Paul Goedhart IDV2a 253529

Het recept van datamining.

Hanzehogeschool, Informatiedienstverlening en management, 11 mei 2010

Competenties:
reflectively and methodically problem solution support social responsibility professionalisering

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 tot 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 IDMers onder ons nuttig om meer kennis over dit onderwerp te vergaren. (Bereken nu, z.d) (Jansen, 2006)
Figuur 1. Datamining strip

Onderwerpen:
Datamining, wat is dat precies De datamining proces Toepassingsgebieden IDMer en Datamining 1/2 2/3 4 5

Bron: http://books.google.com/books?id=V8DHIBaak-QC&pg=PA109&vq=mining&output=html&sig=b9GTCMube14pkL07l88Gc-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 zowel 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 moeten organisaties op zoek gaan naar nieuwe, efficintere methodes om aan gegevensanalyse te doen. Datamining beter bekend als Knowledge Discovery in Datasbases (KDD) is zon 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

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 opgeslagen zijn in een database (datawarehouse), om vervolgens daar betekenisvolle (verborgen) patronen en relaties in te ontdekken die nuttig en begrijpbaar zijn voor de organisatie. (Heyning & Suren, 2005)(Jansen, 2006)(Koffijberg, Dekkers, Homburg & Berg, 2009) (Manuel, 2000) (Tallir, 2008)(Witte, 2008)
Figuur 2. Datamining in vogelvlucht.

When you discover something interesting, assume that its wrong, and dig deeper for a reason why. (De Veaux, Richard)

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

Kortom bij datamining draait het om het opgraven van informatie uit een database. Informatie die niet expliciet in een database is gestopt, maar dankzij geavanceerde technieken aan het licht kan worden gebracht.

De datamining proces.
Een datamining proces bestaat uit een aantal stappen. Het proces verandert echter elke keer. Dit komt doordat deze afhangt van het doel waarvoor datamining wordt 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: Gegevensorintatie. Deze fase omvat het selecteren, verkennen en het omschrijven van de data (gegevens), om het probleem op te kunnen lossen.

Pagina 3 van 5

Het recept van datamining

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. Zon 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 het resultaat. 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 efficinte 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, het begrijpen van de gegevens, de voorbereiding van de gegevens, de modellering, de evaluatie en het ondernemen van actie aan de hand van de eindresultaten. Any statistic that appears interesting is almost certainly a mistake. (De Veaux, Richard)

Any figure that looks interesting or different is usually wrong. (De Veaux, Richard)

Het recept van datamining

Pagina 4 van 5

Toepassingsgebieden
Figuur 3. Managementboek.nl suggestie lijst

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 van andere consumenten met een vergelijkbaar klantprofiel. (Born & Vlug, 2009)(Clement & Essen, 2008) (Jansen, 2006)
Figuur 5. Datamining strip

Bron: managementboek.nl Figuur 4. Bol.com suggestie lijst

Bron: bol.com

Bron: http://books.google.com/books?id=V8DHIBaak-QC&pg=PA133&vq=database&output=html&sig=PanxAef4hi1umo1rJ_2ToW5JIM

It is a capital mistake to theorize before one has data." (Doyle, Sir Arthur Conan)

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 frauduleus gebruik van een creditcard te onderkennen. In Groot-Brittanni wordt bijvoorbeeld elke 9 seconden gefraudeerd met een creditcard, elke dag gaat er circa 2 miljoen euro verloren aan creditcardfraude en bijna n 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 realtime alle transacties en blokkeert transacties automatisch als ze onraad ruiken.

