Databases Reference
In-Depth Information
Suche nach Informationen innerhalb der Datensätze statt (Padmanabhan/Tuzhilin 2002, 1f.).
Dadurch können erzielte Ergebnisse die von der jeweiligen Organisation gestellten Erwartun-
gen nicht erfüllen. Als Erklärung dafür wird das Fehlen des nötigen Verständnisses für die
vorherrschenden Gegebenheiten und Bedürfnisse innerhalb der Anwendungsumgebung sei-
tens der Methodenentwickler und Anwender aufgeführt (Cao 2010, 1). Weitere Probleme
können aufgrund folgender Ursachen resultieren (Cao 2010, 2f.; Mogotsi 2007, 517):
x
Abhängigkeiten zwischen einzelnen Problemen innerhalb der Organisation,
x
Komplexität in den jeweiligen Geschäftsfeldern,
x
Vielzahl an Einflussfaktoren und Verbindungen zu angrenzenden Bereichen sowie
x
ungenügende Berücksichtigung der eigentlichen Organisationsziele mit unbrauchbaren
und unspezifischen Analyseergebnissen als Folge.
Zusammengefasst bilden nach dem Verständnis des traditionellen Data Mining vor allem Da-
ten und Algorithmen in Form eines automatisierten trial und error Prozesses ohne menschli-
che Involvierung die zentrale Untersuchungseinheit. Im Gegensatz dazu zielt das Domain
Driven Data Mining (DDDM) darauf ab, relevante und umsetzbare Muster aufzudecken, die
den Anforderungen der realen Welt entsprechen. DDDM ist dabei ein komplexes und iterati-
ves Vorgehen mit Mensch-Maschine-Interaktionscharakter, welches anhand von Feedback-
meldungen iterativ verfeinert wird (Ankerst 2002, 2; Zhu et al. 2008, 1f.).
Um die hinsichtlich
des Domänenverständnisses genannten Probleme des Data Mining zu lösen, setzt sich der
Ansatz des DDDM zum einen das Ziel, nicht nur die Verfügbarkeit und Verlässlichkeit von
Wissen weiter zu steigern, sondern auch methodische Vorgehensweisen zu wählen, um beste-
hende Geschäftsanwendungen zu unterstützen. DDDM trägt somit dazu bei, im Hinblick auf
eine sinnvolle Durchführung eines KDD-Vorhabens entscheidende domänenspezifische Prob-
leme mit zu berücksichtigen (Cao 2007, 1). Dabei ist für den Erfolg die Einbeziehung des
Menschen unabdingbar (Sharma/Osei-Bryson 2009b). Somit wird die Aneignung eines aus-
reichenden Wissens bezüglich der betrachteten Domäne hervorgehoben.
Um im Sinne des DDDM relevantes Wissen zu identifizieren, müssen unterschiedliche An-
forderungen berücksichtigt werden. Neben der Infrastruktur, den Systemdynamiken, der Eva-
luation und den Belangen aus den Bereichen der Umgebung des Aktionsfeldes, spielen
betroffene Personen sowie die vorherrschenden (Geschäfts-)Prozesse eine relevante Rolle.
Beispielsweise prägen unterschiedliche Randbedingungen, domänen- und organisationsspezi-
fische Faktoren die Umgebung eines Handlungsfeldes und sollten daher mit einbezogen wer-
den (vgl. Cao (2009) und Cao (2010)).
Dies gilt insbesondere auch für Personen in Form von
Domänenexperten. Diese müssen zur Gewinnung eines nutzbaren Wissens zwingend in den
KDD-Prozess integriert werden. Ziel ist es, die Analyseergebnisse entsprechend den Anforde-
rungen der Anwender zu gestalten, damit diese problemlos interpretiert und verwendet wer-
den können (Cao 2010, 3; Li/Dang 2010, 978f.). Somit ist erst nach ausführlicher Erforschung
der Domäne mit dem KDD-Prozess zu beginnen. Dazu ist die Aneignung der sogenannten
Domain-
,
Human-
und
Social Intelligence
die Rede.
