Het recept van Data-mining.

5/12/2018 Het recept van Data-mining. - slidepdf.com

http://slidepdf.com/reader/full/het-recept-van-data-mining 1/14

Paul Goedhart

IDV2a

253529

Het recept van datamining.

Competenties:

• reflectively and

methodically

• problem solution

• support

• social responsibility

•

professionalisering

Onderwerpen:

Datamining, wat is dat precies 1/2

De datamining proces 2/3

Toepassingsgebieden 4

IDM’er en Datamining 5

Hanzehogeschool, Informatiedienstverlening en – management, 11 mei 2010

Per jaar groeit de bedrijfsinformatie met circa 80%. Dit betekent dat de groei zo snel

toeneemt dat er teveel informatie bij komt om er optimaal gebruik van te kunnen maken.

Door de komst van de computer, database servers en het internet is de opslag en toegang t

de informatiemassa steeds eenvoudiger en goedkoper geworden.

Tegenwoordig is dan ook de opslag of toegang tot deze informatiemassa niet het grootste

probleem meer, maar het analyseren en interpreteren van deze massa.Hier ligt een grote

uitdaging voor veel organisaties!

De laatste tijd wordt door de media en veel organisaties veel aandacht besteed aan het

onderwerp datamining. Datamining is hot!

Omdat datamining verwantschap heeft met het vakgebied informatiekunde, is het voor de

IDM’ers onder ons nuttig om meer kennis over dit onderwerp te vergaren.

(Bereken nu, z.d) (Jansen, 2006)

Figuur 1. Datamining strip

Bron: http://books.google.com/books?id=V8DHIBaak-QC&pg=PA109&vq=mining&output=html&sig=b9GT-

CMube14pkL07l88Gc-CYS4

Datamining, wat is dat precies?Vanwege een explosieve groei van bedrijfsinformatie in databases en de behoefte

om deze opgeslagen bedrijfsinformatie om te zetten naar werkelijke kennis, is

datamining een belangrijk begrip geworden voor ondernemingen,

onderzoeksinstellingen en overheidsinstanties.

Het vinden van deze (werkelijke) kennis uit een database levert de organisatie zow

op tactische als strategisch niveau voordelen op die bijvoorbeeld weer directe

invloed kunnen hebben op de dienstverlening, concurrentiepositie of het

marktaandeel van de organisatie.

Om het hoofd boven water te houden in deze alsmaar groeiende databases moete

organisaties op zoek gaan naar nieuwe, efficiëntere methodes om aangegevensanalyse te doen. Datamining beter bekend als “Knowledge Discovery in

Datasbases” (KDD) is zo’n nieuwe techniek.

Datamining is een proces waarin concepten uit de computer wetenschappen,

marketing, database management en statistiek met elkaar worden gecombineerd

Door deze diversiteit kan datamining op verschillende manieren worden

gedefinieerd en vanuit verscheidende invalshoeken worden benaderd. Als rode

draad lopen door alle definities van datamining de woorden zoeken, databases

(datawarehouse), patronen, relaties en toepassingsgerichtheid.



Het recept van datamining Pagina 2 van 5

“When you discover

something interesting,

assume that it’s wrong,

and dig deeper for a

reason why.”

(De Veaux, Richard)

De definitie die in dit artikel zal worden aangehouden is de volgende:

Datamining omvat het proces waarin op een (semi) geautomatiseerde manier

analyses en verkenningen worden uitgevoerd in grote collecties data die opgeslag

zijn in een database (datawarehouse), om vervolgens daar betekenisvolle (verbor

patronen en relaties in te ontdekken die nuttig en begrijpbaar zijn voor de organi

(Heyning & Suren, 2005)(Jansen, 2006)(Koffijberg, Dekkers, Homburg & Berg, 200(Manuel, 2000) (Tallir, 2008)(Witte, 2008)

Figuur 2. Datamining in vogelvlucht.

Bron: www.few.vu.nl/en/Images/stageverslag-huijser_tcm39-90631.pdf

Kortom bij datamining draait het om het opgraven van informatie uit een databas

Informatie die niet expliciet in een database is gestopt, maar dankzij geavanceerd

technieken aan het licht kan worden gebracht.

