1 Lehrstuhl für Wirtschaftsinformatik und Betriebliche Kommunikationssysteme Prof. Dr. Reinhard...

1

Lehrstuhl für Wirtschaftsinformatik undBetriebliche KommunikationssystemeProf. Dr. Reinhard Jung

Sascha Enders / Tim Dreesen

Wintersemester 07/08

Version 1.0

Data Mining

2

Wegweiser

Ausgangslage

Data Mining Prozess

Überblick Techniken

Ausprägungen

Anwendung

Fazit

3

Wegweiser

Ausgangslage

Data Mining Prozess


Ausprägungen

Anwendung

Fazit

4

Einleitung

Was ist Data Mining?

"Als Data Mining (engl.: data mining; deutsch: Daten-Bergbau, Daten schürfen) bezeichnet man die softwaregestützte Ermittlung bisher unbekannter Zusammenhänge, Muster und Trends aus dem Datenbestand sehr großer Datenbanken bzw. des Data Warehouse. […] “

[HaNe2005]

„Data Mining ist die Anwendung spezifischer Algorithmen zur Extraktion von Mustern und Daten“ (nach Fayyad)

[AlNi]

5

Ausgangslage

• Automatische DV auf dem Vormarsch- Datenflut!

• Entscheidungsfindung über Unternehmensgrenze hinweg Data Warehouse als Lösung

• Aber was mit dem ganzen Datenwust anstellen???• Herkömmliche Methoden nicht mehr ausreichend

Hilfsmittel: Data Mining

Wieso Data Mining?

6

Ausgangslage

Abb.: in Anlehnung an [AlNi]

Wo ist Data Mining einzusortieren?

Operative Systeme

Data Warehouse

Ad-Hoc Abfragen Auswertungssysteme

z.B. SQL OLAP, Data Mining

7

Ausgangslage

Data Mining als wachsendes Forschungsgebiet

1960 1970 1990 20001980

KI

DBMS

Abfragesprachen

Data WarehouseData Mining

Web Mining

Abb.: in Anlehnung an [FrKö]

8

Wegweiser

Ausgangslage

Data Mining Prozess


Ausprägungen

Anwendung

Fazit

9

Data Mining Prozess

Überblick

Daten

Zieldaten /Vorverarbeitete

Daten

Transformierte Daten

Auswahl / Datenexploration

Transformation

Data Mining


10

Data Mining Prozess

Auswahl

• Die Auswahl erfolgt auf einem vorhandenen Datenbestand

• Relevante Datenfelder / Datensätze werden ausgewählt

Welche Informationsquellen sollen genutzt werden ?

11

Data Mining Prozess

Datenexploration

• Ausreißer analysieren und eliminieren- z.B. Herr Prof. Dr. Reinhard Jung ist 30

cm groß.

• Behandlung fehlender Werte- z.B. ist Birgitt weiblich?

• Ziel: Ein möglichst fehlerfreier / konsistenter Datenbestand als Basis für das Data Mining zu schaffen.

12

Data Mining Prozess

Transformation

Daten werden bei Bedarf…

• …verändert.• …normiert.• …kategorisiert.

Datenfelder werden neu angelegt• z.B. bei Aggregation von Daten

Bei den meisten Transformationen werden Daten reduziert

13

Data Mining Prozess

Zwischenstand

Die ersten drei Phasen sind laut Experten die

aufwendigsten innerhalb des Data Mining

Prozesses.

Sie nehmen ca. 75-85 % des Data Mining ein.

Quelle: in Anlehnung an [AlNi]

14

Data Mining Prozess

Data Mining

• Selektion der inhaltlichen Data Mining Technikenz.B.• Segmentierung • Klassifikation

• Selektion des konkret anzuwendenden Data Mining Algorithmusz.B.• Lineare Diskriminanzanalyse

