Die zunehmende Globalisierung und Liberalisierung der Märkte, der Wandel von Anbieter- zu Nachfragemärkten und die abnehmende Kundenloyalität verschärfen den Wettbewerb und führen dazu, dass Unternehmen ihre Aktivitäten immer stärker am Kunden ausrichten, um wettbewerbsfähig zu bleiben. Durch die sich ständig weiterentwickelnde Technologie entstehen immer neue Informationssysteme, die die Unternehmen in allen wichtigen Geschäftsprozessen unterstützen und zum Erhalt der Wettbewerbsfähigkeit und Positionierung am Markt beitragen. Im täglichen Einsatz dieser Systeme fallen eine große Menge unterschiedlichster Daten über Kunden, ihr Kaufverhalten, Reaktionen auf Werbeaktionen, etc. an, die sich ein Unternehmen durch eine entsprechende Auswertung und anschließende Integration der Analyseergebnisse in die Geschäftsprozesse zunutze machen kann. Um die enormen Datenmengen strukturiert analysieren, sinnvoll interpretieren und auf den Unternehmenserfolg abgestimmt auswerten zu können, werden computergestützte Werkzeuge und Methoden zur Datenuntersuchung benötigt. Ein Bereich, welcher zu diesem Zweck immer häufiger zum Einsatz kommt, ist das Gebiet des Data Mining (DM). Das Data Mining beinhaltet Verfahren und Algorithmen zur Wissensaufdeckung in Datenbanken und wird deshalb auch als „Knowledge Discovery in Databases (KDD)“ bezeichnet. Mit Hilfe von DM können für ein Unternehmen wichtige Fragestellungen wie „Werden Chips und Bier in der zweiten Jahreshälfte genauso häufig gekauft wie in der ersten?“ oder „Wie entwickelt sich der Aktienkurs der Firma Meier, wenn der Kurs der Konkurrenzfirma Müller sinkt?“ etc. beantwortet werden.
Inhaltsverzeichnis
- Einleitung
- Zielsetzung der Arbeit
- Aufbau der Arbeit
- Grundlagen des Data Mining
- Data Mining
- Einordnung des Begriffs Data Mining
- Definition Data Mining
- Data Mining als Prozess des Maschinellen Lernen
- Beziehungsgefüge Data Mining und On-Line Analytical Processing
- Text Mining
- Web Mining
- Informationen für das E-Business
- Einsatzgebiete des Web Mining
- Datenbasis
- Informationsquellen
- Datentypen
- Data Warehouse
- Betriebswirtschaftlicher Regelkreis
- Funktionen und Ziele des Data Mining
- Der Data Mining-Prozess
- Vorverarbeitungsphase
- Miningphase
- Auswertungsphase
- Text-/Web Mining-Prozess
- Analysen und Aufgaben des Data Mining
- Klassifizierung
- Prognose
- Assoziation
- Segmentierung
- Repräsentation
- Methoden des Data Mining
- Statistische Methoden
- Entscheidungsbaumverfahren
- Clusteranalyse
- Künstliche Neuronale Netze (KNN)
- Assoziationsmethoden
- Einsatzgebiete von Data Mining
- Data Mining im Customer Relationship Management
- E-Commerce als Einsatzgebiet des Web Mining
- Data Mining im Handel (Warenkorbanalyse)
- Zusammenfassung und Fazit
Zielsetzung und Themenschwerpunkte
Diese Diplomarbeit befasst sich mit dem Thema Data Mining, einem Bereich der Informationstechnologie, der sich mit der Extraktion von Wissen aus großen Datenmengen beschäftigt. Ziel der Arbeit ist es, die Grundlagen und Anwendungsmöglichkeiten von Data Mining aufzuzeigen sowie dessen Bedeutung für innovative Systeme zu beleuchten.
- Grundlagen und Definitionen des Data Mining
- Einsatzgebiete von Data Mining in verschiedenen Bereichen
- Methoden und Techniken des Data Mining
- Data Mining-Prozess und seine Phasen
- Die Rolle von Data Mining in der Entwicklung innovativer Systeme
Zusammenfassung der Kapitel
Die Arbeit beginnt mit einer Einführung in das Thema Data Mining und erläutert die Zielsetzung und den Aufbau der Arbeit. Anschließend werden die Grundlagen des Data Mining, inklusive der Definition, des Prozesses des maschinellen Lernens und der Verbindung zu On-Line Analytical Processing, behandelt. Es werden auch die Bereiche Text Mining und Web Mining genauer betrachtet.
Im folgenden Kapitel wird die Datenbasis für Data Mining-Anwendungen diskutiert, einschließlich Informationsquellen, Datentypen und dem Data Warehouse. Der Betriebswirtschaftliche Regelkreis wird ebenfalls vorgestellt. Das nächste Kapitel widmet sich den Funktionen und Zielen des Data Mining. Es werden der Data Mining-Prozess, seine Phasen und die verschiedenen Analysen und Aufgaben erläutert. Die gängigen Methoden des Data Mining, wie statistische Methoden, Entscheidungsbaumverfahren, Clusteranalyse, Künstliche Neuronale Netze und Assoziationsmethoden, werden ebenfalls behandelt.
Abschließend werden Einsatzgebiete von Data Mining in verschiedenen Bereichen, wie dem Customer Relationship Management, E-Commerce und dem Handel (Warenkorbanalyse), vorgestellt.
Schlüsselwörter
Data Mining, Wissensentdeckung, Informationstechnologie, Maschinelles Lernen, On-Line Analytical Processing, Text Mining, Web Mining, Datenbasis, Data Warehouse, Betriebswirtschaftlicher Regelkreis, Data Mining-Prozess, Analysen, Aufgaben, Methoden, Customer Relationship Management, E-Commerce, Warenkorbanalyse.
- Citar trabajo
- Stefan Kempka (Autor), 2003, Data Mining als Komponente innovativer Systeme, Múnich, GRIN Verlag, https://www.grin.com/document/85571
