Grundlagen der Business intelligence

Question 1

Was ist Business Intelligence?

Answer 1

Ein integrierter, unternehmensspezifischer, IT basierter Ansatz zur betrieblichen Entscheidungsunterstützung

Question 2

Was sind Aufgaben der BI?

Answer 2

Data Delivery

Data Mining

Knowledge Sharing

Question 3

Was gehört zu Data Delivery?

Answer 3

• Extraktion von Daten aus operativen Systemen
• Integration der Daten in eine einheitliche Informationsbasis
• Verwaltung der Informationsbasis in einem Data Warehouse

Question 4

Was gehört zu Data Mining?

Answer 4

• Erkennung von Zusammenhängen/mustern in den Daten
• Erstellung von Vorhersagemodellen auf Basis der Muster
• Überprüfung und Anwendung der erstellten Vorhersagemodelle

Question 5

Was gehört zu Knowledge Sharing?

Answer 5

• Visuelle Aufbereitung der gewonnenen Erkenntnisse
• Kommunikation der Erkenntnisse and die Entscheidungsträger
• Umsetzung der Erkenntnisse im strategischen Management

Question 6

Was sind Eigenschaften interessanter Muster?

Answer 6

gültig; mit hinreichender statistischer Sicherheit ist Muster auch in Realwelt sichtbar

bislang unbekannt: nicht offensichtlich und bisher noch nicht bekannt gewesen

potenziell nützlich: Die aus dem Muster abzuleitende Erkenntnis hat betriebswirtschaftliche Relevanz

einfach verständlich: Muster ist klar erkennbar und lässt sich auf unkomplizierte Weise reproduzieren

Question 7

Was ist das People Analytics Reifegradmodell und welche Level hat es?

Answer 7

Den Anteil an Umsetzung verschiedener Stufen der BI in unternehmerischen HR Prozessen zeigt.

Level 4 - Vorhersagende Analytik

Level 3 - Fortgeschrittene Analytik

Level 2 - Erweiterte Berichterstattung

Level 1 - Operative Berichterstattung

Question 8

Was gehört zu Level 1?

Answer 8

Reaktives,, operatives Reporting von Effizienz- und Compliance Maßnahmen mit Schwerpunkt auf Datengenauigkeit, Konsistenz und Zeitrahmen.

(56% der Organisationen)

Question 9

Was gehört zu Level 2?

Answer 9

Proaktive, operative Berichterstattung für Benchmarking und Entscheidungsfindung, mehrdimensionale Analysen und Dashboards.

30% der Organisationen

Question 10

Was gehört zu Level 3?

Answer 10

Statistische Modellierung und Ursachenanalyse zur Lösung von Geschäftsproblemen, proaktives Identifizieren von Problemen und Empfehlen von Lösungen

10% der Organisationen

Question 11

Was gehört zu Level 4?

Answer 11

Entwicklung von Vorhersagemodellen, Szenarienplanung, Risikoanalyse und -minderung, Integration in die strategische Planung

4% der Organisationen

Question 12

Was sind Methoden des Data Mining?

Answer 12

Assoziationsanalysen:

• Aufdeckung von strukturellen Zusammenhängen und Korrelationen in Daten
• Erstellen von Wenn-Dann Regeln auf Basis der Muster

Klassifikationsanalysen:

• Erstellung von Modellen zur Vorhersage der Klassenzugehörigkeit von Objekten
• Anwendung der Modelle auf neue, nichtklassifizierte Objekte

Clusteranalysen:

• Bildung von Klassen von zueinander ähnlichen Objekten
• Aufspüren von Ausreißern die zu keiner Gruppe gehören

Question 13

Was ist die systematische Generierung von Wissen aus empirischen Daten?

Answer 13

WIrd als machine Learning bezeichnet, ist eine Teildisziplin der künstlichen Intelligenz

Question 14

Was ist KI?

Answer 14

Die Befähigung von Maschinen, Aufgaben zu erfüllen die menschliche Intelligenz erfordern

Question 15

Was ist Deep Learning?

Answer 15

Ein Teilgebiet des maschinellen Lernens welches den Lernprozess mit sehr großen Datensätzen und über mehrere Lernebenen ausführt um komplexe Aufgaben wie Sprach- oder Bilderkennung automatisiert durchführen zu können.

