Gliederung und Literaturübersicht SS 2015

Data und Web Mining
im Marketing
Quantitative Methoden der Marketingforschung
Daniel Böger (M.Sc.)
SS 2015
Universität
Bielefeld, Lehrstuhl für BWL, insb. Marketing
SS 2015
Daniel Böger (M.Sc.)
Gliederung der Vorlesung
Teil 1: Einführung
–
–
Begriff, Gegenstand und Grundlagen des Data Mining
Data Warehouse
Teil 2: Data Mining
–
–
–
–
–
–
–
Clusteranalyse (Wiederholung)
Diskriminanzanalyse
Entscheidungsbäume
Assoziationsanalyse
Support Vektor Maschinen
Künstliche Neuronale Netze
– speziell MLP
– speziell SOM
– speziell NG-Typ
…
Teil 3: Web Mining
–
–
–
Web Content Mining
Web Structure Mining
Web Usage Mining
Teil 4: Visual Data Mining und Image Mining
Universität Bielefeld, Lehrstuhl für BWL, insb. Marketing
2
SS 2015
Daniel Böger (M.Sc.)
Literatur zur Vorlesung
Die Vorlesungsmaterialien basieren u.a. auf den folgenden Quellen:
Berthold, M. R.; Hand, D. J. (2007): Intelligent Data Analysis: An Introduction, Berlin: Springer.
Borgelt, C.;Kruse, R. (1998): Attributauswahl für die Induktion von Entscheidungsbäumen: Ein Überblick, in: Nakhaeizadeh, G. (Hrsg.): Data Mining:
Theoretische Aspekte und Anwendungen, Heidelberg: Physica, 291 - 345.
Borgelt, C.; Timm, H.; Kruse, R. (2003): Unsicheres und vages Wissen, in: Görz, G.; Rollinger, C.-R., Schneeberger, J. (Hrsg.): Handbuch der Künstlichen
Intelligenz, München: Oldenbourg.
Decker, R. (2002): Data Mining und Datenexploration in der Betriebswirtschaft, in: Schwaiger, M.; D. Harhoff (Hrsg.): Empirie und Betriebswirtschaft Entwicklungen und Perspektiven, Stuttgart, Schäffer-Poeschel, 47-82.
Decker, R. (2008): Growing Neural Gas-like Networks and their Application to Data Analysis and Clustering in Marketing, in: Jajuga, K.; M. Walesiak (Eds.):
Taksonomia 15 – Klasyfikacja i analiza danych – teoria i zastosowania, Proceedings of the SKAD Conference 2007, 17-34.
Decker, R.; Kroll, F. (2007): Modellierung vager und ungenauer Informationen, in: Luderer, B. (Hrsg.): Die Kunst des Modellierens: Mathematisch-Ökonomische
Modelle, Wiesbaden: Teubner.
Decker, R.; Monien, K. (2003): Support-Vektor-Maschinen als Analyseinstrument im Marketing am Beispiel der Neukundenklassifikation, in: Die Markt, Jg. 42,
Nr. 1, 3-13
Decker, R.; S. Raskovic; K. Brunsiek (2010): Diskriminanzanalyse, in: Wolf, C.; H. Best (Hrsg.): Handbuch der sozialwissenschaftlichen Datenanalyse, Wiesbaden,
VS Verlag, 495-523.
Decker, R.; Wagner, R. (2001b): Data Warehouse (DW), in: Diller, H. (Hrsg.): Vahlens Großes Marketing Lexikon, München: Beck/Vahlen 257-258.
Decker, R.; Wagner, R. (2001c): Online Analytical Processing (OLAP), in: Diller, H. (Hrsg.): Vahlens Großes Marketing Lexikon, München: Beck/Vahlen, 1220.
Decker, R.; Wagner, R. (2002): Marketingforschung – Methoden und Modelle zur Bestimmung des Käuferverhaltens, München: Moderne Industrie.
Essig, Kai (2007): Vision-Based Image Retrieval (VBIR): A New Eye-Tracking Based Approach to Efficient and Intuitive Image Retrieval, Dissertation,
Technische Fakultät, Universität Bielefeld.
Fayyad, U.; Piatetsky-Shapiro, G.; Uthurusamy, R. (Eds.) (1996): Advances in Knowledge Discovery and Data Mining, Menlo Park: AAAI Press.
Ferber, R. (2003): Information Retrieval, Heidelberg: dpunkt Verlag.
Gerstl, P; Hertweck, M.; Kuhn, B. (2001): Text Mining: Grundlagen, Verfahren und Anwendungen, Handbuch der modernen Datenverarbeitung, Heft 222, 38-48.
Hand, D. J.; Mannila, H.; Smyth, P. (2001): Principles of Data Mining, Cambridge: MIT Press.
Han, J.; Kamber, M.; Pei, J. (2011): Data Mining: Concepts and Techniques, San Francisco: Morgan Kaufmann.
Hippner, H.; Küsters, U.; Meyer, M. (2001): Handbuch Data Mining im Marketing – Knowledge Discovery in Marketing Databases, Braunschweig/Wiesbaden:
Vieweg.
Hettich, S.; Hippner, H. (2001): Assoziationsanalyse, in: Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K. (Hrsg.): Handbuch Data Mining im Marketing – Knowledge
Discovery in Marketing Databases, Braunschweig/Wiesbaden: Vieweg, 427-463.