Pagina 5 van 5

Het recept van datamining

Tabel 1. Meer toepassingsgebieden. 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 netwerk Telecommunicatie: Vroegtijdig identificeren wanbetalers en fraudeurs. (Churn) analyse op basis van betaal- en belgedrag. Uitgevers, reclame-/mediabureaus: Publishing on demand. Media strategie bepaling. Oplage voorspelling. Modelleren Web surfgedrag. Bron: liacs.nl

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.)
Figuur 6. Datamining strip

Bron: http://books.google.com/books?id=V8DHIBaak-QC&pg=PA133&vq=database&output=html&sig=PanxAef4hi1umo1rJ_2ToW5JIM

IDMer en Datamining.
Nieuwe en waardevolle kennis creren 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 IDMers. Voorbeelden van deze rol kunnen zijn: de IDMer voert datamining processen uit met behulp van beschikbare tools. de IDMer analyseert en integreert de resultaten van het dataminingsproces en rapporteert hierover. (Verhoeven & Verbaarsschot, 2006)

Literatuurlijst
Abswoude, K. van, Been, J, & Hussain, W. (2008, 18 augustus). Data mining en toepassingen binnen de financile- 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.html Blom, J. (2005). Knowledge Discovery In Data: Van ad hoc data mining naar real-time predictieve analyse. Geraadpleegd op 6 mei 2010, http://www.slideshare.net/johblom/knowledge-discovery-in-data-van-ad-hoc-data-mining-naar-realtime-predictieve-analyse2323082 Born, W. & Vlug, M. (2009, 1 Januari). Corporate rapportage beter en sneller door datamining. Geraadpleegd op 7 mei 2010, http://www.partake.com/downloads/20060803%20Datamining%20voor%20Financieel%20management.pdf?PHPSESSID=2a07a 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_DataminingLegtOokOnlineDeZielVanDeKlantBloot. 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.rcmadvies.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.rcmadvies.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.pdf 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://igiturarchive.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 2010, 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 twistgesprek. 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. Geraadpleegd op 7 mei 2010, http://www.ecabo.nl/documenten/hbo/Vergelijking%20mbohbo%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 Wat is de betekenis van datamining?

Zoekprofiel (betekenis OR significance AND (data mining OR datamining OR data-mining) Optioneel: filetype:pdf of doc Synoniem AND (data mining OR datamining OR datamining) (voordeel OR nadeel OR voordelen OR nadelen OR advantage OR disadvantage OR advantages OR disadvantages) AND (datamining OR data-mining) (toepassingen OR praktijk OR casus) AND (data mining OR datamining OR data-mining) (trends OR ontwikkelingen) and (data mining OR datamining OR data-mining) Optioneel: filetype:pdf of doc

Bron Google Knol (Google) Blogspot

Wat is de synoniem van datamining? Wat zijn de voor- en nadelen van datamining?

Woordenboek Encyclopedie Google Google

Waar wordt datamining toegepast (de praktijk/toepassingen/casussen)? Wat zijn de trends en ontwikkelingen op het gebied van datamining?

Google LexisNexis Google LexisNExis Marketingonline EBSCOhost Willey Science Direct Ikmagazine Informatie Google LexisNexis Marketingonline EBSCOhost Willey Science Direct IKmagazine Informatie Google Knol (Google) InfoNU Wikipedia

Wat is de toekomst van datamining?

(toekomst OR future) and (data mining OR datamining OR data-mining)

Optioneel: filetype:pdf of doc 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) Optioneel: filetype:pdf of doc
Bron: Handleiding_voor_Deskresearch_5_sept_voor_BB (Thema: Huisstijl)

Zoekopdrachten online database

Google, paginas in het Nederlands (Engels): Geraadpleegd 4 Mei 2010: Zoekopdracht (invoer) Aantal hits Relevante vondsten bij eerst 30; Betekenis data mining 5.730 3 relevante; Opmerkingen Adviesbureau rapport Stageverslag Politie intellectualcapital.nl Presentatie UZA Tekstmining rapport Afstudeerproject UVA Zoekuitkomsten in overeenstemming met eerder opgegeven zoekopdrachten. Adviesbureau rapport Universiteit Amsterdam rapport. Google Books Limburgs Universiteit centrum Informatie.nl Stageverslag Vu.nl Text-mining artikel Justitie.nl Adviesbureau rapport. Terminologie lijst Termen lijst Verslag student Hanzehogeschool Mijnwoordenboek.nl Blogbericht Politie Data miningtools Automatiseringgids.nl Blog.wired.com Softwarepakketen.nl Artikel Ugent.be Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Wikipedia Artikel IGP Databasemagazine Artikel VU Artikel KSM Sentient Machine Research Literatuurlijst samenvatting ARVIX Artikel Afstudeerscriptie SBIT Blog (Siggy) Marketingintelligence blog