Een datamining proces bestaat uit een aantal stappen. Het proces verandert echt

elke keer. Dit komt doordat deze afhangt van het doel waarvoor datamining word

toegepast en dat er sprake kan zijn van een herhalend proces.

Het herhalen van een proces komt voornamelijk door, bijvoorbeeld meerdere

technieken op de dataset (collectie van gegevens) los te laten of doordat er een

stap terug moet worden gedaan. Bij een datamining proces kunnen grofweg de

volgende stappen worden onderscheiden:

Fase 1: Opstart fase.

Datamining werkt pas optimaal wanneer er sprake is van een specifiek probleem

dat moet worden opgelost. Het is raadzaam om voor de daadwerkelijke start van

de datamining proces een plan van aanpak op te stellen, waarin een omschrijving

van het probleem, kosten/baten-analyse, doelen en succescriteria worden

opgenomen.

Fase 2: Gegevensoriëntatie.

Deze fase omvat het selecteren, verkennen en het omschrijven van de data

(gegevens), om het probleem op te kunnen lossen.

De datamining proces.



Het recept van dataminingPagina 3 van 5

Stap 3: Gegevens preparatie.

Als eenmaal de correcte gegevens zijn geselecteerd, moeten ze gereed worden

gemaakt voor de werkelijke analyse. De gegevens dienen opgeschoond te worden en

eventueel worden verrijkt. Hou er rekening mee dat er in de meeste databases

redelijk wat ruis en rommel voorkomt.

Stap 4: Modellerings fase.

Deze fase omvat de beoordeling en het kiezen van de beste model op basis van de

voorspellende prestaties.

Er zullen datamining algoritmes op de gegevens worden losgelaten. De datamining

algoritme zal willekeurige factoren nemen en probeert vervolgens aan te tonen dat

deze gerelateerd zijn aan een andere factor. Zo’n poging wordt een veronderstelling

genoemd.

Het systeem die de algoritmes toepast heeft de capaciteit en de tijd om een groot

aantal van deze veronderstellingen uit te proberen en er een score aan toe te kennen.

Vervolgens zal het systeem de scores vergelijken en veder gaan met de beste

veronderstelling, omdat deze waarschijnlijk de grootste invloed heeft op hetresultaat. Dit proces van vergelijken en verbeteren wordt ook wel “Survival of the

Fittest” genoemd.

Tenslotte worden de beste veronderstellingen aan elkaar gekoppeld, om vervolgens

de onderlinge samenhang te herkennen. Het eindresultaat wordt door de algoritme

weergegeven in de vorm van een voorspellend model.

Stap 5: Evaluatie fase.

In deze fase moet er een terugkoppeling worden gedaan. Is het vereiste doel bereikt?

Zijn er herhalingen nodig? En wat is de kwaliteit van de resultaten?

Het is nuttig om in deze fase een document op te stellen waarin de volgende

aandachtspunten worden beschreven, namelijk de kwaliteit, het traject en het

verloop van de uitgangsgegevens.

Waar zijn er fouten ontstaan?

Stap 6: Actie fase.

In deze fase dient men een strategie te bepalen voor de gevonden, betrouwbare

resultaten. De informatie moet bij de juiste personen terechtkomen. Overigens moet

men acties ondernemen om het probleem op te lossen en dat het de meeste

efficiënte en effectieve acties zijn.

(Abswoude, Been & Hussain, 2008)(Blom, 2005)(Deceunynck, 2001)(Hoeksema,

2000a)(Hoeksema, 2000b)(Jansen, 2006)(Infoaxis, z.d.)(Putten & Wurff, z.d.)

Datamining omvat aldus de volgende fasen: het begrijpen van de business, hetbegrijpen van de gegevens, de voorbereiding van de gegevens, de modellering, de

evaluatie en het ondernemen van actie aan de hand van de eindresultaten.

“Any figure that looks

interesting or differen

is usually wrong.”

(De Veaux, Richard)

“Any statistic that

appears interesting is

almost certainly a

mistake.”

