ESSAYS ON TEXT MINING FOR IMPROVED DECISION MAKING ...

More documents

Recommendations

Info

3. Deutsche Zusammenfassung Grundsätzlich versteht man unter Data Mining die systematische Anwendung von Methoden auf einen Datenbestand mit dem Ziel der Mustererkennung. Der Datenbestand lässt sich unterteilen in strukturierte Daten (z.B. numerische Daten in Datenbanken, Bilder etc.), semistrukturierte Daten (z.B. freie Textinformationen sind in einer Datenbank) und unstrukturierte Daten (z.B. freie Textdokumente). Die meisten Methoden des Dataminings werden auf einen strukturierten Datenbestand eingesetzt. Die Untersuchung von semi-strukturierten und im Besonderen von unstrukturierten Daten sowie die Erzeugung neuer Methoden hierfür stellt in den letzten Jahren ein neu aufkommendes und stark wachsendes Forschungsgebiet dar. Hieraus entwickelte sich das Textmining und das Web Content Mining, als Prozess zur Ermittlung qualitativ hochwertiger Informationen aus unstrukturierten Texten bzw. aus Internetseiten. Diese Dissertation setzt sich aus verschiedenen Studien zusammen. Hier werden Methoden des Textminings und des Web Content Minings genutzt, um Mitarbeiter im Marketing in unterschiedlichen Bereichen bei ihrer Entscheidungsfindung zu unterstützen. Wesentliche Informationsquellen sind hierbei Textinformationen aus Büchern, Zeitschriftenartikeln, Forschungspublikationen, Patente und Internetseiten. Latent semantic indexing (LSI) ist eine bekannte Methode, die u.a. zur semantischen Analyse und Klassifikation von Texten verwendet werden kann. Durch Kombination dieser Methode mit verschiedenen Methoden aus dem Bereich des Text- und Webminings wird in der ersten Studie aufgezeigt, dass sich durch Analyse von Internetseiten bestehender Kunden neue Unternehmenskunden für ein vorgegebenes Unternehmen automatisiert identifizieren lassen. Zudem können diese neuen potentiellen Kunden auch hinsichtlich ihrer zu erwartenden Profitabilität für das vorgegebene Unternehmen bewertet werden. Damit können Mitarbeiter im Bereich der Akquise wirkungsvoll unterstützt werden. In einer zweiten Studie wird gezeigt, wie durch LSI und Web Content Mining ein Klassifikationsmodell aufgebaut werden kann, dass erfolgreiche e-Commerce Unternehmen von weniger Erfolgreichen unterscheidet, allein aufgrund der Analyse der Internetseiten des Unternehmens. Dies unterstützt Mitarbeiter des Marketings bei der Gestaltung und Optimierung der Internetseite ihres Unternehmens. _______________________________________________________________________ 8
Ein wesentlicher Erfolgsfaktor für große Unternehmen ist eine gute Zusammenarbeit zwischen Marketing und der Forschungs- und Entwicklung (F&E), insbesondere zur erfolgreichen Entwicklung neuer Produkte. Hier stehen Mitarbeiter des Marketings den Hausforderungen gegenüber, den gesamten Prozess von der Auswahl neuer Produktideen, über die Phasen der Erforschung, Entwicklung und Produktion bis hin zur Markteinführung begleitend zu unterstützen. In mehreren Studien wird aufgezeigt, wie mit Methoden des Textminings die Mitarbeiter des Marketings bei ihrer Entscheidungsfindung speziell bei ihrer Arbeit an der Marketing – F&E – Schnittstelle unterstützt werden können. Eine wichtige Aufgabe im Rahmen der Entwicklung neuer Produkte ist die Auswahl neuer Produktideen, die als Startpunkt für dann folgende Forschungs- und Entwicklungsaktivitäten dienen. Aufgrund des bekannten „Technology push“ und „Market pull“ Effekts werden hierfür auf der einen Seite neue technologische Ideen z.B. aus Wissenschaft und Forschung benötigt, auf der anderen Seite aber auch Ideen, die Konsumentenbedürfnisse darstellen. Die in den Studien 3 bis 6 vorgestellte Methodik unterstützt Mitarbeiter des Marketings bei der Auffindung dieser Ideen. Die dritte und vierte Studie befasst sich mit der automatischen Identifizierung neuer technologischer Ideen aus technologischen Texten z.B. aus Forschungspublikationen und Patente. Hierzu wird in der dritten Studie der aus der Technikphilosophie stammende abstrakte Begriff der „Technologischen Idee“ in eine konkrete Form überführt, die für eine Berechnung mit Textmining Methoden anwendbar ist. Es wird theoretisch nachgewiesen, dass durch Verwendung von Kollokationen (das gehäufte benachbarte Auftreten von Wörtern) ein automatisches Auffinden von technologischen Ideen möglich ist. In der vierten Studie, wird auf Grundlage der theoretischen Untersuchungen der dritten Studie ein neues Ähnlichkeitsmaß definiert sowie darauf aufbauend eine Methodik vorgestellt, die das automatisierte Auffinden von technologischen Ideen durch eine web basierte Anwendung ermöglicht. Der Erfolg dieser Methodik ist nachgewiesen durch Vergleich mit bekannten heuristischen Ähnlichkeitsmaßen. Die in der vierten Studie ermittelten Startideen für die Produktentwicklung sollten innovativ sein. Damit wird die Wahrscheinlichkeit erhöht, dass das spätere Produkt auch wirtschaftlich erfolgreich ist. Daher wird in der fünften Studie eine Methodik vorgestellt, die das Innovationspotential von technologischen Ideen schätzt. Hierzu wird der aus dem Bereich der Innovationsforschung stammende abstrakte Begriff der „Innovation“ in eine konkrete, für _______________________________________________________________________ 9
Page 1 and 2: ESSAYS ON TEXT MINING FOR IMPROVED
Page 3 and 4: Table of Contents 1. Acknowledgment
Page 5 and 6: 2. Nederlandstalige Samenvatting In
Page 7: ideeën zijn. Ten einde dit doel te
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 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:
Predicting E-Commerce Success using
Page 67 and 68:
Predicting E-Commerce Success using
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?