CIM Seminar - km.aifb.kit.edukm.aifb.kit.edu/ws/kmtutorial/wissensdatenbanken/... · 1. Architektur einer Wissensdatenbank Inhalt – Dimensionen einer Wissensdatenbank – Komponenten

© S. Staab, A. Maedche, 2001

CIM Seminar

Wissensdatenbanken

Dr. Steffen Staab Alexander Mädche

Universität Karlsruhe (TH)

Institut AIFB

FG Wissensmanagementhttp://www.aifb.uni-karlsruhe.de/WBS

Forschungszentrum Informatik FZI

Wissensmanagement WIM,

Karlsruhehttp://www.fzi.de/wim

http://www.ontoprise.de

mailto:[email protected] mailto:[email protected]

© S. Staab, A. Maedche, 2001Folie 2

Agenda

1. Architektur einer Wissensdatenbank

– Dimensionen einer Wissensdatenbank

– Komponenten einer Wissensdatenbank

– Kernprozesse einer Wissensdatenbank

2. Aufbau und Instandhaltung einer Wissensdatenbank

– Ziele einer Wissensdatenbank

– Methodologie / Prozess der Einführung einer Wissensdatenbank

– Wiederverwendung existierender Wissensquellen

– Aufbau von Begriffsstrukturen (Terminologien, Thesauri, etc.)

– Technische Grundlagen


Agenda

3. Anwendung von Wissensdatenbanken und Einbettung in Prozesse

– Generierung von Wissen

– Strukturieren von Wissen

– Wiederfinden von Wissen

– Nutzen von Wissen

4. Business Intelligence

– Der Business Intelligence Prozeß

– OLAP – Explorative Wissens- und Ideengenerierung

– Wissensvisualisierung

– Data Mining / Knowledge Discovery

Die vier Abschnitte werden mit verschiedenen IT Techniken

(Information Retrieval, Fallbasiertes Schließen, Begriffliche

Wissensmanagementsysteme) illustriert.





Inhalt





Datenbank versus Wissensdatenbank

Datenbank

• (typischerweise) strukturiert

• Schema anfragbar, aber

separat von den Daten

Wissensdatenbank

• Viele unstrukturierte und

semi-strukturierte Daten

• „Schema“ ist selbst Teil der

Daten

Gemeinsamkeiten

• Typische WDBs bauen auf konventionellen DBs auf

• Viele ähnliche Probleme (Konsistenz, Duplikate, Warehousing,....)


Dimensionen des Wissensmanagement

DatenDaten KontextKontext

ProzesseProzesseKulturKultur

BedeutungBedeutung

WDBS

explizites

Wissen

implizites

Wissen


WM & Wissensdatenbanken

• Wissensdatenbanksysteme (WDBS) stellen Mechanismen zur Speicherung von

– Daten (1. Quadrant) und

– Kontexten (2. Quadrant)

bereit. Sowohl Daten als auch Kontexte können auf unterschiedlichen Granularitätsniveaus auftreten

• Auf Wissensdatenbanksysteme greifen zu

– Wissensintensive Geschäftsprozesse

– Business Intelligence Applikationen

– ...


Dimensionen einer Wissensdatenbank

• Wissensdatenbanken verwenden ein weites

Spektrum von Technologien der Informationstechnik

• Die verwendeten Technologien und die investierte

Man-Power reflektieren die Qualität der Inhalte einer

Wissensdatenbank

• Beim Aufbau einer Wissensdatenbank ist generell ein

Trade-Off zu machen zwischen

Investierter

Man-Power

Qualität der

Inhaltevs.


