Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
1
Wege aus dem Daten-Chaos
Von der Datenspeicherung zum WissensmanagementFragestellungen, Begriffe und Technische Konzepte
Ein Unternehmen der ExperTeam-Gruppe
Pallas GmbHHermülheimerStraße 1050321 Brühl
Emil-Figge-Straße 8544227 Dortmund
[email protected]://www.pallas.com
DLR Workshop
16.05.2002
Hans-Gerd SchaalGeschäftsführer
23.05.2002 © Pallas GmbH
Die Geschäftsbereiche der Pallas GmbH
Knowledge-Consulting
Pallas Intelligence
Enterprise Knowledge-Portals
E-Learning
Pallas Performance
High Performance Application
High Performance Tools
PerformanceConsulting
Pallas Security
Security CenterApp. Service Providing
Security Consulting
2
23.05.2002 © Pallas GmbH
Von der Datenspeicherung zum Wissensmanagement
n Aktuelle Herausforderungen
n Von Daten zum Wissen
– Historische Perspektive– Konzeptionelle Perspektive
– Technologische Perspektive
n Überblick über wichtige Konzepte
– Datawarehouse
– PDM
– Data-Mining– Knowledge-Discovery
– Semantic Web
n Ausblick
23.05.2002 © Pallas GmbH
Daten-Chaos: Die Herausforderung
„Informationsflut ist ein Teil der Tragödie der Kultur des modernen Menschen“Georg Simmel 1858 –1918
Alle klagen über zu viel an Informationen, keiner fühlt sich gut informiert.
Reich an Daten, arm an Information.
Wenn Ihre Organisation wüsste, was sie alles wissen?
3
23.05.2002 © Pallas GmbH
Aus dem Datenchaos entwickelt sich zunächst ein Begriffschaos
Data Marts
Data Warehouse
EISBalanced Scorecard
DBMS
PDM
KnowledgeDiscovery
Business-Intelligence
Web Mining
Wissens-Management
Semantic Web
Information Retrieval
DesicionSupport
Portal
PLMWissensnetze
23.05.2002 © Pallas GmbH
Technologie-Basiert
Daten, Informationen, Wissen...bilden eine Wertschöpfungskette
komplex
unstrukturiert
Bedeutungsgehalt
Kontextbezogen
(Personenabhängig)
einfach
Strukturiert
Ohne Bedeutung
Kontextunabhängig
Personenunabhängig
Zeichen - Werte - Fakten - Zusammenhänge - Muster – Prinzipien - Erfahrung
EntscheidenHandeln
Einsicht
Unternehmens-Intelligenz
Daten
Informationen
Wissen
Wert/Nutzen
4
23.05.2002 © Pallas GmbH
Wertsteigerung durch Informationstechnologieheißt Semantik mit Computern beherrschen
Daten
Informationen
WissenWert/Nutzen
generieren
extrahieren
verstehen
bereitstellenfinden
speichern
verteilenTechnologie-Basiert
23.05.2002 © Pallas GmbH
Treiber für die Entwicklung von Konzepten und Technologien
ExponentiellesDatenwachstum
Wettbewerbs-Druck
Zunehmende Bedeutung von
Information
Globalisierung
Auslöser
Automatisierung
Integration
Prozess-Orientierung
Qualität
Wissens-Gewinnung
Standardisierung
Treiber
Time toMarket
Qualitäts-Steigerung
Ergebnis-Steigerung
Kosten-einsparung
Ziele
Strategie-entwicklung
5
23.05.2002 © Pallas GmbH
Vom Daten zum Wissensmanagement aus historischer Perpektive...
Wissens -management
Intelligence-Orientierung
Informations-management
Daten-management
Informationals Ressource
Technologie-Entwicklung &Automation
Funktions -orientierung
Transaktion &Integration
Datenbank-administration
Prozess &Standardisierung
Daten-modellierung
TransparenzFlexibilitätQualität
1960 1970 1980 1990 2000 2010
Treiber
In Anlehnung an Dippolt et al. Unternehmensweites Datenmanagement 2001
23.05.2002 © Pallas GmbH
Der Weg zum Wissensmanagement führt nur über das Daten und Informationsmanagement
Daten-Management
Informations-Management
Wissens-Management
Erfolgreiches Wissensmanagement setzt ein effizientes Daten- und Informations-Management voraus
6
23.05.2002 © Pallas GmbH
Intelligence-Portfolio
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &
Bereitstellen
... Informationen ...
