Internet Ökonomie Portale, Push - Technologie und Personalisierung Michael Augustin
Gliederung zPortale yDas Tor zum WWW yWirtschaftseinblick zPush-Technologie yFunktionsweise yUnicast und Multicast yPush is still alive z Personalisierung yDer gläserne Kunde yVorführung von Bitlog z Data Mining yEinführung yDer KDD- Prozess yVerfahren
Portale Das Tor zum WWW
Portale zWichtige Kriterien yHilfe für Einstieg, Weiterführung und Orientierung im World Wide Web yAnlauf- und Rückkehrstelle für das Browsen ybieten wichtige und allgemeine Web- Services yauf persönliche Belange zugeschnitten ySprungbrett für weiteres Surfen im Netz
Portale
zEinteilung nach eBusiness-Aktivitäten yConsumer-Portal xoffener Nutzerkreis xkundenspezifisch orientiert xhochfrequentierte Web-Einstiegsseiten im Internet xleistungsstarker Suchdienst als wesentliches Element yEnterprise-Information-Portal xoffener Nutzerkreis xunternehmensspezifisch ausgerichtet xEinstiegsseiten für Web-Site eines Unternehmens xInformationen des Unternehmens im Web anbieten
Portale zExtranet-Portal ygeschlossener Kundenkreis yZielgruppe: potentiell kooperierende Geschäftskunden yberücksichtigt spezielle Services wie Bestell- und Liefervorgänge zIntranet Portal ygeschlossener Kundenkreis yunternehmens-intern orientiert yfür Mitarbeiter ein konsistenter Blick auf das Unternehmen ydirekter und angepasster Zugriff auf Unternehmensapplikationen und Intranetinhalte
Portale zBedeutsame Faktoren für das Marketing yAusbau zu attraktivem Werbemedium yGewinnen und Auswerten nutzerspezifischer Informationen yProfessioneller Auftritt im WWW yEtablierung und Sicherung des Portals als Marke mit positiven Markenassoziationen yProduct, Place, Price, Promotion
Portale Wirtschaftseinblick
Portale zGeschätzte Werbeausgaben der 4 wichtigsten Weltregionen
Portale Top 5 der Web-Portale 1999
Push - Technologie Funktionsweise
Push - Technologie zRückblick y1997 das Jahr der Push - Technologie yVorreiter: Individual Inc., Cryan yVerfahren, um Nutzer mit gewünschten Informationen zu versorgen yManuelles Suchen war nicht mehr zumutbar yVerwendet Konzepte des traditionellen Verlagwesens (Abonnement- Modell) yGegenstück zu Pull
Push - Technologie zFunktionsweise yBenutzer (Abonnent) wird Mitglied bei einem Anbieter oder speziellen Informationskanal (Channel) mittels senden eines Informationsprofils yEinstellen wann Anbieter senden soll yAnhand des Zeitplans verbindet sich der user-PC zum Server im Internet und holt sich von da seine Informationen yInformation speichern yBenutzer über neue Information benachrichtigen
Push - Technologie Unicast und Multicast
Push - Technologie zUnicast yTCP - Basierend yviel Bandbreite nötig yfür jeden Nutzer eigene Verbindung, auch bei identischen Anforderungen Browser Server Inhalt anzeigen Pull Datenanforderung Inhalt auf PC laden
Push - Technologie zUnicast yTCP - Basierend yviel Bandbreite nötig yfür jeden Nutzer eigene Verbindung, auch bei identischen Anforderungen Server Profil übermitteln Entsprechende Information herunterladen Benachrichtigung Client
Push - Technologie z3 Modelle der Informationszustellung bei Unicast yUnterschiede dieser Modelle xBenutzerprofilfähigkeiten xAufwand zur Integration in bestehende Strukturen der Informationszustellung der Anbieter xandere Bereiche, die Anbieter als Notwendig erachten Computer Content Agents Push Client Channel Content Push ServerWeb Server Web Servers
Push - Technologie zMulticast yein Server sendet Daten zu mehreren Clients in einem einzelnen Transfer yUDP basierend yweniger Bandbreite wird verbraucht yermöglicht ereignisgesteuerte Echtzeitdaten und Updates yIntranet- Administrator kann selbst für diese Fähigkeit seines Netzes sorgen yin Blöcke und Frames geteilte Daten werden vom Server kontinuierlich gesendet
Push - Technologie zVerdeutlichung von Multicast Content Source Internet Backbone Primary Distribution Servers Secondary Distribution Servers Clients PoP ISP Intranet
Push - Technologie Push is still alive
