Von Data Mining bis Big Data

1 - Vorwort [Seite 6]
2 - Inhalt [Seite 12]
3 - 1 Einführung [Seite 18]
4 - 2 Warum Data Mining? Wozu Big Data? [Seite 20]
4.1 - 2.1 Definition und Einordnung der Begriffe [Seite 23]
4.1.1 - 2.1.1 Was ist Data Mining? [Seite 23]
4.1.2 - 2.1.2 Was ist Big Data? [Seite 31]
4.1.3 - 2.1.3 Data Mining im Kontext anderer Datenanalyseverfahren [Seite 32]
4.2 - 2.2 Spezielle Anforderungen der Industrie an die Datenanalyse [Seite 39]
4.3 - 2.3 Gibt es einen Handlungsbedarf für die Industrie? [Seite 46]
5 - 3 Das theoretische und mathematische Konzept der technischen Datenauswertung [Seite 50]
5.1 - 3.1 Einführung [Seite 50]
5.2 - 3.2 Datenselektion und Datenzusammenführung [Seite 52]
5.2.1 - 3.2.1 Aufbau einer Datentabelle [Seite 52]
5.2.2 - 3.2.2 Denormalisierung von Datentabellen [Seite 53]
5.2.3 - 3.2.3 Synchronisierung von Datentabellen [Seite 54]
5.3 - 3.3 Datenvorverarbeitung [Seite 56]
5.3.1 - 3.3.1 Festlegung der Datentypen [Seite 56]
5.3.2 - 3.3.2 Diskretisierung von metrischen Daten [Seite 58]
5.3.3 - 3.3.3 Statistiken und Tests für metrische Daten [Seite 60]
5.3.4 - 3.3.4 Das Problem ungenauer Messungen [Seite 65]
5.3.5 - 3.3.5 Behandlung von Datenlücken [Seite 68]
5.3.6 - 3.3.6 Behandlung von Ausreißern [Seite 70]
5.3.7 - 3.3.7 Behandlung von Mehrdeutigkeiten [Seite 72]
5.4 - 3.4 Datentransformation [Seite 77]
5.5 - 3.5 Datenanalyse [Seite 81]
5.5.1 - 3.5.1 Visuelle explorative Analysen [Seite 81]
5.5.2 - 3.5.2 Überblick über multivariate Verfahren zur Datenanalyse [Seite 84]
5.5.2.1 - 3.5.2.1 Regressionsanalysen [Seite 84]
5.5.2.2 - 3.5.2.2 Varianzanalyse [Seite 90]
5.5.2.3 - 3.5.2.3 Diskriminanzanalyse [Seite 93]
5.5.2.4 - 3.5.2.4 Korrelationsanalyse [Seite 96]
5.5.2.5 - 3.5.2.5 Faktoranalyse [Seite 100]
5.5.2.6 - 3.5.2.6 Clusteranalyse [Seite 103]
5.5.3 - 3.5.3 Einführung in Data-Mining-Methoden [Seite 110]
5.5.4 - 3.5.4 Data Mining zum Auffinden von Zusammenhängen [Seite 114]
5.5.4.1 - 3.5.4.1 Neuronale Netze [Seite 116]
5.5.4.2 - 3.5.4.2 Support-Vektor-Maschinen [Seite 131]
5.5.4.3 - 3.5.4.3 Gütemaße für Modelle und Klassifikatoren [Seite 136]
5.5.5 - 3.5.5 Data Mining zum Auffinden von Strukturen [Seite 144]
5.5.5.1 - 3.5.5.1 Fuzzy-Clusterverfahren [Seite 145]
5.5.5.2 - 3.5.5.2 Demographisches Clustern [Seite 147]
5.5.5.3 - 3.5.5.3 Selbstorganisierende Merkmalskarten [Seite 148]
5.5.5.4 - 3.5.5.4 Gütemaße für Clusterverfahren [Seite 160]
5.5.6 - 3.5.6 Data Mining zum Generieren von Regeln [Seite 162]
5.5.6.1 - 3.5.6.1 Bayessche Netze [Seite 163]
5.5.6.2 - 3.5.6.2 Entscheidungsbäume [Seite 169]
5.5.6.3 - 3.5.6.3 Assoziationsregeln [Seite 179]
5.5.6.4 - 3.5.6.4 Gütemaße für Regeln [Seite 182]
5.5.7 - 3.5.7 Data Mining zum Visualisieren hochdimensionaler Datenräume [Seite 183]
