Numberland - New Processes, New Materials

GermanAfrikaansArabicBelarusianBulgarianChinese (Simplified)CzechDanishDutchEnglishEstonianFilipinoFinnishFrenchGreekHebrewHindiHungarianIndonesianItalianJapaneseKoreanLatvianLithuanianMalayNorwegianPersianPolishPortugueseRussianSlovakSpanishSwedishThaiTurkishVietnamese
  • Wer wir sind

    Wir sind - seit 1996 - als Ingenieurbüro auf dem Werkstoffsektor aktiv. Dabei verbinden wir Themen wie Innovations- Wissens- und Technologiemanagement mit sehr guten Kontakten zu Wissenschaft und Wirtschaft ...
    +Read More
  • Your man in Germany

                Your man in Germany Need a partner in Germany to get in contact with German institutions or companies? Are you tired of long distance phone calls or expensive trips from abroad with no or little results? Read more ...
    +Read More
  • Neue Werkstoffe

    Wir übersetzen technische Anforderungen in physikalische Effekte oder Eigenschaften, und finden dann den dazu passenden Werkstoff ... We translate technical demands intophysical effects or properties, andthen find the suitable material ...    
    +Read More
  • Neue Prozesse

    Wir analysieren, optimieren und dokumentieren Prozesse, die oft nicht im QM-Handbuch stehen,und bringen ihnen das Laufen bei ... We analyse, optimize and document processesoften not covered by quality management handbooks, and teach them to run ...
    +Read More
  • Leistungen

    Wir finden neue Werkstoffe, Bauteile, Herstellungs- und Analytikverfahren, Projektpartner, Entwickler oder Forschungseinrichtungen, Know-how oder Geräte, etc. Damit all diese neuen Erkenntnisse dann bei Ihnen auch effektiv eingesetzt werden können, helfen wir Ihnen, Ihr Wissen besser zu erfassen, Prozesse zu optimieren, F&E-Projekte durchzuführen, technische Angebote zu beurteilen oder Lastenhefte zu erstellen.  
    +Read More
  • 1
  • 2
  • 3
  • 4
  • 5

NumberlandTechnologyNews available in English und auf Deutsch

Publish Offers and Requests for free

This month offers and requests from the materials sector

We publish your materials conference

Wissen erwerben, Wissen nutzen

Methoden der Wissensgewinnung

Wissensgewinnung aus unstrukturierte Daten

Weil elektronische Speichermedien heute sehr günstig zu beschaffen sind, wird Wissen (oder eigentlich nur Daten?) in großem Umfang und in jeglicher Form gespeichert. Eine Nutzung dieses Wissens mit dem Ziel, bisher verborgene Zusammenhänge aufzudecken und zu nutzen, ist jedoch in vielen Fällen mangels geeigneter Analysten oder Analysewerkzeuge nicht möglich. Wer Analysewerkzeuge (BI-Werkzeuge; BI = Business Intelligence) einsetzen möchte, muss sich bewusst sein, dass der Typ des zu untersuchenden Wissens sowie die Art der Problemstellung das Werkzeug bedingt und nicht umgekehrt (Sie entscheiden ja auch, einen Hammer und nicht eine Säge zu benutzen, wenn Sie einen Nagel in die Wand schlagen wollen).

OfracarLabelsAttributeVerborgene Zusammenhänge in Textdokumenten zu finden bedeutet, solche Dokumente automatisch in Gruppen einordnen zu können, um übergeordnete Strukturen zu erkennen. Typische Anwendungsbeispiele sind die Analyse von Patenten, Märkten, Wettbewerbern, etc. Um z. B. die Positionierung Ihres Unternehmens im Markt zu verbessern, ist es sehr hilfreich, wenn Sie wissen, wie dieser Markt aussieht. Eine Art, sich einen solchen Marktüberblick zu verschaffen, ist die Ähnlichkeitsanalyse mit Hilfe einer thematischen Karte.

