|
Startseite
>
5. Data-Mining
>
5.5 Methodologie des Data-Mining-Prozesses
|
Zurück
Vor 
|
|
|
|
|
|
|
|
Die Selektion erfolgt in zwei Schritten: „Im Rahmen der vertikalen Datenselektion werden die
relevanten Analyseobjekte (Datensätze, Tupel) bestimmt. Die relevanten Attribute werden im
Zuge der horizontalen Datenselektion festgelegt.“ Ist der „richtige“ Aggregationsgradder
Daten
in dieser Phase noch unbekannt, sollte der niedrigste verfügbare Aggregationsgrad ausgewählt
werden. Anschließend werden die Daten aus den Systemen extrahiert. Verfügbare
Metadatensollten für die Auflösung semantischer Unklarheiten während der Datenbereinigung
und während der Ergebnisinterpretation ebenfalls extrahiert werden. Die Qualität und Quantität
der ermittelten Daten beeinflusst dabei maßgeblich die späteren Analysemöglichkeiten sowie
die Qualität des Ergebnisses. DomänenspezifischesWissen über potenzielle Datenquellen und
ihre Erschließung ist daher unabdingbar. Rechtliche Restriktionen (insbesondere zum
Datenschutz) müssen dabei jedoch berücksichtigt werden. Nachdem die Daten erfolgreich aus
den jeweiligen Systemen extrahiert worden sind, müssen sie für die weitergehende Analyse
inhaltlich und formal aufbereitet werden. Die ideale Anwendungsumgebung stellt alle benötigten
Daten konsistent abgebildet in einem Data Warehousebereit. In der Praxis ist dies jedoch
regelmäßig nicht der Fall. Relevante Daten liegen meist zerstreut in den Datenbanken der
historisch gewachsenen operativen Systeme. Benötigte Daten werden teilweise gar nicht oder
nur unzureichend durch diese Systeme aufgezeichnet, wenn aus operativer Sicht keine
Notwendigkeit für eine Erfassung ersichtlich ist. Grundsätzlich sollten neben den verschiedenen
Datenbanken der operativen Systeme daher auch folgende Datenquellen auf ihre Relevanz
geprüft werden: |
|
Ist zum Zeitpunkt der Erhebung kein unmittelbarer Nutzungsbedarf erkennbar, wird auf eine
maschinelle Erfassung von Daten oftmals verzichtet, so beispielsweise bei Laufzetteln. Daten in
Papierform, die häufig bereits in semistrukturierter Form vorliegen und damit leicht in eine
digitale Form transformiert werden können, stellen eine wichtige potenzielle Informationsquelle
dar. |
|
Data-Mining-Methoden setzen auf formatierten Daten in Form von nominal, ordinaloder
kardinalskalierten Merkmalen auf. Nichtformatierte Daten, beispielsweise Freitextdokumente
(Kundenbeschwerden, Anfragen etc.), werden bei der Datenselektion meist pauschal
ausgelassen. Allein über deskriptive Verfahren lassen sich hieraus bereits relevante Daten
ermitteln. Die Anwendung verschiedener Textmining-Techniken ermöglicht die tiefergehende
Analyse von unstrukturierten Daten in Textform. |
|
|
|
|
Auch externe Datenquellen sollten bei der Datenselektion auf ihre Relevanz geprüft werden.
