Studienarbeit aus dem Jahr 2005 im Fachbereich Informatik - Wirtschaftsinformatik Note: 2 0
FernUniversität Hagen (Wirtschaftswissenschaften) 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 über 50GB Daten pro Stunde. Insbesondere für
das Management enthalten diese Daten wertvolles Wissen um Probleme aufzudecken
Produktionsabläufe zu optimieren oder bessere Zukunftsprognosen anzustellen. Resultat dieser
Bemühungen um den strategischen Wettbewerbsfaktor Wissen ist eine langfristig bessere
Positionierung des Unternehmens am Markt.Ohne Analyse dieser Daten steht jedoch das Wissen
nicht zur Verfügung. Aufgrund der Datenmenge scheiden jedoch manuelle Analyseverfahren aus und
es werden schnelle und effiziente automatisierte Analyseverfahren nötig. Mit dem Data Mining
beziehungsweise dem Knowledge Discovery in Databases (KDD) existiert ein mächtiges Werkzeug um
die sehr umfangreiche Aufgabe der Wissensextraktion zu bewältigen 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 Überblick über Data Mining gegeben. Dazu wird der Begriff Data
Mining erläutert gegenüber dem KDD abgegrenzt und das Data Mining bezüglich 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 Mining direkt in Datenbank-Management Systemen zu integrieren wird die Anwendung
anhand von drei Beispielen: SQL MM SAS und SPSS vorgestellt. Im vierten Kapitel wird
exemplarisch auf die vielfältigen wirtschaftlichenAnwendungsmöglichkeiten des Data Mining
eingegangen. Nach einem Überblick werden die Bereiche Marketing Handel Bankenwesen
Verbrechensbekämpfung und Suchmaschinen genauer beleuchtet. Daß auch beim Data Mining einige
Probleme auftreten wird im Kapitel fünf betrachtet. Der Fokus liegt hier auf den
Problemfeldern Softwarequalität Datenschutz Laufzeitverhalten und Aussagekraft der
Ergebnisse. Abgeschlossen werden die Ausführungen dieser Arbeit mit einer Zusammenfassung.
