CRISP-DM steht für das branchenübergreifende Standardverfahren für Data Mining. Die CRISP-DM-Methodik bietet einen strukturierten Ansatz für die Planung eines Data-Mining-Projekts. Es handelt sich um eine robuste und bewährte Methodik. Wir erheben keinen Anspruch auf Eigentum daran. Wir haben es nicht erfunden. Wir sind ein Konverter der leistungsstarken Praktikabilität, Flexibilität und Nützlichkeit beim Einsatz von Analysen zur Lösung von Geschäftsproblemen. Es ist der rote Faden, der sich durch fast jedes Kundengespräch zieht.

Dieses Modell ist eine idealisierte Abfolge von Ereignissen. In der Praxis können viele Aufgaben in einer anderen Reihenfolge ausgeführt werden, und es wird oft notwendig sein, zu vorherigen Aufgaben zurückzukehren und bestimmte Aktionen zu wiederholen. Das Modell versucht nicht, alle möglichen Routen durch den Data-Mining-Prozess zu erfassen.

Wie hilft CRISP?

CRISP DM stellt eine Roadmap bereit, bietet Ihnen Best Practices und bietet Strukturen für bessere und schnellere Ergebnisse beim Einsatz von Data Mining. Auf diese Weise hilft es dem Unternehmen, bei der Planung und Durchführung eines Data Mining-Projekts zu folgen.

Phasen von CRISP-DM

CRISP-DM bietet einen Überblick über den Data-Mining-Lebenszyklus als Prozessmodell. Das Lebenszyklusmodell umfasst sechs Phasen, wobei Pfeile die wichtigsten und häufigsten Abhängigkeiten zwischen den Phasen markieren. Die Reihenfolge der Phasen ist nicht streng. Und die meisten Projekte bewegen sich je nach Bedarf zwischen den Phasen hin und her. Das CRISP-DM-Modell ist flexibel und kann einfach angepasst werden.

Wenn Ihre Organisation beispielsweise Geldwäsche aufdecken möchte, werden Sie wahrscheinlich große Datenmengen ohne ein bestimmtes Modellierungsziel durchsuchen. Anstelle der Modellierung wird sich Ihre Arbeit auf die Datenexploration und -visualisierung konzentrieren, um verdächtige Muster in Finanzdaten aufzudecken. Mit CRISP-DM können Sie ein Data-Mining-Modell erstellen, das Ihren Anforderungen entspricht.

Es enthält Beschreibungen typischer Phasen eines Projekts, der mit jeder Phase verbundenen Aufgaben und eine Erläuterung der Beziehungen zwischen diesen Aufgaben.

Phase 1: Geschäftsverständnis

Die erste Phase des CRISP-DM-Prozesses besteht darin, zu verstehen, was Sie aus geschäftlicher Sicht erreichen möchten. Möglicherweise gibt es in Ihrer Organisation konkurrierende Ziele und Einschränkungen, die ausgewogen sein müssen. In dieser Prozessphase geht es darum, wichtige Einflussfaktoren auf das Projektergebnis aufzudecken. Das Vernachlässigen dieses Schritts kann dazu führen, dass große Anstrengungen unternommen werden, um die richtigen Antworten auf die falschen Fragen zu finden.

Was sind die gewünschten Ergebnisse des Projekts?

Ziele setzen:Beschreiben Sie Ihr Hauptziel aus geschäftlicher Sicht. Möglicherweise gibt es auch andere verwandte Fragen, die Sie erwähnen möchten. Ihr primäres Ziel könnte beispielsweise darin bestehen, bestehende Kunden zu halten, indem Sie vorhersagen, wann sie dazu neigen, zu einem Konkurrenten zu wechseln.Projektplan erstellen:Beschreiben Sie den Plan zur Erreichung der Data-Mining- und Geschäftsziele. Der Plan sollte die Schritte festlegen, die im weiteren Verlauf des Projekts durchgeführt werden sollen, einschließlich der anfänglichen Auswahl von Werkzeugen und Techniken.Geschäftserfolgskriterien:Hier legen Sie die Kriterien fest, anhand derer Sie feststellen, ob das Projekt aus betriebswirtschaftlicher Sicht erfolgreich war. Diese sollten idealerweise spezifisch und messbar sein und beispielsweise die Kundenzufriedenheit auf ein bestimmtes Niveau reduzieren. Allerdings kann es manchmal notwendig sein, subjektivere Kriterien heranzuziehen, etwa nützliche Einblicke in die Zusammenhänge zu geben.