(De Veaux, Richard)



Het recept van datamining Pagina 4 van 5

Figuur 3. Managementboek.nl suggestie lijst

Bron: managementboek.nl

Figuur 4. Bol.com suggestie lijst

Bron: bol.com

Datamining kent verschillende toepassingsgebieden. Het wordt onder andere

toegepast op de basket-analyse, fraudedetectie en databasemarketing.

Basket-analyse:Bij basket-analyse gaat het om het analyseren van de diverse aankopen bij de

supermarkt, oftewel de inhoud van een boodschappenmandje. De meest

bekendste voorbeeld hiervan is dat jonge vaders vlak voor het weekend gelijktijdig

luiers en bier aanschaffen. Op het eerste gezicht ligt deze relatie niet voor de hand

maar in de praktijk blijkt het er zeker te zijn.

In een online supermarkt (e-commerce website) zijn de mogelijkheden nog vele

malen groter. Klanten die net een bepaald artikel online hebben gekocht, krijgen

meestal een gepersonaliseerd lijstje aangeboden met aanbiedingen of suggesties.

(‘Mensen die dit boek bestelde, kochten ook….’) (Zie Figuur 3 & 4).

De datamining applicatie genereert de aanbiedingen of suggestie lijstje aan de

hand van wat het heeft geleerd van de transacties of historische koopgedrag vanandere consumenten met een vergelijkbaar klantprofiel.

(Born & Vlug, 2009)(Clement & Essen, 2008) (Jansen, 2006)


Bron: http://books.google.com/books?id=V8DHIBaak-QC&pg=PA133&vq=database&output=html&sig=PanxAef-

4hi1umo1rJ_2ToW5JIM

Fraudedetectie:

Creditcards hebben ons leven een stuk gemakkelijker gemaakt. Je kunt er mee

betalen in restaurants, winkels,een vlucht of hotel boeken, online aankopen doen

en wat nog meer niet.

Een creditcard is zeer gemakkelijk in de omgang: soms is alleen het kaartnummer

en de verloopdatum al genoeg om een transactie te laten voldoen. Het is dan ook

niet verrassend dat er gemakkelijk mee valt te frauderen. Het is voor

creditcardinstanties van groot belang om in een vroegtijdig stadium frauduleusgebruik van een creditcard te onderkennen.

In Groot-Brittannië wordt bijvoorbeeld elke 9 seconden gefraudeerd met een

creditcard, elke dag gaat er circa 2 miljoen euro verloren aan creditcardfraude en

bijna één op de drie creditcardgebruikers is wel eens getroffen door

creditcardfraude. Desalniettemin worden creditcards beschouwd als veilig in

vergelijking met contant geld.

Een datamining applicatie bij een creditcardinstantie bekijkt voortdurend in real-

time alle transacties en blokkeert transacties automatisch als ze onraad ruiken.

Toepassingsgebieden

“It is a capital mistake

to theorize before one

has data."

(Doyle, Sir Arthur

Conan)



Het recept van dataminingPagina 5 van 5

De applicatie leert bijvoorbeeld het produceren van fraudewaarschuwingen en het

automatisch herkennen van nieuwe fraudepatronen die gebaseerd zijn op de in het

verleden gemaakte transacties die frauduleus bleken te zijn.

Voor elke creditcard wordt er een profiel bij gehouden met enkele typische

eigenschappen, zoals: gemiddeld aantal transacties per week, kenmerkende tijd en

plaats van de transactie en de gemiddelde transactie bedragen.(Jansen, 2006)(Kowalczyk, 2008)

Databasemarketing:

Bij de laatste toepassingsgebied draait het allemaal om het kennen van de klant.

Het vinden van profielen van klanten, met als doel dat de juiste persoon wordt

bereikt via het juiste kanaal met de juiste boodschap op het juiste moment. Om dit

doel te realiseren moet men datamining toepassen op de vaak enorme databases

met klantgegevens.

Datamining in vorm van het continue analyseren van klantgegevens, heeft binnen

de databasemarketing een sleutelrol in de overgang naar meer directe vormen van

communicatie, zoals op de consument toegesneden reclameboodschappen.(Jansen, 2006) (Putten & Kok, z.d.)


