Data Mining für KMU. Wie kann Nutzen aus den Daten erwirtschaftet werden?

Inhaltsverzeichnis

• A Einführung
• A 1 Industrie 4.0 & die großen Daten
• A 2 Problemstellung
• A 3 Herangehensweise
• A 4 Business-Intelligence-Infrastruktur: Data Warehouse und Data Marts
• A 5 Definition Data Mining
• B Data Mining Prozessmodelle
• B 1 Daten-Wertschöpfungskette (Data Value Chain)
• B 2 Knowledge Discovery in Databases (KDD)
• B 3 Cross-Industry Standard Process for Data Mining - CRISP-DM
• C Data Mining Verfahren und Methoden
• C 1 Auffinden von Zusammenhängen
• C 1.1 Klassifikationsverfahren
• C 1.2 Prognosemodell
• C 2 Auffinden von Regeln: Assoziationsverfahren
• C 3 Auffinden von Strukturen: Clusterverfahren
• C 3.1 Partitionierende Clusterbildung
• C 3.2 Hierarchische Clusterbildung
• C 3.3 Dichtebasierte Clusterbildung
• C 4 Visualisierung von Datenräumen
• D Vorstellung ausgewählter Data Mining Tools
• D 1 Allgemeine Marktsituation
• D 2 Auswahl von Data Mining Tools
• D 2.1 KNIME Analytics Platform
• D 2.2 IBM SPSS Modeler
• D 2.3 Vergleich im Fallbeispiel
• D 3 Bewertungsschema & Auswertung
• E Zusammenfassung

Zielsetzung und Themenschwerpunkte

Diese Studie befasst sich mit dem Einsatz von Data Mining in kleinen und mittleren Unternehmen (KMU) im Kontext der Digitalisierung und Industrie 4.0. Die Arbeit soll einen Überblick über verschiedene Prozessmodelle für Datenanalyse, Standard-Data-Mining-Algorithmen und -Methoden sowie die aktuelle Marktsituation von Data-Mining-Tools liefern. Darüber hinaus soll ein Vergleich zwischen ausgewählten Data-Mining-Softwarelösungen mit einer Bewertung der Implementierung in KMU als Entscheidungshilfe dienen.

• Einführung in Data Mining und die Bedeutung im Kontext von Industrie 4.0
• Analyse von Prozessmodellen für Data Mining, insbesondere CRISP-DM
• Beschreibung von Standardalgorithmen für Data-Mining-Aufgaben wie das Finden von Zusammenhängen, Regeln und Strukturen
• Bewertung der aktuellen Marktsituation von Data-Mining-Software
• Vergleich und Bewertung ausgewählter Data-Mining-Softwarelösungen für KMU

Zusammenfassung der Kapitel

Die Einführung erläutert die Bedeutung von Data Mining im Kontext der Digitalisierung und Industrie 4.0 sowie die Herausforderungen für KMU bei der Implementierung von Data-Mining-Tools. Kapitel B stellt verschiedene Prozessmodelle für Data Mining vor, einschließlich der Data Value Chain, Knowledge Discovery in Databases (KDD) und dem Cross-Industry Standard Process for Data Mining (CRISP-DM). Kapitel C beschreibt Standardalgorithmen für Data-Mining-Aufgaben wie das Finden von Zusammenhängen, Regeln und Strukturen. Kapitel D behandelt die aktuelle Marktsituation von Data-Mining-Software, stellt ausgewählte Tools wie KNIME Analytics Platform und IBM SPSS Modeler vor und führt einen Vergleich zwischen den beiden Lösungen durch.

Schlüsselwörter

Data Mining, Industrie 4.0, Digitalisierung, KMU, Business Intelligence, CRISP-DM, Data Value Chain, Knowledge Discovery in Databases (KDD), Klassifikationsverfahren, Prognosemodell, Assoziationsverfahren, Clusterverfahren, Visualisierung, KNIME Analytics Platform, IBM SPSS Modeler.