Question 16

Wozu kann Machine Learning im Data Mining Kontext eingesetzt werden?

Answer 16

Um den Vorgang der datengetriebenen Mustererkennung zu atomatisieren.

Question 17

Welche Arten von Lernen gibt es (ML)?

Answer 17

Überwachtes Lernen (Klassifikationsanalyse)

• Lernen einer neuer Funktion (Modell) aus gegebenen Paaren von Ein-und Ausgaben
• Ziel: automatische Klassifikation neuer Objekte mit der gelernten Funktion

Unüberwachtes Lernen (Clusteranalyse)

• Erkennung von zusammengehörigen Gruppen und Ausreißern in den Datensätzen.
• Ziel: automatische Erkennung von Klassen für die Klassifikation neuer Objekte

Question 18

Was sind Assoziationsanalysen?

Answer 18

Eine erweiterte Form der Korrelationsanalyse, bei der
untersucht wird, welche Kombinationen von Variablenwerten häufig im Zusammenhang mit bestimmten Beobachtungen stehen.

Ein typischer Anwendungsfall hierfür sind Warenkorbanalysen die sich damit befassen, welche Produkte häufig gemeinsam gekauft werden

Question 19

Was beschreibt eine Assoziationsregel A->B?

Answer 19

Eine Korrelation zwischen gemeinsam auftretenden Elementen innerhalb von n Transaktionen.

A und B sind Mengen von mindestens einem Produkt.
A->B bedeutet, dass der Kauf von A den Kauf von B impliziert.

Question 20

Was sind Kenngrößen von Assoziationsregeln?

Answer 20

Support: Relative Häufigkeit der Fälle, in denen die Regel anwendbar ist.

Konfidenz: Relative Häufigkeit der Fälle, in denen die Regel richtig ist.

Lift: Faktor, um den das Vorhandensein von A das Auftreten von B wahrscheinlicher macht.

Aber: immer nur vergangene Käufe und Korrelation != Kausalität

Question 21

Was bedeutet ein hoher Support?

Answer 21

Es gibt viele Datensätze die Aussagen über A und B treffen

Question 22

Was bedeutet eine hohe Konfidenz?

Answer 22

Es gibt viele Personen die zusammen mit A auch B gekauft haben (bedingte Wahrscheinlichkeit)

Question 23

Was bedeutet ein hoher Lift?

Answer 23

Der Kauf von A ist ein guter Indikator für den Kauf von B

Question 24

Was ist das wesentliche Ziel von Klassifikationsanalysen?

Answer 24

Die Entwicklung von Vorhersagemodellen.

Question 25

Wie ist die Vorgehensweise bei Klassifikationsanalysen?

Answer 25

Trainingsdatensätze mit Klassifikationslabel als Input, Modellentwicklung generiert Output. Das entwickelte Modell wird dann genutzt um Nichtklassifizierte Daten mit dem Output zu klassifizieren.

Question 26

Was sind Möglichkeiten zur Erstellung von Vorhersagemodellen?

Answer 26

Klassifikationsverfahren (Ermittlung von Klassenzugehörigkeit):

• Maschinelles Lernen: Verwendung von ML Algorithmus zur Bestimmung der Wahrscheinlichkeit für ein Klassenlabel
• Regelbasiert: Assoziationsregeln zur Bestimmung der Wahrscheinlichkeit für ein Klassenlabel
• Probabilistisch: Verwendung statistischer Methode zur Bestimmung der Wahrscheinlichkeit für ein Klassenlabel

Regression (Ermittlung einer Funktion):
Ermittlung einer Beziehung zwischen einer/mehrerer unabhängiger Variablen

Question 27

Welche Teile enthält eine Assoziationsregel (Wenn-Dann)?

Answer 27

Prämisse (Wenn)

Implikation (dann)

Question 28

Was entspricht Deckung und Genauigkeit bei Assoziationsregeln?

Answer 28

Deckung = Support

Genauigkeit = Konfidenz

Question 29

Was passiert wenn mehr als eine Assoziationsregel anwendbar ist?

