Durch soziale Medien wird eine gewaltige Menge an Daten erzeugt, die Unternehmen nie dagewesene Möglichkeiten geben, ihr Wissen über Märkte und Kunden zu verbessern. Um sinnvolle Informationen aus den sozialen Medien gewinnen zu können, müssen jedoch sogenannte Data-Mining-Techniken angewandt werden. Nur sie können die Herausforderungen bewältigen, die mit den Unmengen an Daten aus sozialen Medien einhergehen.
Eben hier setzt die vorliegende Analyse an: Sie untersucht, welche der zahlreichen bereits existierenden Data-Mining Methoden zur Analyse von Daten aus sozialen Medien verwendet werden können. In einem zweiten Schritt zeigt sie anschließend erstmals auf, welche Geschäftsmöglichkeiten sich daraus ergeben können. Das Ziel ist dementsprechend, einen Überblick über die Data-Mining-Methoden zu geben, die entweder grundlegend für Data-Mining in sozialen Medien sind und/oder die Analyse spezieller Aspekte des Social Media-Minings ermöglichen.
Anschließend werden die Geschäftsmöglichkeiten betrachtet, die sich aus der Anwendung dieser Data-Mining Methoden auf Daten aus sozialen Medien ergeben. Es geht darum, wie Unternehmen Social Media-Mining, nicht aber soziale Medien allgemein zu ihrem Vorteil nutzen können.
Aus dem Inhalt:
- Data-Mining;
- Soziale Medien;
- Social Media Mining;
- Geschäftsmöglichkeiten;
- Social Network Analysis
Inhaltsverzeichnis
1 Einleitung
1.1 Motivation
1.2 Problemstellung und Zielsetzung
1.3 Aufbau der Arbeit
2 Soziale Medien
2.1 Entwicklung
2.2 Definition und Eigenschaften von sozialen Medien
2.3 Bedeutung von sozialen Medien für Unternehmen
3 Data-Mining
3.1 Definition und Eigenschaften von Data-Mining
3.2 Bedeutung von Data-Mining für Unternehmen
3.3 Web-Mining
3.4 Multimedia-Mining
3.5 Social Media-Mining
3.5.1 Social Network Analysis
3.5.2 Opinion-Mining und Sentiment Analysis
4 Data-Mining Methoden in sozialen Medien
4.1 Crawling
4.2 Pre-Processing
4.2.1 Text Pre-Processing
4.2.2 Webpage Pre-Processing
4.3 Supervised Learning Methoden
4.3.1 Logistische Regression
4.3.2 Künstliche neurale Netze
4.3.3 Decision Trees
4.3.4 Support Vector Machines
4.3.5 K-Nearest Neighbors
4.3.6 N-Grams
4.3.7 Naive Bayesian Klassifikation
4.4 Unsupervised Learning
4.4.1 Clustering
4.4.2 Merkmalsselektion
4.4.3 Social Network Analysis
4.4.4 PageRank
4.5 Semi-supervised Learning
4.5.1 Gaußsche Felder und Harmonische Funktionen
4.5.2 Recursive Autoencoders
4.5.3 Pattern Recognition bei sarkastischen Inhalten
4.6 Zusammenfassung der Methoden
5 Geschäftsmöglichkeiten aus Social Media-Mining
5.1 Social Media-Mining als Serviceleistung
5.2 Marktforschung
5.3 Customer Relationship Management
5.4 Produktentwicklung
5.5 Wettbewerbsanalyse
5.6 Vorhersagen mithilfe von Social Media-Mining
5.7 Recruiting
5.8 Gegenüberstellung der Methoden und Geschäftsmöglichkeiten
6 Schluss
6.1 Zusammenfassung
6.2 Limitationen
6.3 Fazit und Ausblick
Zielsetzung & Themen
Die vorliegende Arbeit untersucht, welche Data-Mining-Methoden zur Analyse von Nutzerdaten aus sozialen Medien existieren und wie Unternehmen diese Erkenntnisse in konkrete Geschäftsmöglichkeiten überführen können. Die Forschungsfrage fokussiert dabei auf die praktische Anwendbarkeit maschineller Lernverfahren in einem betriebswirtschaftlichen Kontext.
- Eigenschaften sozialer Medien und deren Relevanz für Unternehmen
- Grundlagen und Herausforderungen von Data-Mining, Web-Mining und Multimedia-Mining
- Detaillierte Analyse von Supervised, Unsupervised und Semi-supervised Learning Methoden
- Anwendung von Social Media-Mining in Bereichen wie Marktforschung, CRM und Recruiting
Auszug aus dem Buch
3.1 Definition und Eigenschaften von Data-Mining
Im Hinblick auf eine Definition von Data-Mining ist sich die Wissenschaft grundsätzlich einig. So ist unter Data-Mining die Erkennung von Mustern zu verstehen, die aus Daten abgeleitet werden (Chakrabarti 2002, S. XV; Grabmeier/Rudolph 2002, S. 303; Chye Koh/Kee Low 2004, S. 462; Liu 2011, S. 6; Aggarwal et al. 2012, S. 164). Data-Mining wird auch als Knowledge Discovery from Data (KDD) oder Knowledge Discovery in Databases (KDD) bezeichnet (Han/Kamber 2006; Barbier/Liu 2011, S. 328; Liu 2011). Das Ableiten von Mustern erfolgt mithilfe verschiedener statistischer Methoden, auf die in Kapitel 1 eingegangen wird.
