Inhalt
[ 862KOUMBUIK15 ] KV Business Intelligence
|
|
|
|
 |
| Workload |
Ausbildungslevel |
Studienfachbereich |
VerantwortlicheR |
Semesterstunden |
Anbietende Uni |
| 1,5 ECTS |
W2 - Weiterbildung 2 |
Wirtschaftsinformatik |
O.Univ-Prof. Dipl.-Ing. Dr. Christian Stary |
2 SSt |
Johannes Kepler Universität Linz |
|
|
|
| Detailinformationen |
| Quellcurriculum |
Universitätslehrgang Aufbaustudium Angewandtes Wissensmanagement 2015W |
| Ziele |
Die Teilnehmerinnen und Teilnehmer sind mit den Begriffen Data Warehousing und Data Mining sowie mit damit in engem Zusammenhang stehenden Begriffen vertraut. Sie kennen eine Referenzarchitektur für Data-Warehousing-Systeme und das Zusammenspiel der Architekturkomponenten. Sie wissen, inwiefern Data Warehouses und Techniken des Data Mining für die Gewinnung von Information aus großen Datenbeständen genutzt werden können und welche Arten von Analyseergebnissen erzielt werden können. Sie sind in der Lage, am Entwurf von Data-Warehousing-Systemen mitzuwirken und Analysewerkzeuge einzusetzen.
|
| Lehrinhalte |
Unter Data Warehouses versteht man Datenbanken, die strategische und taktische Entscheidungen unterstützen, indem sie umfangreiche Auszüge aus operativen Daten periodenweise und zusammengefasst oder detailliert zur flexiblen Analyse bereitstellen (Lusti, 2002). Die besondere Anforderung ist die Verwaltung großer Datenbestände zur Unterstützung komplexer Analysen, die ad hoc an das System gestellt werden können (Online Analytical Processing).
Unter Data Mining versteht man die Anwendung von Algorithmen, die dazu dienen, (semi-) automatisch bisher nicht bekannte Muster in großen Datenbeständen (z.B. Data Warehouses) zu entdecken (vgl. z.B. Ester, 2000). Die Ergebnisse des Data Mining sollen neu, gültig (im statistischen Sinne), potentiell nützlich und dem Benutzer verständlich sein.
Im Kurs werden folgende Kenntnisse vermittelt:
- Aufbau von Data-Warehouse-Systemen und Datenflüsse zwischen den System-Komponenten
- Repräsentation von Datenbeständen durch multidimensionale Datenstrukturen
- Analyse von multidimensionalen Datenbeständen mittels Online Analytical Processing
- Verfahren des Data Mining:
- Assoziationsregeln: Regeln, die Zusammenhänge innerhalb von Transaktionen ausdrücken.
Beispiel: Warenkorb-Analysen: Es wird untersucht, welche Produkte oft gemeinsam (gleichzeitig oder in zeitlicher Abfolge) gekauft werden.
- Klassifikation: Entscheidungsregeln, auf Grund derer die zu untersuchenden Objekte auf Grund ihrer Eigenschaften in bestimmte vorgegebene Klassen geteilt werden.
Beispiel: Entscheidungsbäume zur Einschätzung des Kreditrisikos von Kunden.
- Clustering: Einteilung von Objekten in Klassen (Cluster), sodass sich Objekte im selben Cluster möglichst ähnlich und Objekte verschiedener Cluster möglichst unähnlich sind, wobei die Cluster sich erst durch Untersuchung der Objekte ergeben.
Beispiel: Kunden werden bezüglich mehrerer Eigenschaften untersucht und anhand ihrer Ähnlichkeiten in Gruppen (Cluster) eingeteilt.
|
| Beurteilungskriterien |
Abgabe von Übungsaufgaben und Abgabegespräch (Termine für Abgabegespräche werden im Kurs vereinbart).
|
| Lehrmethoden |
- Vorstellung der grundlegenden Konzepte und Techniken in Vorträgen
- Üben und Vertiefung anhand von Beispielen
- Präsentation von Werkzeugen
|
| Abhaltungssprache |
Deutsch |
| Literatur |
A. Bauer, H. Günzel. Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung. dpunkt-Verlag, 2004.
A. Bauer, H. Günzel. Data-Warehouse-Systeme: Architektur, Entwicklung, Anwendung. 3. Auflage, dpunkt-Verlag, 2008.
W. Lehner. Datenbanktechnologie für Data-Warehouse-Systeme: Konzepte und Methoden. dpunkt-Verlag, 2002.
W. Inmon. Building the Data Warehouse, 4. Aufl., Wiley, 2005.
R. Kimball, M. Ross. The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling, 2. Auflage, Wiley, 2002.
J. Han, M. Kamber. Data Mining: Concepts and Techniques. 2. Auflage, Morgan Kaufmann, 2006.
M. Berry, G. Linoff. Mastering Data Mining: The Art and Science of Customer Relationship Management. Wiley, 2000.
|
| Lehrinhalte wechselnd? |
Nein |
| Sonstige Informationen |
Bezug zu Wissensmanagement bzw. zu den anderen Kursen des Studiums:
Um aus den im Unternehmen verfügbaren Daten für Benutzer relevantes Wissen zu gewinnen, ist es notwendig, die Datenbestände zu integrieren und analysegerecht aufzubereiten sowie Analysetechniken für die interaktive und automatische Extraktion von Wissen bereit zu stellen.
Inhaltliche Voraussetzung ist der Kurs Data Engineering.
|
|
|
|
| Präsenzlehrveranstaltung |
| Teilungsziffer |
- |
| Zuteilungsverfahren |
Direktzuteilung |
|
|
|