Bron: http://books.google.com/books?id=V8DHIBaak-QC&pg=PA133&vq=database&output=html&sig=PanxAef-

4hi1umo1rJ_2ToW5JIM

IDM’er en Datamining.

Nieuwe en waardevolle kennis creëren vindt in toenemende mate plaats door het

leggen van verbanden tussen reeds bestaande informatieverzamelingen binnen de

organisatie. Het ontstaan van nieuwe kennis en inzichten, vloeit voort uit het feit

dat er naast de traditionele koppelingen van databestanden steeds vaker

onbekende koppelingen worden gemaakt. (Koolmees, 2005)

In het proces van datamining is een belangrijke rol weggelegd voor de IDM’ers.Voorbeelden van deze rol kunnen zijn:

• de IDM’er voert datamining processen uit met behulp van beschikbare

tools.

• de IDM’er analyseert en integreert de resultaten van het

dataminingsproces en rapporteert hierover.

(Verhoeven & Verbaarsschot, 2006)

Tabel 1. Meer toepassingsgebied

Overheid:

• Detectie belastingfraude

• Daderprofling (politie)

Banken:

• Beurskoersvoorspelling

•

voorspelling vroegtijdige

hypotheekaflossing

• Lening acceptatie

• Identifceren verdachte

transacties

Verzekeraars:

• Risicoanalyse

• Detectie valse claims

• Polisacceptatie

• Premiebepaling

Retial:

• Winkel indeling

• Optimaliseren winkel netw

Telecommunicatie:

• Vroegtijdig identificeren

wanbetalers en fraudeurs• (Churn) analyse op basis v

betaal- en belgedrag.

Uitgevers, reclame-/mediabureau

• Publishing on demand.

• Media strategie bepaling.

• Oplage voorspelling.

• Modelleren Web surfgedr

Bron: liacs.nl



Literatuurlijst

Abswoude, K. van, Been, J, & Hussain, W. (2008, 18 augustus). ‘Data mining’ en toepassingen binnen de financiële- en

dienstensector. Geraadpleegd op 6 mei 2010, http://www.klantsignaalmanagement.nl/downloads/KSM_Datamining.pdf

Bereken nu uw voordeel met de ESR ROI calculator (z.d.), website VLC. Geraadpleegd op 5 mei 2010,http://www.vlc.nl/web/Diensten/Enterprise_Search_and_Retrieval/Bereken_uw_voordeel_met_de_ESR_ROI_calculator.h

Blom, J. (2005). Knowledge Discovery In Data: Van ad hoc data mining naar real-time predictieve analyse. Geraadpleegd op

mei 2010,

http://www.slideshare.net/johblom/knowledge-discovery-in-data-van-ad-hoc-data-mining-naar-realtime-predictieve-anal

2323082

Born, W. & Vlug, M. (2009, 1 Januari). Corporate rapportage beter en sneller door datamining. Geraadpleegd op 7 mei 201

http://www.partake.com/downloads/20060803%20Datamining%20voor%20Financieel%20management.pdf?PHPSESSID=

cb625b7b7bfdcea2088473b4243

Clement, B. & Essen, B. van (2008 Oktober). Datamining left ook online de ziel van de klant bloot: Schatgraven op internet.Geraadpleegd op 7 mei 2010,

http://www.dikw.nl/uploaded/Downloads/ARTIKEL_DIKW_NL_BartClement_DataminingLegtOokOnlineDeZielVanDeKlant

pdf

Deceunynck, F. (2001, 30 juli). DE OPERATIONELE WAARDE VAN KENNISMANAGEMENT. Geraadpleegd op 6 mei 2010,

http://lib.ugent.be/fulltxt/thesis/RUG01-000690003_2010_0001_AC.pdf

Heyning, N. & Suren, W. (2005, 1 juli).Afstudeerproject Bachelor AI: P2P Data mining. Geraadpleegd op 5 mei 2010,

http://staff.science.uva.nl/~bredeweg/pdf/BSc/20042005/HeijingSuren.pdf

Hoeksema, E. (2000a, 25 april). Datamining onder de loep I. Geraadpleegd op 6 mei 2010,

http://www.rcm-

advies.nl/Bibliotheek/Criminaliteitsanalyse/Data%20mining/data%20mining%20onder%20de%20loep%201.pdf

