Beschreibung
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...
