Projektgruppe Visual Analytics - Medieninformatik und Multimedia ...
Projektgruppe Visual Analytics - Medieninformatik und Multimedia ...
Projektgruppe Visual Analytics - Medieninformatik und Multimedia ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
12 Kapitel 2 <strong>Visual</strong> <strong>Analytics</strong><br />
Auf Gr<strong>und</strong> der Aufteilung der Analyse zwischen Computer <strong>und</strong> Mensch entsteht eine<br />
Symbiose, durch die einige Nachteile des klassischen Data Mining Ansatzes behoben<br />
werden. Es werden keine Experten für die Auswertung benötigt, was zu einer erheblichen<br />
Kostenreduktion führt. Natürlich wird für die Analyse weiterhin qualifiziertes Personal<br />
benötigt, welches jedoch nur geringe Kenntnis vom Datenanalyseverfahren haben muss.<br />
Somit können sich die Mitarbeiter mehr auf die eigentliche Auswertung konzentrieren.<br />
Außerdem erhält der Analytiker durch die Arbeit mit den Daten ein besseres Verständnis<br />
dieser, wodurch eine bessere Verifikation der Ergebnisse möglich ist. Im Vergleich<br />
mit Data Mining wird auch der Nachteil der Glaubwürdigkeit des Endergebnisses<br />
behoben. Da durch die sukzessive Approximation im <strong>Visual</strong> <strong>Analytics</strong> - Prozess<br />
die Zwischenergebnisse vom Analytiker kontrolliert werden, ist das Endergebnis<br />
nachvollziehbar <strong>und</strong> damit vertrauenswürdiger als beim herkömmlichen Data Mining.<br />
Zusammengefasst erhält der Anwender durch <strong>Visual</strong> <strong>Analytics</strong> die Möglichkeit, seine<br />
Intuition in den abstrakten algorithmischen Analyseprozess des Data Mining mit<br />
einzubringen. Hierdurch erhält er Einsicht in die charakteristische Struktur der Daten<br />
<strong>und</strong> kann daraus die Parametrierung der analytischen Methoden präziser <strong>und</strong> sicherer<br />
durchführen. (vgl. [SN, Ban06])<br />
2.1.3 Anwendungsmöglichkeiten von <strong>Visual</strong> <strong>Analytics</strong><br />
Nachdem im vorhergegangenen Abschnitt das Gr<strong>und</strong>modell von <strong>Visual</strong> <strong>Analytics</strong><br />
vorgestellt wurde, werden nun einige Anwendungsmöglichkeiten in Form einer nicht<br />
geschlossenen Auflistung präsentiert. Diese Beispiele dienen als Motivation für die<br />
Einbindung des <strong>Visual</strong> <strong>Analytics</strong> Prozesses in die Analyse.<br />
Physik <strong>und</strong> Astronomie Ständig werden Daten über das Universum durch Teleskope<br />
<strong>und</strong> andere Messgeräte gesammelt. Die gesammelten Daten sind zunächst<br />
unstrukturiert <strong>und</strong> können nicht direkt weiterverarbeitet werden. Nur durch eine<br />
geeignete Analyse können Informationen aus den Daten gewonnen werden.<br />
Allerdings werden auch viele Rauschdaten mit aufgezeichnet. Aufgabe des<br />
Analysesystems ist es, die wichtigen Daten herauszufiltern. Die Komplexität<br />
der Daten führt dazu, dass automatische Algorithmen extrem kompliziert <strong>und</strong><br />
dadurch langsam <strong>und</strong> unüberschaubar werden. Anhand einer visuellen Analyse<br />
gelingt die Auswertung wesentlich schneller <strong>und</strong> effektiver. (vgl. [KMS + ])<br />
In der Abbildung 2.3 ist eine Supernova mit ihren diversen Kräften (Rotation,<br />
Magnetismus, Gravitation, etc.) dargestellt. Die Abbildung lässt einen Kern <strong>und</strong><br />
eine Hülle vermuten. Diese Annahmen können auch von Nicht-Experten getroffen<br />
werden. Dies wäre nicht möglich, wenn nur die Daten ausgegeben werden würden.<br />
(vgl. [KMS + ])