Back To Top

info@comelio.com

  • Berlin, Germany
    Comelio GmbH
    Fon: +49.30.8145622.00
    Fax: +49.30.8145622.10

  • Frankfurt, Germany
    Comelio GmbH (Ecos Office)
    Fon: +49.69.1732068.30
    Fax: +49.69.1732068.39

  • Düsseldorf, Germany
    Comelio GmbH (Ecos Office)
    Fon: +49.211.6355642.00
    Fax: +49.211.6355642.09

  • Hamburg, Germany
    Comelio GmbH (Ecos Office)
    Fon: +49.40.209349960
    Fax: +49.40.209349969

  • Hannover, Germany
    Comelio GmbH (Ecos Office)
    Fon: +49.511.165975060
    Fax: +49.511.165975069

  • Stuttgart, Germany
    Comelio GmbH (Ecos Office)
    Fon: +49.711.460512750
    Fax: +49.711.460512759

  • München, Germany
    Comelio GmbH (Ecos Office)
    Fon: +49.711.460512750
    Fax: +49.711.460512759

  • Miami, USA
    Comelio, Inc. (Regus)
    Fon: +1.305.395.7962
    Fax: +1.305.395.7964

  • Kolkata, India
    Comelio Business Solutions Pvt. Ltd.
    Fon: +9133.4601.4451
    Fax:+9133.4601.4452

Einführung

Machen Sie den Schritt von Daten zu Wissen

Comelio Business Intelligence EinführungKonzentrieren Sie sich zurzeit zu stark auf die reine Darstellung gegenwärtiger Daten?
Möchten Sie Ihre Daten erklären und Einflussfaktoren für ihre Entwicklung ableiten?
Wollen Sie stärker Voraussagen  und Prognosen durchführen - sei es für zeitbezogene Daten-Entwicklung oder Vorhersagen von faktorgetriebenen Ergebnissen?

 

Das Potenzial von Data Mining nutzen

Comelio Business Intelligence EinführungData Mining hängt eng mit anderen Begriffen wie "Knowledge Discovery in Databases" (Entdeckung von Wissen in Datenbanken) oder auch "maschinellen Lernen" zusammen. Die jeweiligen Verfahren fokussieren entweder die Entdeckung neuer und unbekannter Muster oder das Erlernen und die spätere Anwendung von definierten Mustern und Regeln.

Data Mining führt beim Einsatz zu einem Data Mining-Prozess, so wie auch Business Intelligence einen Prozesscharakter aufweist. Dies liegt daran, dass Data Mining-Modelle kontinuierlich mit neuen Daten gespeist werden können, um bei gleich bleibender Fragestellung sich verändernden Datenstrukturen anzupassen.

Von Berichten zu tiefen Analysen

Mit Data Mining und dem Einsatz von explorativer Analyse machen Sie den letzten Schritt von der reinen Darstellung von Daten zur Extraktion von Wissen und Identifizieren von Mustern und Trends.

  1. Analysen mit einem Berichtssystem:
    Der erste Schritt, bei dem man Daten präsentiert und für eine bessere Übersicht aufbereitet, kommen solchen Techniken wie Pivot-Darstellungen, Aggregate, Filter, Sortierungen und Gruppierungen zum Einsatz.
  2. Analysen mit statistischen Verfahren:
    Im zweiten Schritt kann man Statistik und vor allen Dingen multivariate Analyseverfahren einsetzen. Sie erlauben eine stärkere Fokussierung auf Muster und Zusammenhängen bzw. Kausalitäten in den Daten. Für Geschäftsdaten sind besonders Regressions- und Kontingenzanalyse und Zeitreihenanalyse von Bedeutung.
  3. Analysen mit Data Mining:
    Im dritten Schritt setzt man Analyse-Techniken ein, die ein noch stärkeres Gewicht auf die Analyse von Einflussfaktoren und ihre Bedeutung sowie ihre Wirkung untereinander legen, die Daten automatisch trennen  und gruppieren bzw. hierarchisieren oder die Regeln und innere Strukturen aufdecken. Data Mining erlaubt sowohl eine Erklärung über Muster wie auch eine Prognose von Werten.

Vielfältige Data Mining-Techniken verfügbar

Zurzeit sind viele verschiedene Data-Mining-Verfahren bekannt, die sich in die folgenden Gruppen einordnen lassen:

  • Clusteranalyse: Gruppierung von Objekten aufgrund von Ähnlichkeiten
  • Ausreißererkennung: Identifikation von ungewöhnlichen Datensätzen
  • Assoziationsanalyse: z. B. Warenkorbanalyse
  • Multivariate Statistik:
    • Hauptkomponentenanalyse: Identifikation und Extraktion weniger systembestimmender Faktoren
    • Faktorenanalyse: datenreduzierende Informationsverdichtung durch Bündelung mehrerer Variablen zu wenigen Faktoren
    • Regressionsanalyse: Identifikation von Beziehungen zwischen einer abhängigen und einer oder mehrerer unabhängigen Variablen
  • Klassifikationsverfahren: Einordnung von Objekten in bestimmte Klassen und Kategorien
    • Diskriminanzanalyse: Klassifikation von Objekten unbekannter Klassenzugehörigkeit
    • Entscheidungsbäume: Darstellung aufeinanderfolgender, hierarchischer Entscheidungen
    • Attributsgewichtung (auch Sensitivitätsanalyse): Einfluss von Faktoren auf bestimmte Ergebnisgrößen
    • Support-Vector-Maschine: Aufteilung von Objekten in zwei Klassen unter Maximierung des Abstands zur Klassengrenze
    • Künstliche neuronale Netze: Überführung beliebiger Eingabemuster in das gewünschte Ausgabemuster

 

Ausgangspunkt für Erweiterungen

Comelio Business Intelligence EinführungData Mining stellt die Gruppen der anspruchsvollsten Analysetechniken dar, sodass Erweiterungen im Bereich der Datenanalyse schwierig denkbar sind. Die Ergebnisse lassen sich jedoch wiederum in bestehenden Business Intelligence-Lösungen integrieren.

  • Software-Integration
    Die Ergebnisse aus Data Mining-Modellen können in individueller Analyse-Software oder Kennzahlensystemen wieder integriert werden. Man bietet dabei dem Benutzer eine meist einfach und intuitive zu bedienende Software an, deren Ergebnisse jedoch aus komplexen Data Mining-Verfahren abgeleitet werden.
  • Expertensysteme:
    Geht es um bewertende Fragestellungen und die Unterstützung von Entscheidungen, so ist es auch möglich, ein auf ein selbst definiertes Regelsystem aufbauendes Expertensystem zu entwickeln. Dieses kann auch statische Verfahren oder Data Mining-Techniken enthalten.