Hoeksema, E. (2000b, 15 juni). Datamining onder de loep II. Geraadpleegd op 6 mei 2010, http://www.rcm-

advies.nl/Bibliotheek/Criminaliteitsanalyse/Data%20mining/data%20mining%20onder%20de%20loep%202.pdf

Infoaxis. (z.d.). Infoaxis: datamining. Geraadpleegd op 6 mei 2010, http://www.infoaxis.nl/dm.htm

Jansen, K. (2006, 2 februari). Data mining: het belang van de onderliggende technieken. Geraadpleegd op 5 mei 2010,

http://www.sbit.nl/ego/bestanden/Data%20mining%20het%20belang%20van%20de%20onderliggende%20technieken.pd

Koffijberg, J., Dekkers, S., Homburg, G. & Berg, B. van den (2009, januari). Regioplan: Niets te verbergen en toch bang.

Nederlandse burgers over het gebruik van hun gegevens in de glazen samenleving . Geraadpleegd op 5 mei 2010,

http://www.cbpweb.nl/downloads_rapporten/rap_2009_niets_te_verbergen_en_toch_bang.pdf

Koolmees, H. (2005, 26 april). Innoveren riep hij gaat van au!. Geraadpleegd op 7 mei 2010, http://igitur-

archive.library.uu.nl/DARLIN/2005-0606-200116/KoolmeesIP07082001.pdf

Kowalczyk, W. (2008, 17 november). Het nut van datamining. Geraadpleegd op 7 mei 2010,

http://www.deconnectie.com/docs/vorige_connecties/pdfs_van_artikelen/c09-verbeter-de-wereld-met-AI/8-9.pdf

Manuel, J.J. Lopez. (2000, 6 juni). De mogelijkheden van data mining voor de Nederlandse politie. Geraadpleegd op 5 mei 2

http://www.rcm-advies.nl/Publicaties/Misdaadanalyse/De%20mogelijkheden%20van%20data%20mining.doc



Putten, P. van der & Kok, J. (z.d.). Aan de slag met Datamining. Geraadpleegd op 7 mei 2010,

http://www.liacs.nl/~putten/library/BIS99.htm

Putten, P. van der & Wurff, A. van der (z.d.). Trends in de toepassing van datawarehousing en datamining: een twistgespre

Geraadpleegd op 6 mei 2010, http://www.liacs.nl/~putten/library/jaarboekCB.htm

Tallir, S. (2008). Data mining: zoeken naar impliciete informatie in databases

Inleiding. Geraadpleegd op 5 mei 2010, http://tallir.com/2008/thesis/THESIS.HTM

Verhoeven, J. & Verbaarsschot, H. (2006, 14 februari). Vergelijking competenties van MBO-IDV en HBO-IDM. Geraadpleeg

7 mei 2010, http://www.ecabo.nl/documenten/hbo/Vergelijking%20mbo-

hbo%20informatiedienstverlening%20%28pdf%29.pdf

Witte, A. de (2008, 7 november). De fietsenstalling editie 8.1. Geraadpleegd op 5 mei 2010,

http://www.schoolmaster.nl/Portals/0/Downloads/Fietsenstalling/Fietsenstalling81_WEB.pdf



Zoekplan.

Tabel 1. Zoekplan voor artikel datamining.

Zoekvraag Zoekprofiel Bron

Wat is de betekenis van

datamining?

(betekenis OR significance

AND (data mining OR

datamining OR data-mining)

Optioneel: filetype:pdf of doc

Google

Knol (Google)

Blogspot

Wat is de synoniem van

datamining?

Synoniem AND (data mining

OR datamining OR data-

mining)

Woordenboek

Encyclopedie

Google

Wat zijn de voor- en nadelen van

datamining?