Neben den – meist kommerziellen – Brancheninformationsdiensten stellt das Internet eine
wichtige externe Datenquelle dar. |
|
Die Datenaufbereitung stellt eine elementare Aufgabe des Data-Mining dar. Dies unterstreicht
CABENA, wenn er feststellt, dass lediglich zehn Prozent des Zeitaufwandes im Data-Mining
unmittelbar auf den Einsatz von Data-Mining-Methoden entfallen, während 90 Prozent in die
Datenaufbereitung und Ergebnisnachbearbeitung fließen. Empirische Untersuchungen belegen
Fehlerwahrscheinlichkeiten in den Rohdaten von bis zu 30 Prozent und damit auch die Relevanz
der Datenbereinigung. |
|
Ziel dieses Schrittes ist auch die Struktur- und Formatvereinheitlichung zur Steigerung der
Datenqualität. Erst wenn eine ausreichende Datenqualität sichergestellt ist, können die Daten für
die weitere Analyse transformiert und codiert werden. Insbesondere bei heterogenen
Datenquellen tauchen bei der Integration der Daten erhebliche Probleme auf: |
|
In einer zusätzlichen Relation müssen inkompatible Identifikationsschlüssel einander zugeordnet
werden. Dies kann über einen Abgleich der Identifikationsdaten geschehen – jedoch ist dieses
Verfahren fehleranfällig. Ein effizienteres Verfahren stellt der Einsatz so genannter
Matchcodesdar. Dieser künstliche Primärschlüssel(auch Surrogate Keygenannt), der anhand
von wenig fehleranfälligen Zeichenfolgen aus verschiedenen Attributen gebildet wird, liefert im
Allgemeinen bessere Ergebnisse und ermöglicht zugleich das Erkennen und Löschen von
Doubletten. |
|
Ohne Metadaten oder entsprechendes Domänenwissen zur Datenbasis können semantische
Probleme nicht aufgelöst werden. Semantische Probleme manifestieren sich „in Form von
Synonymen (unterschiedliche Bezeichnung des gleichen Dateninhaltes in verschiedenen
Datenquellen) und Homonymen (gleiche Bezeichnung unterschiedlicher Dateninhalte,
beispielsweise wird das Merkmal „inaktiver Kunde“ in zwei Datenquellen sechs bzw. 18
Monate nach dem letzten Kauf vergeben)“. Allgemeingültige Verfahren zur Lösung solcher
Probleme gibt es nicht, vielmehr muss mit Hilfe von Metadaten sowie von
domänenspezifischem Wissen über die Daten versucht werden, semantische Probleme
individuell zu lösen. |
|
Verschiedene Schreibweisen (Weseler Straße vs. Weselerstraße, Meier vs. Maier) sowie
verschiedene Repräsentationen eines identischen Sachverhaltens (weiblich vs. f) führen zu
syntaktischen Problemen. Durch eine Vereinheitlichung der syntaktischen Abbildung von
Attributen sowie mit Hilfe von Nachschlagewerken (Straßenverzeichnissen etc.) können solche
Probleme gelöst werden. |
|
Liegt zwischen der letzten Aktualisierung eines Datensatzes und dem Tag der Datenselektion
ein für die jeweilige Attributsausprägung relativ langer Zeitraum steigt die Wahrscheinlichkeit,
dass sich dieser geändert haben wird. Die richtig erhobenen Werte unterliegen einem
zeitlogischen Abbildungsdefekt, der oftmals nur schwer aufgelöst werden kann. Liefert auch
eine Rückkopplung zur Datenselektion keine sicheren Werte, ist im Einzelfall zu prüfen, ob
kritische Werte als Fehlwerte behandelt werden müssen. |
|
Ursache für Redundanzen sind im Allgemeinen entweder fehlende Namenskonventionen oder
eine fehlende Normalisierungder zugrunde liegenden Datenmodelle. Durch den Verzicht auf
einheitliche Namenskonventionen, die sich über alle operativen Systeme erstrecken, kann ein
Attribut in verschiedenen Quellen unter verschiedenen Attributsbezeichnungen gespeichert
werden und nach der Zusammenführung der Daten doppelt auftreten. Bei einer fehlenden
Normalisierung des Datenmodells können funktionale Abhängigkeiten zwischen verschiedenen
Attributen auftreten, die ebenfalls redundante Informationen repräsentieren. Werden diese
