Web Mining
Werbung
Web Mining Inhaltsverzeichnis 1. Was ist Web Mining – Theoretische Einführung 2. Tools 3. Anwendungsbeispiele 2 Was ist Web Mining – Theoretische Einführung 1. 2. 3. 4. Einleitung Web Mining Strategien Informationsbedarf im E-Business Informationsgewinnung durch Web Mining 5. Richtungen des Web Mining 6. Web Mining Methoden 7. Web Mining-Prozess 3 Einleitung Web = Datenbank Structure Content Logs Leider versteht das Internet kein SQL 4 Einleitung (1) • • • • • • • Web Mining ist Anwendung von Data Mining Methoden auf Datenstrukturen des Internet Analyse von Online-Kundeninformationen hat wichtige Bedeutung Wissen über Kunden und deren Bedürfnisse Erkenntnisse über Gestaltung von Internetauftritten Personalisierung von Seiteninhalten Kaufwahrscheinlichkeiten Identifizierung von Bewegungspfaden und Kaufmuster 5 Einleitung (2) 6 Web Mining Strategien • • • Verstehen, was die Besucher wollen Vorhersagen, wie sie sich verhalten sollen In Echtzeit anwenden, was man über die Kunden weiss 7 Informationsbedarf im E-Business (1) • • • • • Trotz riesigen Investitionen wurden Erwartungen nicht erfüllt Viele gescheiterte Online Projekte Zahl der Internetteilnehmer steigt noch immer an, aber nur der Traffic bedeutet kein Erfolg massgebend ist eher die Intensität der Kundenbeziehung Nur Bruchteil der Kunden sind Wiederholungskäufer Grosse Kosten für Neugewinnung von Kunden (150 – 300$) 8 Informationsbedarf im E-Business (2) • • • • Unternehmen versuchen Kundenbeziehungen im Internet zu intensivieren CRM (Customer Relationship Management) Grundlage für erfolgreiches Management der Kundenbeziehung ist das Wissen über die Kunden und ihre Bedürfnisse Grundsätzlich haben Betreiber von Internetangeboten nur wenige Informationen über Online Besucher und die Wirkung ihres Internetauftrittes Es stellen sich aus diesen Gründen interessante Fragen: 9 Informationsbedarf im E-Business (3) Fragen über Fragen • Zusammensetzung der Besucher – – – • Wie viele Besucher erhält meine Seite? Woher kommen sie? Wie lange bleiben sie? Wie sehen die typischen Bewegungspfade aus? Wie lassen sich diese Verbessern? An welcher Stelle verlassen die Besucher meine Seite und warum? Welche Profile haben meine wichtigsten Kundensegmente Wirkung von Online Werbung – – – Welche Werbebanner erwecken das meiste Interesse bzw. führen zu Käufen? An welche Stelle sollen die Banner platziert werden? Welche Partner generieren die meisten Besucher? Wie lange bleiben die Besucher und wie viele kaufen etwas? 10 Informationsbedarf im E-Business (4) Fragen über Fragen • Bewertung der Seiteninhalte – – – • Für welche Inhalte interessieren sich die einzelne Kundensegmente? Welche Inhalte werden weniger beachtet und warum? Wie lässt sich eine Personalisierung der Inhalte erreichen/verbessern? Online-Kaufverhalten der Besucher – – – Wie unterscheiden sich Besucher von Käufern? Was machen die Besucher bevor sie etwas einkaufen? Welches Verhalten auf der Site lässt auf Wiederholungskäufe schliessen? 11 Informationsgewinnung durch Web Mining (1) Es gibt verschiedene Möglichkeiten Wissen über die Nutzung und die Nutzer der Webseiten zu generieren • In erster Linie werden deskriptive Statistiken (LogfileAnalyse) erstellt. • Diese liefern erste wichtige Anhaltspunkte zur Nutzung der Site – liefern aber keine Informationen zur individuellen Verhaltensweise und Interessen der Online-Nutzer. • Insbesondere sind diese nicht in der Lage Muster in den Nutzungsdaten aufzufinden • Aber gerade die Muster sind von hoher Bedeutung für die Informationsgewinnung! 