Data Mining

Methoden und Algorithmen intelligenter Datenanalyse
Author: Thomas A. Runkler
Publisher: Springer-Verlag
ISBN: 3834893536
Category: Computers
Page: 165
View: 547

Continue Reading →

Dieses Buch behandelt die wichtigsten Methoden zur Erkennung und Extraktion von „Wissen“ aus numerischen und nichtnumerischen Datenbanken in Technik und Wirtschaft. Es vermittelt einen kompakten, fundierten Überblick über die verschiedenen Methoden sowie deren Motivation und versetzt den Leser in die Lage, Data Mining selbst praktisch einzusetzen.

Data Mining

Verfahren, Prozesse, Anwendungsarchitektur
Author: Helge Petersohn
Publisher: Oldenbourg Verlag
ISBN: 9783486577150
Category:
Page: 330
View: 6666

Continue Reading →

In vielen, insbesondere in grosseren Unternehmen entstehen in kurzen Zeitraumen Terabyte von Daten. Diese umfangreichen Datenbestande beinhalten wertvolle Informationen fur Entscheider und erfordern die Anwendung von anspruchsvollen mathematisch-statistischen Verfahren zur Datenanalyse. In diesem Buch wird eine Anwendungsarchitektur fur Data Mining entwickelt. Ein wesentlicher Beitrag besteht in der systematischen Aufarbeitung von Data Mining-Verfahren und deren anwendungsbezogene Einordnung in die Data Mining-Anwendungsarchitektur (DMA)."

Data Mining

Modellierung und Durchführung ausgewählter Fallstudien mit dem SAS Enterprise Miner
Author: Christian Gottermeier
Publisher: diplom.de
ISBN: 3832472177
Category: Computers
Page: 127
View: 1993

Continue Reading →

Inhaltsangabe:Einleitung: Entscheidungen sind ein Akt des menschlichen Verhaltens, bei denen eine Festlegung für eine unter mehreren Möglichkeiten stattfindet. Da bei diesen Handlungen die Berufung auf Traditionen oder Autoritäten oftmals nicht möglich ist, wurde schon früh auf verschiedenste Hilfsmittel zurückgegriffen. So ließ sich Julius Cäsar von einem Würfelergebnis leiten, General Wallenstein von einem Astrologen beraten oder es wurden Prognosen mit Hilfe von Glaskugeln, Spielkarten oder dem Stand der Sterne getroffen. Unter wirtschaftlichen Gesichtspunkten sind Entscheidungen eine rationale Wahl zwischen mehreren Möglichkeiten, wobei der Entscheidungsprozess als tragendes Element der ökonomischen Tätigkeit herausgestellt wird. Gerade in diesem Umfeld wird die Entscheidungsfindung nun allerdings wissenschaftlich fundiert und mit weitreichenden Konsequenzen durch folgende Verfahren unterstützt: Analysemethoden wie Benchmarking, Lebenszyklus- oder Erfahrungskurvenkonzept und Prognoseverfahren wie die Delphi-Methode oder die Szenario-Technik. Allerdings sind die meisten dieser Verfahren i.d.R. auf spezielle Problemstellungen ausgerichtet. Ganzheitliche Lösungsansätze werden seit den 60er Jahren zur Unterstützung des Managements bereitgestellt. Mit Hilfe von Informationssystemen soll die Entscheidungsfindung verbessert werden. Häufig wechselnde Schlagworte wie z.B. Management Information System (MIS) oder Decision Support System (DSS) konnten allerdings noch keine durchschlagenden Erfolge erzielen. Seit Mitte der 90er Jahre wurden mit neuen konzeptionellen Ansätzen, die meist unter dem Oberbegriff Business Intelligence zusammengefasst werden, erfolgsversprechende Lösungen zum Aufbau entscheidungsorientierter Informationssysteme (EIS) etabliert. EIS setzen sich dabei aus Werkzeugen zur Selektion und Speicherung entscheidungsrelevanter Informationen (Data Warehouse) sowie zur entscheidungsunterstützenden Modellierung (OLAP-Tools) zusammen. Eine konsequente Umsetzung des Data Warehouse Gedanken führt zu immensen Datensammlungen, die, um die Archivierung nicht zum Selbstzweck werden zu lassen, dann auch ausgewertet werden sollen. An dieser Stelle setzt Data Mining an. In Kapitel 2 werden die Grundzüge des Data Mining dargestellt, eine Verbindung zu Data Warehouse und OLAP gezogen und die Einsatzgebiete skizziert, in denen sich Data Mining durchgesetzt hat. In Kapitel 3 wird der erste wichtige Schritt, der vor der eigentlichen Modellierung [...]