Die Definitionen weichen lediglich im Präzisionsgrad voneinander ab. Bei einigen Begriffsfestlegungen müssen zum Beispiel die Muster und Beziehungen aus den Daten valide, neuartig, potenziell nützlich und verständlich sein (Chye Koh/Kee Low 2004, S. 462; Liu 2011, S. 6), während andernorts versteckte und ebenfalls potenziell nützliche Informationen aus einer sehr großen Datenbasis gewonnen werden müssen (Aggarwal et al. 2012, S. 164). Data-Mining ist eng mit maschinellem Lernen (machine learning), statistischen Methoden, Datenbasen, künstlicher Intelligenz (artificial intelligence), Informationsgewinnung (information retrieval) – was das Finden von Dokumenten und Inhalten bedeutet, die für die Suchanfrage relevant sind – und Visualisierung (visualisation) verknüpft (Barbier/Liu 2011, S. 328; Liu 2011, S. 211; Larose/Larose 2014).
Der KDD-Prozess umfasst, nachdem ein zu lösendes Problem klar definiert wurde, im Wesentlichen drei Schritte: die Datenvorbereitung (pre-processing), das Data-Mining und die Datennachbereitung (post-processing).
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung beleuchtet die zunehmende Digitalisierung und die Notwendigkeit für Unternehmen, Daten effektiv für ihr Wissensmanagement zu nutzen, um wettbewerbsfähig zu bleiben.
2 Soziale Medien: Das Kapitel definiert soziale Medien, beschreibt deren historische Entwicklung und analysiert die Chancen sowie Risiken, die diese Plattformen für Unternehmen bieten.
3 Data-Mining: Hier werden die Grundlagen des Data-Minings definiert und Spezialdisziplinen wie Web- und Multimedia-Mining in den unternehmerischen Kontext eingeordnet.
4 Data-Mining Methoden in sozialen Medien: Dieses zentrale Kapitel klassifiziert verschiedene maschinelle Lernverfahren (Supervised, Unsupervised, Semi-supervised) und detailliert deren Anwendungsmöglichkeiten auf Social-Media-Daten.
5 Geschäftsmöglichkeiten aus Social Media-Mining: Das Kapitel erläutert, wie Unternehmen Data-Mining-Erkenntnisse für Marktforschung, CRM, Produktentwicklung und Recruiting operativ einsetzen können.
6 Schluss: Die Arbeit fasst die zentralen Erkenntnisse zusammen, diskutiert methodische Limitationen und gibt einen Ausblick auf künftige Forschungsbedarfe im Bereich Social Media-Mining.
Schlüsselwörter
Data-Mining, Social Media, Machine Learning, Web-Mining, Sentiment Analysis, Opinion-Mining, Supervised Learning, Unsupervised Learning, Semi-supervised Learning, Kundensegmentierung, Social Network Analysis, Marktforschung, Customer Relationship Management, Crawling, Clusteranalyse
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Anwendung von Data-Mining-Methoden auf soziale Medien, um aus der riesigen Menge nutzergenerierter Daten wertvolle geschäftliche Einblicke zu gewinnen.
Welche zentralen Themenfelder werden abgedeckt?
Die Themen umfassen soziale Medien, Data-Mining, verschiedene Methoden des maschinellen Lernens (Supervised, Unsupervised, Semi-supervised) sowie betriebswirtschaftliche Anwendungsbereiche.
Was ist das primäre Ziel oder die Forschungsfrage der Arbeit?
Das Ziel ist es, einen Überblick über die existierenden Data-Mining-Methoden zur Analyse von Social-Media-Daten zu geben und aufzuzeigen, welche Geschäftsmöglichkeiten sich für Organisationen daraus ergeben.
Welche wissenschaftlichen Methoden werden verwendet?
Die Arbeit nutzt Literaturanalysen und stützt sich auf wissenschaftliche Standards aus den Bereichen Informatik, Statistik und Betriebswirtschaft, um die Data-Mining-Verfahren theoretisch zu fundieren.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in eine detaillierte technische Vorstellung der Data-Mining-Methoden (wie Regressionsmodelle, neuronale Netze, Clustering) und die anschließende Untersuchung ihrer praktischen Anwendbarkeit in der Wirtschaft.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den wichtigsten Begriffen gehören Data-Mining, Social-Media-Mining, Machine Learning, Sentiment Analysis, Kundenprofiling und Netzwerkanalyse.
Wie kann Social Media-Mining für das Recruiting genutzt werden?
Unternehmen können soziale Netzwerke nutzen, um die Persönlichkeitsprofile potenzieller Bewerber besser zu verstehen und eine zielgerichtete Vorauswahl (Candidate Screening) unter Berücksichtigung rechtlicher und moralischer Grenzen zu treffen.
Welche Bedeutung hat das "Honeycomb of social media" Modell für die Arbeit?
Das Modell von Kietzmann et al. dient zur Strukturierung der sozialen Medien in sieben Komponenten (Identity, Presence, Relationships, etc.), was für das Verständnis der Datengrundlagen unerlässlich ist.
- Arbeit zitieren
- Lena Dirsch (Autor:in), 2016, Data-Mining in Social Media, München, GRIN Verlag, https://www.grin.com/document/339820
