-
Information visualization in data mining and knowledge discovery (2002)
0.07
0.07248742 = product of:
0.14497484 = sum of:
0.0883731 = weight(_text_:maschinelles in 1789) [ClassicSimilarity], result of:
0.0883731 = score(doc=1789,freq=4.0), product of:
0.35089135 = queryWeight, product of:
8.059301 = idf(docFreq=37, maxDocs=44218)
0.043538682 = queryNorm
0.25185317 = fieldWeight in 1789, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
8.059301 = idf(docFreq=37, maxDocs=44218)
0.015625 = fieldNorm(doc=1789)
0.05660174 = sum of:
0.04480396 = weight(_text_:sehen in 1789) [ClassicSimilarity], result of:
0.04480396 = score(doc=1789,freq=4.0), product of:
0.24984509 = queryWeight, product of:
5.7384624 = idf(docFreq=386, maxDocs=44218)
0.043538682 = queryNorm
0.17932695 = fieldWeight in 1789, product of:
2.0 = tf(freq=4.0), with freq of:
4.0 = termFreq=4.0
5.7384624 = idf(docFreq=386, maxDocs=44218)
0.015625 = fieldNorm(doc=1789)
0.011797781 = weight(_text_:22 in 1789) [ClassicSimilarity], result of:
0.011797781 = score(doc=1789,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.07738023 = fieldWeight in 1789, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.015625 = fieldNorm(doc=1789)
0.5 = coord(2/4)
- BK
- 54.74 / Maschinelles Sehen
- Classification
- 54.74 / Maschinelles Sehen
- Date
- 23. 3.2008 19:10:22
-
Mandl, T.: Text Mining und Data Mining (2023)
0.05
0.054678064 = product of:
0.21871226 = sum of:
0.21871226 = weight(_text_:maschinelles in 774) [ClassicSimilarity], result of:
0.21871226 = score(doc=774,freq=2.0), product of:
0.35089135 = queryWeight, product of:
8.059301 = idf(docFreq=37, maxDocs=44218)
0.043538682 = queryNorm
0.6233048 = fieldWeight in 774, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
8.059301 = idf(docFreq=37, maxDocs=44218)
0.0546875 = fieldNorm(doc=774)
0.25 = coord(1/4)
- Abstract
- Text und Data Mining sind ein Bündel von Technologien, die eng mit den Themenfeldern Statistik, Maschinelles Lernen und dem Erkennen von Mustern verbunden sind. Die üblichen Definitionen beziehen eine Vielzahl von verschiedenen Verfahren mit ein, ohne eine exakte Grenze zu ziehen. Data Mining bezeichnet die Suche nach Mustern, Regelmäßigkeiten oder Auffälligkeiten in stark strukturierten und vor allem numerischen Daten. "Any algorithm that enumerates patterns from, or fits models to, data is a data mining algorithm." Numerische Daten und Datenbankinhalte werden als strukturierte Daten bezeichnet. Dagegen gelten Textdokumente in natürlicher Sprache als unstrukturierte Daten.