5.5.7.1 - 3.5.7.1 Selbstorganisierende Merkmalskarten für topologieerhaltende Projektionen [Seite 183]
5.5.7.2 - 3.5.7.2 Gütemaße für Projektionen [Seite 190]
5.5.8 - 3.5.8 Zusammenfassung der Data-Mining-Verfahren [Seite 194]
5.6 - 3.6 Interpretation der Ergebnisse [Seite 197]
5.6.1 - 3.6.1 Fehlinterpretationen [Seite 198]
5.6.2 - 3.6.2 Strittige Interpretationen [Seite 204]
5.6.3 - 3.6.3 Konsequenzen [Seite 206]
6 - 4 Hilfreiche Auswertemöglichkeiten für praktische Anwendungsfälle [Seite 208]
6.1 - 4.1 Text Mining - das Auswerten unstrukturierter Daten [Seite 208]
6.2 - 4.2 Versuchsplanungen zur Erzeugung von Prozessdaten [Seite 214]
6.3 - 4.3 Automatische Diskretisierungen [Seite 219]
6.4 - 4.4 Güte und Sicherheit von Regressionsschätzungen [Seite 221]
6.5 - 4.5 Auffinden der sensitiven Einflussgrößen [Seite 225]
6.6 - 4.6 Ausschluss von zufälligen Zusammenhängen [Seite 229]
6.7 - 4.7 Datenbasierte Optimierungen [Seite 233]
7 - 5 Big Data - die Datenhaltungs- und Verarbeitungskonzepte der Gegenwart [Seite 246]
7.1 - 5.1 Digitale Transformation und Big Data [Seite 247]
7.2 - 5.2 Grundprinzipien eines Paradigmenwandels [Seite 249]
7.2.1 - 5.2.1 Die drei Vs - und der Wert [Seite 249]
7.2.2 - 5.2.2 Scale-up und Scale-out [Seite 249]
7.2.3 - 5.2.3 Unabhängige Verarbeitung direkt auf den Daten [Seite 250]
7.2.4 - 5.2.4 Schema on Read versus Schema on Write [Seite 251]
7.2.5 - 5.2.5 Hardwarevirtualisierung und Containermanagement [Seite 251]
7.2.6 - 5.2.6 Datenvirtualisierung [Seite 252]
7.2.7 - 5.2.7 Entkoppelte Systeme [Seite 253]
8 - 6 Technische Big-Data-Lösungen zur industriellen und kommerziellen Datenanalyse [Seite 254]
8.1 - 6.1 Datenmanagement im Big-Data-Umfeld [Seite 254]
8.1.1 - 6.1.1 Hadoop machte den Anfang [Seite 254]
8.1.2 - 6.1.2 Apache Spark - die nächste Evolutionsstufe [Seite 257]
8.1.3 - 6.1.3 Abstrahierte Datenverarbeitung und -speicherung [Seite 258]
8.1.4 - 6.1.4 Komplexe Eventverarbeitung mit Kafka & Co. [Seite 262]
8.1.5 - 6.1.5 Das beste beider Welten - von Lambda und Kappa [Seite 263]
8.1.6 - 6.1.6 Big-Data-Plattformen [Seite 264]
8.1.7 - 6.1.7 NoSQL-Datenbanken [Seite 265]
8.1.8 - 6.1.8 Anwendungsfälle für NoSQL-Datenbanken [Seite 266]
8.1.9 - 6.1.9 Technologiestacks [Seite 267]
8.2 - 6.2 Datenzentrische Architekturen [Seite 268]
8.2.1 - 6.2.1 AI-basierte Systeme brauchen IA-basierte Plattformen [Seite 268]
8.2.2 - 6.2.2 Die logische Architektur [Seite 269]
8.2.3 - 6.2.3 Die Softwarearchitektur [Seite 269]
8.2.4 - 6.2.4 Die technische Architektur [Seite 269]
8.3 - 6.3 Der Supervised Data Lake (SDL) [Seite 270]
8.3.1 - 6.3.1 Ein Data Lake braucht ein Konzept, damit der See nicht zum Sumpf wird [Seite 270]
8.3.2 - 6.3.2 Die unterschiedlichen Bereiche eines SDL [Seite 272]
8.3.3 - 6.3.3 Quellen und Ladearten [Seite 272]
8.3.4 - 6.3.4 Raw Zone [Seite 273]