42 %58%
Delphi-Studie
Verdopplungalle 18 Monate
88% sind nicht perSearch-Engine auffindbar
23.05.2002 © Pallas GmbH
Intelligence-Portfolio
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &
Bereitstellen
... Informationen ...
7
23.05.2002 © Pallas GmbH
Intelligence-Portfolio
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv-Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &
Bereitstellen
... Informationen ...
23.05.2002 © Pallas GmbH
Intelligence-Portfolio
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations-Mgt.
Personal -Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &
Bereitstellen
... Informationen ...
In Anlehnung an Grothe/Gentsch Business Intelligence 2000
8
23.05.2002 © Pallas GmbH
Intelligence-Portfolio
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &
Bereitstellen
... Informationen ...
23.05.2002 © Pallas GmbH
PDM / EDM Integration der Engineering-Daten während des Produktlebenszyklus
Erweiterte EDMS-Definition ( nachPloenzke)
PDMS
PLMS
9
23.05.2002 © Pallas GmbH
Durchgängige Nutzung und Verteilung von Engineering-Daten bietet hohe Rationalisierungspotentiale
n Simultaneous-Engineering-Prinzip führt zu verbessertem Informationsfluss in der gesamten Vorgangsbearbeitung
n Integration bereichsübergreifender Abläufe und Zusammenarbeit n Standardisierung und erhöhte Wiederverwendung von Produkten n Steigerung der Entwicklungsqualität:
– Wiederverwendungsgrad ca. 70% – 20% der Arbeitszeit für die Konstruktion von Produkten – 35% für die Suche nach Daten
n Ideale Einsparungsmöglichkeiten:– Dokumentenmanagement (ablegen, anfordern, verteilen)– Freigabe, Prüfung, Änderungsmanagement, – Klassifikation, Daten und Dokumente suchen– Projektplanung, -verfolgung, -controlling
Quelle: www.irp.de
23.05.2002 © Pallas GmbH
PDMS/EDMS Systemintegration
PPSAuftrags-
Daten
Produktions-programmPlanung
Ablauf-PlanungMenge
Termine
Auftrags-steuerung
Auftrags-überwachung
TermineKapazitäten
CAMFertigung
CADEntwicklungKonstruktion
CAPArbeits-Planung
NCNC-Programm
Erstellung
CAQQualitäts
überwachung
PDM-Technische
Daten
Kunden-bezogen
Produkt-bezogen
Quelle: www.irp.de
10
23.05.2002 © Pallas GmbH
Grundprinzip von Informationssystemen
Operative Systeme
OLTP
ExterneDaten
InterneDaten
Informations-Systeme
Lesen, ergänzenSchreiben, ändern, löschenDatenoperationen
Beobachtung, Analyse, Entscheidung
Abwicklung, TransaktionZiel
Entscheider„Wissensarbeiter“,
Operativer BereichAnwender, Kunde, Lieferant
Nutzer
Zeitpunktbezogen, Historie, periodisch geladen
dynamischArt der Daten
Relationalmultidimensional
Hierarchischrelational
DBMS
Einfache Benutzungflexibler Datenzugriff
Verfügbarkeit, PerformancePriorität
23.05.2002 © Pallas GmbH
Zusammenspiel von OLTP und Data-Warehouse
ERP
SCM
PDM
CRM
WWW
Dat
en-R
eeng
inee
ring
Ext
rakt
ion,
Tra
nsfo
rmat
ion,
Lade
nR
eplik
atio
n
Data-Warehouse
OperationalData-Store
Data-Marts
Data-MartsData-Marts
Meta-Daten
DB-KatalogTool-
Dircetory DB Katalog Scheduler
OLTP ETLStaging Area Data-Warehouse OLAP Präsentation
Ad hocAnalyse
Data-Mining
Reports
ReportMgt.
11
23.05.2002 © Pallas GmbH
Intelligence-Portfolio
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &
Bereitstellen
... Informationen ...
23.05.2002 © Pallas GmbH
MIS mit zentraler Datenkomponente erfordern ein einheitliches Datenmodell
A
B
C
D
Daten-Akquisition 1
Daten-Akquisition 2
Daten-Akquisition 3
EIS 1
DSS 1
EIS 2
Klassische MIS -Systeme
EIS 1
DSS 1
EIS 2
A
B
C
D
Dat
en-A
kqui
sitio
n 1
DW
Dat
en-A
kqui
sitio
n 1
Moderne MIS -Systeme
MIS: Management Information SystemEIS: Executiv Information System Top-ManagementDSS: Decision Support System Taktischer Bereich
12
23.05.2002 © Pallas GmbH
DW-Analysen mit OLAP-Technologien sind Stand der Technik
Produkt
Kunde
Zeit
Ergebnisse
Deckungsbeitrag
Wahrscheinlichkeit
Preis-Sensitivität
Performance
Risikoklassen
Kundensegmentierung
Auswertung nach Dimensionen
1. Welchen Deckungsbeitrag hat ein bestimmtes Produkt im letzten Quartal in einer bestimmten Region für Kundensegment A erzielt ?