-
Seidenfaden, U.: Schürfen in Datenbergen : Data-Mining soll möglichst viel Information zu Tage fördern (2001)
0.03
0.027339032 = product of:
0.10935613 = sum of:
0.10935613 = weight(_text_:maschinelles in 6923) [ClassicSimilarity], result of:
0.10935613 = score(doc=6923,freq=2.0), product of:
0.35089135 = queryWeight, product of:
8.059301 = idf(docFreq=37, maxDocs=44218)
0.043538682 = queryNorm
0.3116524 = fieldWeight in 6923, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
8.059301 = idf(docFreq=37, maxDocs=44218)
0.02734375 = fieldNorm(doc=6923)
0.25 = coord(1/4)
- Content
- "Fast alles wird heute per Computer erfasst. Kaum einer überblickt noch die enormen Datenmengen, die sich in Unternehmen, Universitäten und Verwaltung ansammeln. Allein in den öffentlich zugänglichen Datenbanken der Genforscher fallen pro Woche rund 4,5 Gigabyte an neuer Information an. "Vom potentiellen Wissen in den Datenbanken wird bislang aber oft nur ein Teil genutzt", meint Stefan Wrobel vom Lehrstuhl für Wissensentdeckung und Maschinelles Lernen der Otto-von-Guericke-Universität in Magdeburg. Sein Doktorand Mark-Andre Krogel hat soeben mit einem neuen Verfahren zur Datenbankrecherche in San Francisco einen inoffiziellen Weltmeister-Titel in der Disziplin "Data-Mining" gewonnen. Dieser Daten-Bergbau arbeitet im Unterschied zur einfachen Datenbankabfrage, die sich einfacher statistischer Methoden bedient, zusätzlich mit künstlicher Intelligenz und Visualisierungsverfahren, um Querverbindungen zu finden. "Das erleichtert die Suche nach verborgenen Zusammenhängen im Datenmaterial ganz erheblich", so Wrobel. Die Wirtschaft setzt Data-Mining bereits ein, um das Kundenverhalten zu untersuchen und vorherzusagen. "Stellen sie sich ein Unternehmen mit einer breiten Produktpalette und einem großen Kundenstamm vor", erklärt Wrobel. "Es kann seinen Erfolg maximieren, wenn es Marketing-Post zielgerichtet an seine Kunden verschickt. Wer etwa gerade einen PC gekauft hat, ist womöglich auch an einem Drucker oder Scanner interessiert." In einigen Jahren könnte ein Analysemodul den Manager eines Unternehmens selbständig informieren, wenn ihm etwas Ungewöhnliches aufgefallen ist. Das muss nicht immer positiv für den Kunden sein. Data-Mining ließe sich auch verwenden, um die Lebensdauer von Geschäftsbeziehungen zu prognostizieren. Für Kunden mit geringen Kaufinteressen würden Reklamationen dann längere Bearbeitungszeiten nach sich ziehen. Im konkreten Projekt von Mark-Andre Krogel ging es um die Vorhersage von Protein-Funktionen. Proteine sind Eiweißmoleküle, die fast alle Stoffwechselvorgänge im menschlichen Körper steuern. Sie sind daher die primären Ziele von Wirkstoffen zur Behandlung von Erkrankungen. Das erklärt das große Interesse der Pharmaindustrie. Experimentelle Untersuchungen, die Aufschluss über die Aufgaben der über 100 000 Eiweißmoleküle im menschlichen Körper geben können, sind mit einem hohen Zeitaufwand verbunden. Die Forscher möchten deshalb die Zeit verkürzen, indem sie das vorhandene Datenmaterial mit Hilfe von Data-Mining auswerten. Aus der im Humangenomprojekt bereits entschlüsselten Abfolge der Erbgut-Bausteine lässt sich per Datenbankanalyse die Aneinanderreihung bestimmter Aminosäuren zu einem Protein vorhersagen. Andere Datenbanken wiederum enthalten Informationen, welche Struktur ein Protein mit einer bestimmten vorgegebenen Funktion haben könnte. Aus bereits bekannten Strukturelementen versuchen die Genforscher dann, auf die mögliche Funktion eines bislang noch unbekannten Eiweißmoleküls zu schließen.- Fakten Verschmelzen - Bei diesem theoretischen Ansatz kommt es darauf an, die in Datenbanken enthaltenen Informationen so zu verknüpfen, dass die Ergebnisse mit hoher Wahrscheinlichkeit mit der Realität übereinstimmen. "Im Rahmen des Wettbewerbs erhielten wir Tabellen als Vorgabe, in denen Gene und Chromosomen nach bestimmten Gesichtspunkten klassifiziert waren", erläutert Krogel. Von einigen Genen war bekannt, welche Proteine sie produzieren und welche Aufgabe diese Eiweißmoleküle besitzen. Diese Beispiele dienten dem von Krogel entwickelten Programm dann als Hilfe, für andere Gene vorherzusagen, welche Funktionen die von ihnen erzeugten Proteine haben. "Die Genauigkeit der Vorhersage lag bei den gestellten Aufgaben bei über 90 Prozent", stellt Krogel fest. Allerdings könne man in der Praxis nicht davon ausgehen, dass alle Informationen aus verschiedenen Datenbanken in einem einheitlichen Format vorliegen. Es gebe verschiedene Abfragesprachen der Datenbanken, und die Bezeichnungen von Eiweißmolekülen mit gleicher Aufgabe seien oftmals uneinheitlich. Die Magdeburger Informatiker arbeiten deshalb in der DFG-Forschergruppe "Informationsfusion" an Methoden, um die verschiedenen Datenquellen besser zu erschließen."