12 Informationsgewinnung durch Web Mining (2) • • • Es müssen automatische Mustererkennungsverfahren (Data Mining) angewendet werden um aus den Daten Informationen über die Besucher einer Web Site zu gewinnen Zur Unterstützung derartiger Analysen gibt es verschiedenartige Softwarelösungen. Anfänglich waren diese nur für die deskriptive Analyse von Logdateien geeignet Heute existieren Datamining Toos die spezielle Funktionalitäten für Web-Mining besitzten. 13 Richtungen des Web Mining (1) Web Mining Web Content Mining Web Structure Mining Web Usage Mining Web Log Mining Integrated Web Usage Mining • Web Mining bezeichnet die allgemeine Anwendung von Verfahren des Data Mining auf Datenstrukturen des Internet 14 Richtungen des Web Mining (2) Web Content Mining • Befasst sich mit der Analyse des Inhaltes von Webseiten und kann diese klassifizieren • Seiten können damit für die weitere Analyse zu Gruppen zusammengefasst werden • Zielsetzung: – Erleichterung der Suche nach Informationen im Netz • Aufgabe: – Klassifizierung und Gruppierung von Online-Dokumenten – Auffindung von Dokumenten nach bestimmten Suchbegriffe • Kommen insbesondere Verfahren des Text Mining zum Einsatz 15 Richtungen des Web Mining (3) Web Structure Mining • Untersucht die Anordnung einzelner Elemente innerhalb einer Webseite • Untersucht die Anordnung verschiedener Seiten zueinander • Interessant sind Verweise von einer Webseite auf andere, häufig inhaltlich verwandte Webseiten, mit Hilfe von Hyperlinks • Hilft Überblick über Sitestruktur und die Anordnung der einzelnen Seiten zueinander zu gewinnen, um auf dieser Basis das Bewegungsverhalten der Nutzer im Netz nachvollziehen zu können 16 Richtungen des Web Mining (4) Web Usage Mining • Beschäftigt sich mit dem Verhalten von Internet-Nutzern • Es werden Data Mining Methoden auf die Logfiles des Webservers angewendet. • Ergibt Aufschlüsse über Verhaltensmuster und Interessen von Online Kunden • Web Log Mining Analyse beschränkt sich auf Analyse des Logfiles • Integrated Web Usage Mining es werden noch weitere Daten wie Registrierungsdaten, Kaufhistorie etc. verwendet 17 Richtungen des Web Mining (5) Probleme mit Web Server Logs / Ereignisse • Aktionen des Servers und nicht des Besuchers • IP Adressen sind (noch) nicht einzigartig • Seite besteht oft aus mehreren Objekten mehrere Zugriffe Logs müssen bearbeitet werden Wichtige Ereignisse die für Web Mining wichtig sind: • Erstbesuch • Anschauen von Produktinformationen • Registrierungen müssen clever gemacht sein • Downloads • Suchabfragen • Sachen in Einkaufswagen legen • Seite verlassen 18 Webminig Techniken (1) • Clustern / Segmentierung – Unterschiedliche Gruppe von Kunden und Besuchern • Warenkorbanalyse – Assoziationen zwischen Produkten und Dienstleistungen • Sequenzanalysen – Pfade, Muster über Zeit, Bestellung • Klassifikation und Vorhersage – Spezielle Verhaltensmuster, Profile 19 Webminig Techniken (2) Clustern / Segmentierung Identifikation grundlegender Kundenbedürfnisse • Clusteranalyse, Neuronale Netze • Identifikaton von Kunden mit ähnlichem Verhalten – Modellierung der besten Kunden nach Lifetime, Value, Profitabilität und Kaufverhalten – Wer kündigt bzw. kauft nicht mehr und warum • Entwicklung von Key-Content • Effektivere Positionierung des Contents 20 Webminig Techniken (3) Warenkorbanalyse Effektiveres Cross-Selling • Analyse spezieller Zusammenhänge zwischen Produkten und