgt: Neuronale Netze nutzen eine Vielzahl von Parametern, welche durch die Knoten der versteckten Schicht repräsentiert werden. Der Wert jedes versteckten Knotens ist eine Funktion der gewichteten Summe der Werte von allen vorangehenden Knoten, die mit diesem verknüpft sind. Es gilt nun, die optimale Kombination von gewichteten Summen zu finden, die die genausten Ergebnisse liefert. Die am häufigsten verwendete Technik ist „Back-Propagation“. Dabei wird das Outputergebnis eines Sets gewichteter Summern mit bekannten, korrekten Werten verglichen. Ist es nicht optimal, werden die Summen neu gewichtet und wieder auf Optimalität getestet. Durch dieses iterative Verfahren „lernt“ das Neuronale Netz die geeignetste Parameterkombination für die zu lösende Problemstellung.
Zusammenfassung der Kapitel
1 Data Mining als Instrument der Entscheidungsunterstützung im Kontext wachsender Datenmengen: Einleitung in die Problematik wachsender Datenmengen und Begründung der Notwendigkeit computergestützter Analysemethoden.
2 Theoretische Grundlagen des Data Mining: Definitionen und begriffliche Einordnung des Data Mining sowie Erläuterung des KDD-Prozesses.
3 Systematischer Überblick und Beurteilung der verschiedenen Data-Mining-Methoden: Kritische Würdigung gängiger Verfahren wie neuronale Netze, Entscheidungsbäume und genetische Algorithmen.
4 Bisheriger Einsatz von Data-Mining-Methoden im Performance Management verschiedener Branchen: Analyse praxisbezogener Anwendungen in Banken, Handel und Industrie sowie im Bereich Kundenwert-Controlling.
5 Identifikation von Anwendungsmöglichkeiten des Data Mining: Darstellung neuerer Entwicklungen wie Text- und Web-Mining sowie Churn Management.
6 Konzeption eines Fragebogens zur Verbreitung, Zielsetzung, Entscheidungsunterstützungspotenzialen und Nutzungs-/Anwendungsgebieten des Data Mining: methodisches Vorgehen zur Entwicklung einer empirischen Erhebung für Unternehmen.
7 Diskussion von Potenzialen und Herausforderungen des Data Mining im Performance Management: Zusammenfassende Betrachtung von Trends, Problemen (z.B. Datenschutz) und zukünftigen Entwicklungen.
Schlüsselwörter
Data Mining, Performance Management, Knowledge Discovery in Databases, KDD-Prozess, Entscheidungsunterstützung, Neuronale Netze, Entscheidungsbäume, Kundenwert-Controlling, Customer Relationship Management, aCRM, Churn Management, Datensicherheit, Prozessoptimierung, Unternehmenssteuerung, Datenanalyse
Häufig gestellte Fragen
Worum geht es in dieser Arbeit?
Die Bachelorarbeit behandelt den aktuellen Stand der Nutzung von Data-Mining-Methoden zur Entscheidungsunterstützung im betriebswirtschaftlichen Performance Management.
Welche zentralen Themenfelder werden abgedeckt?
Zentrale Themen sind die theoretischen Grundlagen des Data Mining, eine Methodenübersicht, Branchenanwendungen (Banken, Handel, Industrie) und die Konzeption einer Unternehmensbefragung.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die Analyse bisheriger und potenzieller Anwendungsmöglichkeiten von Data Mining im Performance Management zur besseren Entscheidungsfindung in Unternehmen.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer fundierten Literaturrecherche und der Konzeption eines empirischen Fragebogens zur Validierung der Ergebnisse in der Unternehmenspraxis.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen, eine methodische Übersicht (z.B. neuronale Netze), praktische Branchenbeispiele und weiterführende Anwendungsbereiche wie Text- oder Web-Mining.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die wichtigsten Begriffe sind Data Mining, Performance Management, Entscheidungsunterstützung, Kundenwert-Controlling und Customer Relationship Management.
Wie unterscheidet sich Data Mining von OLAP laut der Arbeit?
Während OLAP als maschinell unterstützte manuelle Suche auf aktive Benutzereingaben angewiesen ist, fungiert Data Mining als manuell gestützte maschinelle Suche, die weitestgehend automatisch Muster identifiziert.
Warum wird im Bereich Kundenwert-Controlling auf Data Mining gesetzt?
Data Mining ermöglicht es, aus sehr großen Kundenstämmen individuelle Kundenwerte (CLV) zu ermitteln und Kundensegmente zu bilden, was für gezielte Marketingmaßnahmen essentiell ist.
Welche Rolle spielt der Datenschutz beim Data Mining?
Die Arbeit thematisiert den Konflikt zwischen der effizienten Analyse persönlicher Daten zur Kundenbindung und den daraus resultierenden Bedenken bezüglich der Privatsphäre und Kontrolle durch den Kunden.
- Quote paper
- Marc Kremer (Author), 2010, State-of-the-Art der Nutzung von Data-Mining-Methoden im Performance Management, Munich, GRIN Verlag, https://www.grin.com/document/162691
