Temporale Aspekte des Data Mining - diko-project.de

ergänzt werden. Durch diese, anfangs vielleicht mühsame Erweiterung besteht in einerspäteren Phase ein großes Potential für die Datenanalyse. Nur so können temporaleUntersuchungen vorgenommen werden. Die bekannten Data Mining-Methoden,wie u.a. Clustering, Klassifikation und Assoziationsregeln können so mit temporalenMethoden ergänzt werden. Es können zeitliche Verläufe beobachtet werden undauch zeitliche Muster oder Assoziationen gefunden werden, die unter Umständenvon besonderer Bedeutung sind.Beispiele für Ergebnisse einer temporalen Betrachtung, insbesondere mögliche sequentielleMuster und zeitliche Assoziationsregeln wurden im vorangegangenen Textausführlich beschrieben. Viele dieser Beispiele können 1:1 auf dieses Projekt übertragenwerden. Dieser Beitrag kann im Projektgruppenkontext also dazu beitragen,dass sich die Projektgruppe gezielt um eine Personalisierung unter temporalenAspekten bemüht, um einerseits dem Konsumenten einen einfachen und zuvorkommendenEinkauf zu ermöglichen und andererseits den Umsatz des Händlers zusteigern.Mit Hilfe temporaler Daten kann ein Kundenverhalten optimaler analysiert werden.Und je besser ein Kundenverhalten vorausgesagt werden kann, desto gezielter kannein personalisiertes Angebot gerichtet sein.7 SchlussbetrachtungAuf den vergangenen Seiten wurden ausgewählte Techniken und Verfahren vorgestellt,die sich mit der ”temporalen Seite“ des Data Mining beschäftigen. Im erstenKapitel wurden die Repräsentationsformen dargestellt. Dazu gehören einerseits dietemporalen Datenbanken und andererseits die Zeitreihen. Je nach gewähltem Datenmodelllassen sich hier enorme Vorteile bei der Speicherung der Daten gewinnen.Abhängig von der zu benutzenden Anwendung können Objekt-Historien, Rollback-Relationen oder eine Kombination dieser eingesetzt werden. Bei der Verwendung derTupelzeitstempelung lassen sich konventionellen DBMS ebenfalls für die Speicherungtemporaler Daten nutzen. Die vorgestellten Zeitreihen bzw. Sequenzen zeigeneinen anderen Weg der Datenspeicherung auf. Ihr Verständnis ist wichtig für dasAnwenden der im dritten Kapitel vorgestellten Muster und ihren im vierten Teil gezeigtenAnalysemethoden. Grundsätzlich lassen sich aus temporalen Datenbankenjederzeit Sequenzen bilden.Die vorgestellten Methoden sind einer Auswahl zahlreicher Möglichkeiten. Das Auffindenvon sequentiellen Mustern und zeitlichen Assoziationsregel kann als elementarfür das temporale Data Mining bezeichnet werden. Die meisten weiteren Ansätzelehnen sich oftmals an diese an oder stellen Lösungen für sehr spezielle Anwendungendar.In der Regel bringt jedes temporale Muster seine eigenen Datenanalysetechnikenmit. Die hier vorgestellten Algorithmen finden allerdings so oder in ähnlicher Formbei verschiedenen Mustern ihre Anwendung. Abschließend lässt sich sagen, dass essich bei dem temporalen Data Mining noch um ein relativ neues Gebiet handelt, daserst seit 12-15 Jahren populär ist. Die praktische Anwendung ist über den Bereichvon Forschung und Wissenschaft nur vereinzelt hinausgekommen. Auch die Dokumentationin Literatur und Internet weist Lücken auf, die darauf schließen lassen,dass temporale Datenhaltung längst nicht zum Alltag gehört. Insgesamt stellen geradedie temporalen Aspekte ein enormes Potential dar, dass sowohl in Forschungund Wissenschaft als auch im kommerziellen Bereich seine Anwendung finden wird.26