Dienstleistungen (zB. Notebook und Garantieverlängerung) • Aufdecken von Trends und Beziehungen zwischen Webseiten und Produkten • Empfehlung der Produkte, die am wahrscheinlichsten gekauft werden (zB. Bei Amazon) 21 Webminig Techniken (4) Sequenzanalysen Den richtigen Content zur richtigen Zeit anbieten • Eine der häufigsten Frage im Web Mining: Welche Seiten werden in welcher Reihenfolge besucht? • Modellieren, in welche Produkte und Dienstleistungen in einer Sequenz erworben werden. • Welche Sequenzen führen zum Kaufabbruch? • Welche Sequenzen sind typisch für Hacker oder für betrügerisches Verhalten (Schwachstellen erkennen) 22 Webminig Techniken (5) Klassifikation und Vorhersage Profitabilität durch Personalisierung • Entscheidungsbaum, künstliche Neuronale Netze • Erforschen komplexes Kaufverhalten • Wie wahrscheinlich ist es, dass eine Person: – – – – Antwortet Kauft Mehr ausgibt Nicht mehr kauft • Voraussagen von Verhalten proaktives Handeln! 23 Web Mining-Prozess (1) Aufgabendefinition DatenAuswahl DatenAufbereitung DatenIntegration MusterSuche Interpretation und Umsetzung 24 Web Mining-Prozess (2) • Aufgabendefinition – • Wichtig ist, dass zuerst genau spezifiziert wird Datenauswahl – – – – • Erhebung der Internetnutzungsdaten Ev. weitere Kundendaten zB. Logfiles, Cookies, Server-, Networkmonitor/Sniffer Datenschutz Datenaufbereitung – – – – Preprocessing Identifikation von Seitenaufrufen (Frames) Identifikation von Besuchern Identifikation von Sessions 25 Web Mining-Prozess (3) • Datenintegration – – • Einbeziehen von Zusatzinformationen zB. Benutzerdaten, Kundenstammdaten, Transaktionsdaten etc. Datenschutz! Mustersuche – • Anwendung der Data Mining Methoden Interpretation und Umsetzung – – – Webcontrolling Verschiedene Kennzahlen Website Optimierung Personalisierung von Webseiten 26 Web Mining Software und Dienstleistungen im Vergleich • • • • Typische Fragestellungen der Betreiber Produktekategorien Analog SAS – WebHound – Enterprise Miner – Data Warehousing • SPSS – Clementine • Tools im Einsatz • Bewertung 27 Arten des Web Mining Web Mining Web Content Mining Web Structure Mining Web Usage Mining Web Log Mining Integrated Web Usage Mining Dieser Vergleich behandelt das Web Usage Mining. Also das Auswerten von Web Server Log Files, um Bewegungen der Benutzer, auf einer Web Site, zu analysieren. 28 Typische Fragestellungen der Web-Site Betreiber • Log File Statistik • Erweiterung um einfache Analyse • Genaue Analyse der Benutzer 29 Log File Statistik · · · · Welche Seiten sind besonders beliebt/attraktiv? Woher kommen die User (Länder/Regionen)? Wann kommen die User? Welcher Browser, welches Betriebssystem wird verwendet? · Von welcher Web-Site kommen die User auf die Site (Suchmaschine, Werbung, Konkurrenz)? · Wie gut ist die Performance meines Web-Servers? · Welche Suchwörter führen, über welche Suchmaschinen, auf meine Seite? 30 Erweiterung um einfache Analyse · Welche Seiten haben welche Verweildauer (stickiness)? · Welche Seiten führen zum Verlassen der Site (ExitPages)? · Welche Seiten sind beliebt, welche sollten entfernt werden? · Wer kommt auf meine Seite? · Wie ist die Wirtschaftlichkeit der Seite? · Welche meiner Banner sind die profitabelsten? · Wie wirken meine Kampagnen? (Z.B. Banner-Werbung bei einem Web-Portal) · Wie wirken sich Veränderungen der Web-Site aus? 31 Genaue Analyse der Benutzer · Was für ein Profil haben User die bei mir einkaufen? · Welchen Pfad durch die Seiten nehmen Besucher, die zum Kauf kommen? · Haben die Kunden Probleme beim Abschluss des Kaufs? 