VDM Kapitel 4

  1. Digitale Marketing Intelligence
    betrachtet alle strategischen und operativen Aktivitäten zur zielgerichteten Ausgestaltungen und Steuerung von Marketinginstrumenten

    • strategisch: kontinuierliche verbesserte Entscheidungsunterstzützung
    • organisatorisches Lernen, Generierung, Sicherung von Marketingwissen
    • Nutzung vin Chancen, WWB orientiert

    • operativ: Optimierung von Geschäftsprozessen
    • Datenspeicherung, aufbereitung Analyse
    • Lernkurveneffekt
  2. strategische und operative Perspektiven
    • strategisch: 
    • 1. Hohe WWB - Relevanz der Aufgabenstellung
    • 2. Aktive Beeinflussung von externen Firmenvariablen als Aktionsvariable
    • 3.Hohe Komplexitäts- Abstraktionsniveau
    • 4.langfristige Aspekte
    • 5. planerische hohe Freiheitsgrade

    • operativ:
    • 1.geringe WWB Relevanz
    • 2.externe Firmenvariablen als Erwartungsvariable
    • 3.geringes Komplexitätsniveaus
    • 4.Tendenzielle kürzerer Betrachtungszeitraum
    • 5.Feinplanung zur Realisierung
  3. Lebenszyklus des Informationsmanagement
    • Verwaltung der Informationsnachfrage
    • Verwaltung der Informationsquellen
    • Verwaltung der Informationsressourcen
    • Verwaltung des Informationsangebotes

    Informationsanwendung
  4. Ermittlung des Informationsbedarfs
    Identifiezierung aller für eine optimale Aufgabenerfüllung erforderlichen Informationen

    • Präzisierung des Informationsbedarf
    • -Inhalt
    • -Darstellungsform
    • -Zeitpunkt
    • -Kontext
  5. 3 Verfahren des Informationsbedarf
    1. subjektiv: offene Befragung, Wunschkataloge, Befragung der MA im Tätigkeitsumfeld

    2. objektiv: Strategieanalyse, Prozessanalyse, Input/Output Analyse, Entscheidungs bzw Aufgabenanalyse

    3. gemischt: strukturierte Befragung, Benutzermoddelierung, Kontext Entwicklung, Entwicklung bezogen auf jetzt, Balanced Scoreboard

    • -> selten wird Infobedarf gedeckt
    • Marktdaten, Vertriebsdaten, Kundendaten, Webanalyse, Extrahieren, Transformieren, Integrieren, Analysieren, Interpretieren
  6. Umgang mit quantitativen Daten
    • numerisch, mathematisch, statistisch
    • metrisch skaliert, können verglichen werden
    • repräsentieren Messwerte, die mit anderen Variablen in Beziehung gesetzt werden können
    • Objektive Messung und Quantifizierung v. Sachverhalten
    • Hypothesentest, Überprüfung statistischer Zusammenhänge

    1) Datenquellen

    BWL-Kennzahlen, Zahlen statistische Messungen, graphisch, Server-logs, Trading Metriken

    2) Drei Gütekriterien

    Objektivität (möglichst)-unabhängig vom Sachverhalt des Beobachters

    Reliabilität - Formale, verlässliche Genauigkeit d Daten, gleiche Analyse, gleiches Ergebnis

    Validität - korrekte inhaltliche Messung, Eignung

    3) Analysemethoden

    • Prognosen Absatz Umsatz, Marktentwicklung, Kaufhäufigkeit
    • Klassifizierung nach Umsatz Wert Zufriedenheit
    • Parameterschätzung, statistische Verfahren (deduktiv, induktiv)
  7. Datenintegration
    • müssen Datensätze in bereinigter, transformierter harmonisierter Form vorliegen
    • gezielte Nutzung von Verbindungslinks, Variablen, damit inhaltliche Verknüpfung der Dtensötze erfolgen kann -Data Matching
  8. Data Warehouses
    • führt/verdichtet zum Analysezweck mehrere Datenbanken aus heterogenen Quellen zusammen
    • vorstrukturiert und auf Nutze ausgerichtet
    • Non-Volatil:dauerhaft,persistent,wachsende Datenbestände-->Problem
    • Zeitraumbezogen
  9. Top Down Datenanalyse
    • es exisitiert spezifisch, genau Fragestellung
    • Überprüfen von Sachverhalten
    • Einschränkung Daten genau auf Fragestellung
    • Hypothesenfalsifikation
    • -->klassisches Verfahren
  10. Bottom Up Datenanalyse
    • keine konkrete spezifische Fragestellung
    • Zielanalyse unklar
    • voller Datensatz
    • Aufdecken von Mustern-->DATA MINING
  11. Phasen der Wissensentdeckung in Datenbanken
    • Selektion: Daten in Zieldaten
    • Datenaufbereitung
    • Transformation in Muster
    • Data Mining
    • Interpretation/Evaluation--> Wissen
  12. Data Mining
    • ist die Anwendung von Methoden und Algorithmen zur möglichst automatischen Extraktion empirischer Zusammenhänge zwischen Datenobjekten
    • automatisierte Datenanalyse
    • Aufdeckung nicht trivialer Zusammenhänge
    • Kombination von Statistik, künstlicher Intelligenz, maschinelles Lernen und nicht/relationale Datenbanken
    • Analyse von Kunden Präferenzbildung
    • Kaufmuster
    • Markt/Kundensegmentierung,Warenkorbanalyse
  13. Prozess im Data Mining
    • BWL - Verständnis -20%
    • Datenverständniss/vorbereitung/modellierung - 60%
    • Bewertung/Evaluation 10%
    • Anwendung/Einsatz /10%
  14. Abhängigkeitsentdeckung
    Identifikation von Abhängigkeiten

    • Assoziations: Warenkorbanalyse (Basis: Kundentransaktion)
    • Wenn - Dann -Regel, Confidence Analyse

    Sequenzanalyse: Crossup Selling, zeitliche Reihe v Transaktionen
  15. Entscheidungsbaumklassifikation
    • einfache graphische Darstellung, leichte Nachvollziehbarkeit
    • Ziel: homogene Gruppen auf unterster Ebene finden danach Reduktion des Baums auf sinnvolle Größe
    • Kündigeranalyse "Ja , Nein"?
    • Kriterien trennen diese beiden Gruppen am besten

    -->Bestellung letzten 3 Monate Anzahl Shop - Besuche
  16. Neuronale Ansätze
    • genutzt in Informatik/Informationsverarbeitung analog zu den menschlichen Nervenzellen zu gestalten
    • geschichtete verbundene Neuronen
    • decken nicht lineare Abhängigkeiten und Strukturen auf
  17. Herausforderung von Big Data (5 V's)
    • Volume - Große Datenmenge (Selektion)
    • Variety - Vielfalt der Datenformate (Transform)
    • Velacity - Geschwindigkeit Datenverarbeitung - Filter
    • Value - ökonomischer Nutzen - Prozesse
    • Veracity - Wahrhaftigkeit, Glaubwürdigkeit - Relevanz
Author
Lauri567
ID
341059
Card Set
VDM Kapitel 4
Description
KApitel 4
Updated