Projektgruppe Business Intelligence Applications and Evaluation ...

Projektgruppe Cuberunner
Jinengo – DV Konzept
In der Tabelle 3.5 werden die in dem Fachkonzept formulierten Anwendungsfälle und die für die Lösung
verwendeten Methoden miteinander in Beziehung gebracht.
Anwendungsfall aus Fachkonzept verwendete Data-Mining-Methode
Eigenschaften raten
Klassifizierung
Newsletter & Reporting
Clustering
Ökologische Alternativen vorschlagen Assoziation
Warnung vor ungewöhnlichem Verhalten eigene Logik auf Basis der Data-Mining-Ergebnisse
Tabelle 3.5: Zuordnung der Data-Mining-Methoden zu den Anwendungsfällen
3.4.1 Klassifizierung
Ziel der Klassifizierung ist es, Eigenschaften von Endanwendern – z.B. Besitz eines Elektroautos
(ownsPEV) – zu ermitteln, die mit einer gewissen Konfidenz (z.B. >98%) vorliegen, aber bislang vom
Benutzer nicht angegeben wurden (Besitz Elektroauto bislang NULL). Der Schwellenwert für die
Konfidenz-Akzeptanz sollte von Fall zu Fall angepasst werden. Einen Richtwert liefert der im SPSS
Modeler ausgegebene Wert „always correct above“.
Input:
Anzahl der gefahrenen Strecken pro Verkehrsmittel
Persönliche Attribute (Geschlecht, etc.)
Besitz von Verkehrsmittel (ownsPEV, ownsEbike, etc.)
Endanwenderpräferenzen
Algorithmus:
CHAID
Der Algorithmus muss mit sich ändernden Daten überprüft und angepasst werden, da verschiedene
Algorithmen mit fehlenden Datensätzen besser / schlechter umgehen können.
Output:
Die Ergebnisse werden in das Data Warehouse geschrieben (jinengoData-
Warehouse.dbo.ClassificationPrediction).
Spalten der Tabelle: jinengoUserID, userHistoricID, attribute, attributeValue, attributePrediction,
predictionConfidence, predictionDate und predictionAcception.
Die Attribut-Spalte speichert den Namen des Attributs (Bspw.: ownsPEV, ownsEbike, etc), in der
Spalte attributeValue wird der angegebene Wert abgespeichert. Vergleichend dazu wird in der Spalte
attributePrediction der durch DataMining ermittelte Konfidenzwert festgehalten.
69