Betekenis data mining filetype:pdf Betekenis data mining filetype:doc Betekenis datamining

2.770

3 relevante;

96

0 relevante;

3.940

5 relevante;

Betekenis datamining filetype:pdf Betekenis datamining filetype:doc

1.760

3 relevante;

152

4 relevante;

Synoniem data mining

917

6 relevante;

Synoniem datamining Synoniem data-mining

487 918

1 relevante; 0 relevante;

Voordeel data mining

8.980

9 relevante

Voordelen data mining Nadeel data mining

8.960 4.680

1 relevante; 2 relevante;

Nadelen data mining Voordeel datamining

4.630 6.910

2 relevante; 0 relevante;

Nadeel datamining Voordeel data-mining

3.500 8.990

1 relevante; 0 relevante;

Nadeel data-mining

4.640

0 relevante;

Voordelen data-mining

8.980

0 relevante;

Nadelen data-mining

4.650

0 relevante;

Advantage data mining

3.310.000

5 relevante;

Artikel Datamining/Statstieken Blog benjamincarlier Adviesbureau artikel Zoekuitkomsten in overeenstemming met eerder opgegeven zoekopdrachten. Artikel Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. exforsys.com Wordpress Santa Clara University Buzzle Dataentrysolution Artikel ACS Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in

Disadvantage data mining Advantages data mining

345.000 5.080.000

1 relevante; 0 relevante;

Disadvantages data mining Advantage datamining

345.000

0 relevante;

6.910.000

0 relevante;

Disadvantage datamining

791.000

0 relevante;

Advantages datamining

8.950.000

0 relevante;

Disadvantages datamining Advantage data-mining

791.000

0 relevante;

3.310.000

0 relevante;

Disadvantage datamining Advantages data-mining

345.000

0 relevante;

5.080.000

0 relevante;

Disadvantages datamining Toepassingen data mining

346.000

0 relevante;

15.300

3 relevante;

Toepassingen data mining filetype:pdf Toepassingen data mining filetype:doc Praktijk data mining Casus data mining Toepassingen datamining Toepassingen datamining filetype:pdf Toepassingen datamining filetype:doc Praktijk datamining Casus datamining Toepassingen datamining Toepassingen datamining filetype:pdf Toepassingen datamining filetype:doc Praktijk data-mining

5.820 196 9.550 8.170 13.100 3.890

1 relevante; 1 relevante; 2 relevante; 1 relevante; 1 relevante; 2 relevante;

overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Artikel liacs.nl Artikel Politiedatamining Artikel VU werkschuwtuig.nl Presentatie liacs.nl Verslag Utwente Verslag Student MTI Artikel computable.nl Artikel TheSIS Eindrapport Regioplan dbmforum.nl Artikel partake Artikel Schatgraven op internet Rapportage VU Artikel klantsignaalmanagement Veel geruis. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Artikel SPSS Veel geruis Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Artikel rimtengg Artikel springerlink Tijdschrift voor Economie en Management Stageopdracht VU Stageverslag VU Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten.

152 8.760 6.360 15.400

1 relevante; 1 relevante; 0 relevante; 0 relevante;

5.810 194 9.510

1 relevante; 0 relevante; 0 relevante;

Casus data-mining

8.150

0 relevante;

Trends data mining Trends data mining filetype:pdf Trends data mining filtype:doc Ontwikkelingen data mining Ontwikkelingen data mining filetype:pdf

13.700 2.690

2 relevante; 2 relevante;

87 15.8 00 4.220

1 relevante; 0 relevante;

0 relevante;

Ontwikkelingen data mining filetype:doc Trends datamining

163 11.300

0 relevante; 0 relevante;

Veel geruis Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Veel geruis Artikel tweakers Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Artikel kennislink Veel geruis. Veel geruis. Artikel webwereld Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Veel geruis. Artikel information-management Blogspot Analystisc. Artikel theregister Dataminingarticles.com Artikel bio-itworld Artikel boirefillergroup Rapport fas Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Veel geruis. Artikel maastrichtuniversity Blad NFI_Info Zoekuitkomsten zijn in overeenstemming met eerder

