Diese Seminararbeit befasst sich mit dem Thema Data Mining und verfolgt das Ziel, eines Einblicks in die Thematik, deren Umfang und einen Ausblick auf die sich ergebenden Möglichkeiten zu geben. Gerade durch die wachsende Menge an anfallenden Daten in Unternehmen, aber auch dank das Wachstum des Webs, sowie die große Popularität von Social Media Plattformen, gewinnt diese Form der Datenanalyse immer mehr an Bedeutung. Wo Data Mining früher nur für große Unternehmen interessant war, ist dieses heutzutage auch für mittelständische Unternehmen ein Begriff.
Nach einer kurzen Definition von Data Mining erfolgt die Einordnung in den KDD-Prozess (Knowledge Discovery in Databases) sowie eine knappe Abgrenzung zu OLAP (On-Line Analytical Processing). Darauf folgt eine Erläuterung des Data Warehouse, welches die zumeist verwendete Datenbasis beim Data Mining ist und im Anschluss daran werden die Standard Methoden des Data Mining sowie zwei spezielle Abwandlungen, das Text Mining und das Webmining erläutert.
Inhaltsverzeichnis
1 Einleitung
1.1 Motivation
1.2 Aufbau
2 Grundlagen
2.1 Definition von Data Mining
2.2 KDD - Knowledge Discovery in Databases
2.3 OLAP in Abgrenzung zum Data-Mining
2.4 Data Warehouse
3 Data Mining
3.1 Unterteilung der Data Mining Ziele
3.2 Data Mining Methoden
3.3 Spezielle Data Mining Methoden
3.3.1 Text Mining
3.3.2 Webmining
4 Fazit und Ausblick
Zielsetzung & Themen
Die Seminararbeit verfolgt das Ziel, einen umfassenden Einblick in die Thematik des Data Minings zu geben, den theoretischen Rahmen zu erläutern und die vielfältigen Möglichkeiten zur Erkenntnisgewinnung aus großen Datenbeständen aufzuzeigen.
- Grundlagen und Definition des Data-Mining-Prozesses
- Abgrenzung zu OLAP und die Rolle des Data Warehouse
- Methodische Ansätze wie Clustering, Klassifizierung und Regressionsanalyse
- Einsatz spezieller Verfahren wie Text Mining und Webmining
- Praktische Anwendungsbeispiele und Zukunftsperspektiven
Auszug aus dem Buch
3.3.1 Text Mining
Anders als bei den bisher behandelten Methoden des Data Mining, die auf intern verfügbare Quellen wie das Data Warehouse zugreifen, wird beim Text Mining zumeist auf extern liegende Datenbestände zurückgegriffen. Wie aus dem Namen schon hervorgeht, wird Text analysiert, der mitunter aus Webquellen stammen kann. Text Mining findet insbesondere Anwendung bei unstrukturierten Daten, also bei Daten zu denen es keine beschreibenden Informationen in Form von Meta-Daten gibt (vgl. Gentsch, 2012, p. 18).
Das dabei verfolgte Ziel ist Zusammenhänge und Wissen aus Texten zu extrahieren (vgl. Kaiser, 2014, p. 91).
Text Mining ermöglicht dabei die Erkennung von Stimmungen und auch die Identifizierung von Trends. Als Datenquelle dienen sowohl Foren als auch soziale Medien wie Facebook. Dadurch kann das Unternehmen ermitteln, wie Kunden oder Kundengruppen auf Produkte beziehungsweise Produktfeatures reagieren und dies in die Entscheidung für zukünftige Entwicklungen einfließen lassen. Zu beachten ist dabei, dass die Grenze nicht bei den eigenen Produkten liegt, sondern darüber hinaus auch die Konkurrenz und die Reaktion der Kunden auf Konkurrenzprodukte analysiert werden kann (Goram, 2015).
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung motiviert die zunehmende Bedeutung von Data Mining in einer datengetriebenen Welt und gibt einen Überblick über den strukturellen Aufbau der Arbeit.
2 Grundlagen: Dieses Kapitel definiert Data Mining, bettet es in den KDD-Prozess ein, grenzt es von OLAP ab und beschreibt das Data Warehouse als essenzielle Datenbasis.
3 Data Mining: Es erfolgt eine detaillierte Betrachtung der Ziele, Standardmethoden wie Segmentierung und Klassifikation sowie spezieller Ansätze wie Text- und Webmining.
4 Fazit und Ausblick: Das Kapitel fasst die enorme Bedeutung von Data Mining für Unternehmen zusammen und diskutiert zukünftige Entwicklungen und gesellschaftliche Auswirkungen.
Schlüsselwörter
Data Mining, Knowledge Discovery in Databases, KDD, Data Warehouse, OLAP, Clustering, Klassifizierung, Regressionsanalyse, Assoziationsanalyse, Text Mining, Webmining, Opinion Mining, Big Data, Mustererkennung, Datenanalyse
Häufig gestellte Fragen
Worum geht es in dieser Seminararbeit?
Die Arbeit behandelt die Grundlagen, Methoden und Anwendungsbereiche von Data Mining, um Wissen aus großen, oft unstrukturierten Datenmengen zu generieren.
Welche zentralen Themenfelder werden abgedeckt?
Die Schwerpunkte liegen auf dem KDD-Prozess, der Abgrenzung von OLAP, verschiedenen Data-Mining-Methoden sowie speziellen Verfahren wie Text- und Webmining.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist es, dem Leser einen fundierten Überblick über die Möglichkeiten und den Umfang moderner Datenanalyse-Methoden zu verschaffen.
Welche wissenschaftlichen Methoden werden beschrieben?
Die Arbeit erläutert gängige Algorithmen zur Segmentierung, Klassifizierung, Regressionsanalyse sowie Assoziationsanalyse für strukturierte und unstrukturierte Daten.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretischen Grundlagen (KDD, Warehouse), die Erläuterung der Data-Mining-Methoden sowie eine tiefere Analyse spezieller Techniken.
Welche Schlüsselwörter beschreiben die Arbeit am besten?
Zu den zentralen Begriffen zählen Data Mining, KDD, Data Warehouse, OLAP, Text Mining, Webmining und Mustererkennung.
Wie unterscheidet sich Text Mining von klassischem Data Mining?
Text Mining befasst sich primär mit unstrukturierten Daten aus externen Quellen, während klassisches Data Mining meist auf interne, strukturierte Daten eines Data Warehouse zugreift.
Welche Rolle spielt das Data Warehouse?
Es dient als zentrale, themenorientierte Datenbasis, die eine reproduzierbare und nachvollziehbare Analyse von Daten ermöglicht.
Was zeigt das Beispiel der Firma Ford im Text?
Das Beispiel illustriert, wie Text Mining genutzt wird, um Kundenfeedback in sozialen Medien automatisiert auszuwerten und für strategische Planungen zu nutzen.
Was bedeutet "Structure Mining" im Webkontext?
Structure Mining analysiert die Verknüpfungen von Webseiten, um beispielsweise über Verfahren wie den "PageRank" die Relevanz und Qualität von Seiten zu bestimmen.
- Arbeit zitieren
- Anonym (Autor:in), 2015, Data-Mining. Erkenntnisgewinn aus Datenanalyse, München, GRIN Verlag, https://www.grin.com/document/418160
