Zusammenfassung
Das Einführungskapitel definiert und charakterisiert verschiedene Facetten des Big Data Analytics und zeigt auf, welche Nutzenpotenziale sich für Wirtschaft, öffentliche Verwaltung und Gesellschaft ergeben. Nach der Klärung wichtiger Begriffe wird der Prozess zum Schürfen nach wertvollen Informationen und Mustern in den Datenbeständen erläutert. Danach werden Methodenansätze des Hard Computing basierend auf klassischer Logik mit den beiden Wahrheitswerten wahr und falsch sowie des Soft Computing mit unendlich vielen Wahrheitswerten der unscharfen Logik vorgestellt. Anhand der digitalen Wertschöpfungskette elektronischer Geschäfte werden Anwendungsoptionen für Hard wie Soft Data Mining diskutiert und entsprechende Nutzenpotenziale fürs Big Data Analytics herausgearbeitet. Der Ausblick fordert auf, einen Paradigmenwechsel zu vollziehen und sowohl Methoden des Hard Data Mining wie des Soft Data Mining für Big Data Analytics gleichermaßen zu prüfen und bei Erfolg umzusetzen.
Dieses Kapitel beruht auf einer Erweiterung und Aktualisierung des Beitrags von Meier A. (2019) Überblick Analytics: Methoden und Potenziale. HMD – Praxis der Wirtschaftsinformatik, Heft 329, 56(5): 885–899.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Similar content being viewed by others
Notes
- 1.
In Einzelfällen wird versucht, z. B. mit digitalen Wasserzeichen die Urheberschaft kenntlich zu machen und vor Missbrauch zu schützen.
- 2.
Moore’s Law ist eine Faustregel und sagt aus, dass sich die Komplexität integrierter Schaltungen bei gleichbleibenden Kosten innerhalb von ein bis zwei Jahren regelmäßig verdoppelt.
- 3.
NoSQL bedeutet ‚Not only SQL‘.
- 4.
Ein InMemory-Datenbanksystem nutzt den Arbeitsspeicher des Rechners als Speicher und muss die Daten bei der Verarbeitung nicht auf einem externen Medium (z. B. Festplatte) ein- und auslagern, was zu Effizienzsteigerungen beim Analytics führt.
- 5.
Im Forschungszentrum Fuzzy Management Methods der Universität Fribourg, Schweiz (www.FMsquare.org) wird als Aggregationsfunktion oft der sogenannte γ-Operator verwendet, der einem kompensatorischen UND entspricht und empirisch getestet als sinnvoll erachtet wird. Er berechnet ein ausgewogenes Mittelmaß zwischen den unterschiedlichen Bewertungsachsen, wobei die Ausgewogenheit mit der Wahl des γ-Wertes zwischen 0 und 1 eingestellt werden kann.
- 6.
Die internationale Forschungsreihe ‚Fuzzy Management Methods‘ wird von Andreas Meier, Edy Portmann und Witold Pedrycz beim Springer-Verlag herausgegeben, siehe FMsquare (2020).
- 7.
Die Intuitionistic Fuzzy Logic basiert auf der Mengenzugehörigkeitsfunktion μ(x), der Nicht-Mengenzugehörigkeit ν(x) und der Unsicherheit π(x) = 1 − μ(x) − ν(x); sie verallgemeinert die unscharfe Logik.