Trends datamining filetype:pdf Trends datamining filtype:doc Ontwikkelingen datamining Ontwikkelingen datamining filetype:pdf Ontwikkelingen datamining filetype:doc Toekomst data mining Toekomst data mining filetype:pdf Toekomst data mining filetype:doc Toekomst datamining Toekomst datamining filetype:pdf Toekomst data-mining filetype:doc Future data mining

1.990

0 relevante;

19 13.800 3.990

0 relevante; 1 relevante; 0 relevante;

152

0 relevante;

11.000 4.190 117 8.890 2.870

1 relevante; 0 relevante; 0 relevante; 1 relevante; 0 relevante;

115 6.080.000

0 relevante; 6 relevante;

Future data mining filetype:pdf Future data mining filtype:doc Future datamining

8.910 4.900

1 relevante; 0 relevante;

12.400.000

0 relevante;

Future datamining filetype:pdf Future datamining filetype:doc Data mining verschil text mining Data-mining verschil text-mining

3.980.000

0 relevante;

10.200 2.640 783

0 relevante; 2 relevante; 0 relevante;

Data mining difference text mining Datamining difference textmining Data-mining difference text-mining

501.000 35.100

2 relevante; 0 relevante;

500.000

0 relevante;

opgegeven zoekopdrachten. Artikel berkeley.edu Rapport depaul.edu Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten.

KNOL, paginas in het Engels: Geraadpleegd 5 Mei 2010: Zoekopdracht (invoer) Aantal hits data mining 367

Relevante vondsten bij eerst 30; 3 relevante;

Opmerkingen Data warehousing and data mining Practical Data Mining Data mining in business Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten. Zoekuitkomsten zijn in overeenstemming met eerder opgegeven zoekopdrachten.

Datamining

204

0 relevante;

Datamining future

66

0 relevante;

Blogsearch (google) paginas in het Engels: Geraadpleegd 5 Mei 2010: Zoekopdracht (invoer) Aantal hits Relevante vondsten bij eerst 30; data mining 805.258 0 relevante; Data mining definition 46.659 4 relevante;

Opmerkingen Te veel geruis, zoekopdracht opnieuw formuleren. Blog gambling911.com Blog blog.data-miners.com/ Blog businessdictionary.com Blog executive-interface.com Blog gotairplaneinsurance.com/ Blog worldpressrelease.org Veel geruis. Veel geruis Veel geruis Blog pokercheats.richardmarcusbooks.com/ Veel geruis Veel geruis

Data mining future Data mining advantage Data mining advantages Data mining disadvantage Data mining disadvantges Data mining difference text mining Datamining difference textmining

250.381 67.168 137.315 7.045 7.018 19.239 333

2 relevante; 0 relevante; 0 relevante; 0 relevante; 1 relevante; 0 relevante; 0 relevante;

Blogsearch (google) paginas in het Nederlands: Geraadpleegd 5 Mei 2010: Zoekopdracht (invoer) Aantal hits Relevante vondsten bij eerst 30; data mining 3.047 0 relevante; Betekenis data mining Toekomst data mining Voordeel data mining Nadeel data mining Lexis Nexis Krantenbank Geraadpleegd 5 Mei 2010 Invoer Bronnen Alle 5 Periode Laatste 1 jr 10 jr Zoekopdracht of zoekprofiel Data mining Datamining Datamining Toekomst datamining Voordeel datamining Nadeel datamining 0 4 66 0 0 0 76 240 176 95 0 relevante; 0 relevante; 1 relevante; 0 relevante;

Opmerkingen Veel praktijk voorbeelden (politie, etc) Veel geruis Veel praktijk voorbeelden (politie, google, etc) Blog vincere-online.com Veel geruis

Aantal hits

Commentaar op uitkomsten

Geen relevante uitkomsten. Geen relevante uitkomsten. Twee artikelen van Het Financieele Dagblad. Geen relevante uitkomsten. Geen relevante uitkomsten. Geen relevante uitkomsten