Push - Technologie zWeiterentwicklung yBloomer oder Skycom bieten Möglichkeit per PCI-to- Satelite-Adapter (30 MBit/sec) Text, Video, Audio und komplette Webseiten zu verarbeiten yAirmedia ermöglicht kabellose Zustellung von Daten über das Rundfunknetz 24 Stunden/Tag yMicrosoft - übertragen von Updates ySpam
Push - Technologie zSiemens - Vertriebsabteilung yNutzung der Backweb-Software ykeine Informationsangebote mehr durchgehen yAufteilung des eigenen Informationsangebots in unterschiedliche Channels xHotline entlastet xSupport nicht mit Anrufen Überflutet
Personalisierung Der gläserne Kunde
Personalisierung zZiele yInformationen über Kunden sammeln ydurch sehr spezielle Datenauswertung xindividuelle, dynamische und gewinnbringende Beeinflussung auf Kaufverhalten ausüben xAngebote auf Ansprüche der Nutzer zuschneiden ydiskrete Manipulation
Personalisierung zDer Personalisierungsprozess ProfilingMatch Making Explizite Daten (Postanschrift, Präferenzen...) Implizite Daten (Click-Stream, Verweilzeiten...) dynamisch (Agentenansatz, Collaborative Filtering) statisch Data Mining
Einführung
Data Mining zNutzen und Anwendung ygezielte/ themenbezogene Datensuche yStrukturen und Zusammenhänge finden die nicht bekannt sind yVerfahren für Unternehmens und Wettbewerbsdaten, aber auch in der Medizin und im Sport von Notwen- digkeit yWissenschaft für sehr komplexe Datenmengen
Data Mining Ich habe eine Box, die gut in die Hand paßt Es ist eine leichte Box Im Supermarkt gibt es sie in vielen Farben Auf meiner Box steht ein Name Die Box kann man öffnen Öffnet man sie, entdeckt man etwa 20 Stäbchen Wilhelm
Data Mining zEinsatzmöglichkeiten yKonstellationen und Ausprägungen von Marketinginstrumenten ermitteln yfrühzeitiges erkennen von Trendwechseln yHerausfinden von kauffreudigen Kunden yErkennen von abwanderungsgefährdeten Kunden yFeststellen von Gründen für Produktionsfehler yKategorisierung von Kunden yWebseiten-Optimierung
Data Mining Der KDD- Prozess
Data Mining zDer Knowledge Database Discovery Prozess 1) Daten sammeln 2) Daten vorbereiten (Data-preprozessing) 3) Anwendung der Data Mining Verfahren 4) Auswertung Informationsgewinn (neue Erkenntnisse)
Data Mining zDatensammlung yVorkommen und Formen von Daten erkennen In der Natur - Ca Calcium - Mg Magnesium - He Helium Neu generierte Daten - Strichcode... - Texte Historische Daten Operationale Daten Informational Data Metadaten
Data Mining zDatenhaltung yFlat Files yTabellenkalkulationen yDatenbanken - relational xStrukturen indexstrukturiert B-Baum Data Warehouse
Data Mining zDatenaufbereitung yGründe: xDaten sind ungeordnet xunbrauchbare Daten sind enthalten xExistenz von Lücken in der Datensammlung
Data Mining zPreprocessing: yData Formatting yData Cleaning yData Filterning yBehandlung von invalid values yBehandlung von Ausreißern yBehandlung von missing values yBehandlung von sparse columns/tables ySampling yBerechnung neuer Variablen yFestsetzen von valid values yGebrauch von Taxonomien yName Mapping yValue Mapping yDiskretisierung yPivotisierung yData Coding/Neuronale Netze
Data Mining zMethoden yAssoziationen (Warenkorbanalysen) xsuchen nach Regeln xfür jede Regel Support und Confidence finden Wie oft alle Elemente der Regel in der Da- tenbank vorkommen Durchschnitt von Head und Body ifthen
Data Mining zKlassifikationen yNeuronale Netze yBaumklassifikationen Wohnort BremenBerlin Gehalt Schlechter KundeGuter Kunde < 5000> 5000
Data Mining zClustering yGruppierung von Datensätzen xGruppen von Datensätzen zusammensuchen, die gemeinsame Merkmale aufweisen xDistancemaß entscheidet Ähnlichkeit von Objekten xbeim Punkte Cluster räumliche Entfernung der Punkte betrachten xähnlich mit Farben (orange rot) (grün blau)
Vielen Dank für die Aufmerksamkeit
Quellenangabe zwww.cs.uni-potsdam.de/~borchi zwww.iicm.edu/thesis/hforstinger/Kapitel6.html zwww.8ung.at/mobileworkshop/artikel_id65.htm zwww.networkworld.de zwww.ibusines.de/shop/db/shop.0472hr.html