Bewerten Sie die aktuelle Situation

Java-Datenstrukturen

Dazu gehört eine detailliertere Ermittlung der Fakten zu den Ressourcen, Einschränkungen, Annahmen und anderen Faktoren, die Sie bei der Festlegung Ihres Datenanalyseziels und Projektplans berücksichtigen müssen.

Inventar der Ressourcen:Listen Sie die für das Projekt verfügbaren Ressourcen auf, einschließlich:
• Personal (Geschäftsexperten, Datenexperten, technischer Support, Data-Mining-Experten)
• Daten (feste Extrakte, Zugriff auf Live-, Lager- oder Betriebsdaten)
• Rechenressourcen (Hardwareplattformen)
• Software (Data-Mining-Tools, andere relevante Software)
Anforderungen, Annahmen und Einschränkungen:Listen Sie alle Anforderungen des Projekts auf, einschließlich des Zeitplans für die Fertigstellung, der erforderlichen Verständlichkeit und Qualität der Ergebnisse sowie etwaiger Bedenken hinsichtlich der Datensicherheit und rechtlicher Aspekte. Stellen Sie sicher, dass Sie die Daten nutzen dürfen. Listen Sie die Annahmen des Projekts auf. Dabei kann es sich um Annahmen über die Daten handeln, die beim Data Mining überprüft werden können, aber auch um nicht überprüfbare Annahmen über das mit dem Projekt verbundene Geschäft. Letztere sollten unbedingt aufgeführt werden, wenn sie Auswirkungen auf die Validität der Ergebnisse haben. Listen Sie die Einschränkungen des Projekts auf. Dabei kann es sich um Einschränkungen bei der Verfügbarkeit von Ressourcen handeln, aber auch um technologische Einschränkungen, etwa die Größe des Datensatzes, der für die Modellierung praktisch genutzt werden kann.Risiken und Eventualitäten:Listen Sie die Risiken oder Ereignisse auf, die das Projekt verzögern oder zum Scheitern bringen könnten. Listen Sie die entsprechenden Notfallpläne auf, z. B. welche Maßnahmen werden Sie ergreifen, wenn diese Risiken oder Ereignisse eintreten?Terminologie:Erstellen Sie ein Glossar mit der für das Projekt relevanten Terminologie. Dies besteht im Allgemeinen aus zwei Komponenten:
• Ein Glossar der relevanten Geschäftsterminologie ist Teil des für das Projekt verfügbaren Geschäftsverständnisses. Die Erstellung dieses Glossars ist eine nützliche Übung zur „Wissensgewinnung“ und Bildung.
• Ein Glossar der Data-Mining-Terminologie wird mit Beispielen illustriert, die für das Geschäftsproblem relevant sind.
Kosten und Nutzen:Erstellen Sie eine Kosten-Nutzen-Analyse für das Projekt, die die Kosten des Projekts mit den potenziellen Vorteilen für das Unternehmen vergleicht, wenn es erfolgreich ist. Dieser Vergleich sollte so konkret wie möglich sein. Beispielsweise sollten Sie in einer kommerziellen Situation auf finanzielle Maßnahmen zurückgreifen.

Bestimmen Sie Data-Mining-Ziele

Ein Geschäftsziel gibt Ziele in der Geschäftsterminologie an. Ein Data-Mining-Ziel gibt die Projektziele in technischer Hinsicht an. Das Geschäftsziel könnte beispielsweise darin bestehen, den Katalogverkauf an bestehende Kunden zu steigern. Ein Data-Mining-Ziel könnte darin bestehen, anhand seiner Einkäufe in den letzten drei Jahren, demografischer Informationen (Alter, Gehalt, Stadt usw.) und dem Preis des Artikels vorherzusagen, wie viele Widgets ein Kunde kaufen wird.

