BeifertOukettou

Business Intelligence
Vorstellung der Ergebnisse
des Business Intelligence Projekts
Master Digitale Logistik und Management
Präsentiert von: Maxim Beifert, Mohamed Oukettou
Gliederung
Ist-Situation und Datenvorbereitung
• Datensäberung
• Datenreduktion
Data Mining Verfahren
• Naive Bayes
• Clustering mit K-Means
• J48/ ID3
•
Schlussfolgerung
Ist-Situation und Datenvorbereitung
Ist-Situation:
Insgesamt 54 und 234 Datensätze. Verschiedene Themen (Finanzen,
Wohnsituation, Studium, Freizeit, Verkehrsmittel, Zufriedenheit).
Datenvorbereitung
• Datensäuberung:
fehlende Daten manuell einfügen.
inkonsistente Daten  Betriebswirtschaft- Bachelor BW
Wirtschaftsinformatik- Bachelor WI
Datenvorbereitung
• Datenreduktion (Ausgangspunkt 54*234= 12636) auf 34 Spalten und
Datensätze von 234 auf 229 (34*229= 7786)
 Ausblenden von Attributen: z.B wie bewegst dich in Wismar (Anderes und
Motorad)  fast 100% benutzen kein Motorad sowie keinen anderen
Verkehrsmittel
 Entfernen von Datensätze
 Zusammenfassen von Attributen:
–
In welchen Wohnverhältnissen lebst du (Eigentumswohnung- Mietwohnung- Wohngemeinschaft-
Studentenwohnheim- Eltern)
–
wie kommst Du zur Hochschule (Bahn, Bus, Auto, Fahrrad, ZuFuß)
–
Wie bewegst Du Dich in Wismar (Bus- Auto- Fahrrad- Zu Fuß)
Datenvorbereitung
Finanzen
Wohnsituation
Studium
Freizeit
Verkehrsmittel
Zufriedenheit
-Bafög
- finanzielle
Unterstützung
- Arbeit
- Budget
-Wohnverhältnis
- Fläche
-Studiengang
- Semester
- Erstsudium
- Grund für S in
Wismar
-Leistung im S
-Fernseher
- Fernseh (Std)
- Onlinespiele
- (Std)
-Sport
-WE in Wismar
-Ankunft nach
Wismar
- Bewegung in
Wismar
-Zufriedenheit mit
der Lebenssituation
- Zufriedenheit
mit der S Leistung
Ziel: Zufriedenheit mit der aktuellen Lebenssituation als Student in Wismar vorhersagen
Data Mining Verfahren
• Naive Bayes:
Am Anfang wählen wir alle Kategorien
Und erzielen wir die Ergebnisse:
Data Mining Verfahren
• In einer anderen Vorgehensweise nehmen wir die Kategorien im einzelnen
Die Tabelle zeigt die erzielten Ergebnisse
Themen
Accuracy % ; Anzahl von
Daten
Error % ; Anzahl von Daten
Finanzen
45,6 ; 21
54,3 ; 25
Studium
41,3 ; 19
58,6 ; 27
Wohnsituation
52,1 ; 24
47,8 ; 22
Freizeit
45,6 ; 21
54,3 ; 25
Zufriedenheit
52,1 ; 24
47,8 ; 22
Verkehrsmittel
58,6 ; 27
41,3 ; 19
Data Mining Verfahren
• Clustering K-Means
• K= 5
k= 4
Data Mining Verfahren
• Clustering K-Means
Data Mining Verfahren
• Entscheidungsbaum mit J48 und ID3
• J48
Data Mining Verfahren
• J 48
Themen
Accuracy % ; Anzahl von
Daten
Error % ; Anzahl von Daten
Finanzen
47,8 ; 22
52,17; 24
Studium
30,4; 14
69,5%; 32
Wohnsituation
47,8; 22
52,1; 24
Freizeit
54,3; 25
45,6; 21
Zufriedenheit
47,8; 22
52,1; 24
Verkehrsmittel
43,4; 20
56,5; 26
Data Mining Verfahren
• ID3
• Im allgemein das Verfahren von ID 3 Algorithmus sieht aus wie J48
Schlussfolgerung
• Umsetzung die Theorie in der Praxis
• Verwendung von verschiedenen Verfahren des Data Mining
•
mit dem Naive Bayes Verfahren erzielt man die besten Ergebnisse
•
J48 und ID3 sind Verfahren zur Generierung von Entscheidungsbäume und
liefern fast die gleiche Egebnisse