Data Mining


Author: Jürgen Cleve,Uwe Lämmel
Publisher: Walter de Gruyter GmbH & Co KG
ISBN: 311045677X
Category: Computers
Page: 328
View: 3241

Continue Reading →

In den riesigen Datenbergen moderner Datenbanken steckt unentdecktes Wissen, das ohne geeignete Hilfsmittel kaum zu Tage gefördert werden kann. Hier setzt das Data Mining an und liefert Methoden und Algorithmen, um bisher unbekannte Zusammenhänge zu entdecken. Nach der Vermittlung der Grundlagen und Anwendungsklassen des Data Mining in den ersten beiden Kapiteln wird in Kapitel 3 auf geeignete Darstellungsmöglichkeiten für Data-Mining-Modelle eingegangen; Kapitel 4 behandelt die Algorithmen und Verfahrensklassen, Kapitel 5 geht auf konkrete Anwendungsarchitekturen ein. Das Buch deckt den Stoff einer einsemestrigen Vorlesung zu Data Mining an Universitäten oder Fachhochschulen ab und ist als klassisches Lehrbuch konzipiert. Es bietet Zusammenfassungen, zahlreiche Beispiele und Übungsaufgaben.

Data Mining

Ein Überblick über Verfahren und Anwendungsfelder
Author: Jürgen Sembdner
Publisher: diplom.de
ISBN: 3832428445
Category: Computers
Page: 101
View: 1362

Continue Reading →

Inhaltsangabe:Einleitung: Die Arbeit beschäftigt sich mit der Beschreibung der gängigen Data-Mining-Verfahren und beschreibt deren Anwendungsgebiete in der Praxis. Nachdem in Kapitel 2 der Begriff Data Mining definiert und zu verwandten Themengebieten abgegrenzt wird, werden im Schwerpunkt der Arbeit, dem dritten Kapitel, die Data-Mining-Verfahren dargestellt. Dabei werden in Kapitel 3.1 die klassischen Verfahren der Clusteranalyse beschrieben, in Kapitel 3.2 die Bayes-Klassifikation und die Assoziationsanalyse als statistische Verfahren vorgestellt und im Kapitel 3.3 eine Alternative zu den klassischen Clustermethoden vorgeführt, das konzeptionelle Clustern. Außerdem werden die Entscheidungsbaummethoden dargestellt. Das Kapitel schließt mit einer Beschreibung von künstlichen Neuronalen Netzen und Genetischen Algorithmen ab. Im vierten Kapitel sollen dann beispielhaft praxisrelevante Anwendungsfelder beschrieben werden. Neben der Betrugserkennung, auf die bereits in der Einleitung hingedeutet wurde, soll auf die Möglichkeiten der Warenkorbanalyse, Kundensegmentierung und Datenreinigung eingegangen werden. Das Kapitel endet mit dem Versuch, durch Anwendung von Neuronalen Netzen Aktienkurse vorherzusagen. Nach einer Zusammenfassung in Kapitel 5 soll ein Ausblick gegeben werden, welche Entwicklungslinien für Data Mining denkbar sind und welche strategische Bedeutung sich hieraus für ein Unternehmen ergibt. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung6 1.1Motivation zur Anwendung von Data Mining 6 1.2Zielsetzung der Arbeit7 1.3Aufbau und Schwerpunktsetzung8 2.Einordnung und Begriffsbestimmung8 2.1Der Gesamtprozess Knowledge Discovery in Databases (KDD) 8 2.2Definition Data Mining 10 2.3Abgrenzung zu anderen Disziplinen12 2.3.1Data Warehouse12 2.3.2Visualisierungstechniken13 2.3.3Statistik14 2.3.4Maschinelles Lernen15 2.3.5Expertensysteme16 3.Eigenschaften von Data-Mining-Verfahren17 3.1Clusteranalyse18 3.1.1Hierarchische Clusterung18 3.1.1.1Agglomerative Methoden23 3.1.1.2Divisive Methoden26 3.1.1.3Eigenschaften hierarchischer Methoden28 3.1.2Partitionierende Clusterung29 3.1.2.1K-Means-Algorithmus29 3.1.2.2FKM-Algorithmus33 3.1.2.3Eigenschaften partitionierender Methoden39 3.2Statistische Verfahren40 3.2.1Bayes-Klassifikation40 3.2.1.1Beschreibung des Verfahrens40 3.2.1.2Eigenschaften der Bayes-Klassifikation44 3.2.2Assoziationsanalyse45 3.2.2.1Beschreibung des Verfahrens45 3.2.2.2Eigenschaften der [...]

