Vorlesung Vorlesung

Vorlesung
Grundlagen betrieblicher
y
Informationssysteme
Prof. Dr. Hans Czap
Lehrstuhl für Wirtschaftsinformatik I
Email: Hans
Hans.Czap@uni
Czap@uni-trier
trier.de
de
Lehrstuhl für
Wirtschaftsinformatik I
- II - 1 -
Inhalt
Kap. 1 Ziele der Datenbanktheorie
Kap. 2 Datenmodellierung und Datenbankentwurf
K
Kap.
3D
Datenbankarchitektur
t b k hit kt
Kap. 4 Die Datenbanksprache SQL
Kap 5 Konzepte für Objektorientierte Datenbanken
Kap.
Kap. 6 Objektrelationale Datenbanken
Kap.
p 7 Datenbankentwurf: Funktionale Abhängigkeiten
gg
und
Normalisierung
Kap. 8 Datenintegrität
• Sperrprotokolle
• Recovery
Kap 9 Data-Warehouse-Konzept
Kap.
Data Warehouse Konzept
Kap. 10 Data Mining und Knowledge Discovery
Lehrstuhl für
Wirtschaftsinformatik I
- II - 2 -
Data-Mining und Knowledge Discovery
•
Aufgaben des Data Mining
– Identifizierung von Beziehungsmustern (Regelmäßigkeiten oder auch
Auffälligkeiten) der Daten einer Datensammlung (Abweichungsentdeckung)
– Aufzeigen der logischen bzw. funktionalen Beziehungszusammenhänge: Ziel
ist es, neue Zusammenhänge bzw. Zusammenhangsmuster (Pattern-Analyse) zu
entdecken. Konkret ist dabei an Assoziationen bzw. der Analyse von
S
Sequenzen
zu denken (Abhängigkeitsentdeckung,
(
Regression))
– Klassifikation und Clusterbildung von Daten mit dem Ziel Risiko-Faktoren zu
entdecken bzw. Erfolgsgruppen (z.B. für Marketing-Aktivitäten) zu identifizieren
bzw. zu selektieren. Typisches Anwendungsbeispiel: Klassifikation von
Konsumenten, die um einen Kredit nachsuchen, in Risikogruppen.
• Klassifikation = Einteilung in vorgegebene Klassen
• Clusterbildung = Einteilung aufgrund von Merkmalsausprägungen nach Ähnlichkeit
bzw. Unähnlichkeit. Anzahl Klassen ist nicht vorgegeben.
•
Knowledge
g Discovery
y in Datenbanken ((KDD))
KDD wird zum Teil als Oberbegriff des Data-Mining gesehen, zum Teil als
äquivalent. Es wird also in der Literatur nicht scharf zwischen KDD und DataMining
gg
getrennt. Soweit KDD als Oberbegriff
g g
gesehen wird,, wird das
Data_Mining als Hilfsmittel bzw. Methode für KDD betrachtet.
Lehrstuhl für
Wirtschaftsinformatik I
- II - 3 -
Abhängigkeitsentdeckung
•
Warenkorbanalyse (Beispiel)
WK#
Kunden#
Datum
Artikel#
Bezeichnung
E-Preis
Menge
134
201
02 12 97
02.12.97
432
Füller
35
2
134
201
02.12.97
120
Tinte
2
1
134
201
02.12.97
009
Heft
5
3
134
201
02.12.97
890
Seife
1
6
107
83
13.11.97
432
Füller
35
1
107
83
13 11 97
13.11.97
120
Ti t
Tinte
2
1
107
83
13.11.97
009
Heft
5
1
110
135
13.11.97
432
Füller
35
1
110
135
13.11.97
009
Heft
5
1
103
201
26.08.97
432
Füller
35
2
103
201
26.08.97
120
Tinte
2
2
103
201
26.08.97
890
Seife
1
4
Lehrstuhl für
Wirtschaftsinformatik I
- II - 4 -
Warenkorbanalyse
• Vermutete Assoziation
Wenn ein Füller gekauft wird, dann wird auch Tinte gekauft: Füller Î Tinte
Hier: Betrachtungseinheit (BE) = Warenkorb, Items der Regel = Füller, Tinte
• Definitionen
# BE, die alle Items der Regel enthalten
Support (einer Regel) =
# aller in der Tabelle vorkommenden BE
# BE, die alle Items der Regel enthalten
Confidence(einer Regel) =
# BE, die die Items des Voraussetzungsteils enthalten
Folglich gilt für obige Regel:
Lehrstuhl für
Wirtschaftsinformatik I
Support = ¾ , Confidence = ¾ .
- II - 5 -
Algorithmische Bestimmung von Regeln
•
•
•
Zur algorithmischen Bestimmung von Regeln sucht man zunächst nach
Mengen von Items mit einem Support > s0, s0 vorgegebener Schwellenwert.
Anschließend bildet man geeignete Teilmengen der Items LS und RS
( LS = left side, RS = right side) und bestimmt die Confidence der Regel
LS Î RS.
Es werden nur die Regeln akzeptiert, die eine Confidence > c0,
c0 vorgegebener Minimalwert, haben.
Lehrstuhl für
Wirtschaftsinformatik I
- II - 6 -
Algorithmus
•
•
•
•
•
•
•
MI = Menge häufiger Item-Mengen
Item-Mengen, Zu Beginn gilt MI = ∅.
∅
Teste für jedes Item I (genauer für jede ein-elementige Item-Menge I1), ob I häufig
ist, d.h. in mehr als s0 BE (Warenkörben) vorkommt.
Falls ja,
ja MI := MI + {I},
{I} d.h.
d h nimm I in MI auf.
auf
k sei Indikator für die größten in MI vorkommenden Item-Mengen. Zunächst gilt k:=1.
Für jede Item-Menge Ik in MI mit k Elementen:
Bilde sukzessive alle (k+1)-elementigen Obermengen Ik+1 ⊃ Ik und prüfe auf
Häufigkeit
Falls Ik+1 häufig
g ist, nimm Ik+1 in MI auf: MI := MI + {{Ik+1}}
Erhöhe k, k:=k+1.
Wenn dieser Algorithmus mit den Werten s0 = 0,7
0 7 und c0 = 0,8
0 8 auf obiges Beispiel angewendet
wird, erhält man folgende Mengen:
k=1, MI = {{Füller},{Tinte},{Heft}}
kk=2,
2, MI = {{Füller, Tinte },{Füller, Heft}}
Die dreielementige Menge {Füller, Tinte, Heft} wird getestet und als nicht häufig verworfen.
Die potentiellen Regeln lauten damit: Füller Î Tinte, Tinte Î Füller, Füller Î Heft und Heft Î
, zu überprüfen.
p
Füller. Sie sind auf Confidence > 0,8
Damit verbleiben die Regeln Tinte Î Füller und Heft Î Füller.
Lehrstuhl für
Wirtschaftsinformatik I
- II - 7 -