Diese Arbeit hat zur Aufgabe, ausgewählte Data-Mining-Prozessmodelle anhand ihrer Stärken und Schwächen im Sinne einer qualitativen Analyse zu vergleichen. Darauf aufbauend wird eine Empfehlung abgeleitet, welches Prozessmodell sich für den Gebrauch in Unternehmens-Kontext am besten eignet. Zu Beginn wird den Lesenden mit Kapitel 2 die wachsende Bedeutung von Daten als Ressource verdeutlicht. Im Anschluss daran werden die Grundlagen von Data-Mining und daraus abgeleitete Aufgaben ergründet (Kap. 3). Darauffolgend werden drei ausgewählte Data-Mining-Prozessmodelle und ihre Etappen beschrieben (Kap. 4). Letztlich folgt eine qualitative Analyse, die aus der Gegenüberstellung der einzelnen Phasen (Kap. 5. 1) und der Ergründung qualitativer Unterschiede (Kap. 5. 2) besteht.
Inhaltsverzeichnis
- Einleitung
- Einführung in die Thematik
- Zielsetzung, Aufbau und Methodik
- Daten als Ressource
- Grundlagen zu Data-Mining und Data-Mining-Aufgaben
- Beschreibung ausgewählter Data-Mining-Prozessmodelle
- Cross-Industry Standard Process for Data Mining (CRISP-DM)
- Knowledge Discovery in Databases
- Team Data Science Process
- Vergleich ausgewählter Prozesse
- Gegenüberstellung von Etappen ausgewählter Data-Mining-Prozessrahmen
- Beschreibung ausgewählter qualitativer Unterschiede
- Fazit
Zielsetzung und Themenschwerpunkte
Diese Arbeit befasst sich mit der Bewertung ausgewählter Data-Mining-Prozessmodelle im Kontext des Prozessmanagements. Dabei wird eine qualitative Analyse durchgeführt, um Stärken und Schwächen der Modelle herauszustellen und eine Empfehlung für den Einsatz in Unternehmen abzuleiten.
- Die Bedeutung von Daten als Ressource im Kontext von Big Data und die daraus resultierenden Herausforderungen für Unternehmen.
- Grundlagen und Aufgabenbereiche von Data-Mining.
- Beschreibung und Analyse verschiedener Data-Mining-Prozessmodelle, wie CRISP-DM, KDD und TSDP.
- Vergleich der Prozessmodelle anhand ihrer Phasen und qualitativen Unterschiede.
- Empfehlung für ein geeignetes Data-Mining-Prozessmodell für den Einsatz in Unternehmen.
Zusammenfassung der Kapitel
- Einleitung: Dieses Kapitel führt in die Thematik von Data-Mining im Kontext des Prozessmanagements ein und stellt die Relevanz von Daten als Ressource für Unternehmen heraus. Die Zielsetzung, der Aufbau und die Methodik der Arbeit werden erläutert.
- Daten als Ressource: Dieses Kapitel beleuchtet die exponentielle Zunahme des Datenvolumens und die Bedeutung von Daten als Produktionsfaktor im digitalen Zeitalter.
- Grundlagen zu Data-Mining und Data-Mining-Aufgaben: Dieses Kapitel behandelt die Definition und die wichtigsten Aufgabenbereiche von Data-Mining, die in "prädiktive" und "beschreibende" Aufgaben unterteilt werden.
- Beschreibung ausgewählter Data-Mining-Prozessmodelle: Dieses Kapitel beschreibt die drei ausgewählten Data-Mining-Prozessmodelle CRISP-DM, KDD und TSDP, die als Grundlage für die Analyse dienen. Es werden die einzelnen Phasen und Schritte der Modelle erläutert.
Schlüsselwörter
Die Arbeit fokussiert auf die Schlüsselwörter Data-Mining, Prozessmanagement, Big Data, Prozessmodelle, CRISP-DM, KDD, TSDP, Qualitative Analyse, Stärken und Schwächen, Empfehlung, Unternehmen, Entscheidungsfindung, Wissensextraktion, Datenanalyse.
Häufig gestellte Fragen
Welche Data-Mining-Prozessmodelle werden in der Arbeit verglichen?
Es werden drei Modelle analysiert: der Cross-Industry Standard Process for Data Mining (CRISP-DM), Knowledge Discovery in Databases (KDD) und der Team Data Science Process (TDSP).
Was ist das Ziel des Vergleichs dieser Modelle?
Ziel ist eine qualitative Analyse der Stärken und Schwächen, um eine Empfehlung abzuleiten, welches Modell sich am besten für den Einsatz im Unternehmenskontext eignet.
Warum gelten Daten heute als wichtige Ressource?
Im Zeitalter von Big Data sind Daten ein zentraler Produktionsfaktor, der Unternehmen hilft, bessere Entscheidungen zu treffen und wertvolles Wissen zu extrahieren.
In welche Kategorien werden Data-Mining-Aufgaben unterteilt?
Data-Mining-Aufgaben werden grundsätzlich in prädiktive (vorhersagende) und beschreibende Aufgaben unterteilt.
Was zeichnet das CRISP-DM Modell aus?
CRISP-DM ist ein weit verbreiteter Standard, der den Prozess in Phasen wie Business Understanding, Data Preparation und Evaluation gliedert.
Was ist Wissensextraktion im Kontext von Data-Mining?
Wissensextraktion bezeichnet den Prozess, aus großen Datenmengen durch Analysemodelle verborgene Muster und nützliche Informationen zu gewinnen.
- Quote paper
- David Lewenko (Author), 2020, Data-Mining im Kontext des Prozessmanagements, Munich, GRIN Verlag, https://www.grin.com/document/980340
