Zusammenfassung
Inhalt der vorangegangenen Kapitel war neben der Darstellung der Grundlagen von Technologiefrühaufklärung und Data Mining in erster Linie die Erarbeitung einer Data-Mining-gestützten Vorgehensweise zur Identifikation schwacher Signale im Rahmen der Technologiefrühaufklärung — im Sinne der in Kapitel 1.2 formulierten Zielsetzung. Dabei galt es insbesondere, ein an aktuelle Anforderungen der Technologiefrühaufklärung angepasstes Verständnis von technologischen Diskontinuitäten zu entwickeln sowie den Begriff der schwachen Signale in geeigneter Weise zu operati-onalisieren. Somit lassen sich im Rahmen der bisherigen Beschäftigung mit dem Forschungsproblem und für die noch durchzuführenden Arbeiten die folgenden Hypothesen formulieren:
-
Hypothese 1
Der Einsatz von Data Mining im Rahmen der Identifikationsphase der Technologiefrühaufklärung ist möglich und sinnvoll.
-
Hypothese 2
Der Begriff der schwachen Signale lässt sich für einen Data-Mining-Einsatz operationalisieren.
-
Hypothese 3
Mit Data Mining lassen sich technologiebezogene schwache Signale systematisch und objektiv identifizieren.
„If you can look into the seeds of time, and say which grain will grow and which will not, speak then unto me.“
William Shakespeare
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Zum Umgang mit Hypothesen Im Rahmen der vorliegenden Arbeit siehe auch 1.4.
Zur Beschreibung des gewählten Forschungsdesigns siehe 1.4.
Ziel dieser Arbeit ist weder ein ausführlicher Test einzelner Data-Mining-Tools noch ein Vergleich von Data-Mining-Tools mit dem Ziel, ein bestimmtes Tool zu empfehlen. Im Mittelpunkt steht vielmehr die Überprüfung der erarbeiteten, auf einer Data-Mining-Unterstützung basierenden Vorgehensweise anhand realistischer Fallbeispiele, um ggf. Anpassungen an der Vorgehensweise vornehmen sowie Empfehlungen für deren praktische Umsetzung geben zu können.
Technology Watch ist eine Entwicklung des European Centre for Applied Mathematics (ECAM) der IBM France. Informationen zu TWatch im Internet unter www-3.ibm.com/solutions/business-intelligence/textminingAewat.htm oder www.synthema.it/tewat/main.htm [04.08.99].
Dies geschieht mit dem Tool TW ID (Technology Watch Input Data). Dem Tool wird anhand eines Beispieldatensatzes die Struktur des gesamten Datenmaterials bekannt gegeben. Mit diesen Angaben erstellt TWID aus dem Ausgangsdatenmaterial automatisch die für TWatch erforderlichen Input-Dateien.
Dataview und Matrisme sind Entwicklungen des Centre de Recherche Rétrospective de Marseille (CRRM) der Universität Marseille. Informationen im Internet unter http://crrm.univ-mrs.fr [24.01.01].
Vgl. Boutellier et al. 1998, S. 89
Boutellier et al. 1998, S. 89
Die Recherche in den Datenfeldern Titel, Abstract und Subject Headings ist die vom Datenbankbetreiber vorgegebene „Standardrecherche“, d.h. wenn nichts anderes angegeben wird, dann wird automatisch in diesen drei Datenfeldern nach den entsprechenden Suchbegriffen gesucht. Der Zeitraum von 1969 bis 1985 ergibt sich daraus, dass zum einen die Inspec-Datenbank erst ab 1969 Daten enthält, zum anderen die Zeit nach 1985 aufgrund der Aufgabenstellung nicht mehr relevant ist.
Unter Berücksichtigung des „time lag“ bis zur Verfügbarkeit der Veröffentlichungen in der Datenbank liegt der Untersuchung des Jahres 1970 die Annahme zugrunde, man befinde sich zum Zeitpunkt der Auswertung im Jahr 1971.
Ein Grund für die integrierte Auswertung sowohl nach SH als auch nach DE ist die relativ geringe Anzahl der Veröffentlichungen (125) bei der gleichzeitig großen inhaltlichen Breite des Untersuchungsgegenstands (Automobiltechnik).
Der in beiden betrachteten Zeiträumen im Kernnetzwerk enthaltene, am häufigsten vorkommende, jedoch eher allgemeine CC „Road-traffic system control“ blieb dabei jeweils unberücksichtigt.