Geschäftserfolgskriterien:Es beschreibt die beabsichtigten Ergebnisse des Projekts, die das Erreichen der Geschäftsziele ermöglichen.Erfolgskriterien für Data Mining:Es definiert die Kriterien für einen erfolgreichen Projektabschluss. Zum Beispiel ein bestimmtes Maß an Vorhersagegenauigkeit oder ein Kaufneigungsprofil mit einem bestimmten Grad an „Lift“. Wie bei geschäftlichen Erfolgskriterien kann es erforderlich sein, diese subjektiv zu beschreiben. In diesem Fall sollte die Person oder Personen identifiziert werden, die das subjektive Urteil fällen.

Projektplan erstellen

Beschreiben Sie den geplanten Plan zur Erreichung der Data-Mining-Ziele und Geschäftsziele. Ihr Plan sollte die Schritte festlegen, die im weiteren Verlauf des Projekts durchgeführt werden sollen, einschließlich der anfänglichen Auswahl von Werkzeugen und Techniken.

1. Projektplan: Listen Sie die im Projekt auszuführenden Phasen mit ihrer Dauer, den erforderlichen Ressourcen, Eingaben, Ausgaben und Abhängigkeiten auf. Versuchen Sie nach Möglichkeit, die groß angelegten Iterationen im Data-Mining-Prozess deutlich zu machen, beispielsweise Wiederholungen der Modellierungs- und Bewertungsphasen.

Java-Concat-String

Im Rahmen der Projektplanung ist es wichtig, die Abhängigkeiten zwischen Zeitplänen und Risiken zu analysieren. Markieren Sie die Ergebnisse dieser Analysen explizit im Projektplan, idealerweise mit Maßnahmen und Empfehlungen, wenn sich die Risiken manifestieren. Entscheiden Sie, welche Bewertungsstrategie in der Bewertungsphase verwendet wird.

Ihr Projektplan wird ein dynamisches Dokument sein. Am Ende jeder Phase überprüfen Sie den Fortschritt und die Erfolge und aktualisieren den Projektplan entsprechend. Spezifische Überprüfungspunkte für diese Aktualisierungen sollten Teil des Projektplans sein.

2. Erstbewertung von Werkzeugen und Techniken: Am Ende der ersten Phase sollten Sie eine erste Bewertung der Werkzeuge und Techniken vornehmen. Sie wählen beispielsweise ein Data-Mining-Tool aus, das verschiedene Methoden für verschiedene Phasen des Prozesses unterstützt. Es ist wichtig, Werkzeuge und Techniken frühzeitig im Prozess zu bewerten, da die Auswahl der Werkzeuge und Techniken das gesamte Projekt beeinflussen kann.

Phase 2: Datenverständnis

In der zweiten Phase des CRISP-DM-Prozesses müssen Sie die in den Projektressourcen aufgeführten Daten erwerben. Diese Ersterfassung umfasst das Laden von Daten, sofern dies für das Datenverständnis erforderlich ist. Wenn Sie beispielsweise ein bestimmtes Tool zum Datenverständnis verwenden, ist es durchaus sinnvoll, Ihre Daten in dieses Tool zu laden. Wenn Sie mehrere Datenquellen erwerben, müssen Sie überlegen, wie und wann Sie diese integrieren.

Erster Datenerfassungsbericht:Listen Sie die erfassten Datenquellen, ihre Standorte, die zu ihrer Erfassung verwendeten Methoden und alle aufgetretenen Probleme auf. Notieren Sie die aufgetretenen Probleme und die erzielten Lösungen. Dies wird bei der zukünftigen Replikation dieses Projekts und der Durchführung ähnlicher zukünftiger Projekte hilfreich sein.

Beschreiben Sie Daten

Untersuchen Sie die „Brutto“- oder „Oberflächen“-Eigenschaften der erfassten Daten und berichten Sie über die Ergebnisse.

Datenbeschreibungsbericht:Beschreiben Sie die erfassten Daten, einschließlich ihres Formats, ihrer Menge, der Identität der Felder und aller anderen entdeckten Oberflächenmerkmale. Bewerten Sie, ob die erfassten Daten Ihren Anforderungen genügen.