• Ablauf des Algorithmus über die transformierten Daten

15

Data Mining Prozess

Wissen

Ergebnisse Interpretation

16

Wegweiser

Ausgangslage

Data Mining Prozess


Ausprägungen

Anwendung

Fazit

17

Methoden


Methoden - Überblick

Operative Systeme

SegmentierungKlassifikation Prognose

Abhängigkeits-analyse

Abweichungs-analyse

18

Methoden

Zuordnung von Elementen in bekannte Klassen, z.B.Entscheidungsbaumverfahren

Klassifikation

Flugmeilen

Frequenz Frequenz

Platinkunde Goldkunde Kunde Kunde

> 10tsd < 10tsd

1-2 Woche> 2 Woche > 2 Woche 1-2 Woche

19

Methoden

Zerlegung einer Gesamtheit in kleinere Teile, z.B.Clusterverfahren (1/2)

Beispiel: Lebensmittelvertrieb

• Erkenntnis: Fleisch- und Fischesser• Nächster Schritt: Gruppenbildung

Segmentierung

Kundennr. Milchprodukte Fleischwaren Waschmittel Gebäck Fisch

1004589 4 10 5 12 2

1017123 8 6 2 3 10

20

Methoden

Zerlegung einer Gesamtheit in kleinere Teile, z.B.Clusterverfahren (2/2)

Gruppiert:

• Nutzung des neuen Wissen z.B. für Personalisierung der Werbung

Segmentierung

Gruppe Milchprodukte Fleischwaren Waschmittel Gebäck Fisch

Fleischesser 3,75 11,2 3,7 10,2 1,7

Fischesser 9,2 6,4 4,2 2,75 12,25

Quelle: in Anlehnung an [HaNe2005]

21

Methoden

auf Basis bestehender Werte auf Zukünftige schließen, Künstliche Neuronale Netze (KNN)

• Stammt aus der KI• Neuronen = Verarbeitungseinheiten• Muss erst angelernt werden• Einsatz z.B. Kreditrisikorechnung,

Käuferklassen, Wertpapiere…

Prognose

Quelle.: in Anlehnung an [ChGl]

22

Methoden

Beziehungen zwischen zwei Merkmalen aufdeckenAssoziationsregeln

Beispiel für das Aufdecken von Affinitäten :

„Wenn ein Kunde eine Immobilie länger als zwei Jahre mietet und älter als 25 Jahre ist, wird er in 40% aller Fälle eine Immobilie kaufen. Diese Assoziation gilt für 35% aller Kunden, die eine Immobilie mieten.“

Abhängigkeitsanalyse

Quelle.: in Anlehnung an [ToBo]

23

Methoden

Beziehungen zwischen zwei Merkmalen aufdeckenAssoziationsregeln (1/2)



Einkäufe Artikel

E1 Saft, Cola, Bier

E2 Saft, Cola, Wein

E3 Saft, Wasser

E4 Cola, Bier, Saft

E5 Saft, Cola, Bier, Wein

E6 Wasser

Artikel Einkäufe

Saft E1,E2,E3,E4,E5

Cola E1,E2,E4,E5

Bier E1,E4,E5

Wein E2,E5

Wasser E3,E6

24

Methoden

Beziehungen zwischen zwei Merkmalen aufdeckenAssoziationsregeln (2/2)



Regeln Einkäufe Konfidenz Support

Saft Cola E1,E2,E4,E5 80% 66%

Cola Saft E1,E2,E4,E5 100% 66%

Cola Bier E1,E4,E5 75% 50%

Bier Cola E1,E4,E5 100% 50%

25

Methoden

Ausreißer identifizieren z.B. mit Ausreißertests

Allgemein:

• Gegenteil der Assoziationsanalysen• Versuch der Ursachenentdeckung • Ausreißer entweder fehlerhafte Daten oder interessante

Ausprägungen!• z.B. für Schadensfällen bei Versicherungen, QM,

Kreditkartenbetrug oder allg. bei Verfolgung von Defekten

Abweichungsanalyse


26

Wegweiser

Ausgangslage

Data Mining Prozess


Ausprägungen

Anwendung

Fazit

27

Ausprägungen

Text Mining

Web Mining

28

Ausprägungen

TextMining - Aufgaben

• Entdecken von Interessanten Beziehungen zwischen Dokumenten

• Klassifikation von Dokumenten

• Segmentierung von Dokumenten (Clustering)

• Erstellen von Abstracts

• Aufbau von begrifflichen Netzen

29

Ausprägungen

Data Mining Text Mining

Der grundlegendste Unterschied zwischen Data Mining und

Text Mining besteht in den vorliegenden Daten, die zur Verfügung

stehen.

