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

1. Data Mining Sascha Enders / Tim Dreesen Wintersemester 07/08 Version 1.0 Lehrstuhl für Wirtschaftsinformatik undBetriebliche KommunikationssystemeProf. Dr. Reinhard Jung

2. Wegweiser Ausgangslage Data Mining Prozess Überblick Techniken Ausprägungen Anwendung Fazit

3. Wegweiser Ausgangslage Data Mining Prozess Überblick Techniken Ausprägungen Anwendung Fazit

4. Einleitung Was ist Data Mining? "Als Data Mining (engl.: datamining; 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] 4

5. Ausgangslage Wieso Data Mining? • 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

6. Ausgangslage Wo ist Data Mining einzusortieren? Ad-Hoc Abfragen Auswertungssysteme z.B. SQL OLAP, Data Mining Data Warehouse Operative Systeme Abb.: in Anlehnungan [AlNi]

7. Ausgangslage Data Mining als wachsendes Forschungsgebiet Web Mining Data Warehouse Data Mining Abfragesprachen DBMS KI 1960 1970 1980 1990 2000 Abb.: in Anlehnungan [FrKö] 7

8. Wegweiser Ausgangslage Data Mining Prozess Überblick Techniken Ausprägungen Anwendung Fazit

9. Data Mining Prozess Überblick Daten Auswahl / Datenexploration Transformation Zieldaten / Vorverarbeitete Daten Data Mining Transformierte Daten Abb.: in Anlehnungan [AlNi] 9

10. Data Mining Prozess Auswahl ? Welche Informationsquellen sollen genutzt werden • Die Auswahl erfolgt auf einem vorhandenen Datenbestand • Relevante Datenfelder / Datensätze werden ausgewählt 10

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. 11

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 12

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] 13

14. Data Mining Prozess Data Mining • Selektion der inhaltlichen Data Mining Techniken • z.B. • Segmentierung • Klassifikation • Selektion des konkret anzuwendenden Data Mining Algorithmus • z.B. • Lineare Diskriminanzanalyse • Ablauf des Algorithmus über die transformierten Daten 14

15. Data Mining Prozess Wissen Interpretation Ergebnisse 15

16. Wegweiser Ausgangslage Data Mining Prozess Überblick Techniken Ausprägungen Anwendung Fazit

17. Methoden Methoden - Überblick Abhängigkeits-analyse Abweichungs-analyse Klassifikation Segmentierung Prognose Operative Systeme Abb.: in Anlehnungan [AlNi]

18. Methoden Klassifikation Zuordnung von Elementen in bekannte Klassen, z.B. Entscheidungsbaumverfahren > 10tsd Flugmeilen < 10tsd > 2 Woche 1-2 Woche > 2 Woche 1-2 Woche Frequenz Frequenz Platinkunde Goldkunde Kunde Kunde

19. Methoden Segmentierung Zerlegung einer Gesamtheit in kleinere Teile, z.B. Clusterverfahren (1/2) Beispiel: Lebensmittelvertrieb • Erkenntnis: Fleisch- und Fischesser • Nächster Schritt: Gruppenbildung

20. Methoden Segmentierung Zerlegung einer Gesamtheit in kleinere Teile, z.B. Clusterverfahren (2/2) Gruppiert: • Nutzung des neuen Wissen z.B. für Personalisierung der Werbung Quelle: in Anlehnungan [HaNe2005]

21. Methoden Prognose 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… Quelle.: in Anlehnungan [ChGl]

22. Methoden Abhängigkeitsanalyse Beziehungen zwischen zwei Merkmalen aufdecken Assoziationsregeln 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.“ Quelle.: in Anlehnungan [ToBo]

23. Methoden Abhängigkeitsanalyse Beziehungen zwischen zwei Merkmalen aufdecken Assoziationsregeln (1/2) Quelle.: in Anlehnungan [ToBo]

24. Methoden Abhängigkeitsanalyse Beziehungen zwischen zwei Merkmalen aufdecken Assoziationsregeln (2/2) Quelle.: in Anlehnungan [ToBo]

25. Methoden Abweichungsanalyse 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 Quelle.: in Anlehnungan [ToBo]

26. Wegweiser Ausgangslage Data Mining Prozess Überblick Techniken Ausprägungen Anwendung Fazit

27. Ausprägungen Text Mining Web Mining 27

28. Ausprägungen TextMining - Aufgaben • Entdecken von Interessanten Beziehungen zwischen Dokumenten • Klassifikation von Dokumenten • Segmentierung von Dokumenten (Clustering) • Erstellen von Abstracts • Aufbau von begrifflichen Netzen 28

29. Ausprägungen Data MiningText 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 29

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. 30

31. Wegweiser Ausgangslage Data Mining Prozess Überblick Techniken 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 Anlehnungan [WiBu] 32

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 Anlehnungan [WiBu] 33

34. Wegweiser Ausgangslage Data Mining Prozess Überblick Techniken Ausprägungen Anwendung Fazit

35. Fazit Kritik • Kontext und Handlungsbezug nur durch Individuum möglich! • Lediglich gutes Hilfsmittel zur Mustererkennung • Hohe HW-Anforderungen • Wirtschaftliche Aspekte berücksichtigen 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 andKnowledge 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 37

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 38