w26M2

aufgeprägt werden, die für diese aktuelle Fragestellung
der Dimension Variety die Komplexität nimmt. Erweist
sich eine Analyse als gewinnbringend, dann sollte über
eine Operationalisierung hinsichtlich des Datenmodells
nachgedacht werden.
Die Vielzahl an Erkenntnissen aus Web Analytics hinsichtlich
einzelner Benutzergruppen werden dazu genutzt, um
in Echtzeit den Inhalt einer Webseite anhand der Zuordnung
eines Benutzers zu einer gewissen Benutzergruppe
dynamisch anzupassen.
Graphenbasierte Methoden eignen sich zur Modellierung
der aus den Web Analytics gewonnenen Daten, um mehr
als die offensichtlichen Abhängigkeiten von z. B. Produkten
im Webshop zu erkennen und so Benutzer über die
Platzierung von Angeboten 70 gezielter zu steuern.
Des Weiteren wird Web Analytics immer mehr mit
anderen Analysetechniken wie z. B. Predictive Analytics
verknüpft, um nicht nur das Verhalten eines Kunden zu
analysieren und damit Webseiten zu optimieren, sondern
auch Voraussagen über seine nächsten Schritte zu
treffen und ihm z. B. speziell zugeschnittene Angebote zu
präsentieren.
4.3.3 Text- und Semantische Analyse
Inhaltliche Erschließung mittels Semantik
Neben Datenströmen, die z. B. aus der Vernetzung von
Geräten stammen oder von Sensoren generiert werden,
stellt die Auswertung von Daten, die in textueller
Form vorliegen, ein großes wirtschaftliches Potential für
Unternehmen dar. So lassen sich beispielsweise durch
die Analyse von Social-Media-Daten 71 Produkttrends
erkennen oder Dokumente mit Hilfe von Textanalyse und
semantischen Technologien durch Zusatzinformation
anreichern, so dass die angereicherten Daten ein ganz
neues Potential für Anwendungen und Analysen bieten
(vgl. Abschnitt 5.7).
Diese Daten sind jedoch ihrer Natur nach unstrukturiert
und basieren in wesentlichen Teilen auf natürlicher
Sprache. Eine direkte Analyse über klassische Verfahren,
wie Data Mining oder Business Intelligence, ist hierfür
nicht möglich. Vielmehr kommen linguistische und
semantische Verfahren zum Einsatz, mit deren Hilfe aus
den unstrukturierten Datenströmen und Texten relevante
Informationen extrahiert, Strukturen erkannt und Verknüpfungen
der Daten untereinander sowie mit anderen
Datenquellen hergestellt werden. In gewisser Weise ist
das Ziel, »BI auf Text« zu ermöglichen – dafür sind jedoch
innovative Techniken notwendig, wie die folgenden Beispiele
verdeutlichen:
• Bei der Analyse von Social-Media-Daten gilt es, die
Texte der Nutzer zu analysieren und zu strukturieren,
dabei ggf. einen spezifischen Jargon oder Slang zu
berücksichtigen sowie eventuell ein Stimmungsbild
abzuleiten (Sentiment-Analyse, vgl. Abschnitt 5.3).
• Die Beiträge auf Blogs und Foren werden inhaltlich
erschlossen, Problembeschreibungen und Symptome
analysiert, Produktbezeichnungen und Komponenten
extrahiert (vgl. Abschnitt 5.3).
• In Dokumenten werden Sinnzusammenhänge
erkannt und Bezüge zu anderen Informationen wie
CRM-Systemen oder Produkt-Katalogen hergestellt.
Die beispielhaft aufgeführten Szenarien erfordern den
Einsatz von semantischen und Sprach-Technologien im
Big-Data-Umfeld.
70
»Wer Produkt A gekauft hat, hat auch die Produkte B, C, D gekauft.«
71
http://www.computerwoche.de/g/big-business-dank-big-data,103429
58