8

Data Mining (Fach) / Grundlagen (Lektion)

Diese Lektion wurde von Niiklas1997 erstellt.

Lektion lernen

Diese Lektion ist leider nicht zum lernen freigegeben.

zurück  |  weiter 1 / 1

• Was versteht man unter Business Analytics? Die Kompetenz, verfügbare unternehmensinterne- und externe Daten so zu analysiere, dass konkrete betriebswirtschaftliche Prfoblemstellungen evidenzbasiert gelöst werden können, um für Unternehmen Wettbewerbsvorteile generieren zu können.
• Wo finden Data Mining und Business Analytics Anwendung? - personalisierte Produktempfehlungen - Marketing (Marktmonitoring) - Produktion (autonome Planung und Steuerung) - Logistik (Prognosen) - Retail (Warenkorbanalysen) - Bilderkennung - Text Mining im Dokumentenmanagement
• Knowledge Discovery in Databases-Prozess 1. Domäne verstehen und KDD-Ziele (Knowledge Discovery in Databases) definieren 2. Rohdaten- und dienste sammeln 3. Datenspezifikation und -auswahl 4. Preprocessing und Datenreinigung 5. Aufbereitete Daten stehen zur Verfügung 6. Transformation 7. Transformierte Daten stehen zur Verfügung 8. Data Mining 9. Data Mining Modell 10. Evaluation und Analyse 11. Knowledge Discovery
• Methoden und Technologien im Bereich Data Mining - Klassifikation, Clustering und Regression - Künstliche Intelligenz, Machine und Deep Learning - Künstliche Neuronale Netze - Random Forest - Metriken und Maße
• Zusammenhänge Business Intelligence und Data Mining Business Intelligence: -> Big Data-> Data Warehouse-> OLAP=> Ad-hoc Auswertung, Was passiert? Data-Mining: -> Data preperation-> Feature selection-> Analysis of Data-Mining-methods-> Evaluating=> Warum passiert, was passiert? Danach: -> Predicitive analytics-> Prescriptive analytics-> Deployment=> Was wird passieren und wozu können wir diese Informationen nutzen?
• 3 V's von Big Data, um Merkmale zu beschreiben 1. Volume: -> Das jährlich generierte Datenvolumen steigt potenziell an 2. Variety: -> Die generierten Daten kommen aus unterschiedlichen Quellen und liegen in verschiedenen Formaten vor, bspw. numerische Daten, Text, Bild, Audio 3. Velocity: -> Die Daten verändern sich in einer hohen Geschwindigkeit und werden teilweise sekündlich erzeugt, Auswertungen müssen daher ständig aktualisiert werden 4. Weitere V's wären Viability und Value, doch sind diese bereits bei einer gewöhnlichen Datananlyse relevant.
• Business Analytics Prozess 1. Fachliche Problembeschreibung: -> Analyse der Problemstellung, Anforderungen definieren, Kontext beschreiben, erwartete und bekannte Zusammenhänge erläutern 2. Plan: -> Allokation, Daten, IT, Ressourcen 3. Ergebnis: -> Analytics und Data Mining, Aufbereitung, Modell, Ergebnisse, Analyse und Evaluation 4. Einsatzplan: -> Verwendung der Ergebnisse, Präsentation, Entscheidungsprozesse, Anwendungssystem, Handlungsempfehlungen
• Cross Industry Standard Process for Data Mining (CRISP-DM) - Prozessschritte 1. Business Understanding: relevante Problemstellung identifizieren und Ziele definieren 2. Data Understanding: Auswahl relevanter Daten, Bewertung hinsichtlich der Qualität, Umgang mit fehlerhaften/fehlenden Daten, deskriptive Analysen, Aggregation 3. Data Preparation: Transformation der Daten in der notwendigen Form für den Input eines Modells, Kodierung, Skalierung, Reduktion 4. Modeling: Auswahl und Trainieren eines Modells abhängig von den Zielen/verfügbaren Daten, Optimierung der Parameter 5. Evaluation: Testen des Modells auf "ungesehene" Daten, Einsatz unterschiedlicher Metriken/Evaluationsmethoden 6. Deployment: Integration des Modells in bestehende Systeme, Testphase mit vollkommen neuen Daten, Skalierbarkeit, Robustheit

zurück  |  weiter 1 / 1