@article{KellnerSchroeder2018, author = {Kellner, Florian and Schr{\"o}der, Nadine}, title = {Data Mining mit unsicheren Daten - Fallbeispiel OpenStreetMap}, series = {HMD - Praxis der Wirtschaftsinformatik}, volume = {55}, journal = {HMD - Praxis der Wirtschaftsinformatik}, number = {3}, doi = {10.1365/s40702-018-0419-5}, pages = {601 -- 613}, year = {2018}, abstract = {Im Zeitalter von Big Data werden immense Informationsbest{\"a}nde aus unterschiedlichen Quellen gesammelt. Die Daten sind h{\"a}ufig unvollst{\"a}ndig, unsicher und ungenau. Ein Beispiel hierf{\"u}r ist das OpenStreetMap Projekt, bei dem Nutzer auf der ganzen Welt einmal mehr und einmal weniger „sauber" bzw. vollst{\"a}ndig Daten beisteuern. In diesem Beitrag wird gezeigt, ob sich diese Daten eignen um ein betriebswirtschaftliches Problem zu l{\"o}sen. Ein konkretes Fallbeispiel verdeutlicht, wie gut Standortentscheidungen einer Fast Food Kette unter Anwendung fortgeschrittener datenanalytischer Verfahren, wie bspw. K{\"u}nstlicher Neuronaler Netze, Entscheidungsb{\"a}ume und Logit-Modelle, nachempfunden werden k{\"o}nnen. Als Grundlage dienen die Daten des OpenStreetMap Projekts. Im Konkreten geht es darum, potenzielle Filialstandorte hinsichtlich deren G{\"u}te mittels OpenStreetMap Daten zu klassifizieren und die prognostizierten Lokationen mit tats{\"a}chlichen Standortentscheidungen zu vergleichen. Dabei zeigt sich, dass die Daten des OpenStreetMap Projekts grunds{\"a}tzlich f{\"u}r die Prognose von Standorten geeignet sind. Allerdings ist die Wahl des datenanalytischen Verfahrens von Bedeutung. Im vorliegenden Fall konnte mit Hilfe der K{\"u}nstlichen Neuronalen Netze das beste Prognoseergebnis erzielt werden.}, language = {de} }