(voordeel OR nadeel OR

voordelen OR nadelen OR

advantage OR disadvantage

OR advantages OR

disadvantages) AND(datamining OR data-mining)

Google

Waar wordt datamining

toegepast (de

praktijk/toepassingen/casussen)?

(toepassingen OR praktijk OR

casus) AND (data mining OR


Google

LexisNexis

Wat zijn de trends en

ontwikkelingen op het gebied

van datamining?

(trends OR ontwikkelingen)

and (data mining OR



Google

LexisNExis

Marketingonline

EBSCOhost

Willey

Science DirectIkmagazine

Informatie

Wat is de toekomst van

datamining?

(toekomst OR future) and

(data mining OR datamining

OR data-mining)


Google

LexisNexis

Marketingonline

EBSCOhost

Willey

Science Direct

IKmagazine

Informatie

Wat is het verschil tussen

datamining en textmining?

(data mining OR datamining

OR data-mining) AND

(verschil OR difference) AND

(text mining OR textmining

OR text-mining OR

tekstmining)


Google

Knol (Google)

InfoNU

Wikipedia

Bron: Handleiding_voor_Deskresearch_5_sept_voor_BB (Thema: Huisstijl)



Zoekopdrachten online database

Google, pagina’s in het Nederlands (Engels):

Geraadpleegd 4 Mei 2010:

Zoekopdracht (invoer) Aantal hits Relevante vondsten bij eerst

30;

Opmerkingen

Betekenis data mining 5.730 3 relevante; Adviesbureau rapport

Stageverslag Politie

intellectualcapital.nl

Betekenis data mining

filetype:pdf

2.770 3 relevante; Presentatie UZA

Tekstmining rapport

Afstudeerproject UVA

Betekenis data mining

filetype:doc

96 0 relevante; Zoekuitkomsten in

overeenstemming met eerder

opgegeven zoekopdrachten.

Betekenis datamining 3.940 5 relevante; Adviesbureau rapportUniversiteit Amsterdam rapport.

Google Books

Limburgs Universiteit centrum

Informatie.nl

Betekenis datamining

filetype:pdf

1.760 3 relevante; Stageverslag Vu.nl

Text-mining artikel

Justitie.nl

Betekenis datamining

filetype:doc

152 4 relevante; Adviesbureau rapport.

Terminologie lijst

Termen lijst

Verslag student Hanzehogeschool

Synoniem data mining 917 6 relevante; Mijnwoordenboek.nl

Blogbericht Politie

Data miningtools

Automatiseringgids.nl

Blog.wired.com

Softwarepakketen.nl

Synoniem datamining 487 1 relevante; Artikel Ugent.be

Synoniem data-mining 918 0 relevante; Zoekuitkomsten zijn in



Voordeel data mining 8.980 9 relevante Wikipedia

Artikel IGP

Databasemagazine

Artikel VU

Artikel KSM

Sentient Machine Research

Literatuurlijst samenvatting

ARVIX Artikel

Afstudeerscriptie SBIT

Voordelen data mining 8.960 1 relevante; Blog (Siggy)

Nadeel data mining 4.680 2 relevante; Marketingintelligence blog



Artikel Datamining/Statstieken

Nadelen data mining 4.630 2 relevante; Blog benjamincarlier

Adviesbureau artikel

Voordeel datamining 6.910 0 relevante; Zoekuitkomsten in



Nadeel datamining 3.500 1 relevante; ArtikelVoordeel data-mining 8.990 0 relevante; Zoekuitkomsten zijn in



Nadeel data-mining 4.640 0 relevante; Zoekuitkomsten zijn in



Voordelen data-mining 8.980 0 relevante; Zoekuitkomsten zijn in



Nadelen data-mining 4.650 0 relevante; Zoekuitkomsten zijn in


opgegeven zoekopdrachten.Advantage data mining 3.310.000 5 relevante; exforsys.com

Wordpress

Santa Clara University

Buzzle

Dataentrysolution

Disadvantage data

mining

345.000 1 relevante; Artikel ACS

Advantages data mining 5.080.000 0 relevante; Zoekuitkomsten zijn in



Disadvantages data

mining

345.000 0 relevante; Zoekuitkomsten zijn in



Advantage datamining 6.910.000 0 relevante; Zoekuitkomsten zijn in



Disadvantage datamining 791.000 0 relevante; Zoekuitkomsten zijn in



Advantages datamining 8.950.000 0 relevante; Zoekuitkomsten zijn in



Disadvantages

datamining


overeenstemming met eerderopgegeven zoekopdrachten.

