Beschreibung
Produktdetails
Einband
Taschenbuch
Erscheinungsdatum
03.09.1999
Verlag
GRINSeitenzahl
104
Maße (L/B/H)
21/14,8/0,8 cm
Gewicht
163 g
Auflage
4. Auflage
Sprache
Deutsch
ISBN
978-3-8386-1721-3
Diplomarbeit aus dem Jahr 1997 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,0, Universität Stuttgart (Unbekannt), Sprache: Deutsch, Abstract: Inhaltsangabe:Einleitung:
Immer schneller steuern die westlichen Industrieländer auf die sogenannte Informationsgesellschaft zu. Unternehmen beschäftigen sich immer stärker mit den Themen Information und Kommunikation, um daraus Wettbewerbsvorteile zu erzielen. In jedem Jahr werden in einem Unternehmen neue Daten von EDV -Anwendungen produziert, so daß die vorhandene Datenmenge rapide zugenommen hat und auch weiterhin wächst. Man schätzt, daß sich die Menge weltweit vorhandener Informationen alle 20 Monate verdoppelt.
Diese objektive Datenzunahme macht sich auch subjektiv als Information Overload bemerkbar. In diverser Literatur wird dabei sogar von einem Datennirvana gesprochen. Es fällt deshalb immer schwerer, aus einer Fülle ungeordneter Daten schnell und verläßlich wichtige Informationen, die Grundlage aller Entscheidungen sind, herauszuziehen. Die Situation in vielen Unternehmen kann als Informationsarmut im Datenüberfluß bezeichnet werden. Dies führte zu einem gesteigerten Interesse an Methoden, die automatisch nützliches Wissen aus großen Datenbanken filtern können. Das idealisierte Ziel ist letztendlich die Information auf Knopfdruck.
Aus dieser Entwicklung heraus hat sich in den letzten ca. 5 Jahren unter den Synonymen Data Mining, Knowledge Discovery in Databases oder Datenmustererkennung eine neue Forschungsrichtung etabliert. Das Forschungsziel sind allgemein verwendbare, effiziente Methoden, die selbständig aus riesigen unbereinigten Datenmengen versteckte Informationen identifizieren können und dem Anwender als Wissen präsentieren, das von hoher strategischer Bedeutung ist. Erste Erfolge im Bereich des Data Mining dokumentieren Workshops der letzten Jahre und das beachtliche Angebot an kommerziellen Software-Tools für die Datenmustererkennung. Berichte aus der Praxis sind zwar noch rar, aber es mehren sich Hinweise darauf, daß Data Mining Fuß fassen wird.
Voraussetzung für effektives und erfolgreiches Data Mining ist allerdings ein gut organisierter Datenbestand, eine konsistente Datenbasis, z. B. in Form eines sog. Data Warehouse. Einerseits wird die Datengrundlage verbreitert, andererseits liegen die Daten in einer systematischen Ordnung zur Analyse vor.
Da die lmplementierung eines Data Warehouse und des Data Mining langfristig und evolutionär angelegt sein muß, sollte diese strategische Entscheidung auf oberster Ebene getroffen werden. Nicht zuletzt deswegen, weil auch außerordentlich hohe Kosten damit verbunden sein können.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Einleitung1
1.1Problem1
1.2Zielsetzung2
1.3Vorgehensweise2
2.Produktivitäts- und Wettbewerbsfaktor Information4
2.1Von Daten zu Informationen4
2.2Die strategische Bedeutung von Information6
2.3Entwicklung der Informationssysteme (Vom MIS zum Data Warehouse)10
2.3.1Management-Informationssysteme (MIS)11
2.3.2Controlling-Ära (DSS)12
2.3.3FIS/EIS12
2.3.4Data Warehouse und FIS13
3.Das Data Warehouse als geeignete Grundlage für Data Mining15
3.1Definition15
3.2Datenkonfigurationen im Data Warehouse18
3.3Konzeption eines Data Warehouse22
3.4Aufbau eines Data Warehouse28
3.5Bedeutung und Nutzen eines Data Warehouse30
3.6Tools im Data Warehouse31
4.Data Mining als betriebliches Informationssystem35
4.1Begriffsdefinition und Historie35
4.2Rahmenkonzept38
4.2.1Verifikationsmodelle versus Entdeckungsmodelle38
4.2.2Anforderungen an Data Mining40
4.2.3Das Data-Mining-System44
4.3Funktionen und Ziele des Data Mining46
4.3.1Datenaufbereitung und -integration48
4.3.2Datenanalyse48
4.3.2.1Segmentierung / Clustering48
4.3.2.2Klassifik...