Data Mining

Theoretische Aspekte und Anwendungen
Author: Gholamreza Nakhaeizadeh
Publisher: Springer-Verlag
ISBN: 364286094X
Category: Business & Economics
Page: 363
View: 849

Continue Reading →

Data Mining


Author: Martin Kneip
Publisher: GRIN Verlag
ISBN: 3638927849
Category:
Page: 52
View: 5931

Continue Reading →

Studienarbeit aus dem Jahr 2005 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,0, FernUniversitat Hagen (Wirtschaftswissenschaften), 129 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: In der heutigen Zeit werden Unternehmen und Institutionen, bedingt durch den technologischen Fortschritt, mit einer enormen Flut unterschiedlichster Daten konfrontiert. Das Earth Observing System der NASA mit seinen Satelliten produziert beispielsweise uber 50GB Daten pro Stunde. Insbesondere fur das Management enthalten diese Daten wertvolles Wissen, um Probleme aufzudecken, Produktionsablaufe zu optimieren oder bessere Zukunftsprognosen anzustellen. Resultat dieser Bemuhungen um den strategischen Wettbewerbsfaktor Wissen ist eine langfristig bessere Positionierung des Unternehmens am Markt. Ohne Analyse dieser Daten steht jedoch das Wissen nicht zur Verfugung. Aufgrund der Datenmenge scheiden jedoch manuelle Analyseverfahren aus und es werden schnelle und effiziente automatisierte Analyseverfahren notig. Mit dem Data Mining beziehungsweise dem Knowledge Discovery in Databases (KDD) existiert ein machtiges Werkzeug, um die sehr umfangreiche Aufgabe der Wissensextraktion zu bewaltigen, so dass das Interesse der Forschung und Industrie an diesem Gebiet stetig ansteigt. Anzumerken ist jedoch, dass das Data Mining ein relativ junges Forschungsgebiet ist und daher die Meinungen, was Data Mining ist und was Data Mining zugeordnet werden soll, teilweise stark differieren. In dieser Arbeit wird im ersten Kapitel ein allgemeiner Uberblick uber Data Mining gegeben. Dazu wird der Begriff Data Mining erlautert, gegenuber dem KDD abgegrenzt und das Data Mining bezuglich seiner Arten, Aufgaben, Ziele und Bedeutung eingeordnet. Im zweiten Kapitel werden verschiedene etablierte und neuere Data Mining-Verfahren vorgestellt. Der konkreten Ausgestaltung des Data Mining in der Praxis widmet sich Kapitel drei. Neben der Vorstellung des CRISP-DM Modells und des Ansatzes Data Mi

Statistische Methoden des Data Mining und deren Anwendung


Author: Hendrik Eisenberg
Publisher: diplom.de
ISBN: 3832479635
Category: Computers
Page: 111
View: 7555

