info@comelio.com

  • Berlin, Germany
    Comelio GmbH
    Fon: +49.30.8145622.00
    Fax: +49.30.8145622.10

  • Miami, USA
    Comelio, Inc. (Regus)
    Fon: +1.305.395.7962
    Fax: +1.305.395.7964

  • Chennai, India
    Comelio Business Solutions Pvt. Ltd.
    Fon: +9144.420.13545
    Fax: +91.44.420.13551

Vorgehensweise und Einsatz

Data Mining-Lösungen und -Projekte

Um ein Data Mining-Projekt zu erstellen, müssen Sie

  • Datenquellen,
  • Data Mining-Strukturen
  • und Data Mining-Modelle

definieren. Das erstellte Data Mining-Projekt kann auch Testsätze zum Überprüfen des Modells enthalten. Nachdem Sie ein Projekt auf dem Server bereitgestellt haben, können Sie fortfahren, indem Sie in der Originallösung neue Modelle entwickeln und testen.

Data Mining-Quelldaten

Data Mining-Quelldaten  Sie müssen keinen Cube oder andere spezielle Datenquellen verwenden, um das Data Mining ausführen zu können. Sie können das Data Mining für relationale Datentabellen oder andere beliebige Datenquellenschnell und einfach durchführen. Die Daten, die Sie beim Data Mining verwenden, werden nicht in der Data Mining-Lösung gespeichert. Es werden nur die Bindungen gespeichert. Die Daten können sich in einer Datenbank befinden, oder in einem CRM-System oder sogar einer Flatfile. Sie können auch Tabellen hinzufügen, die eine n:1-Beziehung aufweisen, um geschachtelte Tabellenspalten zu erstellen.

Sie haben die Möglichkeit, die Data Mining-Lösung fortlaufend mit neuen Daten zu aktualisieren, oder Sie können ein gut funktionierendes Modell bereitstellen und keine neuen Daten mehr hinzufügen. Sie können die Daten auch in Trainings- und Testdatensätze unterteilen, damit Sie Ihre Data Mining-Modelle mit einem repräsentativen, zufä;llig ausgewählten Satz von Daten testen können.

Data Mining-Strukturen

Data Mining-Strukturen  Eine Data Mining-Struktur ist eine logische Datenstruktur, die die Datendomäne definiert, aus der die Miningmodelle erstellt werden. Eine einzelne Miningstruktur kann mehrere Miningmodelle unterstützen, die dieselbe Domä;ne verwenden. Sie können die Data Mining-Struktur auch in einen Trainings- und Testsatz partitionieren, indem Sie einen Prozentsatz oder eine Menge von Daten als HOLDOUT angeben.

Eine Data Mining-Struktur kann geschachtelte Tabellen enthalten. In einer geschachtelten Tabelle werden weitere Details zu dem Fall bereitgestellt, der in der primären Datentabelle modelliert ist.

Data Mining-Modelle

Data Mining-Modelle  Ein Data Mining-Modell umfasst eine Kombination von Daten, einen Data Mining-Algorithmus und eine Auflistung von Parameter- und Filtereinstellungen, die sich auf die verwendeten Daten und die Art der Verarbeitung auswirken.

Nachdem Sie die Struktur des Miningmodells festgelegt haben, verarbeiten Sie das Modell, indem Sie die leere Struktur mit den Mustern auffüllen, die das Modell beschreiben. Dies wird auch als Trainieren des Modells bezeichnet. Muster werden gefunden, indem auf die Originaldaten ein mathematischer Algorithmus angewendet wird. Mithilfe von Parametern kann jeder Algorithmus angepasst werden.

Beim Erstellen neuer Data Mining-Modelle testen Sie diese iterativ, indem Sie Vorhersagen erstellen, und nehmen dann Änderungen vor, um die Ergebnisse zu optimieren. Eine Änderung kann z. B. das Hinzufügen zusä;tzlicher Daten oder das Ändern der Parameter des Modells sein, um eine bessere Datenanpassung zu erzielen.

Data Mining-Algorithmen

Der Data Mining-Algorithmus ist ein Mechanismus zur Erstellung eines Data Mining-Modells. Der Algorithmus analysiert zunächst Daten auf der Suche nach bestimmten Mustern und Trends, um ein Modell zu erstellen. Mithilfe der Ergebnisse dieser Analyse definiert der Algorithmus die Parameter für das Miningmodell. Diese Parameter werden dann für das gesamte Dataset übernommen, um aussagefähige Muster und ausführliche Statistiken zu extrahieren.

Das von einem Algorithmus erstellte Miningmodell kann verschiedene Formen annehmen, einschließlich der folgenden:

  • Eine Gruppe von Regeln, die beschreiben, wie Produkte bei einer Transaktion gruppiert werden.
  • Ein Entscheidungsbaum, der vorhersagt, ob ein bestimmter Kunde ein Produkt kaufen wird.
  • Ein mathematisches Modell zum Vorhersagen von Umsätzen.
  • Eine Reihe von Clustern, die die Beziehungen der Fälle in einem Dataset beschreiben.