Spektrum Wissensdatenbanken

Information Retrieval

System

Relationale

Datenbanken

Data

Warehouse

Semi-strukturierte

Datenbanken

Dokumenten-

managementsystem

WissensbasenFeine

Granularität

Grobe

Granularität

strukturiert

dokumentebene


Schemata in Wissensdatenbanken

• Zusätzlich zur Granularität der Daten spielt das

definierte Schema (oder auch der Kontext) der

Wissensdatenbank eine wesentliche Rolle

• Unterschiedliche Typen von Schemata:

• ER-Modelle

• Thesauri

• Begriffsnetze /

Semantische Netze

• Ontologien

• Document Type Definitions

SemantikSyntax


Dimensionen

‘‘Modellierung“

‘‘W-DB-Technik“

HR TopicBroker

Proper

[Ontobroker]

IR System

Dok.man.

system

Rel. DB

DWh

Inhalt

viel

Dokument

keine


Szenario I: HR TopicBroker

• Unterstützung für HR Management -

7 wichtige Themen

• Lokation aktueller und neuer Schlagworte

und Themen

• Intranet/WWW-basierter Yellow Page

Mechanismus auf begrifflicher Ebene

• Aufbau einer intranetbasierten Wissensbasis


Szenario II: Proper

• Basisdaten:

• Profilinformation aus relationaler Datenbank

(Mitarbeiter und Bewerber) und semantische

Annotation von Projektberichten

• Ontologie mit

• Begriffe, Relationen zwischen Begriffen und

Regeln, z.B.:

“If a programmer worked for a project, in which a specific

programming language has been used, than this programmer

has at least some experience with the programming language.”



Inhalt





Komponenten einer Wissensdatenbank

• Grobe Zerlegung in Analogie zu klassischen

Datenbanken:

– WDBS = WDB + WDMS

• Ein Wissensdatenbanksystem setzt sich aus der

Wissensdatenbank und dem Wissensdatenbank-

management zusammen.


Komponenten: Grobaufbau eines Datenbank-

systems

• Analogie zu Datenbanksystemen:


Komponenten: Grobaufbau eines Data

Warehouse

Legacy Data

DWh - Kern

Klienten


Komponenten: Grobaufbau eines WDB

Architektur

Legacy Data

WDBS

Klienten

L1

L2

Repository

1

Repository

2

Konnektoren/

Migratoren

AnfragebearbeitungWDBMS

WDB

Verwaltung

Entwicklung / Anwendung


Komponenten: Grobaufbau eines WDBS

=> Keine Trennung von Schema & Daten!

Repository

1

Repository

2

Konnektoren/

Migratoren

Anfragebearbeitung

WDBMS

WDB

Verwaltung



Inhalt





Knowledge Management

Wissens-

identifikation

Wissens-

erwerb

Wissens-

strukturierung

Wissens-

nutzung

Wissens-

bewahrung

Wissens-

(ver)teilung

Feedback Wissensziele: Bestimme Ziele für WM Aktivitäten

Wissensidentifikation: Übersicht über internes

und externes Wissen

Wissenserwerb: Schulungen, „Einkauf“, F&E

Wissensstrukturierung: Strukturierung und

Integration von Wissen

Wissensverteilung: Verteilung/Kommunikation

von Wissen im Unternehmen

Wissensnutzung: produktive (Aus-)Nutzung von

Wissen (Patente, nachfolgende Maßnahmen)

Wissensbewahrung: Speichern und Bewahren

von relevantem Wissen und Erfahrungen

Wissensbewertung: Controlling des

Wissensmanagementprozesses

Angelehnt an [Probst et al. 1999]

WissenszieleWissens-

bewertung

Bausteine des Wissensmanagements


Wissensprozesse & Wissensmetaprozesse

Knowledge Meta Process

Knowledge Process

Konzeption, Realisierung und Wartung der WDB

Arbeiten mit der WDB


Kernprozessschritte beim Aufbau einer

Wissensdatenbank

• Modellierung

• Installation der Wissens-DB Kernkomponenten

• Integration Legacy Daten

• Initiales Starten der WissensDB

• Maintenance

=> Abschnitt 2


Kernprozessschritte beim Betreiben einer WDB

• Wissen erzeugen

• Erfassen

• Organisieren

• Finden

• Nutzen

=> Abschnitt 3 und Abschnitt 4


2. Aufbau und Instandhaltung einer

Wissensdatenbank


Inhalte

– Ziele einer Wissensdatenbank

– Methodologie / Prozeß der Einführung einer

Wissensdatenbank

– Wiederverwendung existierender

Wissensquellen

– Aufbau von Begriffsstrukturen

(Terminologien, Thesauri, etc.)


