1 Einleitung/1.1 Einordnung und Abgrenzung/1.1.1 Betriebliche Informations- und Kommunikationssysteme - Arten und Integrationsrichtungen/1.1.2 Data Warehouse als integrierte Datenbasis analyseorientierter Informationssysteme/1.1.3 OLAP/1.1.4 Data Mining/1.2 Historische Entwicklung/1.2.1 MIS - Management Information-Systeme/1.2.2 DSS - Decision Support -Systeme/1.2.3 EIS - Executive Information- Systeme/1.2.4 ESS - Executive Support -Systeme/1.3 Fallstudie: TOPBIKE/2 Data Warehouse und OLAP/2.1 Grundlagen/2.1.1 Einordnung und Komponenten des Data Warehouse-Konzeptes/2.1.1.1 Data Warehouse-Architekturen und -Komponenten/2.1.1.2 Prozesse zum Extrahieren, Transformieren und Laden von Daten/2.1.2 OLAP - On-Line Analytical Processing/2.1.2.1 Die zwölf OLAP-Evaluierungsregeln/2.1.2.2 Multidimensionalität durch die Verwendung von Datenwürfeln/2.1.2.3 Speicherkonzepte für OLAP-Lösungen/2.1.2.4 Navigation in multidimensionalen Datenstrukturen/2.1.2.5 Frontend-Techniken und -Funktionen/2.1.3 Vorgehensmodell zur Gestaltung multidimensionaler Informationssysteme/2.1.4 Einsatzbereiche multidimensionaler Informationssysteme/2.2 Modellierung und Implementierung/2.2.1 Bestandteile multidimensionaler Datenstrukturen/2.2.2 Gestaltung multidimensionaler Datenstrukturen bzw. -modelle/2.2.3 Semantische Modellierung/2.2.4 Implementierung mit multidimensionalen Datenbanksystemen/2.2.5 Implementierung mit relationalen Datenbanksystemen/2.3 Fallstudie: TOPBIKE - BI/3 Data Mining - Datenmustererkennung/3.1 Grundlagen des Data Mining/3.1.1 Treiber des Data Mining/3.1.2 Auslegungen zum Data Mining/3.1.3 Das CRISP-DM-Modell/3.1.3.1 Überblick über das CRISP-DM-Modell/3.1.3.2 Business Understanding/3.1.3.3 Data Understanding - Auswahl und Sichtung der Daten/3.1.3.4 Data Preparation - Datenaufbereitung/3.1.3.5 Data Modeling - Anwendung der Data Mining-Verfahren/3.1.3.6 Evaluation und Deployment/3.1.4 Betriebswirtschaftliche Einsatzgebiete des Data Mining/3.1.5 Web Mining und Text Mining als alternative Analyseansätze/3.2 Ausgewählte Methoden des Data Mining/3.2.1 Künstliche Neuronale Netze/3.2.2 Entscheidungsbaumverfahren/3.2.3 Clusterverfahren/3.2.4 Verfahren zur Assoziationsanalyse/3.3 Fallstudie: TOPBIKE - Data Mining/3.3.1 Fallstudie: TOPBIKE - Business Understanding (Phase1)/3.3.2 Fallstudie: TOPBIKE - Data Understanding (Phase2)/3.3.3 Fallstudie: TOPBIKE - Data Preparation (Phase 3)/3.3.4 Fallstudie: TOPBIKE - Data Modeling (Phase 4)/3.3.5 Fallstudie: TOPBIKE - Evaluation und Deployment (Phase 5 und Phase 6)/4 Zusammenfassung und Ausblick
1 Einleitung/1.1 Einordnung und Abgrenzung/1.1.1 Betriebliche Informations- und Kommunikationssysteme - Arten und Integrationsrichtungen/1.1.2 Data Warehouse als integrierte Datenbasis analyseorientierter Informationssysteme/1.1.3 OLAP/1.1.4 Data Mining/1.2 Historische Entwicklung/1.2.1 MIS - Management Information-Systeme/1.2.2 DSS - Decision Support -Systeme/1.2.3 EIS - Executive Information- Systeme/1.2.4 ESS - Executive Support -Systeme/1.3 Fallstudie: TOPBIKE/2 Data Warehouse und OLAP/2.1 Grundlagen/2.1.1 Einordnung und Komponenten des Data Warehouse-Konzeptes/2.1.1.1 Data Warehouse-Architekturen und -Komponenten/2.1.1.2 Prozesse zum Extrahieren, Transformieren und Laden von Daten/2.1.2 OLAP - On-Line Analytical Processing/2.1.2.1 Die zwölf OLAP-Evaluierungsregeln/2.1.2.2 Multidimensionalität durch die Verwendung von Datenwürfeln/2.1.2.3 Speicherkonzepte für OLAP-Lösungen/2.1.2.4 Navigation in multidimensionalen Datenstrukturen/2.1.2.5 Frontend-Techniken und -Funktionen/2.1.3 Vorgehensmodell zur Gestaltung multidimensionaler Informationssysteme/2.1.4 Einsatzbereiche multidimensionaler Informationssysteme/2.2 Modellierung und Implementierung/2.2.1 Bestandteile multidimensionaler Datenstrukturen/2.2.2 Gestaltung multidimensionaler Datenstrukturen bzw. -modelle/2.2.3 Semantische Modellierung/2.2.4 Implementierung mit multidimensionalen Datenbanksystemen/2.2.5 Implementierung mit relationalen Datenbanksystemen/2.3 Fallstudie: TOPBIKE - BI/3 Data Mining - Datenmustererkennung/3.1 Grundlagen des Data Mining/3.1.1 Treiber des Data Mining/3.1.2 Auslegungen zum Data Mining/3.1.3 Das CRISP-DM-Modell/3.1.3.1 Überblick über das CRISP-DM-Modell/3.1.3.2 Business Understanding/3.1.3.3 Data Understanding - Auswahl und Sichtung der Daten/3.1.3.4 Data Preparation - Datenaufbereitung/3.1.3.5 Data Modeling - Anwendung der Data Mining-Verfahren/3.1.3.6 Evaluation und Deployment/3.1.4 Betriebswirtschaftliche Einsatzgebiete des Data Mining/3.1.5 Web Mining und Text Mining als alternative Analyseansätze/3.2 Ausgewählte Methoden des Data Mining/3.2.1 Künstliche Neuronale Netze/3.2.2 Entscheidungsbaumverfahren/3.2.3 Clusterverfahren/3.2.4 Verfahren zur Assoziationsanalyse/3.3 Fallstudie: TOPBIKE - Data Mining/3.3.1 Fallstudie: TOPBIKE - Business Understanding (Phase1)/3.3.2 Fallstudie: TOPBIKE - Data Understanding (Phase2)/3.3.3 Fallstudie: TOPBIKE - Data Preparation (Phase 3)/3.3.4 Fallstudie: TOPBIKE - Data Modeling (Phase 4)/3.3.5 Fallstudie: TOPBIKE - Evaluation und Deployment (Phase 5 und Phase 6)/4 Zusammenfassung und Ausblick