Redundanzen nicht erkannt und gegebenenfalls eliminiert, können sie fälschlicherweise als
triviale Muster im Ergebnis auftauchen. |
|
„In relationalen Datenbanken taucht das Problem fehlender Werte (missing values) häufig auf,
da oftmals dieselbe Satzlänge für jeden Datensatz auch dann gefordert ist, wenn für einige
Felder keine Eintragungen möglich sind“ oder aus Sicht des eintragenden Mitarbeiters für die
aktuelle Transaktion unwichtig erscheinen. Dabei ist zu unterscheiden zwischen echten
Fehlwerten, deren Daten nicht bestimmbar sind, und unechten Fehlwerten, deren Daten nicht
bestimmt wurden. Die Attributsausprägungen von unechten Fehlwerten können durch eine
Rückkopplung zur ersten Phase des Data-Mining-Prozesses, der Datenselektion und -
extraktion, teilweise ermittelt werden. Das Korrigieren der Fehlwerte nach gängigen
Ersetzungsstrategien ist jedoch nur unter Vorbehalt durchzuführen und auch das Löschen der
betroffenen Datensätze kann, im Falle systematischer Fehler, zu einer Verschiebung der
Ergebnisse führen. Bei der Behandlung von Fehlwerten ist zu beachten, dass das Fehlen von
Werten auch eine wertvolle Information darstellen kann. Interessante Ergebnisse können sich
hier insbesondere dann ergeben, wenn das Fehlen einer Angabe direkt mit ihrer Ausprägung
zusammenhängt. In jedem Fall verfolgt die Behandlung von Fehlwerten das Ziel, ein
„Höchstmaß an Informationsgehalt aus der vorhandenen Datenbasis zu ziehen, ohne ein
tolerierbares Maß an Verzerrung zu überschreiten.“ |
|
Attributsausprägungen, die objektiv falsch sind (wie z. B. ein Geburtsdatum in der Zukunft),
müssen überarbeitet werden. Lassen sich dabei die richtigen Werte nicht ermitteln, so ist der
Falschwert zu löschen und als Fehlwert zu behandeln. Dabei lassen sich Falschwerte in zwei
Gruppen unterteilen: Echte Falschwerte entstehen, wenn zum Abschluss einer Transaktion
erforderliche Daten fehlen oder wenn ein Bedürfnis vorhanden ist, die Daten nicht
preiszugegeben – Mitarbeiter oder auch Kunden neigen in solchen Fällen dazu, fiktive Werte
anzugeben. Unechte Falschwerte wurden zwar erhoben, der im System gespeicherte Wert
entspricht aber nicht dem tatsächlich genannten. Zu einer dieser beiden Gruppen zählen oftmals
so genannte Ausreißer, die sich durch signifikante Distanzen zu den übrigen Werten
auszeichnen. Dabei können neben mathematischen Verfahren auch Visualisierungstechniken
eingesetzt werden, um Ausreißer zu ermitteln. Es ist jedoch im Einzelfall zu prüfen, ob diese
Werte entgegen der ersten Vermutung nicht doch korrekt erfasst wurden und damit einen
wichtigen, da atypischen, Sachverhalt repräsentieren. Ziel der Datenaufbereitung ist es, die
Datenqualität zu steigern. Jedoch wird eine fehlerfreie Datengrundlage trotz intensiver
Bemühungen selten zu erreichen sein. Schwächen im Pflegestand der Daten stehen einer
erfolgreichen Datenanalyse grundsätzlich nicht im Wege, sollten jedoch bei der Interpretation
der Ergebnisse berücksichtigt werden. Sobald eine ausreichende Datenqualität sichergestellt ist,
müssen die Daten durch verschiedene Transformationen für die spätere Verwendung
vorbereitet werden. |
|
Verschiedene Gründe zwingen zu einer Aggregation der Daten entlang bekannter hierarchischer
Strukturen. Nicht aggregierte Daten führen insbesondere bei Assoziationsanalysen auf
Datenbeständen mit einer Vielzahl von Attributen, wie etwa bei der Warenkorbanalyse für ein
breites Sortiment, unweigerlich zu Performanzproblemen. Dann ist es unumgänglich, in der
Hierarchieebene so lange aufwärts zu wandern, bis diese Performanzprobleme nicht mehr
auftauchen. Die Auswahl des hierarchischen Pfades, entlang dem die Aggregation der Daten
erfolgt, ist dabei abhängig von den verfolgten Zielen und muss im Einzelfall bestimmt werden.