Richtlinien für Management und Methodik

•Identifikation: Wissensbedarf,

Möglichkeiten, Engstellen,

Einsatzgebiete

•Zielgeleitete Konstruktion und

Validierung von semantischen

Modellen (Ontologien...)

• Benutzerzentrierte Einführung von

WDBMS und Werkzeugen

•Wartung und CPI (Continuous

Process Improvement)

•Kontextorientierte

Anforderungen an WDBMS

•Zielorientierung innerhalb

Organisation

•Wissensbereitstellung und

–abfrage statt

Informationoverload

•WDBMS bleibt erfolgreich

im Einsatz


Kontextmodellierung durch Machbarkeitsstudie

Machbarkeitsstudie

Identifikation von Problemen und

günstigen Gelegenheiten und

Lösungsmöglichkeiten innerhalb

einer übergeordneten

organisatorischen Perspektive.

Entscheidung über

wirtschaftliche, soziologische und

technische Projektdurchführbar-

keit –

Auswahl der vielver-

sprechendsten Zielgebiete und –

lösungen (Quick Win!)

Betroffene

Personen

Entscheidung

für Anwendung

Kerngebiet der

Ontologie-

entwicklung

Quelle für WM

Prozesse

Personen

Wissens-

repoirtoire

Prozesse


OM-1

Checklist:

Probleme,

Lösungen,

Kontext

OM-2

Checklist:

Beschrei-bung

Organisat.

Fokus

Ver-

feinern

OM-5

Checklist:

Beurteile

Mach-

barkeit

(Entscheid

ungsdok.)

OM-4

Checklist:

Wissens-

reportoire

(assets)

OM-3

Checklist:

Prozess-

beschrei-

bung Inte-

griere

TM-1

Checklist:

Aufgaben

analyse

[wenn

unmöglich]

Stop

TM-2

Checklist:

Analyse

Wissens-

objekte

AM-1

Checklist:

Modell

der

Akteure

Fertige Kontextanalyse

[wenn

realisierbar]

TM-2

worksheet

knowledge item

analysis

TM-2

worksheet

knowledge item

analysis

TM-2

worksheet

knowledge item

analysis

Fokus für

Entwicklung

von

Ontologie

GUI

Auswahl von

Werkzeugen

CommonKADS – Roadmap für die Einführung

eines WDBMS

Entscheidungsdokum

ent


Konzeption klassischer Informationssysteme

Entwurf

Implementierung


Konzeption von WM-Systemen

Entwurf

Implementierung

WM

SzenarioEx. Daten

Kontext-Modellierung

Formale Repräsentation des

Kontextes

Initialisierung der Wissensdatenbank

mit Kontext & Ex. Daten

Anbindung der Wissensdatenbank

an WM Szenario

Anwendung


Ontologieentwicklung für eine WDB

Kickoff Verfeinerung

Ontologie

Evaluation Wartung

•Anforderungs-

spezifikation

(ORS)

•Analysiere

Quellen

•Baue Lexikon /

Glossar

•Erhebung von

Begriffen mit

Experten

•Begriffsbildung

und -

formalisierung

•Konkretisiere

Relationen und

Regeln

•Revidiere und

erweitere

nach

Feedback

•Analysiere

Benutzung

•Analysiere

Kompetenz-

fragen

•Verwalte

organisa-

torischen

Wartungs-

prozess


Ontologie

Kickoff


Ontologie

Kickoff


Top-Down vs. Bottom-Up

• Das Schema für die Wissensdatenbank kann top-

down oder bottom-up erstellt werden:

• Top-down: von der Anwendung & Experten

• Bottom-up: von den existierenden Daten und

Systemen

• In realen Anwendungen hat sich eine gemischte

Strategie als erfolgreich erwiesen.




