w26M2
w26M2
w26M2
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
aufgeprägt werden, die für diese aktuelle Fragestellung<br />
der Dimension Variety die Komplexität nimmt. Erweist<br />
sich eine Analyse als gewinnbringend, dann sollte über<br />
eine Operationalisierung hinsichtlich des Datenmodells<br />
nachgedacht werden.<br />
Die Vielzahl an Erkenntnissen aus Web Analytics hinsichtlich<br />
einzelner Benutzergruppen werden dazu genutzt, um<br />
in Echtzeit den Inhalt einer Webseite anhand der Zuordnung<br />
eines Benutzers zu einer gewissen Benutzergruppe<br />
dynamisch anzupassen.<br />
Graphenbasierte Methoden eignen sich zur Modellierung<br />
der aus den Web Analytics gewonnenen Daten, um mehr<br />
als die offensichtlichen Abhängigkeiten von z. B. Produkten<br />
im Webshop zu erkennen und so Benutzer über die<br />
Platzierung von Angeboten 70 gezielter zu steuern.<br />
Des Weiteren wird Web Analytics immer mehr mit<br />
anderen Analysetechniken wie z. B. Predictive Analytics<br />
verknüpft, um nicht nur das Verhalten eines Kunden zu<br />
analysieren und damit Webseiten zu optimieren, sondern<br />
auch Voraussagen über seine nächsten Schritte zu<br />
treffen und ihm z. B. speziell zugeschnittene Angebote zu<br />
präsentieren.<br />
4.3.3 Text- und Semantische Analyse<br />
Inhaltliche Erschließung mittels Semantik<br />
Neben Datenströmen, die z. B. aus der Vernetzung von<br />
Geräten stammen oder von Sensoren generiert werden,<br />
stellt die Auswertung von Daten, die in textueller<br />
Form vorliegen, ein großes wirtschaftliches Potential für<br />
Unternehmen dar. So lassen sich beispielsweise durch<br />
die Analyse von Social-Media-Daten 71 Produkttrends<br />
erkennen oder Dokumente mit Hilfe von Textanalyse und<br />
semantischen Technologien durch Zusatzinformation<br />
anreichern, so dass die angereicherten Daten ein ganz<br />
neues Potential für Anwendungen und Analysen bieten<br />
(vgl. Abschnitt 5.7).<br />
Diese Daten sind jedoch ihrer Natur nach unstrukturiert<br />
und basieren in wesentlichen Teilen auf natürlicher<br />
Sprache. Eine direkte Analyse über klassische Verfahren,<br />
wie Data Mining oder Business Intelligence, ist hierfür<br />
nicht möglich. Vielmehr kommen linguistische und<br />
semantische Verfahren zum Einsatz, mit deren Hilfe aus<br />
den unstrukturierten Datenströmen und Texten relevante<br />
Informationen extrahiert, Strukturen erkannt und Verknüpfungen<br />
der Daten untereinander sowie mit anderen<br />
Datenquellen hergestellt werden. In gewisser Weise ist<br />
das Ziel, »BI auf Text« zu ermöglichen – dafür sind jedoch<br />
innovative Techniken notwendig, wie die folgenden Beispiele<br />
verdeutlichen:<br />
• Bei der Analyse von Social-Media-Daten gilt es, die<br />
Texte der Nutzer zu analysieren und zu strukturieren,<br />
dabei ggf. einen spezifischen Jargon oder Slang zu<br />
berücksichtigen sowie eventuell ein Stimmungsbild<br />
abzuleiten (Sentiment-Analyse, vgl. Abschnitt 5.3).<br />
• Die Beiträge auf Blogs und Foren werden inhaltlich<br />
erschlossen, Problembeschreibungen und Symptome<br />
analysiert, Produktbezeichnungen und Komponenten<br />
extrahiert (vgl. Abschnitt 5.3).<br />
• In Dokumenten werden Sinnzusammenhänge<br />
erkannt und Bezüge zu anderen Informationen wie<br />
CRM-Systemen oder Produkt-Katalogen hergestellt.<br />
Die beispielhaft aufgeführten Szenarien erfordern den<br />
Einsatz von semantischen und Sprach-Technologien im<br />
Big-Data-Umfeld.<br />
70<br />
»Wer Produkt A gekauft hat, hat auch die Produkte B, C, D gekauft.«<br />
71<br />
http://www.computerwoche.de/g/big-business-dank-big-data,103429<br />
58