Skip to main content
SpringerLink
Log in

Rundgang Big Data Analytics – Hard & Soft Data Mining

  • Chapter
  • First Online:
Big Data Analytics

Part of the book series: Edition HMD ((EHMD))

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.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Log in via an institution

Subscribe and save

Springer+ Basic
$34.99 /Month
  • Get 10 units per month
  • Download Article/Chapter or eBook
  • 1 Unit = 1 Article or 1 Chapter
  • Cancel anytime
Subscribe now

Buy Now

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 54.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Similar content being viewed by others

Notes

  1. 1.

    In Einzelfällen wird versucht, z. B. mit digitalen Wasserzeichen die Urheberschaft kenntlich zu machen und vor Missbrauch zu schützen.

  2. 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. 3.

    NoSQL bedeutet ‚Not only SQL‘.

  4. 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. 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. 6.

    Die internationale Forschungsreihe ‚Fuzzy Management Methods‘ wird von Andreas Meier, Edy Portmann und Witold Pedrycz beim Springer-Verlag herausgegeben, siehe FMsquare (2020).

  7. 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

    Google Scholar 

  • Belohlavek R, Dauben JW, Klir GJ (2017) Fuzzy logic and mathematics: a historical perspective. Oxford University Press, New York

    Book  Google Scholar 

  • 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

    Google Scholar 

  • Ester M, Sander J (2013) Knowledge Discovery in Databases: Techniken und Anwendungen. Springer, Heidelberg

    MATH  Google Scholar 

  • Fasel D (2014) A fuzzy data warehousing for performance measurement – concept and implementation. Springer, Heidelberg

    Google Scholar 

  • Fasel D, Meier A (Hrsg) (2016) Big Data – Grundlagen, Systeme und Nutzenpotenziale. Edition HMD. Springer, Heidelberg

    Google Scholar 

  • 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

    Google Scholar 

  • FMsquare (2020) International book series fuzzy management methods. Springer, Heidelberg. https://www.springer.com/series/11223. Zugegriffen am 27.06.2020

    Google Scholar 

  • Gluchowski P (2016) Business Analytics – Grundlagen, Methoden und Einsatzpotenziale. In: Meier A, Zumstein D (Hrsg) Business Analytics. HMD Prax Wirtschaftsinform 53(3):273–286

    Google Scholar 

  • Hüllermeier E (2005) Fuzzy methods in machine learning and data mining: status and prospects. Fuzzy Sets Syst 156(3):387–406

    Article  MathSciNet  Google Scholar 

  • Kaufmann M (2014) Inductive fuzzy classification in marketing analytics. Springer, Heidelberg

    Book  Google Scholar 

  • Kaufmann M, Meier A, Stoffel K (2015) IFC-Filter: membership function generation for inductive fuzzy classification. Expert Syst Appl 21(42):8369–8379

    Article  Google Scholar 

  • Kelleher JD, Tierney B (2018) Data science. The MIT Press Essential Knowledges Series, Cambridge, MA

    Book  Google Scholar 

  • Knoll M, Meier A (Hrsg) (2009) Web & Data Mining. HMD Prax Wirtschaftsinform 46(4):1–128. dpunkt, Heidelberg

    Google Scholar 

  • 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

    Google Scholar 

  • Lippe W-M (2005) Soft Computing – mit neuronalen Netzen, Fuzzy Logic und evolutionären Algorithmen. eXamen.press, Springer, Heidelberg

    Google Scholar 

  • Liu B (2011) Web data mining – exploring hyperlinks, contents, and usage data. Springer, Berlin

    Google Scholar 

  • Meier A (2018) Werkzeuge der digitalen Wirschaft: Big Data, NoSQL & Co. – eine Einführung in relationale und nicht-relationale Datenbanken. Springer essentials, Heidelberg

    Google Scholar 

  • 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.

    Google Scholar 

  • 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

    Google Scholar 

  • Meier A, Kaufmann M (2016) SQL- und NoSQL-Datenbanken. eXamen.press, Springer Vieweg, Heidelberg

    Book  Google Scholar 

  • Meier A, Stormer H (2012) eBusiness & eCommerce – Management der digitalen Wertschöpfungskette. Springer, Heidelberg

    Google Scholar 

  • 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

    Google Scholar 

  • Meier A, Zumstein D (2013) Web Analytics & Web Controlling – Webbasierte Business Intelligence zur Erfolgssicherung. Edition tdwi Europe. dpunkt, Heidelberg

    Google Scholar 

  • Meier A, Portmann E, Teran L (Hrsg) (2019) Applying fuzzy logic for the digital economy and society. Springer, Heidelberg

    Google Scholar 

  • Sivanandam SN, Deepa SN (2019) Principles of soft computing. Wiley, New Delhi

    Google Scholar 

  • Witten IH, Frank E, Hall MA, Pal CJ (2017) Data mining – practical machine learning tools and techniques. Morgan Kaufmann, Cambridge, MA

    Google Scholar 

  • Zadeh LA (1965) Fuzzy sets. Inf Control 8:338–353

    Article  Google Scholar 

  • Zadeh LA (1994) Fuzzy logic, neural networks, and soft computing. Commun ACM 37(3):77–84

    Article  Google Scholar 

Download references

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

  1. Universität Fribourg, Fribourg, Schweiz

    Andreas Meier

Authors
  1. Andreas Meier
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Andreas Meier .

Editor information

Editors and Affiliations

  1. IT Business Integration, Genossenschaft Migros Zürich, Zürich, Switzerland

    Sara D'Onofrio

  2. Universität Fribourg, Fribourg, Switzerland

    Andreas Meier

Rights and permissions

Reprints and permissions

Copyright information

© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

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

Publish with us

Policies and ethics

Search

Navigation