Keim, D. (2002): Datenvisualisierung und Data Mining, Datenbank-Spektrum, Jg. 2, Heft 2, 30–39.
Keim, D.; Ward, M. (2003): Visualisation, in: Berthold, M.; Hand, D. (Eds.): Intelligent Data Analysis – An Introduction, Berlin: Springer.
Universität Bielefeld, Lehrstuhl für BWL, insb. Marketing
3
SS 2015
Daniel Böger (M.Sc.)
Literatur zur Vorlesung
Kosala, R.; Blockeel, H. (2000): Web Mining Research: A Survey, ACM SIGKDD, Vol. 2, No. 1, 1-10.
Kruse, R.; Gebhardt, J.; Klawonn, F. (1995): Fuzzy Systeme, Stuttgart: Teubner.
Linoff, G. S.; Berry, M. J. (2002): Mining the Web: Transforming Customer Data into Customer Value, New York: Wiley.
Linoff, G. S.; Berry, M. J. (2011): Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, New York: Wiley.
Markov, Z.; D. T. Larose (2007): Data-Mining the Web: Uncovering Patterns in Web Content, Structure, and Usage, New York: Wiley.
Monien, K. (2005): Support-Vektor-Maschinen als Analyseinstrument im Marketing, Dissertation, Fakultät für Wirtschaftswissenschaften, Universität Bielefeld.
Mucksch, H. (2006): Das Data Warehouse als Datenbasis analytischer Informationssysteme – Architektur und Komponenten, in: Chamoni, P.; Gluchowski, P.
(Hrsg.): Analytische Informationssysteme – Business Intelligence-Technologien und –Anwendungen, Berlin: Springer, 129-142.
Mucksch, H.; Holthuis, J.; Reiser, M. (1996): Das Data Warehouse-Konzept – Ein Überblick, Wirtschaftsinformatik, Jg. 4 , Heft 38, 421-433.
Nauck, D.; Klawonn, F.; Kruse, R. (1996): Neuronale Netze und Fuzzy-Systeme, Braunschweig/Wiesbaden: Teubner.
Nieschlag, R.; Dichtl, E.; Hörschgen, H. (2002): Marketing, Berlin: Duncker & Humblot.
Pillowslip L.; Tsumoto, S.; Lin, T.S. (2000): A Rough Set Perspective on Knowledge Discovery in Information Systems: An Essay on the Topic of the Book, in:
Polkowski, L.; Tsumoto, S.; Lin T.S. (Eds.): Rough Sets Methods and Applications: New Developments on Knowledge Discovery in Information Systems,
Heidelberg: Physica.
Poddig, T.; Sidorovitch, I. (2001): Künstliche Neuronale Netze: Überblick, Einsatzmöglichkeiten und Anwendungsprobleme, in: Hippner, H.; Küsters, U.; Meyer,
M.; Wilde, K. (Hrsg.): Handbuch Data Mining im Marketing, Braunschweig/Wiesbaden: Vieweg, 363-402.
Rui, Y.; Huang, T.; Chang, S. (1999): Image Retrieval: Current Techniques, Promising Directions and Open Issues, Journal of Visual Communications and Image
Representation, Vol. 10, 39-62.
Runkler, T. A. (2010): Data Mining: Methoden und Algorithmen intelligenter Datenanalyse, Berlin: Springer.
Säuberlich, F. (2000): KDD und Data Mining als Hilfsmittel zur Entscheidungsunterstützung, Frankfurt: Lang.
Schölkopf, B.; Smola, A. (2002): Learning with Kernels, Cambridge: MIT Press.
Schumann, H.; Müller, W. (2000): Visualisierung – Grundlagen und allgemeine Methoden, Heidelberg: Springer.
Scime, A. (Ed.) (2005): Web Mining: Applications and Techniques, Hershey: Idea Group Publishing.
Smeulders, A.; Worring, M.; Santini, S.; Gupta, A.; Jain, R. (2000): Content Based Image Retrieval at the End of the Early Years, IEEE Transaction on Pattern
Analysis And Machine Intelligence, Vol. 22, 1349-1380.
Spiliopoulou, M. (2001): Web Usage Mining: Data Mining über die Nutzung des Web, in: Hippner, H.; Küsters, U.; Meyer, M.; Wilde, K. (Hrsg.): Handbuch Data
Mining im Marketing – Knowledge Discovery in Marketing Databases, Braunschweig/Wiesbaden: Vieweg.
Sumathi, S.; Sivanandam, S. N. (2006): Introduction to Data Mining and its Applications, Berlin: Springer.
Witten, I. H.; Eibe, F.; Hall, M. A. (2011): Data Mining: Practical Machine Learning Tools and Techniques, San Francisco: Morgan Kaufman.
Zur Vertiefung der Vorlesungsinhalte wird ausdrücklich auf die genannten Quellen verwiesen. Die vorliegenden Folien dienen als thematische
Orientierung bzw. roter Faden und sollten deshalb kontinuierlich in Verbindung mit den betreffenden Quellen weiter vertieft werden.
Universität Bielefeld, Lehrstuhl für BWL, insb. Marketing
4
SS 2015
Daniel Böger (M.Sc.)