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 & Themen

Die Arbeit verfolgt das Ziel, den aktuellen State-of-the-Art der Anwendung von Data-Mining-Methoden im Performance Management zu analysieren. Dabei wird untersucht, wie diese Methoden zur Entscheidungsunterstützung in verschiedenen Branchen beitragen können und welche Potenziale sowie Herausforderungen sich daraus ergeben.

• Methodische Grundlagen und Klassifizierung von Data-Mining-Methoden
• Einsatzmöglichkeiten im Performance Management (z.B. Kundenwert-Controlling, Betrugserkennung)
• Analyse branchenspezifischer Anwendungsbeispiele
• Diskussion der Rolle von Data Mining im analytischen Customer Relationship Management (aCRM)
• Konzeption einer empirischen Untersuchung zur Verbreitung und Zielsetzung von Data Mining

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Data Mining als Instrument der Entscheidungsunterstützung im Kontext wachsender Datenmengen: Einleitung in die Problematik wachsender Datenmengen und Begründung der Notwendigkeit computergestützter Analysemethoden.

2 Theoretische Grundlagen des Data Mining: Definitionen und begriffliche Einordnung des Data Mining sowie Erläuterung des KDD-Prozesses.

3 Systematischer Überblick und Beurteilung der verschiedenen Data-Mining-Methoden: Kritische Würdigung gängiger Verfahren wie neuronale Netze, Entscheidungsbäume und genetische Algorithmen.

4 Bisheriger Einsatz von Data-Mining-Methoden im Performance Management verschiedener Branchen: Analyse praxisbezogener Anwendungen in Banken, Handel und Industrie sowie im Bereich Kundenwert-Controlling.

5 Identifikation von Anwendungsmöglichkeiten des Data Mining: Darstellung neuerer Entwicklungen wie Text- und Web-Mining sowie Churn Management.

6 Konzeption eines Fragebogens zur Verbreitung, Zielsetzung, Entscheidungsunterstützungspotenzialen und Nutzungs-/Anwendungsgebieten des Data Mining: methodisches Vorgehen zur Entwicklung einer empirischen Erhebung für Unternehmen.

7 Diskussion von Potenzialen und Herausforderungen des Data Mining im Performance Management: Zusammenfassende Betrachtung von Trends, Problemen (z.B. Datenschutz) und zukünftigen Entwicklungen.

Schlüsselwörter

Data Mining, Performance Management, Knowledge Discovery in Databases, KDD-Prozess, Entscheidungsunterstützung, Neuronale Netze, Entscheidungsbäume, Kundenwert-Controlling, Customer Relationship Management, aCRM, Churn Management, Datensicherheit, Prozessoptimierung, Unternehmenssteuerung, Datenanalyse

Häufig gestellte Fragen

Worum geht es in dieser Arbeit?

Die Bachelorarbeit behandelt den aktuellen Stand der Nutzung von Data-Mining-Methoden zur Entscheidungsunterstützung im betriebswirtschaftlichen Performance Management.

Welche zentralen Themenfelder werden abgedeckt?

Zentrale Themen sind die theoretischen Grundlagen des Data Mining, eine Methodenübersicht, Branchenanwendungen (Banken, Handel, Industrie) und die Konzeption einer Unternehmensbefragung.

Was ist das primäre Ziel der Arbeit?

Das Ziel ist die Analyse bisheriger und potenzieller Anwendungsmöglichkeiten von Data Mining im Performance Management zur besseren Entscheidungsfindung in Unternehmen.

Welche wissenschaftliche Methode wird verwendet?

Die Arbeit basiert auf einer fundierten Literaturrecherche und der Konzeption eines empirischen Fragebogens zur Validierung der Ergebnisse in der Unternehmenspraxis.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil gliedert sich in theoretische Grundlagen, eine methodische Übersicht (z.B. neuronale Netze), praktische Branchenbeispiele und weiterführende Anwendungsbereiche wie Text- oder Web-Mining.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die wichtigsten Begriffe sind Data Mining, Performance Management, Entscheidungsunterstützung, Kundenwert-Controlling und Customer Relationship Management.

Wie unterscheidet sich Data Mining von OLAP laut der Arbeit?

Während OLAP als maschinell unterstützte manuelle Suche auf aktive Benutzereingaben angewiesen ist, fungiert Data Mining als manuell gestützte maschinelle Suche, die weitestgehend automatisch Muster identifiziert.

Warum wird im Bereich Kundenwert-Controlling auf Data Mining gesetzt?

Data Mining ermöglicht es, aus sehr großen Kundenstämmen individuelle Kundenwerte (CLV) zu ermitteln und Kundensegmente zu bilden, was für gezielte Marketingmaßnahmen essentiell ist.

Welche Rolle spielt der Datenschutz beim Data Mining?

Die Arbeit thematisiert den Konflikt zwischen der effizienten Analyse persönlicher Daten zur Kundenbindung und den daraus resultierenden Bedenken bezüglich der Privatsphäre und Kontrolle durch den Kunden.