Stark strukturierte Daten im Data Mining

vs.

Kaum strukturierte Daten im Text Mining

30

Ausprägungen

Web Mining – Aufgaben / Unterscheidung

• Dieselben Aufgaben die auch Data Mining ausführt, aber mit dem Bezug zum Internet / Intranet.

• Verarbeitung / Analyse von sekundären Daten die ein Nutzer hinterlässt.

31

Wegweiser

Ausgangslage

Data Mining Prozess


Ausprägungen

Anwendung

Fazit

32

Anwendung

Microsoft analysiert mit Hilfe des Verfahren der

Neuronalen Netze im Data Mining.

Wieso die einen Kunden auf ihr Postanschreiben

antworten und die Anderen nicht.

Beispiele

Antwortquote von 2 auf 8% erhöht, mit gleichzeitiger Senkung der Portokosten.

Quelle.: in Anlehnung an [WiBu]

33

Anwendung

Eine Firma in den USA, mit 5 Millionen Aufrufe im

Monat, analysierte mit Hilfe von Web Mining

Methoden, das Verhalten der Nutzer im Bezug auf Bannerwerbung.

Beispiele

Durch nun Zielgerichtete Bannerwerbung konnte die Klickrate von 1% auf 2% erhöht werden. Damit erhöhte sich der Erlös pro Banner, was zu einer Umsatzsteigerung der Firma um 1,2 Millionen Dollar führte.

Quelle.: in Anlehnung an [WiBu]

34

Wegweiser

Ausgangslage

Data Mining Prozess


Ausprägungen

Anwendung

Fazit

35

Fazit

• Kontext und Handlungsbezug nur durch Individuum möglich!• Lediglich gutes Hilfsmittel zur Mustererkennung• Hohe HW-Anforderungen

- Wirtschaftliche Aspekte berücksichtigen

Kritik

Ausblick

• Data Mining im großen Unternehmen „Standard“• Markt ist zukunftsträchtig• Forschung, vor allem im Bereich

- Realitätsnaher Interpretation- Neue Anwendungsgebiete

36

Fragen

37

Literatur

[AlNi]

Alpar, P; Niedereichholz, J.: Data Mining im praktischen Einsatz

Braunschweig / Wiesbaden 2000

[ChGl]

Chamoni, P.; Gluchowski, P.: Analytische Informationssysteme

Berlin 2006

[DaKe]

Keim, D.: Datenvisualisierung und Data Mining

Universität Konstanz und AT&T Shannon Research Labs 2004

[FrKö]

Köster, F.: Data Warehousing and Knowledge Discovery in Databases

Universität Oldenburg 2003

[GrGe]

Grothe, M.; Gentsch, P.: Business Intelligence

München 2000

[GrBe]

Heinz L. Grob; Frank Bensberg: Das Data Mining Konzept

Universität Münster 1999

38

Literatur

[HaNe2005]

Hansen, R.; Neumann, G.: Wirtschaftsinformatik Band 1 + 2,

Stuttgart 2005

[MeBo]

Mertens; Bodendorf; König; Picot; Schumann; Hess: Grundzüge der Wirtschaftsinformatik,

Berlin 2005

[MeWi]

Mertens, P.; H.-W. Wieczorrek: Data-X Strategien,

Berlin 2000

[RaWa]

Walther, R.: Web Mining,

Berlin 2001 (Informatik Spektrum 24)

[ToBo]

Bollinger, T.: Assoziationsregeln – Analyse eines Data Mining Verfahrens,

Berlin 1996 (Informatik Spektrum 19 - Hauptbeitrag)

[WiBu]

Wiedmann, K.; Buckler, F.: Neuronale Netze im Marketing Management

Braunschweig / Wiesbaden 2003

1 Lehrstuhl für Wirtschaftsinformatik und Betriebliche Kommunikationssysteme Prof. Dr. Reinhard...

Documents

Transcript of 1 Lehrstuhl für Wirtschaftsinformatik und Betriebliche Kommunikationssysteme Prof. Dr. Reinhard...