Microsoft SQL Server Microsoft SQL Server Analysis Services stellt verschiedene Algorithmen bereit, die in den Data Mining-Projektmappen verwendet werden können. Diese Algorithmen sind eine Teilmenge aller Algorithmen, die für Data Mining verwendet werden können. Sie können darüber hinaus Algorithmen von Drittanbietern verwenden, die der Spezifikation OLE DB für Data Mining entsprechen.

Typen von Data Mining-Algorithmen

Analysis Services enthält die folgenden Algorithmentypen:

  • Klassifikationsalgorithmen  sagen basierend auf den anderen Attribute im Dataset mindestens eine diskrete Variable voraus. Ein Beispiel für einen Klassifikationsalgorithmus ist der Microsoft Decision Trees-Algorithmus.
  • Regressionsalgorithmen  sagen basierend auf anderen Attribute im Dataset mindestens eine kontinuierliche Variable voraus. Ein Beispiel für einen Regressionsalgorithmus ist der Microsoft Time Series-Algorithmus.
  • Segmentierungsalgorithmen  teilen Daten in Gruppen oder Cluster aus Elementen auf, die ä;hnliche Eigenschaften haben. Ein Beispiel für einen Segmentierungsalgorithmus ist der Microsoft Clustering-Algorithmus.
  • Zuordnungsalgorithmen  suchen nach Korrelationen zwischen verschiedenen Attributen in einem Dataset. Die häufigste Anwendung dieser Algorithmusart besteht im Erstellen von Zuordnungsregeln, die für eine Warenkorbanalyse verwendet werden können. Ein Beispiel für einen Zuordnungsalgorithmus ist der Microsoft Association-Algorithmus.
  • Sequenzanalysealgorithmen  fassen hä;ufige Datensequenzen oder -periodizitäten, z. B. einen Webpfadfluss zusammen. Ein Beispiel für einen Sequenzanalysealgorithmus ist der Microsoft Sequence Clustering-Algorithmus.

Anwenden der Algorithmen

Es kann schwierig sein, den besten Algorithmus für eine bestimmte Geschäftsaufgabe auszuwählen. Während verschiedene Algorithmen zum Ausführen derselben Geschäftsaufgabe verwendet werden können, liefert jeder Algorithmus ein anderes Ergebnis und einige Algorithmen können mehr als eine Ergebnisart ergeben. Sie können z. B. den Microsoft Decision Trees-Algorithmus nicht nur für Vorhersagen verwenden, sondern auch als Möglichkeit, die Anzahl der Spalten in einem Dataset zu reduzieren, weil der Entscheidungsbaum Spalten identifizieren kann, die sich nicht auf das endgültige Miningmodell auswirken.

Sie müssen die Algorithmen außerdem nicht unabhängig voneinander verwenden. In einer einzelnen Data Mining-Projektmappe können einige Algorithmen zum Durchsuchen von Daten und andere Algorithmen zum Vorhersagen bestimmter Ausgaben auf Grundlage dieser Daten verwendet werden. Sie können z. B. einen Clusteringalgorithmus zum Erkennen von Mustern verwenden, um Daten in mehr oder weniger homogene Gruppen aufzuteilen, und im Anschluss daran mit den Ergebnissen ein besseres Entscheidungsbaummodell erstellen. Sie können mehrere Algorithmen innerhalb einer Projektmappe zum Ausführen separater Aufgaben verwenden, z. B. können Sie mit einem Regressionsstrukturalgorithmus Finanzprognosen erstellen und eine Warenkorbanalyse mit einem regelbasierten Algorithmus ausführen.

Mithilfe von Miningmodellen können Werte vorhergesagt, Datenzusammenfassungen erstellt und verborgene Korrelationen gesucht werden. In der folgenden Tabelle finden Sie Empfehlungen zum Verwenden von Algorithmen für bestimmte Aufgaben, die Ihnen beim Auswählen der Algorithmen für eine Data Mining-Projektmappe helfen sollen.

Vorhersagen eines diskreten Attributs  Sie möchten z. B. vorhersagen, ob der Empfänger einer Targeted Mailing-Kampagne ein Produkt kaufen wird:

  • Microsoft Decision Trees-Algorithmus
  • Microsoft Naive Bayes-Algorithmus
  • Microsoft Clustering-Algorithmus
  • Microsoft Neural Network-Algorithmus

Vorhersagen eines kontinuierlichen Attributs  Sie möchten z. B. den Verkaufstrend für das nächste Jahr vorhersagen.

  • Microsoft Decision Trees-Algorithmus
  • Microsoft Time Series-Algorithmus

Vorhersagen einer Sequenz  Sie möchten z. B. bei einer Unternehmenswebsite eine Clickstreamanalyse ausführen.

  • Microsoft Sequence Clustering-Algorithmus

Suchen von Gruppen aus allgemeinen Elementen in Transaktionen.  Sie möchten z. B. die Warenkorbanalyse verwenden, um einem Kunden weitere Produkte vorzuschlagen.

  • Microsoft Association-Algorithmus
  • Microsoft Decision Trees-Algorithmus

Suchen von Gruppen mit ähnlichen Elementen  Sie möchten z. B. demografische Daten in Gruppen unterteilen, um die Beziehungen zwischen den Attributen besser zu verstehen

  • Microsoft Clustering-Algorithmus
  • Microsoft Sequence Clustering-Algorithmus