32 Produktkategorien Unter dem Begriff Web Mining Software werden eine Reihe verschiedenartiger Produkte angeboten. Grob lassen sie sich wie folgt unterteilen: · Web-Traffic Analyse-Programme · Programme mit zusätzlicher Data Mining Funktionalität 33 Produkteübersicht 34 Analog • Analog gehört zu den ältesten Log File Analysern. • Das Programm erzeugt keine Besucher und Session Statistiken. • Bedienung und Installation lassen sich mit guten IT Kenntnissen problemlos meistern. • Analog ist frei erhältlich. 35 Analog 36 SAS • Besteht aus mehreren Komponenten: – WebHound – Enterprise Miner – Data Warehousing 37 SAS WebHound • • • • • • Der SAS WebHound ist der neueste Bestandteil von SAS eIntelligence. WebHound ist für das Einlesen von Web Log Files ins Data Warehouse verantwortlich. Er stellt außerdem eine umfangreiche ReportingFunktion zur Verfügung. Für das eigentliche Data Mining wird der SAS Enterprise Miner benötigt. Der WebHound ist auch als stand alone Produkt erhältlich (mit SAS Base und anderen nötigen Paketen). Angesichts des Preises, ist er allerdings wohl nur in einer SAS Umgebung sinnvoll. 38 SAS WebHound • • • Einlese Prozess der Log Dateien kann parallelisiert werden. Explizit für grosse Datenmengen ausgelegt. Auf Wunsch können nur relevante Daten aus den Log Dateien extrahiert werden. 39 SAS Enterprise Miner • • Enterprise Miner ist das eigentliche Data Mining Tool der SAS Beinhaltet: – SEMMA, eigenes verfahren für die Data Mining Anwendung – Nahtlose Integration von Data Warehousing und Reporting Funktionalitäten – Daten Visualisierung, Untersuchung und Bearbeitung. 40 SAS Data Warehousing • Data Warehousing bietet: – Daten Gewinnung • Transparenter Zugriff mittels ERP Systemen, hierarchischen oder relationalen Datenbanken. – Daten Zugriff • Zugriff auf alle Funktionen per Programmiersprache möglich (Java/C++) – Daten Aufbewahrung • • • SAS Tabellen Scalable Performance Data Server (SPDS) hierarchische oder relationale Datenbanken. 41 Enterprise Miner 42 Clementine von SPSS • Clementine stammt ursprünglich von der Firma ISL. Diese wurde 1998 von SPSS aufgekauft. • Clementine ist neben SAS sicherlich eines der großen Standard Tools für Data Mining. • Beide wurden um Web Mining Funktionen erweitert. • Die Web Mining Funktionen werden durch das „Application Template Web Mining“ (WebCAT) zur Verfügung gestellt. 43 Clementine von SPSS • Die Version 6 bedient sich immer noch der bewährten X-Window Umgebung unter Exceed kein Windows Client • Bedienung geht nach einem Workflow Prinzip, ähnlich wie bei SAS 44 Clementine 45 Bewertung (Stand Ende 2001) 46 Web Mining Tools im Einsatz 47 Web Mining mit WUM • Was ist WUM? • Einsatz von WUM • Demo 48 Web Utilization Mining - WUM • Analyse der Web-Nutzung: – – – – Aufbereitung des Web-Server-Logs Einsetzen der Data-Mining-Software Eine Methodik der Analyse Erfolgskontrolle für kommerzielle Web-Sites die mit WUM angewendet wird, um den Erfolg einer WebSite zu messen und zu erhöhen 49 Web Utilization Mining • Die Muster des Nutzerverhaltens werden anhand einer informationsreichen Graphstruktur dargestellt, die konventionelle Sequenzen generalisiert, aber nicht durch Sequenz-Mining zu ermitteln ist. • Eine ausdrucksstarke Mining-Anfragesprache unterstützt die Spezifizierung von statistischen und strukturellen Einschränkungen, um den Prozess der Musterentdeckung zu steuern. 