| dc.contributor.author | Wieland, Uwe | |
| dc.contributor.author | Fischer, Marco | |
| dc.contributor.author | Hilbert, Andreas | |
| dc.date | 2013-10-01 | |
| dc.date.accessioned | 2018-01-16T12:16:43Z | |
| dc.date.available | 2018-01-16T12:16:43Z | |
| dc.date.issued | 2013 | |
| dc.identifier.issn | 2198-2775 | |
| dc.identifier.uri | http://dl.gi.de/handle/20.500.12116/14135 | |
| dc.description.abstract | Erklärungsmodelle dienen der Abbildung existierender Systeme, um Wissen über ein System zu erhalten. Six Sigma und Data Mining sind jeweils etablierte Ansätze zur Identifikation von Erklärungsmodellen in Form von Ursache-WirkungsBeziehungen. Während sich Six Sigma bei der Analyse auf menschliches Erfahrungswissen stützt, bieten Verfahren des Data Mining die Möglichkeit, nicht triviale Zusammenhänge zwischen Einfluss- und Prozessergebnisgrößen aus maschinengenerierten Prozessdaten zu ermitteln. Eine Integration beider Ansätze besitzt das Potenzial, Erklärungsmodelle zur Beherrschung und Verbesserung komplexer Prozesse in soziotechnischen Systemen zu schaffen. | |
| dc.publisher | Springer | |
| dc.relation.ispartof | HMD Praxis der Wirtschaftsinformatik: Vol. 50, No. 6 | |
| dc.relation.ispartofseries | HMD Praxis der Wirtschaftsinformatik | |
| dc.title | Menschliches Expertenwissen und Prozessdaten im Verbund | |
| dc.type | Text/Journal Article | |
| mci.reference.pages | 66-75 | |
| gi.identifier.doi | 10.1007/BF03342070 | |