Continue Reading →

Inhaltsangabe:Zusammenfassung: In dieser Arbeit stehen neben dem Begriff des Data Mining besonders die statistischen Methoden im Mittelpunkt. Interessenten sollen den kreativen Prozess des Data Mining näher kennen lernen und erfahren, welche Rolle dabei der Statistik zukommt. Das Ziel der Arbeit ist, eine weiterreichende Darstellung des Prozesses des Data Mining mit statistischen Methoden zu erstellen, angefangen bei der Zielfindung, über die Modellbildung, bis hin zur Bewertung der Ergebnisse. Dabei orientiert sich die Vorgehensweise der systematischen Auswertung an der Methode des CRoss Industry Standard Process for Data Mining, mit der sich Data Mining Prozesse beschreiben lassen. Zum besseren Verständnis werden grundlegende Begriffe zum Data Mining sowie die bedeutsamsten Methoden und Verfahren zur statistischen Datenanalyse erläutert, welche bei den im Anschluss aufgezeigten Data Mining Problemen zur Anwendung kommen. Die veranschaulichten Analyseprobleme entsprechen den Aufgaben der Data Mining Cups der Jahre 2001 und 2002. Dabei werden die zur Lösung angewendeten statistischen Methoden nachvollziehbar wiedergegeben und es wird auf die kritischen Erfolgsfaktoren eingegangen. Oftmals wirken sich schon einzelne Teilentscheidungen bei der Datenaufbereitung und bei den eingesetzten Klassifizierungsmethoden auf die Lösung der Data Mining Aufgabe aus. Daher stellte sich die Frage, wie solche Abweichungen von den aufgezeigten Methoden aussehen könnten. In dieser Arbeit werden im Einzelnen verschiedene Abwandlungen durchgeführt, am Ende zusammengefasst und diskutiert. Inhaltsverzeichnis:Inhaltsverzeichnis: Abbildungsverzeichnis6 Tabellenverzeichnis7 1.Einleitung9 1.1Problemstellung10 1.2Ziel der Arbeit11 1.3Themenabgrenzung12 2.Der Data Mining Prozess im CRISP-DM Referenzmodell14 2.1Das CRISP-DM Referenzmodell14 2.2Die Phasen des CRISP-DM Referenzmodells15 2.2.1business understanding (Anwendungsverstehen)15 2.2.2data understanding (Datenverstehen)16 2.2.3data preparation (Datenaufbereitung)16 2.2.4modeling (Modellerstellung)17 2.2.5evaluation (Bewertung der Ergebnisse)18 2.2.6deployment (Anwendung)19 3.Grundlegende Begriffe20 3.1Die Statistik im Data Mining Prozess20 3.2Segmentierung und Klassifikation22 3.2.1Begriff der Segmentierung22 3.2.2Begriff der Klassifikation22 3.3Standardisierung23 3.4Maße für die Ähnlichkeit von Objekten24 4.Methoden der statistischen [...]

Techniken des Data Mining, Knowledge Discovery und SPSS


Author: Holger Herrmann
Publisher: GRIN Verlag
ISBN: 3638897907
Category: Computers
Page: 32
View: 9027

Continue Reading →

Studienarbeit aus dem Jahr 2004 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,7, FernUniversität Hagen, Veranstaltung: Wirtschaftsinformatik, 7 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: 1 Einleitung 1.1 Definition und Ziele des Data Mining 1.2 Vorgehensweise 1.3 Probleme beim Data Mining 1.4 Aufbereitung der Daten 2 Data Mining und Knowledge Discovery 2.1 Definition: „Knowledge Discovery“ 2.2 Die Phasen des Knowledge Discovery 3 Data Mining als Bestandteil des Data Warehousing 4 Techniken des Data Mining 4.1 Klassifikation und Entscheidungsbaum 4.1.1 Ziele der Verfahren 4.1.2 Beschreibung der Klassifikation und des Entscheidungsbaums 4.1.3 Anwendungsbeispiel eines Entscheidungsbaums 4.1.4 Probleme bei Klassifikation und Entscheidungsbaum 4.2 Die Assoziationsregeln 4.2.1 Ziel der Assoziationsregeln 4.2.2 Erzeugung von Assoziationsregeln 4.2.3 Anwendungsbeispiel von Assoziationsregeln 4.2.4 Probleme bei Assoziationsregeln 4.3 Das Clustering 4.3.1 Ziel des Clustering 4.3.2 Beschreibung des Clustering 4.3.3 Anwendungsbeispiel des Clustering 4.3.4 Probleme beim Clustering 5 Data Mining mit SPSS 5.1 Was ist SPSS? 5.2 Ein Beispiel zur Entscheidungsbaum-Analyse 6 Data Mining mit SAS 6.1 Das Unternehmen „SAS“ 6.2 Die Lösungen von SAS 6.3 Die Brücke zwischen Theorie und Praxis: Musterbeispiel KSFE 7 Zusammenfassung und Ausblick