-
Chowdhury, G.G.: Template mining for information extraction from digital documents (1999)
0.01
0.010323058 = product of:
0.04129223 = sum of:
0.04129223 = product of:
0.08258446 = sum of:
0.08258446 = weight(_text_:22 in 4577) [ClassicSimilarity], result of:
0.08258446 = score(doc=4577,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.5416616 = fieldWeight in 4577, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.109375 = fieldNorm(doc=4577)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 2. 4.2000 18:01:22
-
KDD : techniques and applications (1998)
0.01
0.008848336 = product of:
0.035393342 = sum of:
0.035393342 = product of:
0.070786685 = sum of:
0.070786685 = weight(_text_:22 in 6783) [ClassicSimilarity], result of:
0.070786685 = score(doc=6783,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.46428138 = fieldWeight in 6783, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.09375 = fieldNorm(doc=6783)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Footnote
- A special issue of selected papers from the Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD'97), held Singapore, 22-23 Feb 1997
-
Heyer, G.; Quasthoff, U.; Wittig, T.: Text Mining : Wissensrohstoff Text. Konzepte, Algorithmen, Ergebnisse (2006)
0.01
0.007920296 = product of:
0.031681184 = sum of:
0.031681184 = product of:
0.06336237 = sum of:
0.06336237 = weight(_text_:sehen in 5218) [ClassicSimilarity], result of:
0.06336237 = score(doc=5218,freq=2.0), product of:
0.24984509 = queryWeight, product of:
5.7384624 = idf(docFreq=386, maxDocs=44218)
0.043538682 = queryNorm
0.25360662 = fieldWeight in 5218, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
5.7384624 = idf(docFreq=386, maxDocs=44218)
0.03125 = fieldNorm(doc=5218)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Abstract
- Ein großer Teil des Weltwissens befindet sich in Form digitaler Texte im Internet oder in Intranets. Heutige Suchmaschinen nutzen diesen Wissensrohstoff nur rudimentär: Sie können semantische Zusammen-hänge nur bedingt erkennen. Alle warten auf das semantische Web, in dem die Ersteller von Text selbst die Semantik einfügen. Das wird aber noch lange dauern. Es gibt jedoch eine Technologie, die es bereits heute ermöglicht semantische Zusammenhänge in Rohtexten zu analysieren und aufzubereiten. Das Forschungsgebiet "Text Mining" ermöglicht es mit Hilfe statistischer und musterbasierter Verfahren, Wissen aus Texten zu extrahieren, zu verarbeiten und zu nutzen. Hier wird die Basis für die Suchmaschinen der Zukunft gelegt. Das erste deutsche Lehrbuch zu einer bahnbrechenden Technologie: Text Mining: Wissensrohstoff Text Konzepte, Algorithmen, Ergebnisse Ein großer Teil des Weltwissens befindet sich in Form digitaler Texte im Internet oder in Intranets. Heutige Suchmaschinen nutzen diesen Wissensrohstoff nur rudimentär: Sie können semantische Zusammen-hänge nur bedingt erkennen. Alle warten auf das semantische Web, in dem die Ersteller von Text selbst die Semantik einfügen. Das wird aber noch lange dauern. Es gibt jedoch eine Technologie, die es bereits heute ermöglicht semantische Zusammenhänge in Rohtexten zu analysieren und aufzubereiten. Das For-schungsgebiet "Text Mining" ermöglicht es mit Hilfe statistischer und musterbasierter Verfahren, Wissen aus Texten zu extrahieren, zu verarbeiten und zu nutzen. Hier wird die Basis für die Suchmaschinen der Zukunft gelegt. Was fällt Ihnen bei dem Wort "Stich" ein? Die einen denken an Tennis, die anderen an Skat. Die verschiedenen Zusammenhänge können durch Text Mining automatisch ermittelt und in Form von Wortnetzen dargestellt werden. Welche Begriffe stehen am häufigsten links und rechts vom Wort "Festplatte"? Welche Wortformen und Eigennamen treten seit 2001 neu in der deutschen Sprache auf? Text Mining beantwortet diese und viele weitere Fragen. Tauchen Sie mit diesem Lehrbuch ein in eine neue, faszinierende Wissenschaftsdisziplin und entdecken Sie neue, bisher unbekannte Zusammenhänge und Sichtweisen. Sehen Sie, wie aus dem Wissensrohstoff Text Wissen wird! Dieses Lehrbuch richtet sich sowohl an Studierende als auch an Praktiker mit einem fachlichen Schwerpunkt in der Informatik, Wirtschaftsinformatik und/oder Linguistik, die sich über die Grundlagen, Verfahren und Anwendungen des Text Mining informieren möchten und Anregungen für die Implementierung eigener Anwendungen suchen. Es basiert auf Arbeiten, die während der letzten Jahre an der Abteilung Automatische Sprachverarbeitung am Institut für Informatik der Universität Leipzig unter Leitung von Prof. Dr. Heyer entstanden sind. Eine Fülle praktischer Beispiele von Text Mining-Konzepten und -Algorithmen verhelfen dem Leser zu einem umfassenden, aber auch detaillierten Verständnis der Grundlagen und Anwendungen des Text Mining. Folgende Themen werden behandelt: Wissen und Text Grundlagen der Bedeutungsanalyse Textdatenbanken Sprachstatistik Clustering Musteranalyse Hybride Verfahren Beispielanwendungen Anhänge: Statistik und linguistische Grundlagen 360 Seiten, 54 Abb., 58 Tabellen und 95 Glossarbegriffe Mit kostenlosen e-learning-Kurs "Schnelleinstieg: Sprachstatistik" Zusätzlich zum Buch gibt es in Kürze einen Online-Zertifikats-Kurs mit Mentor- und Tutorunterstützung.
-
Matson, L.D.; Bonski, D.J.: Do digital libraries need librarians? (1997)
0.01
0.0058988906 = product of:
0.023595562 = sum of:
0.023595562 = product of:
0.047191124 = sum of:
0.047191124 = weight(_text_:22 in 1737) [ClassicSimilarity], result of:
0.047191124 = score(doc=1737,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.30952093 = fieldWeight in 1737, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=1737)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 22.11.1998 18:57:22
-
Lusti, M.: Data Warehousing and Data Mining : Eine Einführung in entscheidungsunterstützende Systeme (1999)
0.01
0.0058988906 = product of:
0.023595562 = sum of:
0.023595562 = product of:
0.047191124 = sum of:
0.047191124 = weight(_text_:22 in 4261) [ClassicSimilarity], result of:
0.047191124 = score(doc=4261,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.30952093 = fieldWeight in 4261, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=4261)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 17. 7.2002 19:22:06
-
Amir, A.; Feldman, R.; Kashi, R.: ¬A new and versatile method for association generation (1997)
0.01
0.0058988906 = product of:
0.023595562 = sum of:
0.023595562 = product of:
0.047191124 = sum of:
0.047191124 = weight(_text_:22 in 1270) [ClassicSimilarity], result of:
0.047191124 = score(doc=1270,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.30952093 = fieldWeight in 1270, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0625 = fieldNorm(doc=1270)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Source
- Information systems. 22(1997) nos.5/6, S.333-347
-
Hofstede, A.H.M. ter; Proper, H.A.; Van der Weide, T.P.: Exploiting fact verbalisation in conceptual information modelling (1997)
0.01
0.005161529 = product of:
0.020646116 = sum of:
0.020646116 = product of:
0.04129223 = sum of:
0.04129223 = weight(_text_:22 in 2908) [ClassicSimilarity], result of:
0.04129223 = score(doc=2908,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.2708308 = fieldWeight in 2908, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0546875 = fieldNorm(doc=2908)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Source
- Information systems. 22(1997) nos.5/6, S.349-385
-
Lackes, R.; Tillmanns, C.: Data Mining für die Unternehmenspraxis : Entscheidungshilfen und Fallstudien mit führenden Softwarelösungen (2006)
0.00
0.004424168 = product of:
0.017696671 = sum of:
0.017696671 = product of:
0.035393342 = sum of:
0.035393342 = weight(_text_:22 in 1383) [ClassicSimilarity], result of:
0.035393342 = score(doc=1383,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.23214069 = fieldWeight in 1383, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.046875 = fieldNorm(doc=1383)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 22. 3.2008 14:46:06
-