Ontologie

Evaluation Wartung

•Anforderungs-

spezifikation

(ORS)

•Analysiere

Quellen

•Entwickle

grundlegende

Taxonomie

•Erhebung von

Begriffen mit

Experten

•Begriffsbildung

und -

formalisierung

•Konkretisiere

Relationen und

Regeln

•Revidiere und

erweitere

nach

Feedback

•Analysiere

Benutzung

•Analysiere

Kompetenz-

fragen

•Verwalte

organisa-

torischen

Wartungs-

prozess


Formalisiere Ontologie - OntoEdit




Ontologie

Evaluation Wartung

•Anforderungs-

spezifikation

(ORS)

•Analysiere

Quellen

•Entwickle

grundlegende

Taxonomie

•Erhebung von

Begriffen mit

Experten

•Begriffsbildung

und -

formalisierung

•Konkretisiere

Relationen und

Regeln

•Revidiere und

erweitere

nach

Feedback

•Analysiere

Benutzung

•Analysiere

Kompetenz-

fragen

•Verwalte

organisa-

torischen

Wartungs-

prozess


Vom Wissensbaustein zur Technikauswahl

Wissensbausteine

Ziele

Wissensidentifikation

Erwerb

Strukturierung

Nutzung

Bewahrung

(Ver-)Teilung

Bewertung

Informations/Daten

-management

Eingabe

Pflege

Verarbeitung

Integration

Suche

Nutzung

Welcher Inhalt?

Intelligente Techniken

für WDBM

Information Retrieval &

Extraktion

Visualisierung

Fallbasiertes Schließen

Ontologiebasiertes WM

Business Intelligence

Welcher Kontext?


Entwickle möglichst frühzeitig Prototyp!!

Traue niemandem außer den Nutzern Deines

Systems!!




Ontologie

Evaluation Wartung

•Anforderungs-

spezifikation

(ORS)

•Analysiere

Quellen

•Entwickle

grundlegende

Taxonomie

•Erhebung von

Begriffen mit

Experten

•Begriffsbildung

und -

formalisierung

•Konkretisiere

Relationen und

Regeln

•Revidiere und

erweitere

nach

Feedback

•Analysiere

Benutzung

•Analysiere

Kompetenz-

fragen

•Verwalte

organisa-

torischen

Wartungs-

prozess


Beispiel: Customer Care – Siemens Automation

and Drive

http://www4.ad.siemens.de/support/index.asp (nach Lenz 1998)

Wartung der Ontologie:

• Ca. ein halber Manntag pro Monat

• Kundenvorschläge werden berücksichtigt

• Gestellte Fragen werden berücksichtigt

Z.B. Kunde fragt „Wieso klemmt der Schekel?“

System: „Bitte beschreiben Sie das Wort Schekel.“

-> Feedback an Wissensmanager


Das Bootstrapping - Problem

WDBS

L1


Füllen einer Wissensdatenbank

• Der Aufbau einer Wissensdatenbank geschieht

typischerweise nicht „from scratch“.=> Einbeziehung von Legacy Systemen!

• Die Konzeption einer Wissensdatenbank wird durch

Anwendungsgebiete ‘‘getriggert‘‘.

• Wissensdatenbanken wachsen idealerweise durch

ihre Anwendung (siehe TopicBroker)


Initialisierung der Wissens-DB

• Im schlechtesten Fall kann auf keine existierende Daten zurückgegriffen werden

• Typischerweise existieren relevante Daten (z.B. Profilinformationen bei Proper Anwendung)

• Im einfachsten Fall startet die Wissensdatenbank mit einem Dokumentenindex (vgl. Topicbroker)

• Wichtig: Eine Initialisierung der Wissens-DB erhöht die Gesamtqualität und schafft Anreize zur Erweiterung


Lessons Learned

1. Vermittle dem Benutzer die Bedeutung von

Wissensstrukturierung (Ontologie, Thesaurus,...)!

2. Zeige den Nutzen konkret an einem (eventuell rein

graphischen) Prototypen auf!

3. Modelliere genau – aber gebe dem Benutzer auch ungenaue

Sichten in die Hand!

4. Plane einen Instandhaltungsprozess unter Beteiligung eines

„Wissensmanagers“!

5. Plane die „Befüllung“, die die WDB interessant macht!

6. Suche nach dem Quick Win!


3. Anwendung von Wissensdatenbanken

und Einbettung in Prozesse


Inhalte

– Generierung von Wissen

– Strukturieren von Wissen

– Wiederfinden von Wissen

– Nutzen von Wissen


Benutze

Organisiere

Finde

Erfasse

Wissensprozess

KreiereImportiere /

LinkeFact B

Fact C

Fact E

Fact A

Fact D


Abfragen von Wissen

• Kontext über die Ontologie

• Generalisiere / verfeinere via Ontologie

• Matching von Abfragen mit Begriffen aus

der Ontologie

• Vordefinierte Abfragen an die WDB

?

