ESSAYS ON TEXT MINING FOR IMPROVED DECISION MAKING ...

More documents

Recommendations

Info

1. Acknowledgments An undertaking such as a dissertation is not completed without the support of many people. My first debt of gratitude must go to my advisor, Prof. Dr. Dirk van den Poel. He patiently provided the vision, encouragement and advice necessary for me to precede through the doctorial program and complete my dissertation. I'd also like to give special thanks to Prof. Dr. Anita Prinzie for her support, guidance and good ideas. Special thanks to my doctoral committee, Prof. Dr. Aimé Heene, Prof. Dr. Mario Vanhoucke, Prof. Dr. Marc De Clercq, Prof. Dr. Patrick Van Kenhove, Prof. Dr. Bart Baesens, and Prof. Dr. Horst Geschka for their helpful suggestions. I appreciate the members of the doctoral committee who took time from their busy schedules to complete this survey. Without their help, this dissertation would not have been possible. This undertaking is realized beside my (full-time) job at the Fraunhofer research institute INT. I'd like to give a special thanks to my department chief and deputy director Dr. Joachim Schulze for his helpful suggestions and his support. Further, thanks to the institute director Prof. Dr. Uwe Wiemken. Additionally, I thank all my colleagues especially Dr. Wilfried Gericke and Jörg Fenner for their support and good advise. Finally, I give special thanks to family and friends for their supporting during this workintensive time. _______________________________________________________________________ 4
2. Nederlandstalige Samenvatting In principe verstaat men onder “Data Mining” het systematisch gebruik methoden op een dataset met als doel patroonherkenning. De database kan worden onderverdeeld in gestructureerde gegevens (bv. numerieke gegevens in databases, afbeeldingen, enz.), semigestructureerde gegevens (zoals vrije tekstinformatie in een database) en ongestructureerde gegevens (zoals vrije tekstdocumenten). De meeste analyses met behulp van “data mining” worden uitgevoerd op gestructureerde gegevens. Het onderzoek van semi-gestructureerde en in het bijzonder van ongestructureerde data en het ontwikkelen van nieuwe methoden hiervoor vormt een snelgroeiend onderzoeksgebied in de afgelopen jaren. Hieruit zijn “text mining” en “web content mining” ontstaan in een streven naar het extraheren van hoogwaardige informatie uit ongestructureerde teksten respectievelijk internetsites. Dit proefschrift is samengesteld uit verschillende studies. Meer in het bijzonder worden methoden van “text mining” en “web content mining” gebruikt om marketeers/personeel te assisteren in verschillende deeldomeinen van hun besluitvorming. Belangrijkste bronnen van informatie zijn hier de tekstinformatie uit boeken, tijdschriftartikelen, wetenschappelijke publicaties, patenten en websites. “Latent semantic indexing” (LSI) is een bekende methode, die kan worden gebruikt voor semantische analyse van teksten, alsook voor classificatie. Door het combineren van deze methode met verschillende methoden uit “text mining” en webmining wordt in de eerste studie aangetoond, dat door de geautomatiseerde analyse van de webpagina's van de bestaande klanten nieuwe zakelijke klanten voor een bepaald bedrijf kunnen worden geïdentificeerd. Bovendien kunnen deze nieuwe potentiële klanten ook worden geëvalueerd op basis van hun verwachte winstgevendheid voor het gegeven bedrijf. Dit maakt het klantacquisitieproces effectiever. Een tweede studie toont aan op welke wijze een classificatiemodel kan worden gebouwd (met behulp van LSI en “web content mining”), dat succesvolle e-commerce bedrijven van minder succesvolle ondernemingen onderscheidt, uitsluitend op basis van de analyse van de websites van deze respectieve bedrijven. Dit kan marketingmedewerkers inzichten verschaffen in het ontwerp en de optimalisatie van hun website van het bedrijf. Een belangrijke succesfactor voor grote bedrijven is een goede samenwerking tussen marketing en de afdeling voor onderzoek en ontwikkeling (O & O), met name om tot _______________________________________________________________________ 5
