http://dl.gi.de/handle/20.500.12116/13048 Sat, 25 Jul 2026 06:02:35 GMT 2026-07-25T06:02:35Z http://dl.gi.de/handle/20.500.12116/14532 Vorschau Lassnig, Markus; Reich, Siegfried; Hengartner, Urs; Meier, Andreas; Hildebrand, Knut; Meinhardt, Stefan; Hofmann, Josephine; Gómez, Jorge Marx; Strahringer, Susanne; Teuteberg, Frank; Fröschle, Hans-Peter; Reinheimer, Stefan; Rehrl, Karl Thu, 01 Jan 2009 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/14532 2009-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/14533 Web + Data Mining = Web Mining Stoffel, Kilian Dieser Beitrag gibt eine kurze Beschreibung, was unter dem Begriff Web Mining zu verstehen ist und wie Webdaten mit gängigen Data-Mining-Techniken kombiniert werden können, um das Web besser als Informationsquelle nutzbar zu machen. Des Weiteren wird ein Überblick über die gängigen Hauptachsen gegeben, entlang derer die meisten aktuellen Entwicklungen stattfinden. Diese Ausführungen werden mit einem Ausblick auf mögliche zukünftige Entwicklungen abgeschlossen, die vor allem durch die neusten Trends in der Benutzung des World Wide Web vorgezeichnet sind. Thu, 01 Jan 2009 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/14533 2009-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/14525 Opinion Mining im Web 2.0 — Konzept und Fallbeispiel Kaiser, Carolin Das Internet wandelt sich zunehmend von einer statischen zu einer interaktiven Plattform. Kundendiskussionen im Web 2.0 stellen für Unternehmen eine reichhaltige Informationsquelle dar. Eine manuelle Analyse des Web 2.0 ist jedoch zeitaufwendig. In diesem Beitrag wird ein Opinion-Mining-Konzept vorgestellt, das durch den Einsatz von Text Mining eine automatisierte Extraktion, Aggregation und Analyse von Kundenmeinungen zu Produkten erlaubt. Somit können Stärken und Schwächen von Produkten erkannt und Ansatzpunkte für die Produktgestaltung und Verkaufsförderung gewonnen werden. Anwendung und Nutzen des Konzeptes werden an einem Fallbeispiel der Automobilbranche aufgezeigt. Thu, 01 Jan 2009 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/14525 2009-01-01T00:00:00Z http://dl.gi.de/handle/20.500.12116/14522 Unscharfe Klassifikation von Webkennzahlen Zumstein, Darius; Hugi, Patrik Das Customer Relationship Management braucht Methoden und Kennzahlen, um Website-Besucher und Onlinekunden sowie deren Wert für das eBusiness zu klassifizieren und zu bewerten.In der Praxis weitverbreitete Kundenbewer-tungs- und Segmentierungsmethoden sind Scoring-Modelle. Ein Problem solcher Heuristiken besteht darin, dass Kundenstrategien anhand von trennscharfen Klassen und Scores definiert werden. Aufgrund scharfer Klassen können Klassifikationsfehler auftreten, Kunden falsch bewertet und das Marketingbudget bei der Kundenansprache oder beim Kundenmanagement suboptimal eingesetzt werden.Dieser Beitrag schlägt eine unscharfe Scoring-Methode vor, konkret ein unscharfes eRFM-Modell. Die Werte der Variablen Recency, Frequency und Monetary Value sind einfach zu erfassen und dank der unscharfen Klassifikation genauer zu segmentieren als bei trennscharfer Klassifikation.Dies wird anhand einer Simulation und einer Fallstudie eines Unternehmens im Online-Detailhandel gezeigt. Thu, 01 Jan 2009 00:00:00 GMT http://dl.gi.de/handle/20.500.12116/14522 2009-01-01T00:00:00Z