? ??

?

?


Beispiel: Vordefinierte Abfragen


Ontologie als Landkarte

• Navigation via Ontologie

• Individuelle Sichten auf Wissen

• Dynamische Sichten auf Wissen

• Vordefinierte Abfragen


Beispiel: Orientierung durch die Ontologie


Beispiel: Dynamische Sichten auf Wissen


Community zum Teilen von Wissen

• Organisatorische Maßnahmen

• Die Entwicklungsmethodik erfaßt

die Bedürfnisse der Benutzer und

berücksichtigt sie bei der

Erstellung der Anwendung

• Eingebettet in tägliche

Arbeitsumgebung


Einbettung in Arbeitsumgebung –

Beispielarchitektur

Annotated Document

Templates

MS ppt

Adobe

Frame-

maker

MS

Word

Lotus

Notes

Work Document

XML

Structure

partially

filled

Smart Task Control

Views

ONTOLOGY

Archive

of Annotated

Documents

MS ppt

Adobe

Frame-

maker

MS

Word

Lotus

NotesOntobroker

CrawlerFacts in

Database

Inference

Engine


Einbettung in Arbeitsumgebung –

Praktisches Beispiel

Großer Mehrwert

durch einfache

Dinge:

Gemeinsame

Adressverwaltung

!!!!!


Case Study I: HR TopicBroker

• Unterstützung zur HR Strategieentwicklung -

7 Challenges

• Lokation aktueller und neuer Schlagworte

und Themen

• Intranet/WWW-basierter Yellow Page

Mechanismus auf begrifflicher Ebene

• Aufbau einer intranetbasierten Wissensbasis


HR TopicBroker – Verwendete Techniken

• Ontologie mit Begriffe und Relationen zwischen

Begriffen; Zusätzlich Auflösung von Synonymen

• Information Retrieval + Ontologie-fokussiertes

Crawling

• “Gemischte” Techniken für Wissensdatenbank:

• Begriffs-Dokumentindex

• Wissensbasis für manuelle Einträge


HR TopicBroker Ontologie


HR TopicBroker – Architektur

Ontologie-

Fokussierter

Crawler

HR

Topic

Broker

GUI

Links relevanter

Dokumente und

Wissensdatenbank-

Anbindung

Web

Ontologie-gestützte

Indexierung der

Dokumente und

Gewichtung mit

Relevanzmaß

Dok.index

Repository

ZOPE WebApplication Server

Ontologie

Lexikon


Running Example: HR TopicBroker






Case Study II: Proper

• Ontologie mit

• Begriffe, Relationen zwischen Begriffen und

Regeln, z.B.:

“If a programmer worked for a project, in which a specific

programming language has been used, than this programmer

has at least some experience with the programming language.”

• Basisdaten:

• Profilinformation aus relationaler Datenbanken

und semantische Annotation von

Projektberichten


Case Study II: Ontologie

• …

• Screenshot of OntoEdit


Case Study II: Architecture

Annotation

& Crawling

Inference

Engine

Ontology

Profile

DB

Web

Server

Browser

Browser

Matching

Internet:

Applicant sends application.

Intranet:

Employee gives annotated

entries (project reports ..)

Employee provides profile.

Employee searches for

experts.

HR Manager wants to fill

vacant positions.

Employee gives annotated

entries (project reports ..)

Templates &

Documents

Templates &

Documents


Case Study II: Screenshot


4. Business Intelligence


Inhalte


– OLAP – Explorative Wissens- und

Ideengenerierung




Business Intelligence Prozeß

• Der BI Prozeß setzt sich aus mehreren Schritten

zusammen:

• Business & Data Understanding

• Data Preparation

• Modeling

• Evaluation

• Deployment

• Der BI Prozeß ist interaktiv und iterativ

• Anwendung von BI benötigt Kenntnisse im Bereich

Datenanalyse, Datenbanken und der

Anwendungsdomäne


Business Intelligence Prozeß


Architektur


Data Mining von Datenakquisition zur Anwendung


BI – Erkenntnisse haben ihren Preis


Inhalte



Ideengenerierung




Einführung in OLAP

Wie gesehen, gibt es große Unterschiede zwischen

operativen Systemen und dem DWh

Entsprechend gibt es fundamentale Unterschiede auch

zwischen den jeweiligen Zugriffsarten auf diese

Datenquellen:

