Data Mining & Big Data

Business Intelligence, d.h. die systematische Sammlung und Auswertung relevanter Unternehmens- bzw. Marktdaten in elektronischer Form, stellt ein Kerngebiet der Wirtschaftsinformatik dar. Mit dem rapiden Wachstum des World Wide Web sind auch die verfügbaren Informationen über relevante Märkte, Konkurrenzunternehmen und insb. Kunden und deren Verhalten in enormem Ausmaß gestiegen. Dennoch bleiben diese Daten bis heute weitgehend ungenutzt. Weder im online noch im offline Bereich werden die Möglichkeiten moderner Informationstechnologien zur Entscheidungsunterstützung ausreichend genutzt. Mittels Methoden aus dem Bereich Business Intelligence lassen sich bisher ungenutzte Wettbewerbspotentiale für Unternehmen erschließen.

Die Vorlesung gibt eine praxisorientierte Einführung in das Gebiet Business Intelligence und vermittelt Grundlagen und Techniken der Datenanalyse und des Data Mining und Web Data Mining. Die Studierenden erlangen praktische Erfahrung in der Anwendung der behandelten Techniken mittels des Data Mining Werkzeugs RapidMiner. Zur Sicherstellung eines maximalen Praxisbezugs wird in der Vorlesung das erlangte Wissen auf Realdaten über das Nutzungsverhalten auf Onlineplattformen angewendet. Auf Basis umfangreicher Realdaten können im Rahmen der Lehrveranstaltung realistische Auswertungen durchgeführt und den Studierenden Hands-On-Erfahrung vermittelt werden.
Die Vorlesung behandelt folgende Aspekte aus dem Bereich Business Intelligence und Data Mining:
- Business Intelligence - Allgemeine Einführung
- Vorstellung des Werkzeugs RapidMiner
- Grundlegende Techniken der Datenvorverarbeitung
- Explorative Datenanalyse und OLAP
- Grundlegende Data Mining Techniken
- Supervised Learning (Klassifikation)
- Unsupervised Learning (Cluster-Bildung)
- Assoziationsregeln
- Web Data Mining
- Information Retrieval und Web-Suche
- Linkanalyse
- Web Crawling
- Extraktion strukturierter Daten: Wrapper-Generierung
- Sentiment Analyse
- Web Usage Mining
- Praktische Vertiefung im Rahmen eines umfassenden Gesamtbeispiels
Larose, D. T. (2005): Discovering Knowledge in Data: An Introduction to Data Mining. Wiley.
Liu, B. (2008): Web Data Mining – Exploring Hyperlinks, Contents, and Usage Data. Springer-Verlag, Berlin.
Höpken, W., Keil, D., Fuchs, M., Lexhagen, M. (2015): Business intelligence for cross-process knowledge extraction at tourism destinations. Information Technology & Tourism, 15(2), pp. 101-130.
Fuchs, M., Höpken, W., Lexhagen, M. (2014): Big Data Analytics for Knowledge Generation in Tourism Destinations – A Case from Sweden. Journal of Destination Management & Marketing, 3(4), pp. 198-209.
Höpken, W., Fuchs, M. & Lexhagen, M. (2014): The Knowledge Destination – Applying Methods of Business Intelligence to Tourism Applications. In: Wang, J. (ed.) Encyclopedia of Business Analytics and Optimization, IGI Global, Hershey, PA, pp. 2542-2556.
Schmunk, S., Höpken, W., Fuchs, M., Lexhagen, M. (2014): Sentiment analysis – extracting decision-relevant knowledge from UGC. In: Xiang, Z., Tussyadiah, I. (eds.). Information and Communication Technologies in Tourism, Springer, Heidelberg, pp. 253-265.
Höpken, W., Fuchs, M., Keil, D., Lexhagen, M. (2011): The Knowledge Destination – A Customer Information-based Destination Management Information System. In: Law, R., Fuchs, M., Ricci, F. (eds.). Information and Communication Technologies in Tourism, Springer, New York, pp. 417-429.
RapidMiner: www.rapidminer.com