Einsatzmöglichkeiten von Data Mining im Marketing: Status Quo und Entwicklungspotenzial


Author: Bastian Schoenrade
Publisher: GRIN Verlag
ISBN: 3638392031
Category: Business & Economics
Page: 77
View: 7125

Continue Reading →

Diplomarbeit aus dem Jahr 2005 im Fachbereich BWL - Marketing, Unternehmenskommunikation, CRM, Marktforschung, Social Media, Note: 2,0, Universität Hohenheim (Institut für Betriebswirtschaftslehre), 116 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: Generell kann beobachtet werden, dass die Menge verfügbarer Informationen in den letzten Jahren stark zugenommen hat und diese Entwicklung sich auch in baldiger Zukunft nicht abschwächen wird. Eine Studie der University of Berkeley kommt zu dem Ergebnis, dass im Jahr 2002 fünf Exabyte neuer Informationen produziert und gespeichert wurden. Das entspricht bei Zugrundelegung der Weltbevölkerung fast 800 Megabyte pro Person. Im Jahr 1999 waren es nur 250 Megabyte pro Erdbewohner, was einem Wachstum von über 300% in drei Jahren entspricht. Das anhaltende exponentielle Wachstum des weltumspannenden unternehmensexternen Wissensspeichers Internet unterstreicht diese Ergebnisse. Auch im Marketingbereich werden Unternehmen mit diesem Phänomen der „Datenflut“ konfrontiert. Dabei können zwei Einflussbereiche identifiziert werden. Einerseits ermöglicht der technische Fortschritt die Generierung und Speicherung von Daten in noch nie dagewesenem Umfang durch billigere Speichermedien, bessere Speichertechnologien und leistungsfähigere Datenbankverwaltungssysteme. Andererseits führen organisationale Ursachen zu immer größeren Datenbeständen. Hier zeigen sich die Auswirkungen einer zunehmenden Automatisierung. So speichern Anwendungssysteme zur Unterstützung und Steuerung operativer Prozesse wachsende Mengen an Daten aufgrund einer Asymmetrie zwischen Datengewinnung und Datenvernichtung (vertikales Wachstum). Außerdem wird aufgrund zunehmender Umweltkomplexität die Erfassung einer größeren Anzahl von Fakten erforderlich (horizontales Wachstum). Die bereitstehende Masse von Daten führt jedoch nicht unbedingt zu einer besseren Informationsversorgung im Marketing. Es kann im Gegenteil sogar festgestellt werden, dass das Auffinden der gewünschten Information, die sinnvolle Verdichtung von Daten und generell eine Verwendung zu Zwecken der Entscheidungsunterstützung zu einem immer größeren Problem wird.

Data Mining im Personalmanagement

Eine Analyse des Einsatzpotenzials zur Entscheidungsunterstützung
Author: Franca Piazza
Publisher: Springer-Verlag
ISBN: 3834986488
Category: Business & Economics
Page: 227
View: 6092

Continue Reading →

Franca Piazza untersucht auf Basis der Entscheidungstheorie das Einsatzpotenzial von Data Mining im Personalmanagement. Sie zeigt, welche personalwirtschaftlichen Entscheidungen unterstützt werden können, worin der Beitrag zur personalwirtschaftlichen Entscheidungsunterstützung besteht und wie dieser zu bewerten ist.

Data Mining als Hilfsmittel für gezielte Datensuche


Author: Sandra Feist
Publisher: GRIN Verlag
ISBN: 3638619230
Category: Computers
Page: 31
View: 1572