50 Was ist WUM? (1) • WUM : A Web Utilization Miner – „sequence miner“ – analysiert das Verhalten von Besuchern einer Website durch Sequenzanalyse • Analyse des Surfverhaltens anhand der Reihenfolge der angegangenen Seiten – auch für Sequence Pattern Discovery in jeglicher Art von Logfiles 51 Was ist WUM? (2) • Web Mining Tool zur Entdeckung von Navigationsmustern • Report-Funktionalität • Mining Sprache MINT V1.2 52 WUM Architektur • Datenaufbereitung • Aggregated Log • „Sequence Miner“ • Visualiser 53 Einsatzgebiet von WUM Web Mining Web Content Mining Web Structure Mining Einsatzgebiet von WUM: Web Usage Mining Web Usage Mining Web Log Mining Integrated Web Usage Mining 54 Einsatz von WUM (1) • Datenaufbereitung – Log-Analyse – Session-Analyse • Analyse: – Verhaltensmuster („behaviour patterns“) bestimmen durch Analyse von Sequenzdaten – Ad-hoc Analyse: Query Analyzer • Datenintegration und -Darstellung – Aggregate Log, tree • Resultatsausgabe – Auswertungen 55 Einsatz von WUM (2) • Ausgangslage: Website Aufgabendefinition – z.B. ein e-Shop 56 Einsatz von WUM (3) • Access Log wird eingelesen DatenAuswahl 57 Einsatz von WUM (4) • Sessions werden definiert, innerhalb welcher das Surfverhalten nachvollziehbar sein soll DatenAufbereitung 58 Einsatz von WUM (5) • Das Log wird mit dem „Aggregated Log“ in zusammenhängender Form gebracht. DatenIntegration 59 Einsatz von WUM (6) DatenIntegration 60 Einsatz von WUM (7) DatenIntegration 61 Einsatz von WUM (8) • Besucherverhalten identifizieren und veranschaulichen MusterSuche H.html = Homepage P.html = Products X.html = Product X Y.html = Product Y G.html = Game D.html = Discount S.html = Search C.html = Contact O.html = Order 62 Einsatz von WUM (9) • WUM benutzt die Mining Sprache MINT (Mining Query Language) MusterSuche – SQL-ähnliche Sprache – es können auch direkte Queries eingegeben werden: select t from node as a b, template a * b as t where a.url = "X.html" and b.url = "Y.html" 63 Einsatz von WUM (10) MusterSuche 64 Einsatz von WUM (11) • Analyse + Visualisierung der Query-Resultate MusterSuche 65 Einsatz von WUM (12) • Reports: Datenauswertung Interpretation und Umsetzung – Comprehensive Report – Web Site Pages Report 66 Einsatz von WUM (13) • Datenauswertung Interpretation und Umsetzung 67 Demo It‘s showtime !!! 68 Quellen • • • • • • • Handbuch Web Mining von Hajo Hippner, Melanie Merzenich, Klaus D. Wilde Scripts Prof. Dr. Nouri, FH Solothurn Präsentation Dr. Daniel Schloeth SPSS (Schweiz) AG Vorträge Prof. Dr. Quafafou, IAAI Unterlagen der Firma SPSS und SAS Script der Universität Karlsruhe (TH) WUM-Website http://wum.wiwi.hu-berlin.de 69 2 Version Web Mining • Theoretisches Konzept • Praktische Anwendung • Diskussion Interview • Interview mit einem Vertreter von Provantis 71 Theorethisches Konzept • • • • • • Was ist Web-Mining? Wofür braucht es Web-Mining? Wie sieht Web-Mining für Surfer aus? Wie sieht Web-Mining technisch aus? Welche Strategien gibt es? Welche Infos sammelt Web-Mining? 72 Was ist Web-Mining? • Sammeln von Kunden-Infos via WWW • Erfassen der Gewohnheiten und Bedürfnisse der potenziellen Kunden • Ermittlen der Bewegungspfade der Kunden • Erfassen der Interessen / Kaufbedürfnisse des Kunden 73 Wofür braucht es Web-Mining? • Personifizierung des Auftritts – Begrüssung mit Namen – Speichern der letzten Einstellung usw. • Angebot auf Kundenbedürfnisse ausrichten • Kaufwahrscheinlichkeiten berechnen • Marketing-Anaylsen günstig durchführen 74 Wie sieht Web-Mining für Surfer aus? • Begrüssung mit persönlicher