2. Wie verändert sich der Umsatz in Region A bei bestimmten Preisänderungen ?
OLAP
Würfel (Cube)
Dimension
Element
23.05.2002 © Pallas GmbH
Trends in der Weiterentwicklung von DW
n Schreibender Zugriff: zurückschreiben von gewonnen Information in das Data Warehouse
n Manuelle Datenerweiterung: manuelle Anreicherung von Daten, z.B. zusätzliche Kategorisierungen
n „Realtime“ Analysen: Informationen müssen sofort aus den OLTP- Systemen in das Data Warehouse gebracht werden (ODS)
n Informationserweiterung auf unstrukturierte Informationen (Web)
n Portalintegration, Einbindung in personalisierte Web-Portale „My place-Idee“
13
23.05.2002 © Pallas GmbH
Data Mining
n „Effiziente Suche nach verborgenen, wertvollen Informationen in großen Datenmengen und deren Interpretation“ (SchommerC. et al)
n Erkennen von Mustern / Strukturen / Gesetzmäßigkeiten in strukturierten Datenbeständen, um Entscheidungen und Vorhersagen zu treffen
n Hypothesenfreie Wissensgenerierung„Endeckungsmodell“ bzw. explorative Datenanalyse
n Maschinelles Lernen (Aneignen von Hypothesen über Gesetzmäßigkeiten der realen Welt)
23.05.2002 © Pallas GmbH
Mit Data Mining können unübersichtliche Daten auf wenige, interpretierbare Muster reduziert werden
viele Einzelfälle
undurchschaubar
wenige typische Kombinationen
Lesbar und analysierbar
14
23.05.2002 © Pallas GmbH
Aufgaben und Methoden des Data Mining
Prognose
Segmentierung
Assoziations-Analyse
Klassifikation
Neuronale Netze
Entscheidungs-Bäume
Clustering
Assoziations-verfahren
PrognoseUmsatz
Prognose Bonität
Warenkorb-Analyse
Erkennen von Marktsegmenten
FragestellungBeispiel
Data-Mining-Aufgabe
Data-Mining-Methode
Quelle: Grothe/Gentsch Business Intelligence 2000
23.05.2002 © Pallas GmbH
Im Data Mining werden Methoden des induktiven Lernens angewendet
Quelle: Krahl / Windheuser / Zick: Data Mining: Einsatz in der Praxis
Maschi-nellesLernen
DeduktivesLernen
InduktivesLernen
ÜberwachtesLernen
(Klassifikation)
UnüberwachtesLernen
(Assoziationen,Segmentierung)
Statistik, Lineare Methoden,Fuzzy Logic, Genetische Algorithmen
DataMining
Neuronale Netze
Entscheidungsbäume
Regelinduktion
k-nächste -Nachbarn
Diskriminanzanalyse
Assoziationen
Neuronale Netze
Demographisches Clustern
k-means Clustering
hierarchisches Clustern
Maschi-nellesLernen
DeduktivesLernen
InduktivesLernen
ÜberwachtesLernen
KlassifikationPrognose
UnüberwachtesLernen
Assoziationen,Segmentierung
Deskriptive Statistik, Lineare Methoden, Fuzzy Logic,
DataMining
Neuronale Netze
k-nächste -Nachbarn
Diskriminanzanalyse
Assoziationen
Neuronale Netze
Entscheidungsbäume
Regelinduktion
hierarchisches Clustern
Demographisches Clustern
15
23.05.2002 © Pallas GmbH
Herausforderung Data Mining
n Herausforderung besteht in der Wahl der optimalen Methode, häufig heuristisches Verfahren
n Data-Mininig liefert „Informationen“ in Form von Mustern und Gesetzmäßigkeiten, keine Entscheidungen
n „garbage in“ <–> „garbage out“
n 80 % des Aufwandes entsteht für „Datenreinigung“
n Wichtiges Anwendungsgebiet „Data Quality“
23.05.2002 © Pallas GmbH
Intelligence-Portfolio
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &
Bereitstellen
... Informationen ...
