Data Mining in Forschung und Lehre
Werbung
Data Mining in Forschung und Lehre – Status Quo und Entwicklungstendenzen – 25. Juli 2002 Dr. Matthias Meyer [[email protected]] EFOplan - Seminar für Empirische Forschung und Quantitative Unternehmensplanung Ludwig-Maximilians-Universität München Department für Betriebswirtschaft / Munich School of Management Kaulbachstr. 45 / I • D-80539 München Tel.: +49-89 - 2180-5640 • Fax: +49-89 - 2180-5651 • eMail: [email protected] www.efoplan.de 1 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Agenda Data Mining in der Forschung Wie viele Lehrstühle beschäftigen sich mit Data Mining? Aus welchen Fachgebieten kommen die Wissenschaftler? In welchen Richtungen wird geforscht? der Lehre Welchen Stellenwert hat das Data Mining in der Lehre? Wie sind Lehrveranstaltungen aufgebaut? Welche Methoden und welche Tools werden behandelt? Data Mining in Lehre&Forschung ... &Praxis Fließen Aufgabenstellungen aus der Praxis in Forschung&Lehre ein? Wie könnten Forschung und Praxis kooperieren? Künftige Entwicklung 2 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Forschung – Begriffe DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Definitionen Knowledge Discovery in Databases (KDD): Der gesamte Prozess der interaktiven und iterativen Entdeckung und Interpretation von nützlichem Wissen aus Daten. Data Mining: Anwendung von Algorithmen zur Extraktion von Mustern Interpretation/ Evaluation aus Daten. Data Mining Wissen Datenvorverarbeitung Datenaufbereitung Muster Datenauswahl Aufbereitete Daten Vorverarbeitete Daten Ausgewählte Daten Daten 3 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Forschung – Anzahl Lehrstühle DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Vorgehen zur Bestimmung des Status Quo in Forschung und Lehre Internet-Recherche im Hochschulbereich Betrachtung der Angaben zu Forschung, Lehre und Projekten In Deutschland beschäftigen sich ca. 40 Lehrstühle aus Betriebswirtschaft, Informatik und Wirtschaftsinformatik mit Fragestellungen des Data Mining, Web Mining und KDD. Data Mining hat sich als Disziplin etabliert, ist aber in den meisten Fällen nicht der alleinige Forschungsschwerpunkt. 4 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Forschung – Überblick DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Die Betrachtungen beschränken sich auf Lehrstühle aus Betriebswirtschaft/Wirtschaftswissenschaften (inkl. Statistik), Informatik und Wirtschaftsinformatik Nicht betrachtet wurden Lehrstühle aus z. B. Medizin, Biologie, Physik und Astronomie. 5 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung zunehmend theoriegestützt Data Mining in der Forschung – „Aufeinandertreffen von Welten“ Experimentelle Forschung Deskriptive Forschung Generierung Hypothesen Data Mining Validierung Explorative Forschung Expertenbefragung Literatursichtung und Sekundärforschung zunehmend datengestützt 6 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Forschung – Lehrstühle DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung U. Güntzer, Uni Tübingen S. Rachev, TU Karlsruhe R. Reiss, Uni Siegen A. Unwin, Uni Augsburg U. Rendtel, Uni Frankfurt H. Degen, Uni Düsseldorf B. Erichson, Uni Magdeburg R. Decker, Uni Bielefeld L. De Raedt, Uni Freiburg G. Palm, Uni Ulm M. Richter, Uni Kaiserslautern D. Keim, Uni Konstanz FORWISS, TU München J. Buhmann, Uni Bonn H. Kriegel, LMU München R. Bergmann, Uni Hildesheim W. Dilger, TU Chemnitz W. Brauer, TU München