Answer 29

Möglichkeit 1: Regel mit längster Prämisse nehmen

Möglichkeit 2: Regel mit den besten Werten für Deckung und/oder Genauigkeit nehmen

Question 30

Was sind Entscheidungsbäume?

Answer 30

Decision trees dienen der grafischen Darstellung von Entscheidungsregeln, die sich an der Evidenz der Traningsdaten orientieren.

Question 31

Was entspricht in einem Decision tree genau einer Assoziationsregel?

Answer 31

Jeder Pfad im Baum.

Question 32

Was gibt es, abgehen von Dec. trees noch für ML-basierte Klassifikationsverfahren?

Answer 32

Support Vector Machines

Künstliche neuronale Netze

Nächste-Nachbarn-Klassifikation

Question 33

Was sind Support Vector Machines?

Answer 33

Abbildung der Trainingsdatensätze auf Punkte in einem mehrdimensionalen Raum

Klassifikation durch Ermittlung einer optimalen Trennebene zwischen den Punkten

Question 34

Was sind künstliche neuronale Netze?

Answer 34

Vernetzung zahlreicher Neuronen mit jeweils parametrisierter Aktivierungsfunktion

Klassifikation durch Gesamtergebnis der Berechnung der Funktionen aller Neuronen

Question 35

Was ist Nächste Nachbarn Klassifikation?

Answer 35

Ermittlung der bereits klassifizierten Objekte mit der kleinsten (Minkowski) Distanz zum fraglichen Objekt

Klassifikation anhand Betrachtung der benachbarten Objekte

Question 36

Worin resultieren alle ML-basierte Klassifikationsverfahren?

Answer 36

In einem regelbasierten Vorhersagemodell.

Unterschiede bestehen darin, welche Regeln im Modell enthalten sind und ob sie als Regel erkennbar sind oder nicht (Black Box)

Question 37

Was sind Probleme des Data Mining?

Answer 37

Abhängigkeit von Trainingsdaten (Schlechte Qualität -> Schlechte Ergebnisse, da auch Metriken auf Trainingsdaten basieren)

Bias Probleme bei verzerrten Trainingsdaten

Black Box Problem: Geringe soziale Akzeptanz wenn nicht sichtbar wird, wie klassifiziert wird.

Question 38

Was ist das Black Box Phänomen?

Answer 38

Dass die Betroffenen nicht nachvollziehen können, auf welcher Grundlage bzw auf welche Weise das System, welches auf Basis des Klassifikationsmodells arbeitet, zu einer bestimmten Entscheidung gelangt ist.

Studien zeigen, dass Transparenz und Erklärbarkeit bei Entscheidungsunterstützungssystemen bei vielen Geschäftsprozessen sehr entscheidend sind, weil Menschen die Gründe für Entscheidungen verstehen möchten, um die Konsequenzen der Entscheidung abschätzen und die Verantwortung für die Entscheidung übernehmen zu können.

Daher befasst sich das Forschungsgebiet
der explainable artificial intelligence mit der Fragestellung, wie die Erklärbarkeit und Transparenz von KI basierten Entscheidungen erhöht und somit deren Akzeptanz gesteigert werden kann

Question 39

Was ist Discrimination Aware Data Mining?

Answer 39

Neben dem Black Box Problem ist der oben bereits angesprochene Algorithmic Bias ein wesentliches
Problem datengetriebener Analyseverfahren.

Führt die Anwendung von Klassifikationsverfahren zu
systematischer Diskriminierung gegen Einzelpersonen oder gar ganze Bevölkerungsgruppen (z B
Frauen, Menschen bestimmter Hautfarbe, bestimmte Altersgruppen etc so liegt ein ethisches und
häufig auch rechtliches Problem vor, welches weder betrieblich noch gesellschaftlich wünschenswert ist.

Die aktuelle Studienlage zeigt, dass es bislang nicht
überzeugend gelingt, solche Effekte für komplexe Datensätze zu kompensieren. Aufgrund der steigenden Häufigkeit datengetriebener Entscheidungen in vielen
Bereichen wird das entsprechende Forschungsgebiet des discrimination aware data mining daher von
zunehmender Bedeutung geprägt sein