16
23.05.2002 © Pallas GmbH
Retrieval „Just in time“-Bereitstellung von relevanten Informationen
Retrieval
Cluster-Ansätze
Assoziations -analyse
Merkmalsbasiert
ProbalistischeAnsätze
Vektormodelle
Fuzzy-Set
Strukturbasierte
Linguistische Netze
SemantischeNetze
Ontologien
Exact match
Boole sche Logik
Kontext-operatoren
Komposita-Zerlegung
Phonetische Suche
partial match(Ranking)
Isolierte Dokumente
Vernetzte Dokumente
Quelle: www.ontoprise.de
23.05.2002 © Pallas GmbH
Text- / Web Mining basiert auf den Methoden des Data Mining und zielt auf unstrukturierte Daten
Web Mining ist die Übertragung von Data-und Text Mining-Techniken auf unstrukturiertes Datenmaterial, das im Zusammenhang mit Prozessen im Internet /Intranet gesammelt wird.
Abstrakterstellung
Auswertung von Reklamationsberichten
Ähnlichkeiten in Kundenkorrespondenz
Zuordnung von Zeitungsartikeln
Aufbau von Knowledge-Maps
Fragestellungen Methoden
Neuronale Netze
Entscheidungs-Bäume
Clustering
Assoziations-verfahren
17
23.05.2002 © Pallas GmbH
Integriertes Knowledge-Mining im E-Business
Web ContentWeb Usage
E-Business
Log Files WWWOnline -Shop
Data-Mining Text-MiningData-Mining
E-Business-Intelligence
Quelle: Grothe/Gentsch Business Intelligence 2000
23.05.2002 © Pallas GmbH
Intelligence-Portfolio
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &
Bereitstellen
... Informationen ...
18
23.05.2002 © Pallas GmbH
Die Balance Scorecard ist ein strategisches Management- und Kommunikations-Instrument
n Ausgewogener Berichtsbogen für Performance Management
n Umsetzung von Zielen in Kennzahlen
n Gleichgewicht zwischen Perspektiven
n Strategische Entscheidungen werden transparent
n Zukunftsorientierung statt Vergangenheit
n Herausforderungen: – Geeignete Kennzahlen für die
Perspektiven
– Informationsquellen für Kennzahlen
KundenPerspektive
FinanziellePerspektive
Prozess-Perspektive
Lern und Wachstum-Perspektive
Vision &Strategie
Ziele Aktionen Maßstab
23.05.2002 © Pallas GmbH
Intelligence-Portfolio
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &
Bereitstellen
... Informationen ...
19
23.05.2002 © Pallas GmbH
Das Grundproblem des Knowledge-Discovery beschreibt das Bedeutungs-Dreieck
n Computer verarbeiten nur „Symbole“
n Interpretation von Symbolen ist kontext- und personenabhängig
n Kommunikation mit Computer oder zwischen Personen setzt gleiche Interpretation voraus.
n „Gemeinsames Verständnis“ der Realen WeltBeispiel: „Data-Mining“
- Data-Warehouse ?- Statistisches Verfahren ?- Cognos ?- Daten-Mine ?
BegriffKonzept
Symbol / Wort
Reale Welt
Aktiviert eine Vorstellung
bezieht sich auf
steht für
Idee des Semantic Webauf Basis von Wissensnetzen und Ontologien
23.05.2002 © Pallas GmbH
Assoc
Assoc
Assoc
Wissensnetze mit Topic Map Standard
Topic
TopicTopic
MultidimensionalerBegriffs-
Beziehungs-Komplex
Informations-ressource
(occurrence,Belegstelle)
Occurrence Assoc O-AssocO-Assoc
ist relevant, weil ...