Daten erkunden

In dieser Phase werden Sie Data-Mining-Fragen mithilfe von Abfrage-, Datenvisualisierungs- und Berichtstechniken beantworten. Dazu können gehören:

• Verteilung der Schlüsselattribute
• Beziehungen zwischen Paaren oder einer kleinen Anzahl von Attributen
• Ergebnisse einfacher Aggregationen
• Eigenschaften bedeutender Teilpopulationen
• Einfache statistische Analysen

Diese Analysen können direkt auf Ihre Data-Mining-Ziele eingehen. Sie können zur Datenbeschreibung und den Qualitätsberichten beitragen oder diese verfeinern und in die Transformation und andere Datenaufbereitungsschritte einfließen, die für die weitere Analyse erforderlich sind.

Datenexplorationsbericht:Beschreiben Sie die Ergebnisse Ihrer Datenexploration, einschließlich der ersten Erkenntnisse oder anfänglichen Hypothesen und deren Auswirkungen auf den Rest des Projekts. Gegebenenfalls können Sie hier Grafiken und Plots einfügen, um Datenmerkmale anzugeben, die eine weitere Untersuchung interessanter Datenteilmengen nahelegen.

Überprüfen Sie die Datenqualität

Untersuchen Sie die Qualität der Daten und gehen Sie dabei auf Fragen ein wie:

• Sind die Daten vollständig oder decken sie alle erforderlichen Fälle ab?
• Ist es korrekt oder enthält es Fehler, und wenn es Fehler gibt, wie häufig sind sie?
• Fehlen Werte in den Daten? Wenn ja, wie werden sie dargestellt, wo kommen sie vor und wie häufig sind sie?

Datenqualitätsbericht

Listen Sie die Ergebnisse der Datenqualitätsprüfung auf. Wenn Qualitätsprobleme bestehen, schlagen Sie mögliche Lösungen vor. Lösungen für Datenqualitätsprobleme hängen im Allgemeinen stark von Daten- und Geschäftskenntnissen ab.

Phase 3: Datenvorbereitung

In dieser Projektphase entscheiden Sie, welche Daten Sie für die Analyse verwenden. Zu den Kriterien, die Sie für diese Entscheidung heranziehen können, gehören die Relevanz der Daten für Ihre Data-Mining-Ziele, die Qualität der Daten und technische Einschränkungen wie Beschränkungen des Datenvolumens oder der Datentypen.

Teelöffel vs. Esslöffel

Die Begründung für Einschluss/Ausschluss:Listen Sie die einzubeziehenden/auszuschließenden Daten und die Gründe für diese Entscheidungen auf.

Bereinigen Sie Ihre Daten

Bei dieser Aufgabe geht es darum, die Datenqualität auf das Niveau zu heben, das für die von Ihnen ausgewählten Analysetechniken erforderlich ist. Dies kann die Auswahl sauberer Teilmengen der Daten, das Einfügen geeigneter Standardwerte oder ehrgeizigere Techniken wie die Schätzung fehlender Daten durch Modellierung umfassen.

Datenbereinigungsbericht:Beschreiben Sie, welche Entscheidungen und Maßnahmen Sie ergriffen haben, um Datenqualitätsprobleme anzugehen. Berücksichtigen Sie alle zu Bereinigungszwecken vorgenommenen Datentransformationen und deren mögliche Auswirkungen auf die Analyseergebnisse.

Erforderliche Daten erstellen

Diese Aufgabe umfasst konstruktive Datenvorbereitungsvorgänge wie die Erstellung abgeleiteter Attribute, ganz neuer Datensätze oder transformierter Werte für vorhandene Attribute.

Abgeleitete Attribute:Hierbei handelt es sich um neue Attribute, die aus einem oder mehreren vorhandenen Attributen im selben Datensatz erstellt werden. Beispielsweise können Sie die Variablen Länge und Breite verwenden, um eine neue Flächenvariable zu berechnen.Erstellte Datensätze:Hier beschreiben Sie die Erstellung beliebiger völlig neuer Datensätze. Beispielsweise müssen Sie möglicherweise Datensätze für Kunden erstellen, die im vergangenen Jahr keinen Kauf getätigt haben. Es gab keinen Grund, solche Aufzeichnungen in den Rohdaten zu haben. Dennoch könnte es sinnvoll sein, zu Modellierungszwecken darzustellen, dass bestimmte Kunden explizit keine Käufe getätigt haben.