Immer schneller steuern die westlichen Industrieländer auf die sogenannte Informationsgesellschaft zu. Unternehmen beschäftigen sich immer stärker mit den Themen Information und Kommunikation, um daraus Wettbewerbsvorteile zu erzielen. In jedem Jahr werden in einem Unternehmen neue Daten von EDV -Anwendungen produziert, so daß die vorhandene Datenmenge rapide zugenommen hat und auch weiterhin wächst. Man schätzt, daß sich die Menge weltweit vorhandener Informationen alle 20 Monate verdoppelt.
Diese objektive Datenzunahme macht sich auch subjektiv als Information Overload bemerkbar. In diverser Literatur wird dabei sogar von einem Datennirvana gesprochen. Es fällt deshalb immer schwerer, aus einer Fülle ungeordneter Daten schnell und verläßlich wichtige Informationen, die Grundlage aller Entscheidungen sind, herauszuziehen. Die Situation in vielen Unternehmen kann als Informationsarmut im Datenüberfluß bezeichnet werden. Dies führte zu einem gesteigerten Interesse an Methoden, die automatisch nützliches Wissen aus großen Datenbanken filtern können. Das idealisierte Ziel ist letztendlich die Information auf Knopfdruck.
Aus dieser Entwicklung heraus hat sich in den letzten ca. 5 Jahren unter den Synonymen Data Mining, Knowledge Discovery in Databases oder Datenmustererkennung eine neue Forschungsrichtung etabliert. Das Forschungsziel sind allgemein verwendbare, effiziente Methoden, die selbständig aus riesigen unbereinigten Datenmengen versteckte Informationen identifizieren können und dem Anwender als Wissen präsentieren, das von hoher strategischer Bedeutung ist. Erste Erfolge im Bereich des Data Mining dokumentieren Workshops der letzten Jahre und das beachtliche Angebot an kommerziellen Software-Tools für die Datenmustererkennung. Berichte aus der Praxis sind zwar noch rar, aber es mehren sich Hinweise darauf, daß Data Mining Fuß fassen wird.
Voraussetzung für effektives und erfolgreiches Data Mining ist allerdings ein gut organisierter Datenbestand, eine konsistente Datenbasis, z. B. in Form eines sog. Data Warehouse. Einerseits wird die Datengrundlage verbreitert, andererseits liegen die Daten in einer systematischen Ordnung zur Analyse vor.
Da die lmplementierung eines Data Warehouse und des Data Mining langfristig und evolutionär angelegt sein muß, sollte diese strategische Entscheidung auf oberster Ebene getroffen werden. Nicht zuletzt deswegen, weil auch außerordentlich hohe Kosten damit verbunden sein können.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Einleitung1
1.1Problem1
1.2Zielsetzung2
1.3Vorgehensweise2
2.Produktivitäts- und Wettbewerbsfaktor Information4
2.1Von Daten zu Informationen4
2.2Die strategische Bedeutung von Information6
2.3Entwicklung der Informationssysteme (Vom MIS zum Data Warehouse)10
2.3.1Management-Informationssysteme (MIS)11
2.3.2Controlling-Ära (DSS)12
2.3.3FIS/EIS12
2.3.4Data Warehouse und FIS13
3.Das Data Warehouse als geeignete Grundlage für Data Mining15
3.1Definition15
3.2Datenkonfigurationen im Data Warehouse18
3.3Konzeption eines Data Warehouse22
3.4Aufbau eines Data Warehouse28
3.5Bedeutung und Nutzen eines Data Warehouse30
3.6Tools im Data Warehouse31
4.Data Mining als betriebliches Informationssystem35
4.1Begriffsdefinition und Historie35
4.2Rahmenkonzept38
4.2.1Verifikationsmodelle versus Entdeckungsmodelle38
4.2.2Anforderungen an Data Mining40
4.2.3Das Data-Mining-System44
4.3Funktionen und Ziele des Data Mining46
4.3.1Datenaufbereitung und -integration48
4.3.2Datenanalyse48
4.3.2.1Segmentierung / Clustering48
4.3.2.2Klassifik...
Ein neues Kapitel für Ihre Bücher
Ein neues Kapitel für Ihre Bücher
Schenken Sie Ihren alten Schätzen ein zweites Leben und erhalten dafür eine Thalia Geschenkkarte.
Noch keine Bewertungen vorhanden
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.
Kurze Frage zu unserer Seite
Vielen Dank für Ihr Feedback
Wir nutzen Ihr Feedback, um unsere Produktseiten zu verbessern. Bitte haben Sie Verständnis, dass wir Ihnen keine Rückmeldung geben können. Falls Sie Kontakt mit uns aufnehmen möchten, können Sie sich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice