Databases Reference
In-Depth Information
Abbildung 3-19:
Screenshot RapidMiner result workspace
(Quelle: Eigene Darstellung)
3.8
Domain Driven Data Mining
Durch die Anwendung und Weiterentwicklung des KDD entstanden eine Vielzahl von diver-
sen Algorithmen, deren Resultate sich für einen Einsatz im Geschäftsfeld jedoch als un-
brauchbar herausstellten (Cao 2010, 1). Wie in Kapitel 3.3.1.1 einleitend dargestellt, haben
Erfahrungen in verschiedenen KDD-Projekten gezeigt, dass die Domäne und die dort herr-
schenden Gegebenheiten bereits zu Analysebeginn in die Betrachtung einbezogen werden
müssen. Fakt ist auch, dass sich eine große Anzahl der Literatur mit der Entwicklung neuer
Algorithmen und nicht mit der realweltlichen Anwendung der Technologien befasst. Ein
Grund können Bedenken von Organisationen sein, Informationen an Wettbewerber preis zu
geben (Mogotsi 2007, 516f.).
Die Analyse des traditionellen KDD-Ansatzes zeigt jedoch, dass einerseits die Entwicklung
eines Verständnisses für die Anwendungsdomäne vorgesehen ist, die Ausarbeitung eines de-
taillierten Business Understandings jedoch nicht explizit darin verankert ist
(Fayyad/Piatetsky-Shapiro/Smyth 1996a). Mitunter ist dies einer der Gründe, dass die erziel-
ten Ergebnisse des KDD-Prozesses nicht zwangsläufig den gewünschten Informationsgewinn
liefern (Fayyad/Piatetsky-Shapiro/Smyth 1996a; Frawley/Piatetsky-Shapiro/Matheus 1992;
Maimon/Rokach 2005, 2). Identifizierte Muster sind mit Organisationszielen nicht in Ein-
klang zu bringen und somit nicht sinnvoll einsetzbar (vgl. Ali/Wallace (1997) und Cao
(2009)). Ein Problem ist die oftmals ausbleibende Erkenntniserweiterung innerhalb der be-
trachteten Domäne. Es findet keine Integration von bereits existentem Domänenwissen für die