Continue Reading →

Studienarbeit aus dem Jahr 2005 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt, Veranstaltung: Information und Kommunikation, 7 Literaturquellen, 16 Internetquellen Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: Durch die Informationsflut haben die Datenmengen in den letzten Jahren rasant zugenommen. Diese Datenberge können wertvolle Informationen enthalten, die zum Verständnis von wichtigen Zusammenhängen beitragen oder die Entscheidungsträger innerhalb eines Unternehmens bei wichtigen Entscheidungen unterstützen. Nicht zu unrecht wird Wissen oftmals als vierter Produktionsfaktor oder als entscheidender Wettbewerbsfaktor bezeichnet. Doch dieses Wissen in den Datenbergen kann oft nicht oder nur unzureichend genutzt werden. Denn Daten sind nicht gleich Information, bzw. Wissen. Im Gegensatz zu den herkömmlichen Verfahren, die auf einfachen statistischen Methoden und Datenbankmanagementsystemen basieren, verbinden Data-Mining Verfahren Methoden aus den Bereichen Statistik, Maschinelles Lernen, Datenbanken und Visualisierung. Diese unterstützen den Benutzer dabei, in großen Datenbeständen verborgene und für das Unternehmen wertvolle Daten aufzufinden. Mithilfe von Data Mining können die Unternehmen quasi einen Blick in die Zukunft werfen und Ereignisse mit einer gewissen Wahrscheinlichkeit voraussagen. In der nachfolgenden Arbeit wird zuerst in einer Einführung dargestellt, was man unter Data-Mining versteht und der Data-Mining Prozess anhand des CRISP- DM Modells erklärt. Anschließend werden die Data Mining Aufgaben und ihnen zugeordnete Methoden anhand von Beispielen veranschaulicht. Um die große Bedeutung für die Praxis zu verdeutlichen wird danach ein Überblick der wichtigsten Anwendungsfelder gegeben. Da ein Data Mining ohne Daten unmöglich ist, muss der Zielkonflikt zwischen Data Mining und dem Datenschutz diskutiert werden, bevor in einem Fazit auf die zukünftige Bedeutung des Data Mining eingegangen wird.

Data Mining im praktischen Einsatz

Verfahren und Anwendungsfälle für Marketing, Vertrieb, Controlling und Kundenunterstützung
Author: Paul Alpar,Joachim Niedereichholz
Publisher: Springer-Verlag
ISBN: 3322899500
Category: Technology & Engineering
Page: 232
View: 4206

Continue Reading →

Das Buch stellt anhand von Praxisfällen dar, wie mit Hilfe der Verfahren des Data Mining und der Business Intelligence Verhaltensmuster und Wissen in großen Datenbeständen entdeckt werden können. Es geht beispielsweise um Kundensegmentierung, Bonitätsprüfung oder Werbeträgerplanung in Branchen wie Versandhandel, Versicherung, Einzelhandel oder Telekommunikation.

Data Science für Unternehmen

Data Mining und datenanalytisches Denken praktisch anwenden
Author: Foster Provost,Tom Fawcett
Publisher: MITP-Verlags GmbH & Co. KG
ISBN: 3958455484
Category: Computers
Page: 432
View: 8175

Continue Reading →

State-of-the-Art der Nutzung von Data-Mining-Methoden im Performance Management


Author: Marc Kremer
Publisher: GRIN Verlag
ISBN: 3640775899
Category: Business & Economics
Page: 74
View: 335

Continue Reading →

Bachelorarbeit aus dem Jahr 2010 im Fachbereich BWL - Controlling, Note: 1,3, Georg-August-Universität Göttingen (Professur für Unternehmensrechnung und Controlling), Sprache: Deutsch, Abstract: Ziel der Bachelorarbeit ist die Darstellung der bisherigen Anwendung von Data-Mining-Methoden im Performance Management. Hierbei werden sowohl die methodischen Grundlagen von Data-Mining-Methoden als auch deren Einsatzmöglichkeiten analysiert. Ein besonderer Schwerpunkt liegt auf dem Bereich des Kundenwert-Controllings. Folgende Aspekte werden untersucht: Die Darstellung der theoretischen Grundlagen zum Data Mining, ein systematischer Überblick und Beurteilung der verschiedenen Data-Mining Methoden, der bisherige Einsatz von Data-Mining-Methoden im Performance Management, die Identifikation von Anwendungsmöglichkeiten des Data Mining, die Konzeption eines Fragebogens zur Verbreitung, Zielsetzung, Entscheidungsunterstützungspotenzialen, Nutzungs-/ Anwendungsgebieten etc. und die Diskussion von Potenzialen und Herausforderungen des Data Mining im Performance Management.

