Das Filterprogramm Data Mining kann nicht nur vorhandene Daten analysieren, sondern auch Prognosen treffen. Wir unterstützen Sie beim Data Mining!
Data Mining wird in der Statistik häufig eingesetzt, um im Vorlauf einer ausführlichen, detaillierten Datenauswertung zunächst zu selektieren, welche Daten für den Prozess benötigt werden. Mithilfe eines intelligent aufgebauten Filterprozesses vermag Data Mining Analyseprozesse und die Überprüfung von Hypothesen teilweise schneller durchzuführen als gängige Statistikprogramme für die Datenauswertung. Spezielle Verfahren wie das Extrahieren, Filtern und Aggregieren von Daten, effiziente Algorithmen und Verfahren der Datenvisualisierung helfen beim Data Mining dabei, Korrelationen zwischen allen Arten von Daten aufzuspüren.
Was ist Data Mining?
Auch wenn Data Mining zunächst verhältnismäßig unkompliziert klingt, so ist die Anwendung des Programms durchaus nicht für Einsteiger oder Anwender ohne statistische Vorkenntnisse geeignet. Um die einzelnen Phasen des Data Minings zielführend und effektiv durchlaufen zu können, bedarf es neben grundlegendem Verständnis für statistische Vorgänge auch einer gewissen Übung und Vertrautheit mit dem Programm. Unsere Statistik-Experten kennen sich auf dem Fachgebiet des Data Minings bestens aus und sind versiert in der Anwendung von Modellentwicklung, Datenaufbereitung und Deployment– sowie Reporting-Prozessen. Dabei nehmen wir Ihnen gerne einzelne Aufgaben, für die Ihnen die Zeit oder die Expertise fehlt, ab und unterstützen Sie durch sehr konkrete Dienstleistungen. Und auch wenn Sie selbst mit Data Mining arbeiten möchten, dabei aber inhaltliche Unterstützung benötigen, sind unsere Akademiker für Sie da und beraten Sie während der Planung und Durchführung Ihres Data Mining-Projekts.
Aus welchen Phasen besteht Data Mining?
Data Mining funktioniert nicht auf Knopfdruck. Um die Masse der zu analysierenden Daten gering zu halten und möglichst zielführend arbeiten zu können, besteht der Data Mining-Prozess aus verschiedenen Phasen, über die man sich Schritt für Schritt den Ergebnissen annähert. Ganz am Anfang steht deshalb die Datenauswahl und -bereinigung, gefolgt von der Datenexploration, die dem Aufspüren erster Zusammenhänge dient. Eine wichtige Phase bildet das Modeling: Aufgrund der erkannten Zusammenhänge werden Hypothesen aufgestellt, die in weiteren Arbeitsschritten evaluiert und für Prognosen genutzt werden.