Anrede • Letzter Besuch • Anzahl Beträge im Forum • usw. 75 Wie sieht Web-Mining technisch aus? • 1000 ungefragte Küchlein 76 Wie sieht Web-Mining technisch aus? • Web-Mining sammelt Informationen über den Surfer • In ein Cookie kann man schreiben was man will !! • Niemand weiss was hier gespeichert wird 77 Web-Mining Strategien • Welche Vorlieben hat der Surfer? • Den Kunden optimal durch die Webseiten der Firma führen • Dem Kunden genau das Anbieten was er möchte 78 Welche Infos sammelt Web-Mining? (1) • Der Besucher – Wie viele Besucher erhält meine Seite? – Woher kommen sie? – Wie lange bleiben sie? – Wie sehen die typischen Bewegungspfade aus? – Wie lassen sich die Bewegungspfade verbessern? 79 Welche Infos sammelt Web-Mining? (2) • Der Besucher – An welcher Stelle verlassen die Besucher meine Seite? – Warum verlässt der Surfer meine Seite? – Welche Profile haben meine wichtigsten Kundensegmente 80 Welche Infos sammelt Web-Mining? (3) • Online Werbung – Welche Werbebanner erwecken das meiste Interesse? – Welche Werbung führt zu Käufen? – An welche Stelle sollen die Banner platziert werden? – Wieviele Besucher kaufen etwas? 81 Welche Infos sammelt Web-Mining? (4) • Der Seiteninhalt – Für welche Inhalte interessiert sich der Kunde? – Welche Inhalte werden weniger beachtet und warum? – Wie lässt sich eine Personalisierung der Inhalte erreichen/verbessern? 82 Welche Infos sammelt Web-Mining? (5) • Das Kaufverhalten – Wie unterscheiden sich Besucher von Käufern? – Was machen die Besucher bevor sie etwas einkaufen? – Welches Verhalten auf der Seite lässt auf Wiederholungskäufe schliessen? 83 Web Mining • Web-Content-Mining • Web-Structure-Mining • Web-Usage-Mining Übersicht der Methoden Web-Mining Web-ContentMining Web-StructureMining Web-UsageMining Untersucht Inhalte / Klassifiziert Seiten Untersucht Struktur des Aufbaus der Webseiten Untersucht wie die Webseiten gebraucht werden 85 Web-Content-Mining • Analysiert den Inhalt von Webseiten • Klassifiert diese Inhalte • Extrahiert die Dokumente und fügt diese in neue Knowledge-Kataloge ein • Ermöglicht automatischen Tranfer / Transformation von bestehender Information 86 Web-Content-Mining • Beispiel: – Redaktionell gepflegte Datenbanken können mit Web-Content-Mining automatisch erweitert werden – Datenbanken können automatisch auf dem neuesten Stand gehalten werden 87 Web-Content-Mining iten Se den h r we atisc tom rt au efilte g Seiten werden in die Datenbank eingetragen 88 Web-Structure-Mining • Es werden die Zusammenhänge innerhalb der Seiten eines Web-Auftritts untersucht • Es werden die Zusammenhänge innerhalb der Elemente einer Seite untersucht 89 Web-Structure-Mining • Beispiele für Web-Structure-Mining: – websom.hut.fi – www.kartoo.com – smartmoney.com – www.webbrain.com • Technische Details von Web-StructureMining 90 Web-Structure-Mining websom.hut.fi • Die Worte charakterisieren bestimmte Bereiche • Die Fraben bezeichnen die Clusters • Die Blauen Punkte geben die gefundenen Dokumente an 91 Web-Structure-Mining websom.hut.fi • Graphische Übersicht über die gefundene Web-Seiten • Zeigt Grün die Zusammenhänge an 92 Web-Structure-Mining smartmoney.com • Börsen-Daten von über 500 Firmen • Die Grösse zeigt den Markanteil • Die Farbe den Gewinn/ Verlust des Titels 93 Web-Structure-Mining www.webbrain.com • Zeigt eine nach Kategorien geordnete Übersicht des Suchresultats an 94 Technische Details von Web-Structure-Mining (1) • Untersuchungsgegenstand ist – Struktur des Webs – Hierarchien und Verknüpfungen – Struktur bzw.Schema eines Dokuments • das links enthält und auf das links verweisen • das aus mehreren links besteht – Ähnlichkeiten und Relationen helfen bei der 95 Technische Details von Web-Structure-Mining (2) • Das Web ist ein gerichteter Graph – Seiten und links entsprechen Knoten – In-Degree =Anzahl der links auf ein Dokument – Out-Degree =Anzahl der links aus einem Dokument – Diameter =maximaler Wert des minimalen Wegs von einem Dokument A zu einem Dokument B 96 Web-Usage-Mining • Untersucht das Verhalten von Surfern • Anwenden von Data-Mining-Methoden auf das Server-Logfile • Daten können einem User zugeordnet sein oder nicht 97 Web-Usage-Mining Web Usage Mining • Nutzeraktivitäten • Inhalt einer Site • Andere Daten Anonym Personalisiert • Personenbezogene Daten • Nutzerprofile 98 Web-Usage-Mining • Grundlegende Vorgehensweise Sammlung der Daten Datenaufbereitung Modellierung Auswertung 99 Web-Usage-Mining • Verfügbare Daten – – – – Host Datum / Uhrzeit URL Anzahl gelesener Bytes – Browser – Referer-URL – Name und Passwort des Nutzers 100 Web Mining (allgemein) • Datenaufbereitung • Logfile-Analyse • Infomation Tracking • Fallbeispiel für WebMining Datenaufbereitung Association Rules Logfile Formatted Data Cleaned Logfile Sequential Patterns Formatted Data Integrated Data User Registration Data Formatted Data Cluster & Classification Rules 102 Datenaufbereitung • Das Logfile wird bereinigt • Die Daten werden mit den Benutzerdaten zusammengeführt • Die Daten werden formatiert • Die Daten werden nach Data-MiningMethoden ausgewertet 103 Auswertung der Logfiles 104 Logfile-Analyse • Probleme – Alle Benutzer welche von einer Firma aus Surfen haben die gleiche IP-Adresse – Aufwendiges Preprozessing – Nicht alle Informationen sind relevant – Beim Caching werden Seiten zwischengespeichert und erscheinen danach nicht mehr im Logfile 105 Infomation Tracking 106 Fallbeispiel für WebMining 107 Web Mining Methoden • Clustering / Segmentierung • Warenkorbanalyse • Sequenzanalysen • Klassifikation • Vorhersage Clustering / Segmentierung • Angewandte Techniken – Clusteranalyse – Neuronale Netze – Indentifikation von Kunden mit ähnlichem Verhalten 109 Warenkorbanalyse • Ziel der Warenkorb-Analyse – Analyse der Zusammenhänge zwischen Produkt und Dienstleistung – Erkennen von Trends – Empfehlungen abgeben – z.B. Most popular product etc. 110 Sequenzanalysen (1) • Ziel der Sequenzanalyse – Reihenfolge der besuchten Seiten bestimmen – Produkte bestimme welche in EINER Sequenz erworben wurden – Welche Sequenzen führen zum Kauf 111 Sequenzanalysen (2) • Ziel der Sequenzanalyse – Welche Sequenzen führen zum KaufAbbruch – Welche Sequenzen beinhalten Schwachstellen 112 Klassifikation • Klassifizierung durch – Entscheidungsbäume – Neuronale Netze • Erforschen von komplexem Kaufverhalten 113 Vorhersage • Verhalten des Kunden voraussagen = proaktives Handeln • Wie wahrscheinlich ist es, dass eine Person: – Antwortet – Kauft – Mehr ausgibt – Nicht mehr kauft 114 Quellen • Skript Dr. Nouri • Präsentation Web-Mining (Vorgänger-Jahrgang) • Internet – http://www.cometrics.de/know-web-mining.html – http://www.aifb.unikarlsruhe.de/WBS/gst/diplomarbeiten/SemanticWeb_Structure_ Mining.pdf – http://www.informationnetworking.net/Personalisierung_im_Internet_31-05-2001.pdf – http://www.uni-hildesheim.de/~rschneid/WebMiningSession2.pdf – notesweb.uni-wh.de/.../Web_Usage_Mining.ppt 115 Fragen? Vielen Dank für Eure Aufmerksamkeit
