@inproceedings{KellnerSchroeder2022, author = {Kellner, Florian and Schr{\"o}der, Nadine}, title = {Location Planning \& Analysis Using Uncertain Data}, series = {2021 International Conference on Decision Aid Sciences and Application (DASA)}, booktitle = {2021 International Conference on Decision Aid Sciences and Application (DASA)}, doi = {10.1109/DASA53625.2021.9682323}, pages = {720 -- 723}, year = {2022}, abstract = {In today's big data era, a humongous amount of data are collected from various sources. In many cases, these data are incomplete, imprecise, and uncertain. An illustrative example is the OpenStreetMap project, where users all over the world contribute data on a more or less precise and complete level. This research shows whether these data are suited to support management decisions. A real-world example demonstrates the extent to which location decisions of a fast-food restaurant chain can be reproduced using techniques from the field of advanced analytics. The problem deals with classifying potential locations and comparing the predicted locations with the actual ones. The data used for this example are retrieved from the OpenStreetMap project. We find that the OpenStreetMap data are generally suitable for predicting location decisions. However, the choice of the data analytics technique is crucial. In our illustrative example case, boosted trees resulted in the best forecast, thereby outperforming neural networks, classic trees, and logit models.}, language = {en} } @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} }