Filtern nach
Data Mining
Kursart
Durchführungsform
Ort
Alle Filter anzeigen
Erfahren Sie, wie wir die Ergebnisse sortieren
Möchten Sie erfahren, wie wir unsere Ergebnisse sortieren? Lesen Sie mehr darüber, wie Kurse in den Suchergebnissen eingestuft werden.
Zeigt 1-25 von 90 Treffern
1
2
3
4
Ads

Inspiration Data Mining

Wer schon einmal, etwa bei Google, zu einem Thema nach Daten gesucht hat, der hat erkannt, dass es dabei zwei Aspekte gibt: Einmal möchte man möglichst viele Daten als mögliche Träger von sinnvollen Informationen gewinnen. Dann muss man aber die wertvollen Informationen von den unwichtigen trennen bzw. gewonnene Daten in einen sinnvollen Bezug zueinander setzen. Diesen Vorgang bezeichnet man, als professionelle Aufgabe für Unternehmen und Firmen, mit dem Begriff Data Mining. Durch Weiterbildung kann man sich für diese Aufgabe spezialisieren.

Wozu dient Data Mining?

Wer in seiner derzeitigen beruflichen Aufgabe im IT-Bereich, eventuell auch schon in Leitungsposition, tätig ist und sich für Business Intelligence oder Business Analysis interessiert, kann für diesen Bereich durch Weiterbildung Karriereschritte machen. Die Aufgabe des Data Mining wird seit längerer Zeit gut durch folgende und häufig zitierte Aussage umschrieben: Wir ertrinken in Daten und hungern nach Informationen. Geeignete Analyseverfahren und -instrumente sind also gefragt, um in den Daten nach Informationen zu schürfen, worauf der englische Begriff Mining anspielt.

Zielsetzung von Data Mining ist es also, den Entscheidungsträgern und Entscheidungsträgerinnen in Unternehmen relevante Hinweise zu liefern. Hierbei kommt es zunehmend auf interessante Sinnzusammenhänge von Daten an. Die klassische Signifikanz reicht in der heutigen Zeit nicht mehr aus. Hierfür bedarf es Verfahren von sogenannter künstlicher Intelligenz, die nicht nur klassisch Hypothesen überprüfen, sondern selber wieder neue Hypothesen generieren und Sinnzusammenhänge erkennbar machen kann.

Wie funktioniert Data Mining?

Hierfür werden neben anderen folgende Komponenten gebraucht und in Weiterbildung vermittelt.

  • Schnittstellen für Datenzugriff: Nach Konzentration auf bestimmte Datenbereiche, Kundensegmente zum Beispiel, werden gewonnen Zusammenhänge an geeigneten Schnittstellen gesammelt und in Informationen gewandelt.
  • Modellierung: Ein verwendeter Modelltyp ist für die Resultate maßgeblich. "Immer wenn - dann" ist ein klassisches und bekanntes Modell des Data Mining. Aber auch komplexere Modelle wie sogenannte Entscheidungsbäume, Prädikantenlogik und neuronale Netzwerke lassen sich in einer Weiterbildung für Data Mining vermitteln.
  • Sinnbewertung: Generierte Aussagen sollten möglichst durch mehrere unabhängige Messgrößen gewonnen werden. Interessant sind jetzt etwaige Auffälligkeiten. Abweichungen vom Durchschnitt etwa werden gerne untersucht auf statistisch belastbare Sinnaussagen.
  • Suchmethoden: Um Data Mining erfolgreich zu betreiben, muss die Methodik geeignet sein, die größtmögliche Menge an wirklich interessanten Daten zu finden. Hierfür werden in Weiterbildung auch heuristische Verfahren gelehrt, da exakte Verfahren hier oft fehlschlagen.

Zur Verwendung kommt Data Mining für das Erstellen von Erklärungs- und Beschreibungsmodellen, aber auch für Prognosen von betrieblichen oder markttechnischen Vorgängen. Typisches Anwendungsbeispiel ist das Erstellen von Profilen von Käufern für sogenanntes Cross Selling oder auch Einblick in eine Marktsegmentierung.

Erklären kann Data Mining auch den möglichen Erfolg eines Werbeauftritts oder Käuferverhalten durch Warenkorbanalyse. Prognoseaussagen sind besonders relevant für Versicherungen: Eventuelle Vertragslaufzeiten oder Häufigkeit von Krankheiten bei Personengruppen für Zuordnung in eine bestimmte Versicherungsklasse sind Inhalte, die recht verlässlich vorhergesagt werden können und auf die adäquat reagiert werden kann.

Wenn Sie Vorkenntnisse und Interesse haben, ist eine Weiterbildung in Data Mining eine sinnhafte und karrieresichernde Maßnahme. Informationen zu Angeboten im Bereich Data Mining finden Sie hier.