8.3.5 - 6.3.5 Ingestion Zone [Seite 273]
8.3.6 - 6.3.6 Discovery und Sandbox [Seite 273]
8.3.7 - 6.3.7 Integration [Seite 274]
8.3.8 - 6.3.8 Serving [Seite 275]
8.3.9 - 6.3.9 Associated Processes [Seite 275]
8.3.10 - 6.3.10 Access und Application [Seite 276]
8.4 - 6.4 Aufbau eines Data Lakes [Seite 276]
8.4.1 - 6.4.1 Think Big - Start Small - Act Now [Seite 276]
8.4.2 - 6.4.2 Vision, Ziele und Standortbestimmung [Seite 277]
8.4.3 - 6.4.3 Konzeption des Data Lakes [Seite 277]
8.4.4 - 6.4.4 Implementierung der Basisumgebung [Seite 278]
8.4.5 - 6.4.5 Data Lake Ramp-up - Use Case Driven [Seite 278]
8.4.6 - 6.4.6 Industrialisierung - die betriebsfokussierte Datenfabrik [Seite 279]
8.5 - 6.5 Cloud-Computing und Services [Seite 280]
8.5.1 - 6.5.1 Die Cloud-Ausbaustufen - Everything as a Service [Seite 281]
8.5.2 - 6.5.2 Offene Ökosysteme [Seite 282]
8.5.3 - 6.5.3 Der Data Lake in der Cloud [Seite 283]
8.6 - 6.6 Big Data, Data Mining und Artificial Intelligence [Seite 285]
8.6.1 - 6.6.1 Analytic Data Hub [Seite 286]
8.6.2 - 6.6.2 Data-Science- und Data-Mining-Plattformen [Seite 287]
9 - 7 Die Anwendersicht - Systematik für industrielle Anwendungen [Seite 296]
9.1 - 7.1 Aufgabenstellung und Zielsetzung [Seite 296]
9.1.1 - 7.1.1 Datengetriebene Identifikation von Aufgabenstellungen [Seite 296]
9.1.2 - 7.1.2 "Produktgetriebene" Identifikation [Seite 297]
9.1.3 - 7.1.3 Geschäftsorientierte Identifikation von Aufgabenstellungen [Seite 297]
9.1.3.1 - 7.1.3.1 Reduktion von Kosten, Verlusten, Verschwendungen [Seite 300]
9.1.3.2 - 7.1.3.2 Erhöhung operativer Performance [Seite 301]
9.1.3.3 - 7.1.3.3 Ergebnisverbesserung funktionaler Prozesse [Seite 302]
9.2 - 7.2 Vorgehensmethodik [Seite 303]
9.2.1 - 7.2.1 Workshop zur Ideenfindung und Datenanalyse [Seite 306]
9.2.1.1 - 7.2.1.1 Design-Thinking-Workshop [Seite 306]
9.2.1.2 - 7.2.1.2 Wertschöpfungsschritte [Seite 307]
9.2.1.3 - 7.2.1.3 Perspektiven [Seite 308]
9.2.1.4 - 7.2.1.4 Schmerzpunkte und Mehrwerte [Seite 309]
9.2.1.5 - 7.2.1.5 Erzeugen des Mehrwertes [Seite 309]
9.2.1.6 - 7.2.1.6 Geschäftsmodell [Seite 311]
9.2.1.7 - 7.2.1.7 Anwendungen und Lösungsansätze identifizieren [Seite 313]
9.2.2 - 7.2.2 Hackathons als alternative Möglichkeit der Lösungsfindung und Pilotierung [Seite 314]
9.2.3 - 7.2.3 Aufsetzen konkreter Aufgabenstellungen [Seite 316]
9.2.3.1 - 7.2.3.1 Definition der Aufgabenstellung [Seite 316]
9.2.3.2 - 7.2.3.2 Modellauswahl [Seite 317]
9.2.3.3 - 7.2.3.3 Beauftragung von Dienstleistern [Seite 318]
9.2.4 - 7.2.4 Explorations- und Umsetzungsphase eines Use Case [Seite 319]
9.2.4.1 - 7.2.4.1 Sichtung der Daten [Seite 319]
9.2.4.2 - 7.2.4.2 Bestimmung der sensitiven Eingangsgrößen [Seite 325]
9.2.4.3 - 7.2.4.3 Modellierung und Ergebnisbewertung [Seite 332]
9.2.4.4 - 7.2.4.4 Die Königsklasse: Vektorielle Optimierung eines Use Case [Seite 333]
