Ziel der Bachelorarbeit ist die Darstellung der bisherigen Anwendung von Data-Mining-Methoden im Performance Management. Hierbei werden sowohl die methodischen Grundlagen von Data-Mining-Methoden als auch deren Einsatzmöglichkeiten analysiert. Ein besonderer Schwerpunkt liegt auf dem Bereich des Kundenwert-Controllings. Folgende Aspekte werden untersucht: Die Darstellung der theoretischen Grundlagen zum Data Mining, ein systematischer Überblick und Beurteilung der verschiedenen Data-Mining Methoden, der bisherige Einsatz von Data-Mining-Methoden im Performance Management, die Identifikation von Anwendungsmöglichkeiten des Data Mining, die Konzeption eines Fragebogens zur Verbreitung, Zielsetzung, Entscheidungsunterstützungspotenzialen, Nutzungs-/ Anwendungsgebieten etc. und die Diskussion von Potenzialen und Herausforderungen des Data Mining im Performance Management.
Inhaltsverzeichnis
- 1 Data Mining als Instrument der Entscheidungsunterstützung im Kontext wachsender Datenmengen
- 2 Theoretische Grundlagen des Data Mining
- 2.1 Begriffe und Entwicklung des Data Mining
- 2.2 Der KDD-Prozess in Abgrenzung zum Data Mining
- 2.3 Einordnung des Data Mining in die analytischen Informationssysteme
- 2.4 Aktivitäten und Problemstellungen des Data Mining
- 3 Systematischer Überblick und Beurteilung der verschiedenen Data-Mining-Methoden
- 3.1 Fallbasiertes Schließen
- 3.2 Neuronale Netze
- 3.3 Entscheidungsbäume
- 3.4 Genetische Algorithmen
- 3.5 Visualisierung
- 4 Bisheriger Einsatz von Data-Mining-Methoden im Performance Management verschiedener Branchen
- 4.1 Banken
- 4.1.1 Betrugserkennung
- 4.1.2 Financial Management
- 4.2 Handel
- 4.2.1 Warenkorbanalyse und Cross Selling
- 4.2.2 Direct- und Database-Marketing
- 4.3 Industrie
- 4.3.1 Ursachenanalyse von Fehlern in Produktionsprozessen
- 4.3.2 Vorhersage von Komponentenausfällen in der Flugzeugwartung
- 4.4 Branchenübergreifender Einsatz von Data-Mining-Methoden
- 4.4.1 Kundenwert-Controlling
- 4.4.2 Customer Relationship Management
- 5 Identifikation von Anwendungsmöglichkeiten des Data Mining
- 5.1 Text-, Opinion- und Web-Mining
- 5.2 Churn Management
- 5.3 Neuere Ansätze zur Betrugserkennung
- 6 Konzeption eines Fragebogens zur Verbreitung, Zielsetzung, Entscheidungsunterstützungspotenzialen und Nutzungs-/Anwendungsgebieten des Data Mining
- 7 Diskussion von Potenzialen und Herausforderungen des Data Mining im Performance Management
- 7.1 aCRM: Trends und Probleme
- 7.2 Nichtnumerische, nichtstationäre und multidimensionale Daten
- 7.3 Datenschutzrechtliche Aspekte des Data Mining
Zielsetzung und Themenschwerpunkte
Diese Bachelorarbeit befasst sich mit der Darstellung der bisherigen Anwendung von Data-Mining-Methoden im Performance Management. Die Arbeit analysiert sowohl die methodischen Grundlagen von Data-Mining-Methoden als auch deren Einsatzmöglichkeiten. Ein besonderes Augenmerk liegt auf dem Bereich des Kundenwert-Controllings.
- Theoretische Grundlagen des Data Mining
- Systematischer Überblick und Beurteilung verschiedener Data-Mining-Methoden
- Bisheriger Einsatz von Data-Mining-Methoden im Performance Management
- Identifikation von Anwendungsmöglichkeiten des Data Mining
- Potenziale und Herausforderungen des Data Mining im Performance Management
Zusammenfassung der Kapitel
Kapitel 1 führt in das Thema Data Mining und dessen Relevanz im Kontext wachsender Datenmengen ein. Kapitel 2 beleuchtet die theoretischen Grundlagen des Data Mining, einschließlich Definitionen, Entwicklung und Abgrenzung zu anderen Konzepten wie dem KDD-Prozess und analytischen Informationssystemen. Kapitel 3 bietet einen systematischen Überblick und eine Beurteilung verschiedener Data-Mining-Methoden, darunter Fallbasiertes Schließen, Neuronale Netze, Entscheidungsbäume, Genetische Algorithmen und Visualisierung.
Kapitel 4 analysiert den bisherigen Einsatz von Data-Mining-Methoden im Performance Management verschiedener Branchen, inklusive Banken, Handel, Industrie und branchenspezifischen Anwendungen wie Betrugserkennung, Warenkorbanalyse und Kundenwert-Controlling. Kapitel 5 identifiziert weitere Anwendungsmöglichkeiten des Data Mining, wie Text-, Opinion- und Web-Mining, Churn Management und neuere Ansätze zur Betrugserkennung.
Schlüsselwörter
Data Mining, Performance Management, Kundenwert-Controlling, KDD-Prozess, Data-Mining-Methoden, Fallbasiertes Schließen, Neuronale Netze, Entscheidungsbäume, Genetische Algorithmen, Betrugserkennung, Warenkorbanalyse, Customer Relationship Management, Text-Mining, Opinion-Mining, Web-Mining, Churn Management, Datenschutzrechtliche Aspekte.
Häufig gestellte Fragen
Wie wird Data Mining im Performance Management eingesetzt?
Es dient zur Analyse großer Datenmengen, um Trends zu erkennen, Prozesse zu optimieren und fundierte Entscheidungen zur Unternehmenssteuerung zu treffen.
Was ist Kundenwert-Controlling?
Ein Bereich des Controllings, der mithilfe von Data Mining den aktuellen und zukünftigen Wert eines Kunden für das Unternehmen berechnet.
Welche Branchen nutzen Data Mining besonders intensiv?
Vor allem Banken (Betrugserkennung), der Handel (Warenkorbanalyse) und die Industrie (Fehleranalyse in der Produktion) profitieren davon.
Was sind neuronale Netze?
Es handelt sich um eine Data-Mining-Methode, die die Funktionsweise des menschlichen Gehirns nachahmt, um komplexe nichtlineare Muster in Daten zu finden.
Welche Herausforderungen gibt es beim Data Mining?
Zentrale Herausforderungen sind der Datenschutz, die Qualität der Quelldaten und die Komplexität der Interpretation der Ergebnisse.
- Quote paper
- Marc Kremer (Author), 2010, State-of-the-Art der Nutzung von Data-Mining-Methoden im Performance Management, Munich, GRIN Verlag, https://www.grin.com/document/162691