• OLAP = On-Line Analytical Processing benutzt DWh

• OLTP = On-Line Transaction Processing benutzt

operative Systeme


• den schnellen, interaktiven Zugriff auf Unternehmens-

daten

• unter „beliebigen“ unternehmensrelevanten Blickwinkeln

(Dimensionen)

• auf verschiedenen Aggregationsstufen

• mit verschiedenen Techniken der Visualisierung

• Hauptmerkmal ist die multi-dimensionale Sichtweise

auf Daten mit flexiblen interaktiven Aggregations-

bzw. Verfeinerungsfunktionen entlang einer oder

mehrerer Dimensionen.

Einführung in OLAP


• Mehrdimensionale Sichtweise auf Daten ist

sehr natürlich: Sichtweise der Analysten auf

Unternehmen ist mehrdimensional.

� Konzeptuelles Datenmodell sollte mehr-

dimensional sein, damit Analysten leicht

und intuitiv Zugang finden.

Multi-Dimensionalität


• Verkaufszahlen können nach unterschiedlichen

Kriterien / Dimensionen aggregiert und analysiert

werden:

• nach Produkt: Produkt, Produktkategorie,Industriezweig

• nach Region: Filiale, Stadt, Bundesland

• nach Zeit: Tag, Woche, Monat, Jahr

• nach verschiedenen Dimensionen des Käufers: Alter,

Geschlecht, Einkommen und nach beliebigen

Kombinationen von Dimensionen, z.B.nach

Produktkategorie, Stadt und Monat

Beispiel: Multi-Dimensionalität


Jede Kennzahl hängt von einer Menge von Dimensionen ab.

Diese bilden den Kontext der Kennzahlen.

• Beispiel: Die Verkaufszahlen (Kennzahl) hängen von den

Dimensionen Produkt, Region und Zeit ab.

• Die Dimensionen sind orthogonal (unabhängig).

• Sie definieren einen sog. Hyper-Würfel (hyber cube).

Zeit

Produkt

Regio

n

1 2 3 4 5 6 7Bayern

Baden-W

ürtemb.

Hessen

Rheinland-P

falz

Sachsen-A

nhalt

Orangensaft

Orangenlimo

Apfelsaft

Mineralwasser

sonstige

Cola

Milch

Dimensionen


• Bei der Analyse können beliebige Aggregationsstufen

visualisiert werden: Drill-Down bzw. Roll-Up-Operationen

• Bedingungen an Dimensionen, Attribute und Attribut-

elemente reduzierenDimensionalität der visualisierten

Daten: Slice & Dice - Operationen

• Analyse wird durch Vielzahl von Visualisierungs-

techniken unterstützt. Bedingungen werden interaktiv

gewählt (Buttons, Menüs, drag & drop).

OLAP Funktionalität


• Entlang der Attribut-Hierarchien werden die Daten

verdichtet bzw. wieder detailliert und sind so auf

verschiedenen Aggregationsstufen für Analysen

zugreifbar.

roll - up

Orangensaft

Orangenlimo

Apfelsaft

Mineralwasser

sonstige

Cola

Milch

1 2 3 4 5 6 7Bayern

Baden-W

ürtemb.

Hessen

Rheinland-P

falz

Sachsen-A

nhalt

drill - down

Coca-Cola

Pepsi-Cola

Afri-Cola

Kinder-Cola

...

1

.7

2

.7

3

.7

4

.7

5

.7

6

.7

7

.7

Nürnberg

Passau

Augsburg

Fürth

München

Hier: Gleichzeitige

Detaillierung aller Dimensionen

OLAP Funktionalität: Drill-Down / Roll-Up


• Bei dieser Operation wird die Dimensionalitätder visualisierten Daten reduziert.

• Zu einer Teilmenge der Dimensionen werden

Bedingungen formuliert.

