Digital Marketing BB
Apply Icon
Jetzt
Bewerben

CRM & Information Mining I*

Niveau der Lehrveranstaltung/des Moduls laut Lehrplan

2. Studienzyklus Master

Lernergebnisse der Lehrveranstaltung/des Moduls

Die Studierenden besitzen detaillierte Kenntnisse über grundlegende Techniken, Aufgaben und Einsatzgebiete eines Data-Warehouse Systems und deren Auswirkung bzw. Verwendung im Bereich des Information Minings
(mit einem Fokus auf die Teilgebiete des Data, Web und Social Minings).
Die Studierenden verfügen über fundiertes Wissen zur Vermittlung von Faktenwissen, kennen deren multidimensionalen Modellierungsmöglichkeiten, sowie die unterschiedlichen Speicherungsarten (ROLAP, MOLAP) und Optimierungskomponenten
(u.a. multidimensionale Indexsysteme).

Voraussetzungen laut Lehrplan

Web-Basiswissen

Lehrinhalte

In der Vorlesung werden grundlegende Themen im Bereich der Data-Warehouse-Systeme und dem Information Mining (Data/Web/Social/Content) gelehrt.
Dazu gehören folgende Schwerpunkte untergliedert in die beiden Hauptgebiete:Data-Warehouse Systeme: Vermittlung von Faktenwissen und Inhaltskompetenz; Architektur und Aufbau von Data Warehouses; Unterschied zwischen transaktionellen Daten und Datenanaylse;
Grundlegende Kenntnisse der multidimensionalen und der praktischen Datenmodellierung (Star-Schema, Snowflake Schema, usw., plus Auswahl des richtigen Modells); Grundlagen des ETL Prozesses; OLAP Operationen und graphische Modellierung mit verschiedenen
Datenmodellen, z.B. M-ER Speicherung multidimensionaler Daten: ROLAP (relationale) versus MOLAP (multidimensionale Variante); Indexstrukturen für Data Warehouses: Multidimensionale Indexstrukturen und deren Optimierungsmöglichkeiten: Star Joins und Partitionierung,
Optimierung von OLAP OperationenInformation Mining: Grundlegende Prinzipien des Information Mining (Statistik, Machine Learning und Datenbanksysteme); Datenstrukturen für Data Mining und KDD; Clustering: Hierarchisches Cluster, k-Means, DBSCAN; grundlegende Techniken
(Assoziationsregeln (A-Priori Algorithmus, usw.), Klassifikation (Naive Bayes, usw.,), Regression, usw.); Support Vector Machines; Decision Trees; Maschinelles Lernen in der Praxis; Zeitreihen; Anwendung der Techniken und Methoden im Text, Daten, Web, und Social-Web Umfeld;
Anwendungen für Data Mining Konzepte (z.B. bei der Preisgestaltung von Billigflügen, der Kalkulation von Versicherungsbeiträgen, Kreditentscheidungen und im Marketing, usw.).

empfohlene Fachliteratur

Bauer, A. / Günzel, H. (2001): Data-Warehouse-Systeme : Architektur, Entwicklung, Anwendung. dpunkt-Verlag
Lehner, W. (2003): Datenbanktechnologie für Data-Warehouse-Systeme : Konzepte und Methoden. Dpunkt
Witten, I. / Eibe, F. (2001): Data Mining: praktische Werkzeuge und Techniken für das maschinelle Lernen. Hanser

Bewertungsmethoden und -kriterien

Lehrveranstaltungsabschließende Prüfung

Unterrichtssprache

Deutsch

Anzahl der zugewiesenen ECTS-Credits

5

geplante Lehr- und Lernmethoden

Integrierte Lehrveranstaltung, Case Studies, Diskussionen, Gruppenarbeiten

Semester/Trimester, in dem die Lehrveranstaltung/das Modul angeboten wird

2

Name des/der Vortragenden

Dr. Michael Kohlegger

Studienjahr

1. Studienjahr

empfohlene optionale Programmeinheiten

keine Angaben

Kennzahl der Lehrveranstaltungen/des Moduls

VT.CRM.1

Art der Lehrveranstaltung/des Moduls

Pflichtfach (Integrierte Lehrveranstaltung)

Art der Lehrveranstaltung

Präsenzveranstaltung

Praktikum/Praktika

nicht zutreffend