S. Wrobel, Uni Bonn F. Wysotzki, TU Berlin R. Studer, TU Karlsruhe P. Lockemann, TU Karlsruhe K. Morik, Uni Dortmund F. Klawonn, FH Emden M. Schwaiger, LMU München O. Opitz, Uni Augsburg K. D. Wilde, KU Eichstätt W. Gaul, TU Karlsruhe R. Kruse, Uni Magdeburg A. Ultsch, Uni Marburg U. Küsters, KU Ingolstadt GMD, Team Knowledge Discovery H. Lenz, HU Berlin H. Appelrath, Uni Oldenburg P. Chamoni, Uni Duisburg M. Spiliopoulou, Uni Leipzig J. Ruhland, Uni Jena R. Thome, Uni Würzburg R. Gabriel, Uni Bochum P. Mertens, Uni Erlangen 7 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Forschung – Forschungsgebiete/-schwerpunkte DM in der Forschung Kapitalmarktforschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Customer Relationship Maschinelles Lernen Multimedia Mining Management Bilderkennung Scannerdatenanalyse Genomanalysen Visual Mining Responseanalyse Mustererkennung Cross-/Up-Selling Graphische Modelle Kundenwert Information Retrieval Web Mining Data Warehouse/OLAP 8 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Forschung – Forschungsgebiete/-schwerpunkte DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Die Auswahl der Forschungsgebiete ist willkürlich. Name P. Chamoni, Uni Duisburg R. Gabriel, Uni Bochum P. Mertens, Uni Erlangen LS-Bezeichnung Wirtschaftsinformatik und OR Wirtschaftsinformatik Angebotssysteme und One-to-One-Marketing Data Mining J. Ruhland, Uni Jena Wirtschaftsinformatik Knowledge Discovery in Databases Database Marketing Web Usage Mining (Hyper-)Text Mining Wirtschaftsinformatik M. Spiliopoulou, Uni Wirtschaftsinformatik des E-Business Leipzig 9 25.07.2002 DM-Thema 1 Data Warehouses R. Thome, Uni Würzburg Wirtschaftsinformatik K. Wilde, KU Ingolstadt Wirtschaftsinformatik DM-Thema 2 OLAP DM-Thema 3 Homepage nicht aufrufbar (21.7.) Customer Relationship Web Mining Management Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining und Künstliche Intelligenz Data Mining Data Mining in der Forschung – Forschungsgebiete/-schwerpunkte DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung 10 25.07.2002 Die Auswahl der Forschungsgebiete ist willkürlich. Name H. Appelrath, Uni Oldenburg R. Bergmann, Uni Hildesheim LS-Bezeichnung Informationssysteme DM-Thema 1 Data Warehouses DM-Thema 2 OLAP Daten und Wissensmanagement Wissensmanage-ment Fallbasiertes Schließen E-Commerce W. Brauer, TU München Theoretische Informatik und Grundlagen der KI Künstliche Intelligenz J. Buhmann, Uni Bonn L. De Raedt, Uni Freiburg Mustererkennung und Bildverarbeitung Neuronale Netze Künstliche Intelligenz Maschinelles Lernen und Natürlichsprachliche Systeme Maschinelles Lernen Bioinformatik Prediction of Chemical Carcinogenicity W. Dilger, TU Chemnitz Künstliche Intelligenz Maschinelles Lernen / Intelligente Agenten Data Mining FORWISS, TU München Bayerisches Forschungszentrum für Wissensbasierte Systeme Raster Data Management GMD, Team Knowledge Discovery Visuelles Data Mining Multimedia Mining Theoretische Informatik U. Güntzer, Uni Tübingen D. Keim, Uni Konstanz Datenbanken und Informationssysteme Information Retrieval Datenbanken und Visualisierung Visuelles Data Mining Informationsvisualisierung F. Klawonn, FH Emden Datenanalyse und Mustererkennung Fuzzy-Systeme Ludwig-Maximilians-Universität München Dr. Matthias Meyer DM-Thema 3 KDD Assoziationsanalysen Neuronale Netze Video/Image segmentation Text Mining Unsicherheit Clusteranalyse Data Mining in der Forschung – Forschungsgebiete/-schwerpunkte DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Die Auswahl der Forschungsgebiete ist willkürlich. Name H. Kriegel, LMU München LS-Bezeichnung Datenbanksysteme DM-Thema 1 Knowledge Discovery in Databases DM-Thema 2 Zugriffsmethoden für hochdimensionale Datenräume DM-Thema 3 Integration heterogener Datenbanken und quellen R. Kruse, Uni Magdeburg Neuronale Netze und Fuzzy-Systeme Data Mining with Graphical Models Fuzzy-Datenanalyse Neuro-Fuzzy-Systeme P. Lockemann, TU Karlsruhe Systeme der Informationsverwaltung Wissengewinnung in Datenbanken Interaktives Information Retrieval Unscharfe Daten in Produktion, Handel und Verkehr K. Morik, Uni Dortmund G. Palm, Uni Ulm Künstliche Intelligenz Neuroinformatik Maschinelles Lernen und Text Neuroinformatik Wissensentdeckung in Datenbanken Data Mining M. Richter, Uni Kaiserslautern Wissensbasierte Systeme und Künstliche Intelligenz Image Mining Information Retrieval R. Studer, TU Karlsruhe Wissensmanagement Conceptual Knowledge German Text Discovery Exploitation and Search System A. Ultsch, Uni Marburg Neuro-Informatik und Künstliche Intelligenz Data Mining mit Data Mining mit neuronalen Methoden Artificial Life S. Wrobel, Uni Bonn Wissensentdeckung und Maschinelles Lernen F. Wysotzki, TU Methoden der Künstlichen Intelligenz Berlin 11 25.07.2002 Wissensentdeckung Maschinelles Lernen Entscheidungsbäume und Neuronale Netze Induktive Konstruktion v. merkmalsbasierten und logischen Klassifikatoren Ludwig-Maximilians-Universität München Dr. Matthias Meyer Integrated Knowledge Management Data Mining in der Forschung – Forschungsgebiete/-schwerpunkte DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung 12 25.07.2002 Die Auswahl der Forschungsgebiete ist willkürlich. Name R. Decker, Uni Bielefeld LS-Bezeichnung DM-Thema 1 Betriebswirtschaftslehre und Marketing Marketing DM-Thema 2 Fehlende Werte DM-Thema 3 KNN B. Erichson, Uni Magdeburg W. Gaul, TU Karlsruhe Marketing Marktforschung Entscheidungstheorie und Unternehmensforschung Data Mining Multivariate Analyseverfahren Web Mining E-Commerce H. Lenz, HU Berlin Produktion, Wirtschaftsinformatik und Operations Research Statistische Datenbanken O. Opitz, Uni Augsburg Statistik und Mathematische Wirtschaftstheorie Marktforschung Prognose Stochastik M. Schwaiger, LMU München Empirische Forschung und Quantitative Data Mining Unternehmensplanung H. Degen, Uni Düsseldorf Statistik & Ökonometrie Data Warehouse OLAP U. Küsters, KU Ingolstadt Statistik und quantitative Methoden der Data Mining Methoden Computational Wirtschaftswissenschaften Statistics S. Rachev, TU Karlsruhe Ökonometrie und Statistik R. Reiss, Uni Siegen Initiative für Statistik und Data Mining U. Rendtel, Uni Frankfurt Statistik A. Unwin, Uni Augsburg Rechnerorientierte Statistik und Datenanalyse Computational Statistics Stochastic, Econometric and Statistical Models of Financial Markets Visuelles Data Mining Assoziationsanalysen Ludwig-Maximilians-Universität München Dr. Matthias Meyer Statistische Prognoseverfahren Data Mining in der Forschung – Bsp. Forschungsgebiete DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Bsp. Web Mining Untersuchung des Verhaltens auf Websites Schaffung einer Basis für adaptive Websites Verbesserung des Informationsangebots Bsp. Kapitalmarktforschung Analyse von Aktienorders auf Kapitalmärkten im Zusammenhang mit Unternehmensmeldungen und gesamtwirtschaftlichen Faktoren Bsp. Marketing/Customer Relationship Management Bestimmung von