Advantage data-mining 3.310.000 0 relevante; Zoekuitkomsten zijn in



Disadvantage data-

mining




Advantages data-mining 5.080.000 0 relevante; Zoekuitkomsten zijn in





Disadvantages data-

mining




Toepassingen data

mining

15.300 3 relevante; Artikel liacs.nl

Artikel PolitiedataminingArtikel VU

werkschuwtuig.nl

Toepassingen data

mining filetype:pdf

5.820 1 relevante; Presentatie liacs.nl

Verslag Utwente

Toepassingen data

mining filetype:doc

196 1 relevante; Verslag Student MTI

Praktijk data mining 9.550 2 relevante; Artikel computable.nl

Artikel TheSIS

Casus data mining 8.170 1 relevante; Eindrapport Regioplan

Toepassingen datamining 13.100 1 relevante; dbmforum.nl

Toepassingen datamining

filetype:pdf

3.890 2 relevante; Artikel partake

Artikel Schatgraven op internet

Toepassingen datamining

filetype:doc

152 1 relevante; Rapportage VU

Praktijk datamining 8.760 1 relevante; Artikel klantsignaalmanagement

Casus datamining 6.360 0 relevante; Veel geruis.

Toepassingen data-

mining




Toepassingen data-

mining filetype:pdf

5.810 1 relevante; Artikel SPSS

Toepassingen data-mining filetype:doc

194 0 relevante; Veel geruis

Praktijk data-mining 9.510 0 relevante; Zoekuitkomsten zijn in



Casus data-mining 8.150 0 relevante; Zoekuitkomsten zijn in



Trends data mining 13.700 2 relevante; Artikel rimtengg

Artikel springerlink

Trends data mining

filetype:pdf

2.690 2 relevante; Tijdschrift voor Economie en

Management

Stageopdracht VUTrends data mining

filtype:doc

87 1 relevante; Stageverslag VU

Ontwikkelingen data

mining

15.8

00

0 relevante; Zoekuitkomsten zijn in



Ontwikkelingen data

mining filetype:pdf




http://www.google.nl/url?sa=t&source=web&ct=res&cd=23&ved=0CAsQFjACOBQ&url=http%3A%2F%2Fwww.dikw.nl%2Fuploaded%2FDownloads%2FARTIKEL_DIKW_NL_BartClement_DataminingLegtOokOnlineDeZielVanDeKlantBloot.pdf&rct=j&q=Toepassingen+datamining+filetype:pdf&ei=zEzgS6DEO9eJOOD29LkI&usg=AFQjCNH2XSHrY7nHax7OFwAwDquSqUbSCg

http://www.google.nl/url?sa=t&source=web&ct=res&cd=23&ved=0CAsQFjACOBQ&url=http%3A%2F%2Fwww.dikw.nl%2Fuploaded%2FDownloads%2FARTIKEL_DIKW_NL_BartClement_DataminingLegtOokOnlineDeZielVanDeKlantBloot.pdf&rct=j&q=Toepassingen+datamining+filetype:pdf&ei=zEzgS6DEO9eJOOD29LkI&usg=AFQjCNH2XSHrY7nHax7OFwAwDquSqUbSCg



Ontwikkelingen data

mining filetype:doc


Trends datamining 11.300 0 relevante; Zoekuitkomsten zijn in



Trends datamining

filetype:pdf


overeenstemming met eerderopgegeven zoekopdrachten.

Trends datamining

filtype:doc


Ontwikkelingen

datamining

13.800 1 relevante; Artikel tweakers

Ontwikkelingen

datamining filetype:pdf




Ontwikkelingen

datamining filetype:doc

152 0 relevante; Zoekuitkomsten zijn in



Toekomst data mining 11.000 1 relevante; Artikel kennislinkToekomst data mining

filetype:pdf

4.190 0 relevante; Veel geruis.

