State-of-the-Art der Nutzung von Data-Mining-Methoden 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.