Cross-/Up-Selling-Potenzialen Ermittlung des Kundenwerts Untersuchung des Kauf-/Bestell- oder Beschwerdeverhaltens 13 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Lehre – allgemeine Aussagen DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Umfang typischerweise VL mit 2 SWS oder VL+Üb mit 2+2 SWS Themenschwerpunkte Behandlung ausgewählter Data Mining-Methoden Zugang oftmals ausgehend von „klassischen“ Informatik-Gebieten (Datenbanken, Data Warehouses, Maschinelles Lernen, Informationsmanagement, Information Retrieval) Software-Einsatz Software wird überwiegend nicht eingesetzt, ansonsten begleitend zur Vertiefung der VL-Inhalte eingesetzt wird u. a. SAS Enterprise Miner, SPSS, S-Plus Praxisbezug Methoden-Anwendung auf reale Daten findet selten bzw. nicht statt Datensätze sind überwiegend künstlich und enthalten relativ wenige Beobachtungen in einige Veranstaltungen werden Praxisvorträge integriert (vorwiegend bei Betriebswirtschaftslehre und Wirtschaftsinformatik) 14 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Lehre – Übersicht Lehrveranstaltungen DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Name P. Chamoni, Uni Duisburg R. Gabriel, Uni Bochum P. Mertens, Uni Erlangen LS-Bezeichnung Wirtschaftsinformatik und OR Wirtschaftsinformatik Lehre 1 Lehre 2 Lehre 3 Homepage nicht aufrufbar (21.7.) Wirtschaftsinformatik VL Informationsmanage ment J. Ruhland, Uni Jena Wirtschaftsinformatik Data Mining und Künstliche Intelligenz VL Computergestützte Unternehmensplanun g und -kontrolle M. Spiliopoulou, Uni Wirtschaftsinformatik des E-Business VL Knowledge VL Knowledge Sharing Sem. Knowledge Leipzig Discovery for Ein the Organisation Management Business Applications R. Thome, Uni Würzburg Wirtschaftsinformatik VL Grundlagen der Kolloquium: Data Web Programmierung Warehousing und Business Intelligence K. Wilde, KU Ingolstadt Wirtschaftsinformatik VL Data Mining / Web VL eCRM Mining im Marketing Die Lehrveranstaltungen wurden willkürlich aus Veranstaltungen der letzen 1-2 Jahre ausgewählt. 15 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Lehre – Übersicht Lehrveranstaltungen DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Name H. Appelrath, Uni Oldenburg R. Bergmann, Uni Hildesheim LS-Bezeichnung Informationssysteme Lehre 1 Lehre 2 Lehre 3 Daten und Wissensmanagement VL Grundlagen des Wissensmanagement W. Brauer, TU München Theoretische Informatik und Grundlagen der KI VL Data Mining und Knowledge Discovery J. Buhmann, Uni Bonn L. De Raedt, Uni Freiburg Mustererkennung und Bildverarbeitung Maschinelles Lernen und Natürlichsprachliche Systeme W. Dilger, TU Chemnitz Künstliche Intelligenz FORWISS, TU München Bayerisches Forschungszentrum für Wissensbasierte Systeme Lehre 4 VL Neuronale Netze VL Mustererkennung VL Bildverarbeitung VL Foundations of AI VL Machine Learning and Data Mining VL Probabilistic Models in Artificial Intelligence VL Data Mining VL Künstliche Intelligenz VL Konnektionistische VL Maschinelles Wissensverarbeitung Lernen Sem. Databases and Data Mining in Bioinformatics GMD, Team Knowledge Discovery U. Güntzer, Uni Tübingen D. Keim, Uni Konstanz Datenbanken und Informationssysteme Datenbanken und Visualisierung Information Retrieval Datenbanken F. Klawonn, FH Emden Datenanalyse und Mustererkennung VL Fuzzy-Datenanalyse VL Neuronale Netze Sem. Visualisierung und Data Mining SS2001 Praktikum Data Mining / Informationsvisualisie rung SS2001 VL Genetische Algorithmen Die Lehrveranstaltungen wurden willkürlich aus Veranstaltungen der letzen 1-2 Jahre ausgewählt. 