• Alle Daten in der resultierenden Tabelle genügen

diesen Bedingungen.

• Slice & Dice entspricht dem Herausschneiden einer

Scheibe (slice) aus dem Hyper-Würfel. Nur diese

Scheibe wird weiterhin visualisiert.

OLAP Funktionalität: Slice & Dice


Lokation bestimmter atomarer und aggregierter

Werte im Hyper-Würfel:

=> Verkaufszahlen für Orangensaft in Bayern im Mai

a)

1 2 3 4 5 6 7

Bayern

Baden-W

ürtemb.

Hessen

Rheinland-P

falz

Sachsen-A

nhalt

Orangensaft

Orangenlimo

Apfelsaft

Mineralwasser

sonstige

Cola

Milch

Beispiel I:


Inhalte



Ideengenerierung




Visualisierung

• Visualisierung im Kontext Wissensdatenbanken kann

verwendet werden für:

• Explizite Präsentation von Wissensstrukturen zur

Anfrage („Ostensive Browsing“)

• Explorative Datenanalyse

• Bestätigende Analyse (ausgehend von einer

Hypothese)


Visualisierung

– Visualisierung kann interaktiv durchgeführt werden:

Kombination menschlicher Wahrnehmungsfähigkeiten

mit hoher Leistungsfähigkeit heutiger Rechner

– Visualisierungstechniken können in verschiedene

Klassen eingeteilt werden:

• Pixel-orientierte Techniken

• Geometrische Techniken

• Icon-basierte Techniken

• hierarchische Techniken

• Graph-basierte Techniken


Pixel-orientierte Techniken

• jeder Attributwert eines n-stelligen Datentupels wird als

ein farbiges Pixel repräsentiert

• die m Werte eines Datentupels werden auf m separate

Windows verteilt

• in jedemWindow werden die Attributwerte eines Datentupels

an derselben Stelle angezeigt


Beispiel: Pixel-orientierte Techniken


Geometrische Techniken

Projektion multidimensionaler Datenbestände auf 2-dimensionale Darstellungen: es existiert eine Vielzahl von Techniken (z.B. Hauptkomponentenanalyse, Faktoranalyse), hier parallele Koordinatentechnik

Idee:

– für n-dimensionale Datentupel werden n

äquidistante Achsen verwendet (1 Achse pro

Attribut)

– jede Achse wird entsprechend dem Wertebereich

des zugehörigen Attributs skaliert

– Datentupel wird als Polygon visualisiert

(Schnittpunkt mit Achse i repräsentiert Attributwert ai)


Geometrische Techniken

Abbildung 5: Parallele Koordinatentechnik (Keim/Kriegel 1996)


Todo!

Visualizing Hierachies: 2D Hyperbolic Viewer

[J. Lamping 1996]

•“Focus & Context”

• Smooth Navigation


Visualizing Hierachies: 3D Hyperbolic View

•Enables bigger graphs a 2D Viewer

•Suitable for Tree Structure


Document Visualization

• Visual Support for Navigation and Browsing in a Set of Document

• Topic distribution in a large document space:

content abstraction and

spatialization of the document


Document Visualization

Visual Support for Navigation and Browsing in a Set of Document

As close as possible to

a real world-book


Visualisierung von Association Rules


Visualisierung von Clusteringergebnissen


Inhalte



Ideengenerierung




Data Mining im Buzzword-Netz


Data Mining ist interdisziplinär


Data Mining Techniken

Generell unterscheidet man zwischen:

• Überwachten Verfahren:

• Entscheidungsbäume

• Neuronale Netze

• ...

• Unüberwachten Verfahren:

• Clustering

• Assoziationsregeln

• ...


Example: Mining mit SAP BW


Werkzeuge für Data Mining


Case Study: CRM – Deutsche Telekom

• Ausgangsbasis: Panel über ca. 5000 HH

• Data Mart ‘‘Panel Analyse System‘‘ (PAS)

enthält:

• Kommunikationsdaten

• Befragungsdaten


Sternschema

Kommunikationsdaten

Befragung

Haushalte

Befragung

Arbeitsstätten

Teilnehmer_ID

Kundensegment

Tarifzone

Tagart

Zeit

. . .

