Data Warehouse Technologien

• Additiv: X

t

= G

t

+ S

t

+ e

t

,

• Multiplikativ: X

t

= G

t

· S

t

· e

t

und

• Gemischt: X

t

= G

t

· S

t

+ e

t

mit

X

t

: Ausprägung zum Zeitpunkt t

G

t

: Trend, Wachstum

S

t

: Saison, Konjunktur, Zyklen und

e

t

: Fehlerterm.

Dabei gilt für die Komponentenwirkung, dass sie konstant ist, d.h. dX

t

/dS

t

= 1.

Zudem existiert ein Niveau, von dem die Zeitreihe abhängig ist dX

t

/dS

t

= G

t

.

Für die Prognosemodelle ist es notwendig, Annahmen über die Verteilun-

gen der zu schätzenden Parameter zu treffen. Ein häufig genutztes Verfahren

ist hierbei die Methode der kleinsten Quadrate. Für einen Überblick über linea-

re Schätzer, autoregressive Prozesse und Filtertechniken empfehlen sich statis-

tische Werke wie z.B. Schlittgen [Sch01] und Schlittgen und Streitberg [SS01],

sowie für Prognosen im Unternehmensumfeld Götze [Göt00] und Mertens und

Rässler [MR12].

9.3.5 Data Mining Extensions

Microsoft hat seit 2000 zur Data-Mining-Analyse in den Analysis Services die

Data Mining Extensions (DMX) eingeführt. DMX unterscheidet dabei in die De-

finition der Modelle, den Data-Mining-Funktionen und den DMX-Operatoren.

DMX ist in der Spezifikation von Microsoft OLE DB für Data Mining defi-

niert [Mic00]. Die Syntax ist an SQL angelehnt, analog zur multidimensionalen

Abfragesprache MDX von Microsoft, vergleiche hierzu auch Kapitel 5.

Ein Mining-Modell besteht aus einem eindeutigen Namen und den Spal-

ten, die für die die jeweiligen Mining-Algorithmen benötigt werden. Es können

mehrere Mining-Modelle auf die gleichen Daten angewendet werden. Daher er-

möglicht eine Mining-Struktur die Definition der Mining-Spalten und legt diese

in den Analysis Services des SQL Servers ab. Für die Definition von Mining-

Strukturen kann die Anweisung CREATE MINING STRUCTURE genutzt werden.

Im folgenden wollen wir ein Mining-Modell für unser Beispiel der Klas-

sifikation erstellen. Wir nutzen dabei die gleichen Informationen wie in Ab-

schnitt 9.3.3.

CREATE MINING STRUCTURE [Weingeschmack] (

[TID] LONG KEY,

[Weinart] TEXT DISCRETE,

[Restsuesse] DOUBLE CONTINUOUS,

[Alkoholgehalt] DOUBLE CONTINUOUS,

9.3 Data Mining im BI-Umfeld 299

[Schmeckt] LONG DISCRETE )

WITH HOLDOUT (30 PERCENT or 1000 CASES)

Zu den definierten Mining-Strukturen können Modelle hinzu-

gefügt werden. Daher muss die angelegte Mining-Struktur mittels

ALTER MINING STRUCTURE verändert werden. Ein Modell besteht dabei aus

den zu verwendenden Spalten der Mining-Struktur. Hierbei müssen für ein

Modell nicht zwingend alle Spalten genutzt werden. Zudem muss angegeben

werden, welcher Algorithmus im Modell genutzt werden soll. Dies erfolgt über

die USING Anweisung.

Als Algorithmus wählen wir den von Microsoft bereitgestellten Entschei-

dungsbaumalgorithmus. Zudem wollen wir die Spalte Schmeckt voraussagen

und müssen daher diese Spalte als PREDICT angeben. Für die Auswertung ist

die letzte Zeile notwendig.

ALTER MINING STRUCTURE [Weingeschmack] (

ADD MINING MODEL [Entscheidungsbaum]

[TID],

[Weinart],

[Restsuesse],

[Alkoholgehalt],

[Schmeckt] PREDICT )

USING (Microsoft

_

Decision

_

Trees)

WITH DRILLTHROUGH

Das Trainieren der Mining-Struktur erfolgt über die Anweisung

INSERT INTO MINING STRUCTURE. Zusätzlich müssen die Daten, die zum Lernen

für die Mining-Struktur genutzt werden sollen, angegeben werden. Die Anwei-

sung OPENQUERY dient hierbei zur Selektion dieser Daten. Das Resultat wird

dann in der Datenbank der Mining-Struktur abgespeichert und muss in einem

nächsten Schritt abgefragt werden. Für unser Beispiel ist dabei insbesondere

die Vorhersage von Interesse. Hierzu kann die Anweisung PREDICTION JOIN

genutzt werden. Für die Abfrage eines neuen Weines bietet sich dabei die

Einzelvorhersage an. Dabei können die zur Vorhersage genutzten Werte direkt

in die SELECT-Anweisung geschrieben werden. Der NATURAL PREDICTION JOIN

gleicht dabei die Spalten in der Mining-Datenbank ab.

SELECT [Schmeckt],

PredictHistogram([Schmeckt]) AS Statistiken

FROM [Entscheidungsbaum]

NATURAL PREDICTION JOIN

(SELECT ’Rot’ AS [Weinart],

23 AS [Restsuesse],

10 AS [Alkoholgehalt]) AS t

300 9 Business-Intelligence-Anwendungen