16 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Lehre – Übersicht Lehrveranstaltungen DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Name H. Kriegel, LMU München LS-Bezeichnung Datenbanksysteme Lehre 1 Lehre 2 VL+Üb Knowledge VL DBS und Discovery in DB (KDD) Visualisierung R. Kruse, Uni Magdeburg Neuronale Netze und Fuzzy-Systeme VL Neuronale Netze P. Lockemann, TU Karlsruhe Systeme der Informationsverwaltung VL+Üb Informations- VL Sem. Semantic Web Informationsintegrati und und Wissensmanagement on und Web-Portale Informationsintegrati on K. Morik, Uni Dortmund G. Palm, Uni Ulm Künstliche Intelligenz M. Richter, Uni Kaiserslautern Sem.Information Mining in heterogenen Datenbeständen Lehre 3 VL Unsicherheit und Vagheit in wissensbasierten Systemen VL Künstliche Intelligenz VL+Üb Data Mining VL Maschinelles Lernen VL Theorie Neuronaler Netze I+II Wissensbasierte Systeme und Künstliche Intelligenz VL Knowledge management for ecommerce VL Information Retrieval R. Studer, TU Karlsruhe Wissensmanagement Sem. Knowledge Discovery VL Intelligente Systeme im World Wide Web Sem. E-Business und Intelligent Web A. Ultsch, Uni Marburg Neuro-Informatik und Künstliche Intelligenz VL Knowledge Discovery Sem. Aktuelle Methoden des DataMining VL Neuronale Netze VL Maschinelles Lernen Sem. Mustererkennung und Klassifikation Neuroinformatik S. Wrobel, Uni Bonn Wissensentdeckung und Maschinelles Lernen F. Wysotzki, TU Methoden der Künstlichen Berlin Intelligenz Lehre 4 VL Informations- und Wissensmanagement Die Lehrveranstaltungen wurden willkürlich aus Veranstaltungen der letzen 1-2 Jahre ausgewählt. 17 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Lehre – Übersicht Lehrveranstaltungen DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Name R. Decker, Uni Bielefeld LS-Bezeichnung Betriebswirtschaftslehre und Marketing Lehre 1 VL Marketingforschung und Data Mining B. Erichson, Uni Magdeburg W. Gaul, TU Karlsruhe Marketing VL Multivariate Analyseverfahren VL Web Mining H. Lenz, HU Berlin Produktion, Wirtschaftsinformatik und Operations Research VL Data Warehousing und Data Mining O. Opitz, Uni Augsburg Statistik und Mathematische Wirtschaftstheorie VL+Üb Methoden der Marktforschung M. Schwaiger, LMU München Empirische Forschung und Üb Data Mining Quantitative Unternehmensplanung H. Degen, Uni Düsseldorf Statistik & Ökonometrie U. Küsters, KU Ingolstadt Statistik und quantitative Methoden VL Grundlagen der der Wirtschaftswissenschaften Daten- und Regressionsanalyse VL Ausgewählte Prognosemethoden S. Rachev, TU Karlsruhe Ökonometrie und Statistik VL Data Mining (Nakhaeizadeh) Sem. Data and Information Quality R. Reiss, Uni Siegen Initiative für Statistik und Data Mining Statistik VL Data Mining mit SAS Enterprise Miner Sem. Data Mining in Business und Finance Sem. Data Mining VL Data Mining U. Rendtel, Uni Frankfurt A. Unwin, Uni Augsburg Entscheidungstheorie und Unternehmensforschung Rechnerorientierte Statistik und Datenanalyse Lehre 2 Lehre 3 VL Multivariate Verfahren in der Marketingforschung VL Datenanalyse Multivariate Ökonometrie Statistische Verfahren VL+Üb Modellbildung in der Statistik Sem. Web Mining Die Lehrveranstaltungen wurden willkürlich aus Veranstaltungen der letzen 1-2 Jahre ausgewählt. 