Zusammenfassung
Ausgangspunkt ist der Check-In-Prozeß der Fluggesellschaft „Flyaway“378. Dieser sollte im Sinne einer Continuous Improvement-Innovation graduell verbessert werden. Die Zielsetzung des nachfolgend beschriebenen Projektes besteht darin, insbesondere den Buchungstypus „ASR“ im Check-In-Prozeß genauer zu analysieren. ASR steht für „Advanced Seat Reservation“ und ermöglicht es dem Passagier, bereits im Reisebüro oder im Internet eine Sitzplatzreservierung vorzunehmen. Das Attribut ASR wurde von der Fachabteilung „Information Passage“ als erkärungsbedürftig herausgestellt, da nur wenig Wissen über das ASR-Buchungsverhalten vorlag. Valides Wissen über die Zusammenhänge von Kundentypus und ASR-Buchungen existierten nicht.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Vgl.]ammernegg, W./Luptacik, M./Nakhacizadeh, G/Schnabl, A, 1998.
Hierzu z.B. Fuhr, N, 1997.
Der Einsatz verschiedener Auswahlmalie liegt in der fehlenden unmittelbaren Uberlegenheit eines bestimmten Entscheidungsbaum-Algorithmus begründet.
Zu der ausgewählten Data Mining-Software gehiirten: KnowtedgeSeeker von ANGOSS, DeltaMiner von Bissantz & Company, Scenario von Cognos DataEngine von Mtr-Management, Enterprise Miner von SAS. Die Buchungssätze beinhalten sowohl ASR-Buchungen als auch die Nicht-ASR-Buchungen. um somit die diskriminierenden Attribute zu ermitteln.
Dabei handelt es sich um das Problem der Anwenderbezogenheit. Selbst wenn ein System spezifisch für eine Aufgabenstellung zugeschnitten ist, wird möglicherweise der Interessantheitsgrad der Ergebnisse von zwei verschiedenen Anwendern unterschiedlich beurteilt. Der Unternehmensneuling findet ggf. Muster interessant, die für den erfahrenen Anwender keine Überraschung darstellen.
In den USA ist derzeit — trotz der beschriebenen Problembereiche — ein Outsourcing-Trend beim Data Mining zu erkennen. Dienstleister, die den gesamten Prozeß des Data Mining für ihre Kunden durchführen, treten zunehmend auf den Markt. In diesem Zusammenhang sind auch die Hersteller von Data Mining-Tools zu nennen, die neben reiner Technologie zunehmend Branchen-bzw. Prozeßlösungen anbieten, um somit möglichst individuelle Lösungen für den gesamten Data Mining-Prozeß maßschneidem zu können.
Die für eine Tool-Auswahl wichtigen herstellerspezifischen Aspekte wie Marktdurchdringung, Stabilität und Entwicklungspotential sollten als Auswahlkriterien für die Vorselektion genutzt werden.
Ausführliche Darstellung des Untersuchungs-und Bewertungsdesigns in: Gentsch, P., 1999.
In der Pharmabranche ist der Innovations-bzw. Wissensvorsprung von einst zehn Jahren auf 24 Monate geschrumpft. Jede Minute wird eine neue chemische Formel und alle fünf Minuten eine neue medizinische Erkenntnis gewonnen. Vgl. Novak, R., 1998.
Nach der Diffusionstheorie geht von den frühen Technologieführern eine ansteckende Wirkung aus, die sich dann epidemisch auf immer mehr Adaptoren der Innovatìonsidee ausbreitet und damit die Grundlage für eine weite Verbreitung liefert. Werden diese Innovationsführer identifiziert, können deren weitere Aktivitäten im folgenden kontinuierlich beobachtet werden. Vgl. Fendt, H., 1988, S. 72–80.
Vgl. Häul3er, E.: Mehr Innovation durch bessere Information, in: Oppenländer, K. H. ( Hrsg. ), 1984, 5. 133–150.
Das Konzept der schwachen Signale geht auf Ansoff zurück. Vgl. Ansoff, H., 1976, S. 129–152. Das Konzept wurde vielfach aufgegriffen und in pragmatischen Ansätzen operationalisiert. Vgl. hierzu z.B. Albach, H./Hahn, D.,/Mertens, P. (Hrsg.), 1979.
Neben der kommerziellen Text Mining-Software existieren jedoch verschiedene prototypenhaft realisierte Tools aus dem wissenschaftlichen Umfeld, wie z.B. aus der Computerlinguistik. Diese sind jedoch aufgrund der Hardwareanforderungen und Formateinschränkungen sowie der geringen Anwenderfreundlichkeit der Oberflächen für den Einsatz durch die Fachabteilungen in der betrieblichen Praxis nur bedingt geeignet.
Von den Softwareherstellern werden - ausgenommen von dem Unternehmen InventionMachine mit dem Text Mining-Tool CoBrain - bisher keine Taxonomien für die Bereiche des Innovationsmanagements angeboten. Allerdings ist die IPCKlassifikation seit 1999 online im Internet verfügbar. Da hier eine Klassifizierung der Patente mit entsprechenden is a“- und „synonym”-Beziehungen sowie Verweisen auf benachbarte Fachbereiche erfolgt, kann diese als Taxonomie für Text Mining-Software genutzt werden.
Feldman. R./Fresko, M., Kinar, Y./Lindell, Y./Liphstat, O./Rajman, M./Schler, Y., Zamir, O 1999, S. 3. Die informationstechnologischen Unterstützungsmöglichkeiten für den Aufbau von Taxonomien bzw. Ontologien wurden bereits im Kapitel 3.1.2.3 diskutiert und sollen daher hier nicht weiter vertieft werden.
Dies trifft auf Patente i.d.R. nicht zu. Dies gilt vielmehr für z.B. intern erstellte Projektdokumentationen oder Forschungsberichte sowie für externe Dokumente aus den freien Internetquellen (siehe hierzu Abschnitt 4.2.34
Der Vorteil des Text Mining kann hier dahin bestehen. daß nicht nur das Titelleid. sondern der Volltext des Patents durchsucht wird. Durch den hohen Automatisierungsgrad des Text Mining kann dies im Gegensatz zum manuellen Retrieval in akzeptabler Zeit durchgeführt werden.
Rights and permissions
Copyright information
© 2001 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Gentsch, P. (2001). Praktische Erprobung von KDD im betrieblichen Innovationsprozeß. In: Wissenserwerb in Innovationsprozessen. Gabler Edition Wissenschaft. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-322-99304-5_4
Download citation
DOI: https://doi.org/10.1007/978-3-322-99304-5_4
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-7391-5
Online ISBN: 978-3-322-99304-5
eBook Packages: Springer Book Archive