Zeigt sich, dass im vorliegenden Aggregationsgrad bestimmte Attributausprägungen selten
auftauchen, kann dies zu Lasten der Signifikanz des Ergebnisses gehen: Zu dünn besetzte
Datentabellen stellen für die weitere Analyse keine tragfähige Basis dar. Auch in solchen Fällen
ist es unabdingbar, die Daten zu aggregieren. Bei der Wahl der Aggregationsebene ist zu
bedenken, dass eine Aggregation die beobachtbare Streuung des jeweiligen Merkmals
reduziert, „mit der Folge, dass sich Qualitätsmaße für Data-Mining-Modelle, die auf den
erklärten Varianzanteil eines Zielmerkmals abstellen, mit wachsender Aggregation systematisch
verbessern“. Daten können ebenfalls dann aggregiert werden, wenn sie im aktuellen
Aggregationsniveau Informationen enthalten, die nicht von Interesse sind. In diesem Fall ist die
Aggregation der Daten jedoch formal der Phase der Datenselektion zuzuordnen. |
|
„Bei der Transformation der Daten können noch neue, für die Analyse als sinnvoll erscheinende
Attribute wie Summen, Abweichungs- und Durchschnittswerte definiert oder inhaltlich
abhängige Felder zusammengefasst werden.“ So können Attribute geschaffen werden, die die
Komplexität senken und damit die Interpretationsfähigkeit der generierten Lösung erhöhen. Der
Informationsverlust einer Summierung (oder auch Mittelwertbildung) kann durch die
gleichzeitige Ermittlung von Varianzund Schiefeannähernd ausgeglichen werden. Die
Berechnung von Verhältniskennzahlen ist für solche Attribute ratsam, für die die Datenbasis
eine stark heterogene Grundgesamtheit repräsentiert. So können beispielsweise
Kundenumsätze von Firmenkunden zum Zwecke der Vergleichbarkeit in ein Verhältnis zur
Mitarbeiterzahl der jeweiligen Firma gesetzt werden. Domänenspezifisches Wissen ist
unumgänglich, um Verhältniskennzahlen zu bestimmen, die der Heterogenität der Datenbasis
gerecht werden. Eine sinnvoll bestimmte Verhältniskennzahl bietet dabei – mehr als die
Attribute für sich – eine Chance, interessante Ergebnisse zu generieren. Fundiertes A-priori-
Wissen über kausale Zusammenhänge zwischen den Attributen ist die Voraussetzung, um durch
mathematische Transformation einzelner Attribute die Komplexität der später einzusetzenden
Methode reduzieren zu können. So können nichtlineare Wirkungszusammenhänge in lineare
Wirkungsrelationen transformiert und dann mit weniger komplexen Data-Mining-Modellen
erforscht werden. Zeitreihen können durch Mittelwertbildung, aber auch durch lineare
Transformation – mit unterschiedlicher Gewichtung der einzelnen Werte – zu einer Kennzahl
zusammengefasst werden. Auch kann die Verdichtung von Zeitreihen mittels polynomischer
Funktionen erfolgen, durch die sich beliebige mathematische Funktionen approximieren lassen. |
|
Neben der Selektion redundanter Attribute führt auch die Berechnung neuer Attribute zu
Abhängigkeiten, die das Ergebnis durch eine Vielzahl trivialer Erkenntnisse aufblähen. Zugleich
wirken sie sich negativ auf die Performanz der Analyse aus. Hier setzt die Reduktion von
Attributausprägungen an. Die manuelle Vorauswahl von Attributen aufgrund
domänenspezifischem A-priori-Wissen ist formal der Phase der Datenselektion zuzuordnen.
Die Hauptkomponenten- oder Faktorenanalyse ermöglicht eine maximale Reduzierung der
Dimensionalität bei minimalem Informationsverlust. Dabei werden ausgehend von den
vorhandenen Attributen neue, synthetische Merkmale generiert, die maximal unkorreliert sind.
Den daraus resultierenden Vorteilen steht eine erschwerte Interpretation der Ergebnisse
gegenüber. Insbesondere für methodisch unerfahrene Nutzer sind die Ergebnisse unanschaulich
und schwer analysierbar, da ein direkter Zusammenhang zwischen Ergebnis und Datenbasis
scheinbar nicht vorhanden ist. Besteht a priori der Verdacht auf Korrelation verschiedener
Merkmale und ist die Hauptkomponentenanalyse wegen der genannten Probleme nicht
zielführend einsetzbar, stehen verschiedene Data-Mining-Methoden zur Verfügung, die
automatisiert aussichtsreiche Gruppen von Erklärungs- oder Beschreibungsmerkmalen
selektieren. Sollte in der späteren Phase der Mustererkennung erkannt werden, dass