Daten integrieren

Diese Methoden kombinieren Informationen aus mehreren Datenbanken, Tabellen oder Datensätzen, um neue Datensätze oder Werte zu erstellen.

Zusammengeführte Daten:Unter dem Zusammenführen von Tabellen versteht man das Zusammenführen von zwei oder mehr Tabellen mit unterschiedlichen Informationen zu denselben Objekten. Beispielsweise könnte eine Einzelhandelskette über eine Tabelle mit Informationen zu den allgemeinen Merkmalen jedes Geschäfts (z. B. Grundfläche, Art des Einkaufszentrums), eine weitere Tabelle mit zusammengefassten Verkaufsdaten (z. B. Gewinn, prozentuale Umsatzveränderung gegenüber dem Vorjahr) verfügen ein weiteres mit Informationen über die Demografie der Umgebung. Jede dieser Tabellen enthält einen Datensatz für jedes Geschäft. Diese Tabellen können zu einer neuen Tabelle mit einem Datensatz für jede Filiale zusammengeführt werden, wobei Felder aus den Quelltabellen kombiniert werden.Aggregationen:Aggregationen sind Vorgänge, bei denen neue Werte berechnet werden, indem Informationen aus mehreren Datensätzen oder Tabellen zusammengefasst werden. Konvertieren Sie beispielsweise eine Tabelle mit Kundenkäufen, in der für jeden Einkauf ein Datensatz vorhanden ist, in eine neue Tabelle und einen Datensatz für jeden Kunden mit Feldern wie „Anzahl der Käufe“, „durchschnittlicher Kaufbetrag“, „Prozentsatz der per Kreditkarte abgebuchten Bestellungen“ und „Prozentsatz der Artikel“. unter Förderung usw.

Phase 4: Modellierung

Modellierungstechnik auswählen: Im ersten Schritt wählen Sie die grundlegende Modellierungstechnik aus, die Sie verwenden möchten. Auch wenn Sie möglicherweise bereits in der Phase des Geschäftsverständnisses ein Tool ausgewählt haben, wählen Sie in dieser Phase die spezifische Modellierungstechnik aus, z. B. Entscheidungsbaumaufbau mit C5.0 oder neuronale Netzwerkgenerierung mit Backpropagation. Wenn mehrere Techniken angewendet werden, führen Sie diese Aufgabe für jede Technik separat durch.

Modellierungstechnik:Dokumentieren Sie die grundlegende Modellierungstechnik, die verwendet werden soll.Modellierungsannahmen:Viele Modellierungstechniken gehen von spezifischen Annahmen über die Daten aus, z. B. dass alle Attribute gleichmäßig verteilt sind, keine fehlenden Werte zulässig sind, das Klassenattribut symbolisch sein muss usw. Notieren Sie alle getroffenen Annahmen.

Testdesign erstellen

Bevor Sie ein Modell erstellen, müssen Sie ein Verfahren oder einen Mechanismus generieren, um die Qualität und Gültigkeit des Modells zu testen. Beispielsweise werden bei überwachten Data-Mining-Aufgaben wie der Klassifizierung häufig Fehlerraten als Qualitätsmaß für Data-Mining-Modelle verwendet. Daher unterteilen Sie den Datensatz normalerweise in Zug- und Testsätze, bauen das Modell auf dem Zugsatz auf und schätzen seine Qualität anhand des separaten Testsatzes.

Testdesign:Beschreiben Sie den geplanten Plan zum Trainieren, Testen und Bewerten der Modelle. Ein Hauptbestandteil des Plans ist die Festlegung, wie der verfügbare Datensatz in Trainings-, Test- und Validierungsdatensätze unterteilt werden soll.

Modell bauen

Führen Sie das Modellierungstool für den vorbereiteten Datensatz aus, um ein oder mehrere Modelle zu erstellen.

Parametereinstellungen:Bei jedem Modellierungstool gibt es oft eine große Anzahl von Parametern, die angepasst werden können. Listen Sie die Parameter, ihre Werte und die Gründe für die Auswahl der Parametereinstellungen auf.Modelle:Hierbei handelt es sich um die vom Modellierungstool erstellten Modelle, nicht um einen Bericht über die Modelle.Modellbeschreibungen:Beschreiben Sie die resultierenden Modelle, berichten Sie über die Interpretation der Modelle und dokumentieren Sie etwaige Schwierigkeiten mit ihrer Bedeutung.