9.2.5 - 7.2.5 Auswertung und Detailkonzept, Applikationserstellung und Implementierung [Seite 338]
10 - 8 Die Anwendersicht - typische Anwendungsfelder am konkreten Beispiel [Seite 344]
10.1 - 8.1 Anwendungen in den Geschäftsfunktionen [Seite 347]
10.1.1 - 8.1.1 Forschung und Entwicklung [Seite 347]
10.1.2 - 8.1.2 Engineering [Seite 350]
10.1.3 - 8.1.3 Produktmanagement [Seite 351]
10.1.4 - 8.1.4 Einkauf, Supply Chain Management, Logistik [Seite 353]
10.1.5 - 8.1.5 Fertigung und Produktion [Seite 355]
10.1.6 - 8.1.6 Qualitätsmanagement [Seite 357]
10.1.7 - 8.1.7 Service und Instandhaltung [Seite 359]
10.1.8 - 8.1.8 Service und After Market [Seite 361]
10.1.9 - 8.1.9 Marketing und Vertrieb [Seite 364]
10.2 - 8.2 Ausgewählte Data-Mining- und Big-Data-Beispiele [Seite 367]
10.2.1 - 8.2.1 Forschung, Entwicklung und Engineering [Seite 368]
10.2.1.1 - 8.2.1.1 Beschleunigung einer Produktentwicklung [Seite 368]
10.2.2 - 8.2.2 Einkauf [Seite 375]
10.2.2.1 - 8.2.2.1 Spend Cube [Seite 377]
10.2.2.2 - 8.2.2.2 Bündelung [Seite 380]
10.2.2.3 - 8.2.2.3 Spezifikations- und Kostenhebel [Seite 383]
10.2.3 - 8.2.3 Produktion, Fertigung und Service [Seite 387]
10.2.3.1 - 8.2.3.1 Störungsanalysen [Seite 387]
10.2.3.2 - 8.2.3.2 Instabilitätsanalysen in einem Klärwerk [Seite 389]
10.2.3.3 - 8.2.3.3 Fehlerdetektion in einem Kraftwerk [Seite 398]
10.2.3.4 - 8.2.3.4 Analyse der Dynamik von chemischen Batchprozessen [Seite 407]
10.2.4 - 8.2.4 Instandhaltung und Service [Seite 411]
10.2.4.1 - 8.2.4.1 Aufbau einer Datenbasis für erweiterte Analysen und Monitoring von Industrieanlagen [Seite 411]
10.2.4.2 - 8.2.4.2 Erweiterung eines digitalen Zwillings um Maschinendaten und Strompreisdaten im Bereich Windenergie [Seite 413]
10.2.5 - 8.2.5 Marketing und Vertrieb [Seite 415]
10.2.5.1 - 8.2.5.1 Cross-Selling-Effekte mit Data Mining finden [Seite 415]
10.2.5.2 - 8.2.5.2 Cross-Selling-Analysen mit Big-Data-Technologien beschleunigen [Seite 422]
10.2.5.3 - 8.2.5.3 Optimale Preisschwellen mit Data Mining aufspüren [Seite 424]
10.2.6 - 8.2.6 Data Mining für die strategische Unternehmensführung [Seite 429]
11 - 9 Small Data gehört die Zukunft [Seite 438]
11.1 - 9.1 Einführung in die Thematik [Seite 438]
11.2 - 9.2 Charakteristik von Small Data [Seite 440]
11.3 - 9.3 Machine Learning versus menschlicher Geist - die Mind-Data-Hypothese [Seite 445]
11.4 - 9.4 Bewusstsein als übergeordnete Ordnungsstruktur neuronaler Systeme [Seite 448]
11.5 - 9.5 Mind-Data-Auswertungen mit maschinellem Bewusstsein [Seite 459]
12 - 10 Ausblick und mögliche Weiterentwicklungen von Data Mining und Big Data [Seite 468]
13 - 11 Liste der häufig verwendeten Formelzeichen und Symbole [Seite 474]
14 - 12 Literaturverzeichnis [Seite 478]
15 - 13 Autoren [Seite 488]
16 - Index [Seite 490]