Urban data mining

Operationalisierung der Strukturerkennung und Strukturbildung von Ähnlichkeitsmustern über die gebaute Umwelt
Author: N.A
Publisher: KIT Scientific Publishing
ISBN: 3866442491
Category:
Page: 303
View: 7965

Continue Reading →

Data-Mining im Immobilien-Business


Author: Mirko Prescha
Publisher: Igel Verlag
ISBN: 3868151680
Category: Business & Economics
Page: 96
View: 6685

Continue Reading →

In diesem Werk werden Konzepte erarbeitet, die zeigen, wie sich Data Mining zur Unterstützung von Marketing und Customer Relationship Management im Immobilien E-Business praktisch nutzen lässt. Dazu werden die prinzipiellen Verfahren und Effekte des Data Mining erörtert und anschließend erarbeitet, wie sie sich im genannten praktischen Umfeld zulässigerweise effektiv nutzbar machen lassen.

Einsatzpotentiale von Data Mining und OLAP als Bestandteile moderner Managementunterstützungssysteme


Author: Christian Czech
Publisher: GRIN Verlag
ISBN: 3638850447
Category: Business & Economics
Page: 41
View: 3199

Continue Reading →

Diplomarbeit aus dem Jahr 2005 im Fachbereich Informationswissenschaften, Informationsmanagement, Note: 1,3, Verwaltungs- und Wirtschaftsakademie Essen , 11 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: Management ist das englische Wort für Führung. Führung seinerseits bedeutet das zielgerichtete Einwirken auf das Verhalten anderer Menschen. Es geht also um Ziele und um ein Einwirken. Jedes Unternehmen wird mit einer Vision gegründet. Aus dieser Vision werden Handlungsstrategien abgeleitet, die die Erreichung von Zwischenzielen ermöglichen. Durch Vorgabe von konkreten Zielgrößen werden die Strategien operationabel gemacht. Das bedeutet, die Mitarbeiter des Unternehmens erhalten genaue Zielvorgaben, die sie zu erfüllen haben. Es stellt sich hierbei jedem Manager die Frage, welche Zielvorgaben zu wählen sind. Bei dieser Entscheidung sind einerseits die Vision des Unternehmens und die aktuellen Strategien von Bedeutung, andererseits aber auch die derzeitige Situation sowie die zurückliegende Entwicklung. Es sind also Unternehmensdaten aus der Vergangenheit und Gegenwart in Betracht zu ziehen und daraus Zukunftswerte, also Planzahlen, abzuleiten. Hierbei eignen sich EDV-Anlagen zur Unterstützung dieser Entscheidung sehr gut. Grundlage sind eine oder mehrere umfangreiche Datenbanken, die zur Bearbeitung der laufenden Geschäftsvorfälle durch Benutzereingaben abgefragt oder geändert werden können. Hierbei werden operative Informationssysteme und sog. Führungsinformationssysteme (engl. Executive Information Systems, EIS) unterschieden. Nach Hansen zählen zu den operativen IS Systeme für die Abwicklung von Geschäftstransaktionen (Transaktionssysteme) und Systeme, die Entscheidungen vorbereiten oder selber treffen (Dispositionssysteme). Auf strategischer Ebene existieren Planungssysteme, die Führungskräfte bei ihren Planungsaufgaben unterstützen, und Kontrollsysteme, die zur Überwachung der Einhaltung der Pläne durch Soll-Ist-Vergleiche und Hinweise auf notwendige Korrekturmaßnahmen dienen. Sämtliche Arten von Informationssystemen für Führungskräfte werden als Managementunterstützungssysteme (MUS) bezeichnet. Die aktuelle Situation in den Unternehmen ist allerdings weit entfernt von dieser Idealvorstellung. Durch den Einsatz moderner Informations- und Kommunikationstechniken steht zwar eine Vielzahl von digitalen Daten zur Verfügung, allerdings ist kaum jemand in der Lage, diese sinnvoll zu nutzen. Dieser Istzustand lässt sich charakterisieren als Informationsarmut trotz Datenflut. Die Datenflut entsteht durch den unternehmensweiten Einsatz operativer Anwendungssysteme.“ ...