Business Intelligence

John Boyd konzipierte den „Observe – Orient – Decide – Act (OODA) Loop; er zeigt, wie Individuen oder Organisationen auf Umwelteindrücke reagieren [Ullmann 2007]:

• Observation: (1) Sammeln externer Daten, (2) Feststellen von Trends, (3) Beobachtung von Interaktionen mit der Umgebung

• Orientation: (1) Sammeln zusätzlicher Informationen, (2) Analyse und Synthese vor dem Hintergrund bisheriger Erfahrungen, (3) Einordnen der Erkenntnisse

• Decision: (1) Hypothesentests, (2) Entscheiden

• Action: (1) Agieren und Reagieren, (2) Ergebnisse und Reaktionen kontrollieren.

• Plan: Erkenne eine Verbesserungsmöglichkeit, plane ihre Umsetzung.

• Do: Führe Pilotstudie aus, teste die Auswirkungen der Maßnahme.

• Check: Analysiere und bewerte die Testergebnisse.

• Act: Setze die Maßnahme um und bewerte sie. Berichte über erfolgreiche Implementierungen, revidiere Fehlschläge durch erneutes Durchlaufen des PDCA Cycle

Im PDCA Cycle werden im Gegensatz zum OODA Loop vor allem unternehmensinterne Informationen verarbeitet. 

Indifferenz zwischen zwei Zielen liegt vor, wenn sich die Realisierung des einen Ziels nicht auf die Realisierung des anderen Ziels auswirkt.

Komplementarität, liegt dann vor, wenn die Erreichung des einen Ziels die Erreichung des anderen Ziels positiv beeinflusst

Konkurrenz. Dies bedeutet, dass die Realisierung eines Ziels zur Vermeidung oder Verschlechterung eines anderen Ziels führt.

Semantische Fehler:  fehlerhafte Eingabe der Daten, vorhandenen Daten bilden das Universum nicht korrekt ab, die Semantik der Daten stimmt also nicht (z.B. Messfehler) Fehler weicht inhaltlich von der Realität ab.

coverage Fehler: der durch die Datenmenge beschriebene Realitätsausschnitt ist kleiner als ursprünglich angenommen

syntaktische Fehler: ein Fehler in der Form der Daten vor, welcher es unmöglich macht, diese zu interpretieren 

Ziel •Konstruktion einer Hierarchie von Clustern (Dendrogramm), so daß immer die Cluster mit minimaler Distanz verschmolzen werden

Vorteile der hierarchischen Clusteranalyse sind die Flexibilität durch Verwendung komplexer Distanzmaße, dass das Verfahren außer der Distanzfunktion und der Fusionierungsmethode keine eigenen Parameter hat und dass das Ergebnis eine Cluster-Hierarchie ist, die auch Unterstrukturen erlaubt.

Verfahren zur Vektorquantisierung, das auch zur Clusteranalyse verwendet wird. Dabei wird aus einer Menge von ähnlichen Objekten eine vorher bekannte Anzahl von k Gruppen gebildet. Der Algorithmus ist eine der am häufigsten verwendeten Techniken zur Gruppierung von Objekten, da er schnell die Zentren der Cluster findet. Dabei bevorzugt der Algorithmus Gruppen mit geringer Varianz, und ähnlicher Größe.

Validät: wie gut geben Daten die Realität wieder

Neuigkeitsgehalt und Verständlichkeit

Nutzlichkeit

ein Verfahren zur Assoziationsanalyse, einem Bereich des Data-Mining. Er dient der Auffindung von sinnvollen und nützlichen Zusammenhängen in transaktionsbasierten Datenbasen, die in Form von sogenannten Assoziationsregeln dargestellt werden. Eine häufige Anwendung des Apriori-Algorithmus ist die Warenkorbanalyse. Items sind hierbei angebotene Produkte und ein Einkauf stellt eine Transaktion dar, welche die gekauften Items enthält. 

Der Support einer Itemmenge ist die Wahrscheinlichkeit, dass diese Itemmenge in einer Transaktion vorkommt.

Die Konfidenz misst für welchen Anteil der Transaktionen, in denen {\displaystyle X} vorkommt, auch {\displaystyle Y} vorkommt. Zur Berechnung der Konfidenz wird die Anzahl aller regelerfüllenden Transaktionen (also der Support) durch die Anzahl der Transaktionen, die {\displaystyle X} enthalten, geteilt.