|  | |
| | | Was ist Data Mining? | Data Mining versucht explorativ Hypothesen über die in einem Data Warehouse gespeicherten Daten aufzufinden. Das heißt mittels statistischer, systemtheoretischer und auf Visualisierung abzielender Verfahren und Methoden Assoziationen, Klassen und Muster zu erkennen. Data Mining wird auch oft als knowledge discovery in databases (KDD) bezeichnet.
Durch den Einsatz moderner Techniken des Data Minings können die Mitarbeiter von DATA TECHNOLOGY vorhandene aber verborgene Informationen im betrieblichen Entscheidungsprozeß nutzbar machen.
Als interdisziplinäres Forschungsgebiet steht das Data Mining im engen Zusammenhang mit den Begriffen Statistik, Artificial Intelligence, Data Warehousing, OLAP (on-line analysis processing), Expertensysteme, Data Visualization und Optimierungstheorie. |
|
| Komplexe Datenanalyse | Oft besteht der Wunsch, aus einer Fülle von Daten, die z.B. aus einem Data Warehouse gewonnen werden, wertvolle Information für strategische Entscheidungen zu treffen. In vielen Projekten konnten die Statistik-Experten von DATA TECHNOLOGY ihre Erfahrungen unter Beweis stellen. Mittels inferenzstatistischen Verfahren und multivariaten Analysemethoden, sowie dem Einsatz modernster statistischer Software (SPSS, SPLUS, R, SAS) werden auch hoch komplexe Datenbestände analysiert und die Ergebnisse dokumentiert.
|
|
| Anwendungen des Data Mining | Die Bereiche, in denen Data Mining-Methoden zum Einsatz kommen können, sind sehr vielfältig, wie z.B.:
Kreditrisikoanalyse
- Zielgruppenmarketing
- Analyse von Kundenverhalten
- Fehleranalyse in Telekommunikationsnetzen
- Analyse von Daten aus dem Gesundheitswesen
- Schadensfallanalyse im Versicherungsbereich
|
|
| Data Mining aus der Sicht der Statistik | DATA TECHNOLOGY legt beim Knowledge Discovery und Data Mining Prozess auf folgendes Vorgehensmodell besonderen Wert:
- Verstehen des Anwendungsgebietes (Vorwissen und Ziele des Endbenutzers)
- Aufbau eines Datensatzes, auf dem sich der Analyseprozess fokusiert
Data cleaning and preprocessing (Entfernen von Outliern, Behandlung fehlender Werte)
- Data Reduction & Projection
Bestimmung der konkreten Data Mining Aufgabe (Klassifikation, Vorhersage)
- Auswahl der konkreten Data Mining - Algorithmen (Modellwahl)
Data Mining Step: Anwendung von Algorithmen
Interpretation von gefundenen Pattern (Verzweigung zu früheren Schritten)
- Konsolideriung der Ergebnisse (Dokumentation und Berichtslegung)
|
|
| Data Mining Methoden, die zum Einsatz kommen | Durch das hohe Know-How der Mitarbeiter von DATA TECHNOLOGY im Bereich der Statistik und des Data Minings kommen je nach Fragestellung verschiedenste Berechnungsmethoden und Werkzeuge zum Einsatz:
-
Multivariate statistische Analysemethoden
(Diskriminanzanalyse, Clusteranalyse)
-
Pattern Recognition
-
Machine Learning
-
Regressionsanalyse
-
Tabellierung & Zusammenfassung
-
Visualisierung multivariater Datenstrukturen
-
Korrelationsanalyse
-
Graphische Modelle
|
|
|
|
| | | | DATA TECHNOLOGY Betriebsberatungs GmbH & Co KG, Seeböckgasse 59, A-1160 Wien Tel.: +43/1/485 91 04, Fax: +43/1/485 91 04 - 900, consulting@datatechnology.at
|
|
|