verschiedene Attribute hoch korreliert sind und die Berücksichtigung dieser Attribute keinen
Zugewinn an Informationen darstellt, kann eine Rückkopplung zu dieser Phase des Prozesses
stattfinden. Es wird dann das typischste, aussagekräftigste oder anschaulichste Attribut
ausgewählt, während die anderen eliminiert werden. |
|
Das Ziel der Datencodierung ist die inhaltliche Vorbereitung der selektierten und aufbereiteten
Daten. Dafür stehen verschiedene Methoden zur Verfügung, die im Folgenden erläutert werden. |
|
Die Normierung von Werten ist ein Prozess, bei dem der Wertebereich eines Attributes mit
Hilfe einer Normierungsfunktion zielführend verändert wird. Eine zielführende Veränderung des
Wertebereichs für ein einzelnes Merkmal leitet sich im Allgemeinen aus den methodischen
Anforderungen der eingesetzten Data-Mining-Methoden ab. Die Normierung mehrerer
Attribute auf einen einheitlichen Wertebereich ist zielführend, wenn eine Vergleichbarkeit (bei
Gleichgewichtung der verschiedenen Attribute) zwischen ihnen hergestellt werden soll. Als
Beispiel für Normierungsfunktionen sei die z-Transformation genannt, die durch
Mittelwertsubtraktion und Division durch die Standardabweichung den Mittelwert auf null und
die Varianz auf eins normiert;
Erfordert die Auswahl der eingesetzten Data-Mining-Methoden eine Normierung auf das
Intervall [0;1], so kann ein Merkmal durch die dezimale Skalierung (Division durch die kleinste
Zehnerpotenz, die sicherstellt, dass die Absolutwerte aller Merkmale kleiner 1 sind) auf das
gewünschte Intervall abgebildet werden;
Normierungsfunktionen lassen sich nur für quantitative Merkmale aufstellen und sind eindeutig
umkehrbar. |
|
In der Statistik unterscheidet man zwischen vier Skalenarten für Merkmale: der Nominal-, der
Ordinal-, der Intervall-und der Verhältnisskala, wobei die beiden letztgenannten Skalen oft zur
so genanntenKardinalskalazusammengefasst werden. Das Ziel der Skalentransformation
besteht darin, ein Merkmal von einer Skala in eine andere zu überführen. Dabei treten bei der
Umwandlung von kardinalskalierten Merkmalen in ordinal- oder nominalskalierte Merkmale
selten Probleme auf – lediglich eine geeignete Bewertungsfunktion muss hierfür definiert
werden. Verschiedene Data-Mining-Verfahren verlangen jedoch quantitative Inputdaten, so
dass qualitative Daten gegebenenfalls in quantitative Daten umgewandelt werden müssen.
Jedoch sollten diese Verfahren mit äußerster Vorsicht betrachtet werden. Häufig hat man
dann keinen sinnvollen Output mehr. Sinnvoller ist es direkt die Daten innerhalb der Methoden
richtig zu behandeln, anstatt willkürliche Verfahren zu verwenden, die häufig ohne statistische
Grundlage sind. Diese Umwandlung leisten verschiedene Codierungstechniken: So ist für
nominalskalierte Daten beispielsweise die „one of n“-Codierung, auch bekannt als flattening,
einsetzbar, während für ordinalskalierte Daten die „fuzzy one of n“-Codierung, die „gradient
one of n“-Codierung bzw. die „thermometer“-Codierung genutzt werden können. |
|
Ziel des abschließenden Teils der Datenaufbereitung ist es, die Daten strukturell auf die Analyse
vorzubereiten, so dass sie „in einem Format vorliegen, das von den in der nächsten Phase
anzuwendenden Werkzeugen zur Mustererkennung verarbeitet werden kann“. Das Ergebnis
dieses Schrittes ist der fertig aufbereitete Zieldatenbestand, der in einem – für die jeweils
anzuwendende Methode passenden – Format vorliegt. BERRY und LINOFF schlagen darauf
aufbauend eine Dreiteilung der Datengrundlage in einen Trainingsdatensatz, einen Testdatensatz
und einen Evaluierungsdatensatz vor. Die Gruppeneinteilung erfolgt standardmäßig durch eine
(quasi-)zufällige Zuordnung der Datensätze zu den drei Gruppen. WEISS schlägt jedoch für die
Prüfung der prädiktiven Akkuratheit von Zeitreihenanalyseneine besondere Berücksichtigung
von aktuellen Daten im Evaluationsdatensatz vor, mit dem Ziel, die Aussagekraft des Systems
für aktuelle Problemstellungen zu prüfen. |
|
Der Prozess der Mustererkennung lässt sich formal in drei Phasen unterteilen: die