Hallonsten, O.; Holmberg, D.: Analyzing structural stratification in the Swedish higher education system : data contextualization with policy-history analysis (2013)
0.00
0.0036868064 = product of:
0.014747226 = sum of:
0.014747226 = product of:
0.029494451 = sum of:
0.029494451 = weight(_text_:22 in 668) [ClassicSimilarity], result of:
0.029494451 = score(doc=668,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.19345059 = fieldWeight in 668, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0390625 = fieldNorm(doc=668)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 22. 3.2013 19:43:01
-
Vaughan, L.; Chen, Y.: Data mining from web search queries : a comparison of Google trends and Baidu index (2015)
0.00
0.0036868064 = product of:
0.014747226 = sum of:
0.014747226 = product of:
0.029494451 = sum of:
0.029494451 = weight(_text_:22 in 1605) [ClassicSimilarity], result of:
0.029494451 = score(doc=1605,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.19345059 = fieldWeight in 1605, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0390625 = fieldNorm(doc=1605)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Source
- Journal of the Association for Information Science and Technology. 66(2015) no.1, S.13-22
-
Fonseca, F.; Marcinkowski, M.; Davis, C.: Cyber-human systems of thought and understanding (2019)
0.00
0.0036868064 = product of:
0.014747226 = sum of:
0.014747226 = product of:
0.029494451 = sum of:
0.029494451 = weight(_text_:22 in 5011) [ClassicSimilarity], result of:
0.029494451 = score(doc=5011,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.19345059 = fieldWeight in 5011, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0390625 = fieldNorm(doc=5011)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 7. 3.2019 16:32:22
-
Peters, G.; Gaese, V.: ¬Das DocCat-System in der Textdokumentation von G+J (2003)
0.00
0.0029494453 = product of:
0.011797781 = sum of:
0.011797781 = product of:
0.023595562 = sum of:
0.023595562 = weight(_text_:22 in 1507) [ClassicSimilarity], result of:
0.023595562 = score(doc=1507,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.15476047 = fieldWeight in 1507, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.03125 = fieldNorm(doc=1507)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 22. 4.2003 11:45:36
-
Hölzig, C.: Google spürt Grippewellen auf : Die neue Anwendung ist bisher auf die USA beschränkt (2008)
0.00
0.0029494453 = product of:
0.011797781 = sum of:
0.011797781 = product of:
0.023595562 = sum of:
0.023595562 = weight(_text_:22 in 2403) [ClassicSimilarity], result of:
0.023595562 = score(doc=2403,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.15476047 = fieldWeight in 2403, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.03125 = fieldNorm(doc=2403)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 3. 5.1997 8:44:22
-
Jäger, L.: Von Big Data zu Big Brother (2018)
0.00
0.0029494453 = product of:
0.011797781 = sum of:
0.011797781 = product of:
0.023595562 = sum of:
0.023595562 = weight(_text_:22 in 5234) [ClassicSimilarity], result of:
0.023595562 = score(doc=5234,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.15476047 = fieldWeight in 5234, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.03125 = fieldNorm(doc=5234)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 22. 1.2018 11:33:49
-
Lischka, K.: Spurensuche im Datenwust : Data-Mining-Software fahndet nach kriminellen Mitarbeitern, guten Kunden - und bald vielleicht auch nach Terroristen (2002)
0.00
0.002212084 = product of:
0.008848336 = sum of:
0.008848336 = product of:
0.017696671 = sum of:
0.017696671 = weight(_text_:22 in 1178) [ClassicSimilarity], result of:
0.017696671 = score(doc=1178,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.116070345 = fieldWeight in 1178, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0234375 = fieldNorm(doc=1178)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Content