Toekomst data mining

filetype:doc

117 0 relevante; Veel geruis.

Toekomst datamining 8.890 1 relevante; Artikel webwereld

Toekomst datamining

filetype:pdf




Toekomst data-mining

filetype:doc

115 0 relevante; Veel geruis.

Future data mining 6.080.000 6 relevante; Artikel information-management

Blogspot Analystisc.

Artikel theregister

Dataminingarticles.com

Artikel bio-itworld

Artikel boirefillergroup

Future data mining

filetype:pdf

8.910 1 relevante; Rapport fas

Future data mining

filtype:doc




Future datamining 12.400.000 0 relevante; Zoekuitkomsten zijn in



Future dataminingfiletype:pdf

3.980.000 0 relevante; Zoekuitkomsten zijn inovereenstemming met eerder


Future datamining

filetype:doc

10.200 0 relevante; Veel geruis.

Data mining verschil text

mining

2.640 2 relevante; Artikel maastrichtuniversity

Blad NFI_Info

Data-mining verschil

text-mining

783 0 relevante; Zoekuitkomsten zijn in





Data mining difference

text mining

501.000 2 relevante; Artikel berkeley.edu

Rapport depaul.edu

Datamining difference

textmining




Data-mining differencetext-mining

500.000 0 relevante; Zoekuitkomsten zijn inovereenstemming met eerder


KNOL, pagina’s in het Engels:



30;

Opmerkingen

data mining 367 3 relevante; Data warehousing and data

mining

Practical Data Mining

Data mining in business

Datamining 204 0 relevante; Zoekuitkomsten zijn in



Datamining future 66 0 relevante; Zoekuitkomsten zijn in



Blogsearch (google) pagina’s in het Engels:



30;

Opmerkingen

data mining 805.258 0 relevante; Te veel geruis, zoekopdracht opnieuw

formuleren.

Data mining definition 46.659 4 relevante; Blog gambling911.com

Blog blog.data-miners.com/

Blog businessdictionary.com

Blog executive-interface.com

Data mining future 250.381 2 relevante; Blog gotairplaneinsurance.com/

Blog worldpressrelease.org

Data mining advantage 67.168 0 relevante; Veel geruis.

Data mining advantages 137.315 0 relevante; Veel geruis

Data mining

disadvantage

7.045 0 relevante; Veel geruis

Data mining

disadvantges

7.018 1 relevante; Blog

pokercheats.richardmarcusbooks.com/

Data mining difference

text mining

19.239 0 relevante; Veel geruis

Datamining difference

textmining


http://knol.google.com/k/sumya/data-warehousing-and-data-mining/25ih9nq4egf5e/30


http://knol.google.com/k/vikramaditya/practical-data-mining-what-do-we-need/3vu8pe9mo4v73/2

http://knol.google.com/k/vikramaditya/practical-data-mining-what-do-we-need/3vu8pe9mo4v73/2





Blogsearch (google) pagina’s in het Nederlands:



30;

Opmerkingen

data mining 3.047 0 relevante; Veel praktijk voorbeelden (politie,

etc)

Betekenis data mining 76 0 relevante; Veel geruisToekomst data mining 240 0 relevante; Veel praktijk voorbeelden (politie,

google, etc)

Voordeel data mining 176 1 relevante; Blog vincere-online.com

Nadeel data mining 95 0 relevante; Veel geruis

Lexis Nexis Krantenbank

Geraadpleegd 5 Mei 2010

Invoer Aantal hits Commentaar op uitkomsten

Bronnen Periode Zoekopdracht of zoekprofiel

Alle 5 Laatste 1 jr Data mining 0 Geen relevante uitkomsten.

Datamining 4 Geen relevante uitkomsten.

10 jr Datamining 66 Twee artikelen van Het

Financieele Dagblad.

Toekomst datamining 0 Geen relevante uitkomsten.

Voordeel datamining 0 Geen relevante uitkomsten.

Nadeel datamining 0 Geen relevante uitkomsten

Het recept van Data-mining.

Documents

Transcript of Het recept van Data-mining.