1 / 13

Business Intelligence Vorstellung der Ergebnisse des Business Intelligence Projekts

Business Intelligence Vorstellung der Ergebnisse des Business Intelligence Projekts Master Digitale Logistik und Management Präsentiert von: Maxim Beifert, Mohamed Oukettou. Gliederung. Ist-Situation und Datenvorbereitung Datensäberung Datenreduktion Data Mining Verfahren

chiara
Télécharger la présentation

Business Intelligence Vorstellung der Ergebnisse des Business Intelligence Projekts

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Business Intelligence Vorstellung der Ergebnisse des Business Intelligence Projekts Master Digitale Logistik und Management Präsentiert von: Maxim Beifert, Mohamed Oukettou

  2. Gliederung Ist-Situation und Datenvorbereitung • Datensäberung • Datenreduktion Data Mining Verfahren • Naive Bayes • Clustering mit K-Means • J48/ ID3 • Schlussfolgerung

  3. Ist-Situation und Datenvorbereitung Ist-Situation: Insgesamt 54 und 234 Datensätze. Verschiedene Themen (Finanzen, Wohnsituation, Studium, Freizeit, Verkehrsmittel, Zufriedenheit). Datenvorbereitung • Datensäuberung: fehlende Daten manuell einfügen. inkonsistente Daten  Betriebswirtschaft- Bachelor BW Wirtschaftsinformatik- Bachelor WI

  4. Datenvorbereitung • Datenreduktion (Ausgangspunkt 54*234= 12636) auf 34 Spalten und Datensätze von 234 auf 229 (34*229= 7786) • Ausblenden von Attributen: z.B wie bewegst dich in Wismar (Anderes und Motorad)  fast 100% benutzen kein Motorad sowie keinen anderen Verkehrsmittel • Entfernen von Datensätze • Zusammenfassen von Attributen: • In welchen Wohnverhältnissen lebst du (Eigentumswohnung- Mietwohnung- Wohngemeinschaft- Studentenwohnheim- Eltern) • wie kommst Du zur Hochschule (Bahn, Bus, Auto, Fahrrad, ZuFuß) • Wie bewegst Du Dich in Wismar (Bus- Auto- Fahrrad- Zu Fuß)

  5. Datenvorbereitung Ziel: Zufriedenheit mit der aktuellen Lebenssituation als Student in Wismar vorhersagen

  6. Data Mining Verfahren • Naive Bayes: Am Anfang wählen wir alle Kategorien Und erzielen wir die Ergebnisse:

  7. Data Mining Verfahren • In einer anderen Vorgehensweise nehmen wir die Kategorien im einzelnen Die Tabelle zeigt die erzielten Ergebnisse

  8. Data Mining Verfahren • Clustering K-Means • K= 5 k= 4

  9. Data Mining Verfahren • Clustering K-Means

  10. Data Mining Verfahren • Entscheidungsbaum mit J48 und ID3 • J48

  11. Data Mining Verfahren • J 48

  12. Data Mining Verfahren • ID3 • Im allgemein das Verfahren von ID 3 Algorithmus sieht aus wie J48

  13. Schlussfolgerung • Umsetzung die Theorie in der Praxis • Verwendung von verschiedenen Verfahren des Data Mining • mit dem Naive Bayes Verfahren erzielt man die besten Ergebnisse • J48 und ID3 sind Verfahren zur Generierung von Entscheidungsbäume und liefern fast die gleiche Egebnisse

More Related