Page 1 and 2: ESSAYS ON TEXT MINING FOR IMPROVED
Page 3: Table of Contents 1. Acknowledgment
Page 7 and 8: ideeën zijn. Ten einde dit doel te
Page 9 and 10: Ein wesentlicher Erfolgsfaktor für
Page 11 and 12: 4. Summary Data mining is defined a
Page 13 and 14: from customers' and companies' webs
Page 15 and 16: of e-commerce companies divided int
Page 17 and 18: that provides commentary, news, and
Page 19 and 20: Study 3 shows that a semi-automatic
Page 21 and 22: take the granularity of the context
Page 23 and 24: [25] Herring, S.C., Scheidt, L.A.,
Page 25 and 26: [56] Thorleuchter, D., Van den Poel
Page 27 and 28: Table of Contents Analyzing existin
Page 29 and 30: 1 Introduction Analyzing existing C
Page 31 and 32: Analyzing existing Customers’ Web
Page 33 and 34: Fig. 2: Different steps in data col
Page 39 and 40: 3.4 Website clustering Analyzing ex
Page 41 and 42: 4 Empirical verification 4.1 Resear
Page 47 and 48: 5 Conclusion Analyzing existing Cus
Page 51 and 52: Chapter II Predicting E-Commerce Co
Page 53 and 54: Predicting E-Commerce Success using
Page 55 and 56:
Predicting E-Commerce Success using
Page 57 and 58:
Page 59 and 60:
with , )} x T = the training set, }
Page 61 and 62:
4.3 Comparing predictive performanc
Page 63 and 64:
4.4 Results Predicting E-Commerce S
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Chapter III Finding new technologic
Page 71 and 72:
Finding New Technological Ideas Fin
Page 73 and 74:
Finding New Technological Ideas to
Page 75 and 76:
Finding New Technological Ideas 3.
Page 77 and 78:
p( Ξ raw δ ,.., δ ) 1 μ ⎧ raw
Page 79 and 80:
Finding New Technological Ideas inv
Page 81 and 82:
Chapter IV Mining Ideas from Textua
Page 83 and 84:
Mining Ideas from Textual Informati
Page 85 and 86:
1.2. Idea Definition Mining Ideas f
Page 87 and 88:
3. Idea Mining Process Mining Ideas
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
6. Results and Discussions Mining I
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Chapter V Mining Innovative Ideas t
Page 105 and 106:
Mining Innovative Ideas to Support
Page 107 and 108:
Mining Innovative Ideas idea is a n
Page 109 and 110:
Mining Innovative Ideas identifies
Page 111 and 112:
Mining Innovative Ideas categories
Page 113 and 114:
9. Outlook Mining Innovative Ideas
Page 115 and 116:
Chapter VI Extracting Consumers Nee
Page 117 and 118:
Extracting Consumers Needs for New
Page 119 and 120:
2. Rationale Behind this Approach E
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Bibliography Extracting Consumers N
Page 129 and 130:
Table of Contents A Compared Cross
Page 131 and 132:
A Compared Cross Impact Analysis Ke
Page 133 and 134:
A Compared Cross Impact Analysis Th
Page 135 and 136:
A Compared Cross Impact Analysis te
Page 137 and 138:
A Compared Cross Impact Analysis In
Page 139 and 140:
A Compared Cross Impact Analysis De
Page 141 and 142:
A Compared Cross Impact Analysis A
Page 143 and 144:
A Compared Cross Impact Analysis Ta
Page 145 and 146:
A Compared Cross Impact Analysis Ea
Page 147 and 148:
Table 3: Technology area pairs with
Page 149 and 150:
A Compared Cross Impact Analysis A
Page 151 and 152:
A Compared Cross Impact Analysis al
Page 153 and 154:
A Compared Cross Impact Analysis As
Page 155 and 156:
A Compared Cross Impact Analysis Ta
Page 157 and 158:
A Compared Cross Impact Analysis Th
Page 159:
A Compared Cross Impact Analysis [2
show all

ESSAYS ON TEXT MINING FOR IMPROVED DECISION MAKING ...

Create successful ePaper yourself

Delete template?

Save as template?