T-A-O
20
23.05.2002 © Pallas GmbH
Topic Map am Beispiel Business Intelligence
Data Marts
Data Warehouse
EIS
Balanced Scorecard
DBMS
DLR
Business-Intelligence
Semantic Web
OLAP Portal
WissensnetzeVeranstaltungen
Knowledge Discovery
Web Mining
Information Retrieval
Text Mining
Data Mining
Ontologie
DBMS IntranetPDM DMS
ist ein
basiert auf
ist ein
ist ein
basiert auf
basiert auf
T-A-O
Data Management
23.05.2002 © Pallas GmbH
Ontologie ist eine von mehreren Anwendern geteilte begriffliche Spezifikation eines Anwendungsbereiches
n Darstellung in Form von semantischen Netzen mit Begriffen, Beziehungen, Typenhierarchien
n Begriffe bilden eine Metastruktur über den Inhaltenn Funktion/Nutzen
– Visualisierung von intellektuelle Wissensstrukturen – Navigation in Wissensstrukturen
– Intelligentes Retrieval, Suche in Netzen (Query Answering)– Inferenzmechanismen (Schlussfolgerungen)
• Mitarbeiter arbeitet in KM-Projekt > Mitarbeiter hat KM Knowhow
– Standardisierter Austausch (XML-Basis)
n Beispiel: Topic Map Standard
21
23.05.2002 © Pallas GmbH
Kommunikation mit Intelligenten Agenten
Ein Agent ist
ein Softwareprogramm, das für seinen Nutzer bestimmte Aufgaben erledigt und dabei ein ausreichendes Maß an Intelligenz besitzt, um seine Aufgaben in Teilen autonom durchzuführen, seine Nutzer gegenüber Dritten zu repräsentieren und mit seiner Umwelt auf sinnvolle Art und Weise zu interagieren.“
[Zarnekow & Brenner 1999]
23.05.2002 © Pallas GmbH
Beispiele für Agenten
Anwendungsbereiche
n Gezielte Informationsversorgung
n Überwachung dynamischer Datenquellen
n Preisvergleich im E-Commerce
n Vermittler in elektronischen Marktplätzen
n Telematiksysteme
n Workflow Management
n Produktionsteuerung
Informationsversorgung
n Such-Agenten für wiederverwendbare Recherchen
n Profil-Agenten für individuelle Interessen
n Kategorie-Agenten fürTaxonomien
n News-Agenten für Themenkanäle
22
23.05.2002 © Pallas GmbH
Business-Intelligence
Business Intelligence
i.e.SWissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &Bereitstellen
Intelligence-Portfolio
... Informationen ...
23.05.2002 © Pallas GmbH
Wissens-Management
Wissens-Management
i.e.SWissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &Bereitstellen
Intelligence-Portfolio
... Informationen ...
23
23.05.2002 © Pallas GmbH
EnterpriseInformation-
Portale
Wissensredaktion
Communities
Konferenzen
„Kultur-Entwicklung“
Intelligente Agenten
Semantic Web
Foren, eMeetings
Collaboration
Pull / Push Technologie
Balanced Scorecard
Reporting
Verteilen & Kommunizieren
Implizit
Human Ressource
Explizit
E-Learning
Internet/IntranetDMS-SystemeArchiv -Systeme
Web-Mining
Text-Mining
Case Based Reasoning
Retrieval
...Qualitativ...Unstrukturiert
...Wissen
Intellectual Capital
Organizational Memory
Abteilungen / Teams
Mitarbeiter
Innovations -Mgt.
Personal-Mgt.
Organisations-entwicklung
Data Mining
OLAPMIS, EIS, DSS
Kennzahlenanalyse
Entwickeln & Entdecken
QuantitativStrukturiert...
Daten...
Data Warehouse
PDM
Operative Systeme (OLTP)
Speichern &Bereitstellen
Intelligence-Portfolio
... Informationen ...
© Pallas GmbH
Enterprise-Information-Portale Höchste Stufe der Evolution und Integration
OLAPKnowledgeDiscovery
Colla-boration
DataMining
Search &Retrieval
Personalisierung
Zugriffsteuerung
Prozessorientierung
Enterprise IntegrationMail-
ServerOLTP-
SystemeData-
WarehouseDMS/Archiv
ERP-CRM-PDM
ExterneDaten-quellen
Menü, Knowledge-Map, Agenten, Retrieval, Pull/Push
VisualisierungNavigationUsability
Business-Intelligence
Daten, Informationen und Wissen über Kunden, Produkte, Prozesse, Projekte, etc.
Intelligentes Wissensportal
24
23.05.2002 © Pallas GmbH
Ausblick: Daten-Chaos ist beherrschbar
n Daten- und Informations-Management sind technisch lösbar
n Wissensmanagement ist eine kulturelle Herausforderung
n Die Lösungen:
– Datenqualität / Data-Reenginiering
– Metadatenkonzepte
– Semantik
n Bei aller Euphorie: Entscheidungen werden häufig nicht mit dem Kopf sondern mit dem Bauch getroffen.
Wege aus dem Daten-Chaos
Von der Datenspeicherung zum WissensmanagementFragestellungen, Begriffe und Technische Konzepte
Ein Unternehmen der ExperTeam-Gruppe
Pallas GmbHHermülheimerStraße 1050321 Brühl
Emil-Figge-Straße 8544227 Dortmund
[email protected]://www.pallas.com
DLR Workshop
16.05.2002
Hans-Gerd SchaalGeschäftsführer