Modell bewerten

Interpretieren Sie die Modelle entsprechend Ihren Fachkenntnissen, Ihren Data-Mining-Erfolgskriterien und dem gewünschten Testdesign. Beurteilen Sie den Erfolg der Anwendung von Modellierungs- und Erkennungstechniken und wenden Sie sich später an Geschäftsanalysten und Fachexperten, um die Data-Mining-Ergebnisse im Geschäftskontext zu besprechen. Bei dieser Aufgabe werden nur Modelle berücksichtigt, während in der Evaluierungsphase auch alle anderen während des Projekts erzielten Ergebnisse berücksichtigt werden.

In dieser Phase sollten Sie die Modelle einordnen und anhand der Bewertungskriterien bewerten. Dabei sollten Sie möglichst die Geschäftsziele und Erfolgskriterien berücksichtigen. In den meisten Data-Mining-Projekten wird eine einzelne Technik mehr als einmal angewendet und Data-Mining-Ergebnisse werden mit mehreren unterschiedlichen Techniken generiert.

switch-Anweisung Java

Modellbewertung:Fassen Sie die Ergebnisse dieser Aufgabe zusammen, listen Sie die Qualitäten Ihrer generierten Modelle auf (z. B. in Bezug auf Genauigkeit) und ordnen Sie ihre Qualität zueinander.Überarbeitete Parametereinstellungen:Überarbeiten Sie sie entsprechend der Modellbewertung und optimieren Sie sie für den nächsten Modellierungslauf. Wiederholen Sie die Modellerstellung und -bewertung, bis Sie fest davon überzeugt sind, dass Sie das/die beste(n) Modell(e) gefunden haben. Dokumentieren Sie alle derartigen Überarbeitungen und Bewertungen.

Phase 5: Bewertung

Bewerten Sie Ihre Ergebnisse: Bisherige Bewertungsschritte befassten sich mit Faktoren wie der Genauigkeit und Allgemeingültigkeit des Modells. In diesem Schritt beurteilen Sie, inwieweit das Modell Ihre Geschäftsziele erfüllt, und versuchen herauszufinden, ob es einen geschäftlichen Grund gibt, warum dieses Modell mangelhaft ist. Eine weitere Möglichkeit besteht darin, das Modell an Testanwendungen in der realen Anwendung zu testen, sofern Zeit- und Budgetbeschränkungen dies zulassen. Die Evaluierungsphase umfasst auch die Bewertung aller anderen von Ihnen generierten Data-Mining-Ergebnisse. Bei den Data-Mining-Ergebnissen handelt es sich um Modelle, die notwendigerweise einen Bezug zu den ursprünglichen Geschäftszielen haben, sowie um alle anderen Erkenntnisse, die nicht unbedingt einen Bezug zu den ursprünglichen Geschäftszielen haben, aber möglicherweise auch zusätzliche Herausforderungen, Informationen oder Hinweise für zukünftige Richtungen aufdecken.

Bewertung der Data-Mining-Ergebnisse:Fassen Sie die Bewertungsergebnisse in Geschäftserfolgskriterien zusammen, einschließlich einer abschließenden Aussage darüber, ob das Projekt bereits die ursprünglichen Geschäftsziele erfüllt.Zugelassene Modelle:Nach der Bewertung der Modelle anhand von Geschäftserfolgskriterien werden die generierten Modelle, die die ausgewählten Kriterien erfüllen, zu genehmigten Modellen.

Überprüfungsprozess

Zu diesem Zeitpunkt scheinen die resultierenden Modelle zufriedenstellend zu sein und den Geschäftsanforderungen gerecht zu werden. Jetzt ist es für Sie angebracht, den Data-Mining-Einsatz gründlicher zu prüfen, um festzustellen, ob ein wichtiger Faktor oder eine wichtige Aufgabe irgendwie übersehen wurde. Diese Überprüfung befasst sich auch mit Fragen der Qualitätssicherung. Zum Beispiel: Haben wir das Modell richtig gebaut? Haben wir nur die Attribute verwendet, die wir verwenden dürfen und die für zukünftige Analysen zur Verfügung stehen?