18 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Lehre – Bsp. Lehrinhalte/-konzepte DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung 19 25.07.2002 VL (2 SWS) TU München, SS2001 Einführung: Ziel, Definitionen, Schritte der Knowledge Discovery (KDD) Datenquellen, -charakteristika und Fehlerquellen Datenvorverarbeitung und -filterung Datenvisualisierung Projektionen Hauptachsentransformation mehrdimensionale Skalierung Sammon-Methode selbstorganisierende Karten Datentransformationen und Merkmalsgenerierung Datenanalyse Korrelationsanalyse und Scheinkorrelationen Regression Klassifikation (Entscheidungsbäume, ID3) Clustering (SAHN, HCM, FCM, GK, FCL, FCE, ACE, RBF, LVQ, FGLVQ) Regeln (scharf, unscharf, lokale Modelle) Sequenzen und zeitliche Verläufe Anwendungsbeispiele Papierindustrie Bildverarbeitung: Mammographie Hausgerätetechnik Straßenverkehrstechnik Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Lehre – Bsp. Lehrinhalte/-konzepte DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung VL+Üb (3+1 SWS) Uni Ulm, SS2001 Verfahren des maschinellen Lernens: Entscheidungstabellen/-bäume Assoziationsregeln Clustering Klassifikation Prognose Datenrepräsentation: Konzepte, Instanzen, Attribute Visualisierung Kombination von Modellen Anwendungen in JAVA 20 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in der Lehre – Bsp. Lehrinhalte/-konzepte DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung 21 25.07.2002 Üb (2 SWS) LMU München, SS2002 Grundlagen Data Mining und KDD Data Warehouse Einführung in den SAS Enterprise Miner Assoziationsregeln Grundlagen Anwendung des SAS Enterprise Miner Clusteranalyse (Nearest Neighbour) Grundlagen Anwendung des SAS Enterprise Miner Entscheidungsbäume Grundlagen Anwendung des SAS Enterprise Miner Exkurs: Teilnahme am Data Mining Cup 2002 (ein Teilnehmer unter den besten 10, einer unter den besten 20, alle anderen unter den ersten 60 von 120 Einreichungen) (KNN: nur Grundlagen) Behandlung von Fehlwerten Vorträge Herr Botsch (HypoVereinsbank) Herr Wunderlich (SAS Institute) Ludwig-Maximilians-Universität München Dr. Matthias Meyer Data Mining in Forschung&Lehre ... &Praxis DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Formen Praxisvorträge innerhalb und außerhalb von Lehrveranstaltungen Projektseminare Forschungskooperationen Wettbewerbe (Data Mining Cup) Diplomarbeiten Einige erfolgreiche Beispiele Diplomarbeit zur Bestimmung des Kundenwerts und Cross-Selling-Potenzials bei einem Finanzdienstleister. Diplomarbeit zum Web Mining bei einem Online-Shop. Data Mining Cup (Auswertung anonymisierter Kundendaten); sehr gut zur Integration in Lehrveranstaltungen mit Software-Einsatz geeignet! Vorträge von SAS Institute, HypoVereinsbank, CSC Ploenzke, Dymatrix Consulting Group „Wunschliste“ an die Praxis Bereitstellung von Daten für Forschungsvorhaben oder Lehrveranstaltungen gemeinsame Durchführung von Diplomarbeiten und Projektseminaren 22 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Künftige Entwicklung in Forschung&Lehre DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung 23 25.07.2002 Forschung Data Mining/KDD dürfte sich als Disziplin etablieren die Thematik wird überwiegend auf Grund des breiten Anwendungsspektrums in die Forschungsarbeit aufgenommen werden Betriebswirtschaftslehre/Wirtschaftsinformatik hier wird Data Mining in größere Gebiete (CRM, Wissensmanagement, E-Commerce) integriert werden Informatik/Statistik Data Mining wird verstärkt mit „klassischen“ Disziplinen (Datenbanken, Maschinelles Lernen, explorative Statistik) verbunden die Arbeit wird