Literatur
Atanassov K (2016) Intuitionistic fuzzy logics. Studies in fuzziness and soft computing. Springer, Heidelberg
Belohlavek R, Dauben JW, Klir GJ (2017) Fuzzy logic and mathematics: a historical perspective. Oxford University Press, New York
Chapman P, Clinton J, Kerber R, Khabaza T, Reinartz T, Shearer C, Wirth R (2000) CRISP-DM 1.0 step-by-step data mining guide. White Paper, https://www.the-modeling-agency.com/crisp-dm.pdf. Zugegriffen am 27.06.2020
D’Onofrio S, Meier A (Hrsg) (2019) Big Data Analytics. HMD Prax Wirtschaftsinform 56(5):879–1089. Springer Vieweg, Heidelberg
Ester M, Sander J (2013) Knowledge Discovery in Databases: Techniken und Anwendungen. Springer, Heidelberg
Fasel D (2014) A fuzzy data warehousing for performance measurement – concept and implementation. Springer, Heidelberg
Fasel D, Meier A (Hrsg) (2016) Big Data – Grundlagen, Systeme und Nutzenpotenziale. Edition HMD. Springer, Heidelberg
Fayyad UM, Piatetsky-Shapiro G, Smyth P (1996) From data mining to knowledge discovery: an overview. In: Fayyad UM, Piatetsky-Shapiro G, Smyth P, Uthurusamy R (Hrsg) Advances in knowledge discovery and data mining. American Association for Artificial Intelligence, AAAI Press, Menlo Park, S 1–3
FMsquare (2020) International book series fuzzy management methods. Springer, Heidelberg. https://www.springer.com/series/11223. Zugegriffen am 27.06.2020
Gluchowski P (2016) Business Analytics – Grundlagen, Methoden und Einsatzpotenziale. In: Meier A, Zumstein D (Hrsg) Business Analytics. HMD Prax Wirtschaftsinform 53(3):273–286
Hüllermeier E (2005) Fuzzy methods in machine learning and data mining: status and prospects. Fuzzy Sets Syst 156(3):387–406
Kaufmann M (2014) Inductive fuzzy classification in marketing analytics. Springer, Heidelberg
Kaufmann M, Meier A, Stoffel K (2015) IFC-Filter: membership function generation for inductive fuzzy classification. Expert Syst Appl 21(42):8369–8379
Kelleher JD, Tierney B (2018) Data science. The MIT Press Essential Knowledges Series, Cambridge, MA
Knoll M, Meier A (Hrsg) (2009) Web & Data Mining. HMD Prax Wirtschaftsinform 46(4):1–128. dpunkt, Heidelberg
Kruse R, Borgelt C, Braune C, Klawonn F, Moewes C, Steinbrecher M (2015) Computational Intelligence – eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. Springer Vieweg, Heidelberg
Lippe W-M (2005) Soft Computing – mit neuronalen Netzen, Fuzzy Logic und evolutionären Algorithmen. eXamen.press, Springer, Heidelberg
Liu B (2011) Web data mining – exploring hyperlinks, contents, and usage data. Springer, Berlin
Meier A (2018) Werkzeuge der digitalen Wirschaft: Big Data, NoSQL & Co. – eine Einführung in relationale und nicht-relationale Datenbanken. Springer essentials, Heidelberg
Meier A (2019) Überblick Analytics – Methoden und Potenziale. In: D’Onofrio S, Meier A (Hrsg) Big data analytics. HMD – Praxis der Wirtschaftsinform, Heft 329, 56(5): 885–899.
Meier A (2020) The 7th world wonder of IT – intuition-based analytics for the digital economy and society. Proc. of the International Conference Internet Technologies & Society, ITS’2020, Sao Paulo, Brazil
Meier A, Kaufmann M (2016) SQL- und NoSQL-Datenbanken. eXamen.press, Springer Vieweg, Heidelberg
Meier A, Stormer H (2012) eBusiness & eCommerce – Management der digitalen Wertschöpfungskette. Springer, Heidelberg
Meier A, Werro N (2018) Unscharfes Portfolio Management – Nutzenpotenziale. In: Meier A, Seising R (Hrsg) Vague Information Processing. HMD Prax Wirtschaftsinform 55(3):528–539
Meier A, Zumstein D (2013) Web Analytics & Web Controlling – Webbasierte Business Intelligence zur Erfolgssicherung. Edition tdwi Europe. dpunkt, Heidelberg
Meier A, Portmann E, Teran L (Hrsg) (2019) Applying fuzzy logic for the digital economy and society. Springer, Heidelberg
Sivanandam SN, Deepa SN (2019) Principles of soft computing. Wiley, New Delhi
Witten IH, Frank E, Hall MA, Pal CJ (2017) Data mining – practical machine learning tools and techniques. Morgan Kaufmann, Cambridge, MA
Zadeh LA (1965) Fuzzy sets. Inf Control 8:338–353
Zadeh LA (1994) Fuzzy logic, neural networks, and soft computing. Commun ACM 37(3):77–84
Danksagung
Peter Gluchowski von der TU Chemnitz hat eine Vorversion dieses Kapitels kritisch kommentiert. Zudem haben Gutachter der Zeitschrift HMD sowie der Edition HMD diverse Anregungen eingebracht. Ein Dankeschön geht an Lydia Meier-Bernasconi für sprachliche und stilistische Verbesserungen.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Meier, A. (2021). Rundgang Big Data Analytics – Hard & Soft Data Mining. In: D'Onofrio, S., Meier, A. (eds) Big Data Analytics. Edition HMD. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-32236-6_1
Download citation
DOI: https://doi.org/10.1007/978-3-658-32236-6_1
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-32235-9
Online ISBN: 978-3-658-32236-6
eBook Packages: Computer Science and Engineering (German Language)