Das Ergebnis einer solchen Analyse ist eine Grafik, die – ähnlich wie ein Setzkasten – in viele Segmente unterteilt ist. Miteinander sehr eng verwandte Begriffe werden in das gleiche Segment dieses virtuellen Setzkastens einsortiert, weniger eng verwandte Begriffe in benachbarte Segmente, usw. Durch die automatische Analyse aller Dokumente und der darin vorkommenden Fachbegriffe kann also die Verwandtschaft der Fachbegriffe untereinander sichtbar gemacht werden. Natürlich ist ebenso bekannt, welche Unternehmen sich dahinter verbergen. Fragen nach potentiellen Kooperationspartnern, Wettbewerbern oder Marktlücken können auf diese Weise beantwortet werden. Die folgende Abbildung zeigt ein Beispiel, in dem ca. 200 Automobilzulieferer einer Region untersucht worden sind. Ziel der Analyse war es,

  • Thematische Verwandtschaften von Begriffen und Unternehmen aufzudecken,
  • Die Marktstruktur darzustellen, und
  • Die Kompetenzprofile der Unternehmen zu ermitteln.

Um dieses Ziel zu erreichen, wurden die Websites der Unternehmen automatisch ausgewertet und miteinander in Beziehung gesetzt, ein Vorgang, der die Analysezeit drastisch reduziert. Das Verfahren funktioniert, ohne dass Wissen über die Struktur des Marktes vorhanden sein muss.

 

Wissensgewinnung aus strukturierten Daten

Die gerade beschriebene Art, Wissen aus vorhandenen Informationen zu gewinnen zeigt, was mit unstrukturierten Daten möglich ist. Je mehr die Struktur der vorhandenen Daten zunimmt, desto wertvoller werden sie (unabhängig von ihrer Bedeutung) für eine Analyse. Um zu verstehen, was damit gemeint ist, kann man sich z. B. nach dem Unterschied einer Beschreibung wie rot, gelb, grün und blau einerseits, sowie 100°C, 150°C, 200°C und 250°C anderer-seits fragen. Natürlich werden zwei ganz unter-schiedliche Sach-verhalte beschrie-ben: zum einen Farbe, zum anderen Tempera-tur. Worauf es hier jedoch viel mehr ankommt, ist die Tatsache, dass im ersten Fall Gegenstände, z. B. Gläser, auf die eine solche Beschreibung zutrifft, eindeutig in unterschiedliche Gruppen eingeteilt werden können; eine Reihenfolge dieser Gruppen untereinander lässt sich jedoch nicht zuweisen. Im zweiten Fall ist dagegen auf Anhieb klar, dass Gläser in Gruppen mit gleicher Temperatur zusammengefasst werden können, wobei Gläser der Temperatur 150°C heißer sind als Gläser der Temperatur 100°C. Es liegt also eine Ordnung der Gruppen vor. Der „Wert“ von Daten bemisst sich also danach, welche Rechenoperationen mit diesen Daten möglich sind. Ein typisches Beispiel in diesem Zusammenhang ist die Kategorisierung von Kunden in Käufer und Nichtkäufer. Sie haben dazu einen Teil Ihrer Kunden angeschrieben, um ihnen ein Produkt vorzustellen. Manche dieser Kunden kaufen, andere nicht.

EntscheidungsbaumDie Frage ist nun: worin unterscheiden sich Käufer und Nichtkäufer? Wenn es Ihnen gelingt, diese zwei Gruppen zu unterscheiden, genügt es, die potentiellen Käufer aus ihrer Kundenkartei anzuschreiben. Natürlich kann eine Analyse niemals eine eindeutige Zuordnung eines Kunden zu einer dieser Gruppen treffen; immer wird es so sein, dass bei den potentiellen Käufern trotzdem welche dabei sind, die nicht kaufen, und bei den potentiellen Nichtkäufern welche, die gekauft hätten. Es geht beim Einsatz solcher Verfahren immer nur um eine Verbesserung der Trefferquote. Das Ergebnis wird in der Regel als „Entscheidungsbaum“ dargestellt. Kunden werden dabei in hierarchische Klassen eingeteilt, die sich in bestimmten Merkmalen unterscheiden. Nur die rot umrandeten Klassen werden von der Analyse der Gruppe der Käufer zugeordnet. Es genügt also im Prinzip, sich auf diese Kunden zu konzentrieren, wenn man dies möchte.

 

Interessiert?  Kontakt

Übersicht?      Neue Prozesse