Kennzahlen

(Verb.minuten)

Teilnehmer_ID

Teilnehmer_ID

Branche_Code

. . .

Beruf_Code

. . .

Haushaltsgröße

Anzahl Mitarbeiter

Kundensegment

Haushalt (PK)

Arbeitsstätte (GK)

Tarifzone

Ort

Regional

Deutschland

. . .

Tagart

Mo - Fr

Sa, So, Fe

Zeit

Stunde (0 .. 23)

Tag

Monat

Jahr

Branche_Code

Branche

Branche

Wirtschaftszweig

(fein gegliedert)

Wirtschaftszweig

(fein gegliedert)Wirtschaftszweig

(grob gegliedert)

Beruf_Code

Beruf

star schema of PAS


Kommunikationsdaten

customerID distance type of day date/time comm. minutes

1 Ort Mo-Fr 19.11.98/9:55 20 min

1 Ort Mo-Fr 20.11.98/10:10 18 min

2 Regional Mo-Fr 19.11.98/21:00 120 min

2 Regional Mo-Fr 20.11.98/17:00 2 min

• Verwendung der Kommunikationsdaten zur Generierung

eines Profils

• Auf Basis der Profile folgt die Definition von

Kundensegmenten

• Kundensegmente werden mittels sozio-demographischer

Merkmale aus dem Panel beschrieben


Kommunikationsprofil

weekday

weekend

Zeitfenster

Ort

FernRegio

communication

feature

• hour window: 0-6

•distance: Ort

•type of day: weekday


Kundensegmentierung via Clustering

Profil in einem KundenclusterDurchschnittliches Profil


Beschreibung von Segmenten

• Verwendung der sozio-demographischen Daten aus

dem Panel

• Größe des Haushaltes

• Beruf

• Anzahl Kinder

• Alter

• ...

• Verwendung einer Entscheidungsbaumtechnik führt zu:

WENN HH > 4 und Beruf = „Beamter“

DANN Cluster_Nr = 1


Literatur

Andreas Abecker, Ansgar Bernardi, Heiko Maus, Michael

Sintek, and Claudia Wenzel: Information Supply for

Business Processes - Coupling Workflow with

Document Analysis and Information Retrieval.

Knowledge-Based Systems 13(5):271-284, Special

Issue on AI in Knowledge Management, Elsevier,

2000.

Matthias Jarke, Roland Klemke, Achim Nick. Broker's

Lounge - an Environment for Multi-Dimensional

User-Adaptive Knowledge Management, in: HICSS-

34: 34th Hawaii International Conference on System

Siences, 3.-6. January 2001, Maui, Hawaii.

Mario Lenz. Managing the Knowledge Contained in

Technical Documents. In Ulrich Reimer (ed.).

PAKM 98 - Practical Aspects of Knowledge

Management. Proceedings of the Second

International Conference. Basel, Switzerland,

October 29-30, 1998.

Alexander Mädche, Steffen Staab: Ontology Learning for

the Semantic Web. IEEE Intelligent Systems, 16(2),

March/April 2001 (Special issue on Semantic Web).

Alexander Mädche, Steffen Staab, Nenad Stojanovic, Rudi

Studer, York Sure. SEmantic portAL - The SEAL

approach. In D. Fensel, J. Hendler, H. Lieberman, W.

Wahlster (eds.) Creating the Semantic Web. MIT

Press, Cambridge, MA, 2001 (In Druck).

Gilbert Probst, Steffen Raub, Kai Romhardt. Wissen

managen. Wie Unternehmen ihre wertvollste Ressource

optimal nutzen. Th. Gabler Verlag, 1999.

Guus Schreiber, Robert de Hoog, Hans Akkermans, Anjo

Anjewierden, Nigel Shadbolt, Walter Van de Velde.

Knowledge Engineering and Management. The MIT

Press, 2000.

Steffen Staab, Alexander Mädche: Knowledge Portals -

Ontologies at Work. AI Magazine, 21(2), Summer

2001.

Steffen Staab, Hans-Peter Schnurr, Rudi Studer, York

Sure. Knowledge Processes and Ontologies. IEEE

Intelligent Systems, 16(1), January/February 2001

(Special issue on Knowledge Management).

.