- "Ob man als Terrorist einen Anschlag gegen die Vereinigten Staaten plant, als Kassierer Scheine aus der Kasse unterschlägt oder für bestimmte Produkte besonders gerne Geld ausgibt - einen Unterschied macht Data-Mining-Software da nicht. Solche Programme analysieren riesige Daten- mengen und fällen statistische Urteile. Mit diesen Methoden wollen nun die For- scher des "Information Awaren in den Vereinigten Staaten Spuren von Terroristen in den Datenbanken von Behörden und privaten Unternehmen wie Kreditkartenfirmen finden. 200 Millionen Dollar umfasst der Jahresetat für die verschiedenen Forschungsprojekte. Dass solche Software in der Praxis funktioniert, zeigen die steigenden Umsätze der Anbieter so genannter Customer-Relationship-Management-Software. Im vergangenen Jahr ist das Potenzial für analytische CRM-Anwendungen laut dem Marktforschungsinstitut IDC weltweit um 22 Prozent gewachsen, bis zum Jahr 2006 soll es in Deutschland mit einem jährlichen Plus von 14,1 Prozent so weitergehen. Und das trotz schwacher Konjunktur - oder gerade deswegen. Denn ähnlich wie Data-Mining der USRegierung helfen soll, Terroristen zu finden, entscheiden CRM-Programme heute, welche Kunden für eine Firma profitabel sind. Und welche es künftig sein werden, wie Manuela Schnaubelt, Sprecherin des CRM-Anbieters SAP, beschreibt: "Die Kundenbewertung ist ein zentraler Bestandteil des analytischen CRM. Sie ermöglicht es Unternehmen, sich auf die für sie wichtigen und richtigen Kunden zu fokussieren. Darüber hinaus können Firmen mit speziellen Scoring- Verfahren ermitteln, welche Kunden langfristig in welchem Maße zum Unternehmenserfolg beitragen." Die Folgen der Bewertungen sind für die Betroffenen nicht immer positiv: Attraktive Kunden profitieren von individuellen Sonderangeboten und besonderer Zuwendung. Andere hängen vielleicht so lauge in der Warteschleife des Telefonservice, bis die profitableren Kunden abgearbeitet sind. So könnte eine praktische Umsetzung dessen aussehen, was SAP-Spreche-rin Schnaubelt abstrakt beschreibt: "In vielen Unternehmen wird Kundenbewertung mit der klassischen ABC-Analyse durchgeführt, bei der Kunden anhand von Daten wie dem Umsatz kategorisiert werden. A-Kunden als besonders wichtige Kunden werden anders betreut als C-Kunden." Noch näher am geplanten Einsatz von Data-Mining zur Terroristenjagd ist eine Anwendung, die heute viele Firmen erfolgreich nutzen: Sie spüren betrügende Mitarbeiter auf. Werner Sülzer vom großen CRM-Anbieter NCR Teradata beschreibt die Möglichkeiten so: "Heute hinterlässt praktisch jeder Täter - ob Mitarbeiter, Kunde oder Lieferant - Datenspuren bei seinen wirtschaftskriminellen Handlungen. Es muss vorrangig darum gehen, einzelne Spuren zu Handlungsmustern und Täterprofilen zu verdichten. Das gelingt mittels zentraler Datenlager und hoch entwickelter Such- und Analyseinstrumente." Von konkreten Erfolgen sprich: Entlas-sungen krimineller Mitarbeiter-nach Einsatz solcher Programme erzählen Unternehmen nicht gerne. Matthias Wilke von der "Beratungsstelle für Technologiefolgen und Qualifizierung" (BTQ) der Gewerkschaft Verdi weiß von einem Fall 'aus der Schweiz. Dort setzt die Handelskette "Pick Pay" das Programm "Lord Lose Prevention" ein. Zwei Monate nach Einfüh-rung seien Unterschlagungen im Wert von etwa 200 000 Franken ermittelt worden. Das kostete mehr als 50 verdächtige Kassiererinnen und Kassierer den Job.
-
Medien-Informationsmanagement : Archivarische, dokumentarische, betriebswirtschaftliche, rechtliche und Berufsbild-Aspekte ; [Frühjahrstagung der Fachgruppe 7 im Jahr 2000 in Weimar und Folgetagung 2001 in Köln] (2003)
0.00
0.002212084 = product of:
0.008848336 = sum of:
0.008848336 = product of:
0.017696671 = sum of:
0.017696671 = weight(_text_:22 in 1833) [ClassicSimilarity], result of:
0.017696671 = score(doc=1833,freq=2.0), product of:
0.15246505 = queryWeight, product of:
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.043538682 = queryNorm
0.116070345 = fieldWeight in 1833, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5018296 = idf(docFreq=3622, maxDocs=44218)
0.0234375 = fieldNorm(doc=1833)
0.5 = coord(1/2)
0.25 = coord(1/4)
- Date
- 11. 5.2008 19:49:22
