Navigation überspringen ([Alt] + [0])

Sitemap | english Version

>> Ressourcen > Theses > Richter, Wolfga[..] > thesis-final > Eine Data Minin[..]

• Über uns
  • Mitarbeiter
  • Aktuelles
  • ... mehr über uns
  • Kontaktinformationen
• Lehre
  • Offene Projekte
  • Lehrveranstaltungen
  • LV-Unterlagen
  • Abschlussarbeiten
• Forschung
  • Forschungsbereiche
  • Projekte
  • Publikationen
  • Partner

• TU Graz
• TUGRAZonline
• Impressum

Eine Data Mining Lösung in 10 Schritten

Da es beim Aufbau einer Plattform für Data Mining nicht so einfach ist, abschätzen zu können, welche Schritte notwendig sind, welche Techniken eingesetzt werden sollen und wie groß der Aufwand sein wird, ist es sinnvoll, sich an einem Konzept zu orientieren. Parsis Dastani hat auf [Dastani2000a] 10 Stufen definiert, die den Weg zur Bildung einer geeigneten Data Mining-Lösung beschreiben.

1. Zielformulierung - In dieser Phase müssen die Anforderungen klar sein und das Ziel definiert werden. Durch die Festlegung der Rahmenbedingungen kann in dieser Phase ein Lösungsszenario entworfen werden.
2. Ziel-Operationalisierung - In dieser Phase findet die Transformation des allgemein formulierten Ziels der 1. Phase in eine Data Mining-Lösung statt.
3. Daten-Audit - Hier wird analysiert, welche Daten für das Data Mining nützlich sein können. Die vorhandenen Datenbanken werden begutachtet und die potentiell nützlichen Datenfelder festgelegt.
4. Methodenwahl - Aufgrund der gegebenen Aufgabenstellung und der Rahmenbedingungen, sowie des Ziels wird die Data Mining-Methode ausgesucht. Im Vordergrund steht bei der Auswahl der Methode das wirtschaftliche und nicht das wissenschaftliche Ziel.
5. Flatfile-Erstellung - Ein Flat-File enthält alle relevanten Kundeninformationen. Man muß darauf achten, dass nicht alle Daten, welche in einem Bereich gesammelt wurden, für das Data Mining relevant sind, sondern muß das Augenmerk auf gewisse Datenblöcke legen.
6. Datentransformation - Nach der Auswahl der relevanten Daten (Aggregation), müssen die Daten, abhängig von der jeweilig gewählten Data Mining-Methode, transformiert werden.
7. Entwicklung - Die in dem transformierten File vorhandenen Daten werden analysiert. Die Vorgehensweise des Analyseprozesses hängt von der gewählten Data Mining-Methode ab.
8. Ökonomische Validierung - Mittels in der Vergangenheit gewonnener Datenbestände können retrospektive Tests durchgeführt werden, welche die mögliche Performance der Data Mining-Lösung aufzeigen. Auch Simulationen können zur Analyse der Methode herangezogen werden.
9. Implementierung und Roll-Out - Nach Abschluß der Testphase wird die entwickelte Lösung in die betrieblichen Abläufe integriert.
10. Feed-Back und Controlling - Die Performance der entwickelten Lösung muß in regelmäßigen Abständen untersucht werden. Dadurch können potentielle Störfaktoren erkannt und eliminiert werden.

Mithilfe dieser 10 Stufen ist es einfacher, an ein Data Mining-Projekt heranzugehen. Es kann je nach Aufgabenstellung und bzw. oder vorhandenen Systemen zu Abweichungen kommen, generell stellen aber diese 10 Schritte die wesentlichen Meilensteine für die Realisierung einer Data Mining-Lösung dar. [Dastani2000a]