Der technische Fortschritt in der Automobiltechnik lässt sich zwischen den 50er und 90er Jahren in fünf Phasen mit unterschiedlichen inhaltlichen Schwerpunkten — Komfort, Sicherheit, Emission, Verbrauch, Leistung — unterteilen; vgl. Seifert, Walzer 1989, S. 229f.
Dazu zählen z.B. die Delphi-Studie 1995 (vgl. Grupp 1995b, S. 123ff.) oder der Bundesbericht Forschung 1993 (vgl. BMFT 1993, S. 96). Unter einer Schlüsseltechnologie versteht man eine Technologie mit überdurchschnittlichem Einfluss auf die aktuelle und zukünftige Wettbewerbsfähigkeit; vgl. z.B. Arthur D. Little 1991.
Vgl. Preiser 1993, S. 5ff.
Siehe 5.1
Zu den verschiedenen Suchstrategietypen siehe 5.1.
Wie bereits eingangs von 6.3.2 angesprochen liegt auch hier wieder die grundlegende Annahme zugrunde, man befinde sich jeweils im darauffolgenden Jahr und nutzt die bis dahin verfügbaren Daten (also z.B. eine Auswertung im Jahre 1992 mit den Daten des Jahrgangs 1991). Auch wenn die Auswertungsergebnisse zu den Jahren 1991 bis 1995 nicht zwingend in chronologischer Reihenfolge wiedergegeben werden, so werden Schlussfolgerungen stets nur auf Basis der bis zum jeweiligen Entscheidungszeitpunkt vorliegenden Daten getroffen.
Die absolute Häufigkeit gibt an, wie oft ein bestimmter Deskriptor insgesamt verwendet wird. Die relative Häufigkeit setzt dieses absolute Auftreten in Relation zur Gesamtzahl der im betrachteten Zeitraum zugrunde liegenden Dokumente, gibt also an, in wie vielen der Dokumente ein Deskriptor prozentual vorkommt.
Unter dem Gesamtaufkommen wird das Produkt aus der Zahl der im betrachteten Jahr verwendeten, verschiedenen Deskriptoren (in den weiteren Ausführungen auch als Reichhaltigkeit bezeichnet) und der Häufigkeit, mit der diese Deskriptoren jeweils auftreten, verstanden. Bei 100 verschiedenen Deskriptoren, die jeweils 10 mal vorkommen, beträgt das Gesamtaufkommen folglich 1000.
Diese Deskriptoren tauchen in Abbildung 6–12 nicht auf, weil sie unter dem zum Zwecke einer übersichtlichen grafischen Darstellung eingestellten Schwellenwert von mindestens 30 Verknüpfungen liegen. Dennoch weisen diese Deskriptoren deutlich mehr Verknüpfungen auf als ein Großteil der 1991 verwendeten „Subject Headings“.
Vgl. Grupp 1995b, S. 123ff.
Vgl. z.B. Mahlke, Gössing 1992
Vgl. Kodama 1995, S. 198
Vgl. z.B. Hecht 1999
Vgl. Kodama 1995, S. 199
Hierbei handelte es sich um das US-amerikanische Unternehmen Corning Glass Works (heute Corning Inc.).
Siehe 5.1
Zu den verschiedenen Suchstrategietypen siehe 5.1.
Vgl. Lenz 1998
Dabei handelte es sich um die Siecor Corp. als Tochter von Siemens AG und Corning Glass Works.
Einen Überblick über die Historie von Festplatten und vergleichbaren Speichermedien bieten z.B. Kozierok 2000 oder IBM o. J.
Vgl. Chiu et al. 1996, S. 1. Bei der Festplatte handelt es sich um das Modell 3370 von IBM.
Vgl. Chiu et al. 1996
Rights and permissions
Copyright information
© 2003 Deutscher Universitäts-Verlag/GWV Fachverlage GmbH, Wiesbaden
About this chapter
Cite this chapter
Zeller, A. (2003). Test des erarbeiteten Data-Mining-gestützten TFA-Identifikationsprozesses anhand von Fallbeispielen. In: Technologiefrühaufklärung mit Data Mining. Forschungs-/Entwicklungs-/Innovations-Management. Deutscher Universitätsverlag. https://doi.org/10.1007/978-3-322-81586-6_6
Download citation
DOI: https://doi.org/10.1007/978-3-322-81586-6_6
Publisher Name: Deutscher Universitätsverlag
Print ISBN: 978-3-8244-7914-6
Online ISBN: 978-3-322-81586-6
eBook Packages: Springer Book Archive