Rückblick auf den Prozess:Fassen Sie die Prozessüberprüfung zusammen und heben Sie Aktivitäten hervor, die übersehen wurden und die wiederholt werden sollten.

Bestimmen Sie die nächsten Schritte

Abhängig von den Beurteilungsergebnissen und der Prozessüberprüfung entscheiden Sie nun über das weitere Vorgehen. Schließen Sie dieses Projekt ab und fahren Sie mit der Bereitstellung fort, initiieren Sie weitere Iterationen oder richten Sie neue Data-Mining-Projekte ein? Sie sollten auch eine Bestandsaufnahme Ihrer verbleibenden Ressourcen und Ihres Budgets vornehmen, die Ihre Entscheidungen beeinflussen können.

Liste möglicher Aktionen:Listen Sie die möglichen weiteren Maßnahmen sowie die Gründe für und gegen jede Option auf.Entscheidung:Beschreiben Sie die Entscheidung zum weiteren Vorgehen zusammen mit der Begründung.

Phase 6: Bereitstellung

Planen Sie die Bereitstellung: In der Bereitstellungsphase legen Sie anhand Ihrer Bewertungsergebnisse eine Strategie für deren Bereitstellung fest. Wenn ein allgemeines Verfahren zum Erstellen der relevanten Modelle identifiziert wurde, wird dieses Verfahren hier für die spätere Bereitstellung dokumentiert. Es ist sinnvoll, die Wege und Mittel der Bereitstellung bereits während der Phase des Geschäftsverständnisses zu berücksichtigen, da die Bereitstellung für den Erfolg des Projekts von entscheidender Bedeutung ist. Hier trägt Predictive Analytics dazu bei, den operativen Betrieb Ihres Unternehmens zu verbessern.

Einsatzplan:Fassen Sie Ihre Bereitstellungsstrategie zusammen, einschließlich der erforderlichen Schritte und deren Durchführung.

Planen Sie Überwachung und Wartung

Überwachung und Wartung sind wichtige Themen, wenn das Data-Mining-Ergebnis Teil des Tagesgeschäfts und seiner Umgebung wird. Die sorgfältige Ausarbeitung einer Wartungsstrategie hilft, unnötig lange Zeiträume der Fehlnutzung von Data-Mining-Ergebnissen zu vermeiden. Das Projekt benötigt einen detaillierten Überwachungsprozessplan, um die Bereitstellung der Data-Mining-Ergebnisse zu überwachen. Dieser Plan berücksichtigt die spezifische Art der Bereitstellung.

Überwachungs- und Wartungsplan:Fassen Sie die Überwachungs- und Wartungsstrategie zusammen, einschließlich der erforderlichen Schritte und deren Durchführung.

Abschlussbericht erstellen

Am Ende des Projekts verfassen Sie einen Abschlussbericht. Abhängig vom Einsatzplan kann dieser Bericht nur eine Zusammenfassung des Projekts und seiner Erfahrungen sein (sofern diese nicht bereits als laufende Aktivität dokumentiert wurden) oder eine abschließende und umfassende Präsentation des Data-Mining-Ergebnisses sein.

Abschlussbericht:Dies ist der abschließende schriftliche Bericht des Data-Mining-Projekts. Es umfasst alle bisherigen Leistungen und fasst die Ergebnisse zusammen und organisiert sie.Abschlusspräsentation:Oft findet nach dem Projekt ein Meeting statt, bei dem die Ergebnisse dem Kunden präsentiert werden.

Rezensionsprojekt

Ansichten und Tabellen

Bewerten Sie, was richtig und was falsch gelaufen ist, was gut gemacht wurde und was verbessert werden muss.

Erfahrungsdokumentation:Fassen Sie wichtige Erfahrungen aus dem Projekt zusammen. Diese Dokumentation könnte beispielsweise alle Fallstricke, auf die Sie gestoßen sind, irreführende Ansätze oder Hinweise zur Auswahl der am besten geeigneten Data-Mining-Techniken in ähnlichen Situationen enthalten. In idealen Projekten umfasst die Erfahrungsdokumentation auch alle Berichte, die einzelne Projektmitglieder in früheren Phasen des Projekts verfasst haben.