Data Mining als Anwendung des Data Warehouse - Konzepte und Beispiele

Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda • Data Warehouse Konzept und Data Mining • Data Mining Prozesse • Anwendungs-Beispiele und Mehrwert durch Integration • Zukünftige Entwicklungen und Grenzen Data Warehouse Architekturen SAP Mining Multidimensional Unstrukturierte Daten Operative Relational Daten Staging Konsolidierte Quellen Daten Data Marts Auswertung Data Warehouse Architekturen • Architekturen werden meistens nach Best of Breed Ansätzen evaluiert: • Datenbank • ETL • BI-Tools • Mining Besondere Aspekte des Data Minings werden nicht berücksichtigt! Unterschiede BI und Data Mining – Analysen BI-Analysen • Klassische BI Analysen sind die Verifikation von Hypothesen • Ein maschinelle Weiterverabeitung ist oft nicht nötig Unterschiede BI und Data Mining – Analysen Mining-Analyse Beispiel: Clustering • ‘Kennenlernen’ der Daten • Reduziert den Datenbestand auf eine überschaubare Anzahl von Klassen IF X1 >= (0.2456) and X1 <= (0.4432) and X2 >= (0.2647) and X2 <= (0.5106) IF THEN X1 >= (0.6802) and X1 <= (0.7988) and CLUSTER = (3) X2 >= (0.4404) and X2 <= (0.5809) THEN CLUSTER = (5) Unterschiede BI und Data Mining – Analysen Mining-Analyse Beispiel: Assoziation/Warenkorb Unterschiede BI und Data Mining – Analysen Mining-Analyse Beispiel: Ermittlung einer Kaufwahrscheinlichkeit Bekannte Kunden Name Schulden Einkommen Verheiratet Käufer? Kalle Niedrig Niedrig Ja Ja Chris Niedrig Niedrig Nein Nein Julia Niedrig Hoch Nein Nein Gregor Hoch Hoch Ja Nein Neuer Kunde Franz Niedrig Hoch Ja ??? Unterschiede BI und Data Mining – Analysen Mining-Analyse Beispiel: Ermittlung einer Kaufwahrscheinlichkeit Bekannte Kunden Name Schulden Einkommen Verheiratet Käufer? Kalle Niedrig Niedrig Ja Ja Chris Niedrig Niedrig Nein Nein Julia Niedrig Hoch Nein Nein Gregor Hoch Hoch Ja Nein Data Mining ∇ Σλ Regeln z.B.