Modellspezifikation, die Modellevaluation und die Suche. „Im Rahmen der Modellspezifikation
findet die Auswahl des Analyseverfahrens [...] statt.“ „Dazu ist es erforderlich, aus der Fülle
von Data-Mining-Methoden diejenige(n) herauszufiltern, die zur Bearbeitung des vorliegenden
Problemtyps geeignet sind.“ Anschließend müssen diese Methoden unter Berücksichtigung der
Aufgabendefinition und der Besonderheiten des Datenbestandes für das jeweilige Problem
instanziiert werden. Dabei ist jedoch zu berücksichtigen, dass die Attraktivität eines komplexen
Modells trotz niedriger Varianz gering ist, da sowohl die Prognosefähigkeit als auch die
Verständlichkeit des Modells mit steigender Komplexität sinkt. Das Modell bildet zudem mit
steigender Komplexität zunehmend datensatzspezifische Artefakte ab, welche die
Generalisierungsfähigkeit des Modells in Frage stellen. „Je stärker man sich allerdings bei der
Auswahl von Data-Mining-Methoden hinsichtlich der Modellkomplexität [...] beschränkt, desto
größer wird die Gefahr, dass die verbleibenden Freiheitsgrade für eine zutreffende
Beschreibung des Datengenerierungsprozesses nicht mehr ausreichen.“ Die optimale
Modellkomplexität ist daher für jeden Einzelfall unter Berücksichtigung der individuellen
Anforderungen an das Ergebnis zu bestimmen. „Die Modellevaluation überprüft, in welchem
Ausmaß ein entdecktes Muster bestimmte Anforderungskriterien erfüllt.“ Dabei lässt sich die
Menge der Qualitätsfunktionen, die zur Überprüfung der Anforderungskriterien herangezogen
werden können, in zwei Gruppen unterteilen: Für die Evaluation der deskriptiven Akkuratheit
werden verschiedene verfahrensspezifische Gütekriterien herangezogen; die Evaluation der
prädiktiven Akkuratheit geschieht mit Hilfe des Evaluierungsdatensatzes; geprüft wird hier die
Prognosefähigkeit des Modells. Die Suche wird unterteilt in die Parametersuche und die
Modellsuche. Das Ziel der Parametersuche ist die numerische Belegung der Modellparameter.
Sie stellt das Ergebnis dar, das die Anwendung einer spezifischen Data-Mining- Technik auf
einen bestimmten Datenbestand liefert. Die Modellsuche hingegen modifiziert im Rahmen einer
iterativen Parametersuche die Modellspezifikation. Diese Suche sollte in Interaktion mit dem
Benutzer geschehen, aber auch die automatisierte Traversierung des Suchraumes ist denkbar.
Die Modellsuche terminiert mit den Ergebnissen der Parametersuche, wenn die im Rahmen der
Modellevaluation aufgestellten Abbruchkriterien erfüllt sind. |
|
In der Phase der Kommunikation sind die entdeckten Muster in eine für den Adressaten
verarbeitbare Form zu bringen und über adäquate Medien zu kommunizieren. Ist der Adressat
ein Computersystem, so müssen Inhalte in einer formalen Sprache, die das Zielsystem
verarbeiten kann, abgebildet werden. Für Menschen können grundsätzlich sämtliche den
menschlichen Sinnesorganen zugängliche, Trägermedien genutzt werden, um Inhalte zu
kommunizieren, also visuelle, akustische, gustorische, haptischeund olfaktorischeMedien. Bei
der Auswahl des Mediums müssen individuelle Fähigkeiten und Restriktionen des Adressaten
berücksichtigt werden, aber auch die Anforderungen, welche die zu kommunizierenden Inhalte
an das Trägermedium stellen. Im Regelfall werden in Data-Mining- Anwendungen visuelle
Medien genutzt, insbesondere Grafiken: Denn visuelle Musterpräsentationen machen komplexe
Zusammenhänge für das menschliche Gehirn oftmals schneller begreifbar. FÖRSTER und
ZWERNEMANN konkretisieren den Einfluss von domänenspezifischem Wissen auf die
Effizienz der Darstellungsform: Textuelle Darstellungen in Form von Zusammenfassungen,
Kennzahlen oder mathematischen Funktionen bieten dabei einen optimalen Support bei einem
hohen domänenspezifischen Wissen, wohingegen ohne diesem Wissen die konkrete
Darstellungsform eines Beispiels vorzuziehen ist. Hierbei stellt sich die Frage, welches
Kommunikationsverfahren für die Übermittlung der adressatenspezifisch aufbereiteten Inhalte
geeignet ist. Zurückgegriffen werden kann hier auf Push- oder Pull-Verfahren, wobei auch
regelbasierte Kombinationen aus den beiden Verfahren denkbar sind. |
|
|
|
|