sich auf neue Algorithmen (Bildverarbeitung, Multimedia, geogr. Informationen) und Effizienzverbesserungen konzentrieren auch weiterhin Koexistenz von datengetriebener und theoriegetriebener Forschung Lehre die Lücke zwischen stark methodisch ausgerichteten und stark anwendungsbezogenen Veranstaltungen gibt es auf Grund unterschiedlicher Zielsetzungen und „Prägungen“ der Dozenten auch weiterhin das Label „Data Mining“ bzw. „KDD“ findet weitere „Anhänger“ und dürfte gelegentlich zum „Aufpolieren“ von herkömmlichen Veranstaltungen dienen Ludwig-Maximilians-Universität München Dr. Matthias Meyer Künftige Entwicklung in Forschung – „Zusammenführung der Welten“ DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung general context Individual context Sequence New law (precautions for retirement) Life insurance Conclude contract Cancel contract time Marketing activity for ... Car insurance Conclude contract Cancel contract Marketing activity for ... Health insurance Conclude contract Cancel contract Marketing activity for ... Quelle: Folien zum eingeladenen Vortrag „Sequence Mining in Marketing“, GfKl-Tagung 2001 24 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer Fazit DM in der Forschung DM in der Lehre Forschung&Lehre ... &Praxis Künftige Entwicklung Data Mining hat sich in Forschung&Lehre als Disziplin etabliert. Die meisten Lehrstühle kommen aus der Informatik, Betriebswirtschaftslehre, Statistik oder Wirtschaftsinformatik. Data Mining stellt oftmals eine Ergänzung/Fortsetzung der bisherigen Arbeit in Forschung&Lehre dar. Oftmals werden theoretische Grundlagen ausführlich vermittelt, während die Anwendung der Methoden zu kurz kommt. Data Mining dürfte über die erste Euphorie-Phase hinaus sein; mittlerweile wird verstärkt an der Benutzerunterstützung z. B. zur besseren Ergebnisinterpretation gearbeitet. Insbesondere das Visual Mining und die Verarbeitung von Video-/Bildinformationen scheint künftig von Interesse zu sein. Einige Lehrstühle befassen sich zudem verstärkt mit dem Text Mining, wobei dies noch nicht in die Lehre einfließt. 25 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer EFOplan – Ludwig-Maximilians-Universität München www.efoplan.de EFOplan - Seminar für Empirische Forschung und Quantitative Unternehmensplanung Unsere Mission Wir vermitteln Know-how zur Lösung betriebswirtschaftlicher Entscheidungsprobleme durch Anwendung quantitativer Methoden und zielgerichtete Interpretation der Anwendungsergebnisse. Wir wollen auf dem Gebiet der Datenbeschaffung, -aufbereitung und -auswertung Spezialisten sein, um damit Informationen, also entscheidungsrelevantes Wissen für betriebswirtschaftliche Probleme zur Verfügung zu stellen. Die fundierte Methodenkenntnis versetzt uns ferner in die Lage, Resultate im Sinne der Problemstellung kritisch zu interpretieren und damit Entscheidungsrisiken zu minimieren. Dr. Matthias Meyer Studium der Wirtschaftsinformatik an der TU Braunschweig Wissenschaftlicher Mitarbeiter am Lehrstuhl für Wirtschaftsinformatik der KU Eichstätt Wissenschaftlicher Assistent bei EFOplan an der LMU München Herausgeber der Buchreihe „Information Networking“ Mit-Herausgeber des „Handbuchs Data Mining im Marketing“ Co-Autor des Buches „Kundenmanagement in der Network Economy“ Herausgeber des Buches „CRM-Systeme mit EAI“ Forschungs- und Beratungstätigkeit in den Bereichen Information Networking, Data Mining und CRM 26 25.07.2002 Ludwig-Maximilians-Universität München Dr. Matthias Meyer
