Refine
Document Type
Has Fulltext
- no (2)
Is part of the Bibliography
- no (2)
Keywords
- Data Mining (1)
- Entscheidungsbaum (1)
- Logit-Analyse (1)
- Neuronales Netz (1)
- OpenStreetMap (1)
- Standortanalyse (1)
Im Zeitalter von Big Data werden immense Informationsbestände aus unterschiedlichen Quellen gesammelt. Die Daten sind häufig unvollständig, unsicher und ungenau. Ein Beispiel hierfür ist das OpenStreetMap Projekt, bei dem Nutzer auf der ganzen Welt einmal mehr und einmal weniger „sauber“ bzw. vollständig Daten beisteuern. In diesem Beitrag wird gezeigt, ob sich diese Daten eignen um ein betriebswirtschaftliches Problem zu lösen. Ein konkretes Fallbeispiel verdeutlicht, wie gut Standortentscheidungen einer Fast Food Kette unter Anwendung fortgeschrittener datenanalytischer Verfahren, wie bspw. Künstlicher Neuronaler Netze, Entscheidungsbäume und Logit-Modelle, nachempfunden werden können. Als Grundlage dienen die Daten des OpenStreetMap Projekts. Im Konkreten geht es darum, potenzielle Filialstandorte hinsichtlich deren Güte mittels OpenStreetMap Daten zu klassifizieren und die prognostizierten Lokationen mit tatsächlichen Standortentscheidungen zu vergleichen. Dabei zeigt sich, dass die Daten des OpenStreetMap Projekts grundsätzlich für die Prognose von Standorten geeignet sind. Allerdings ist die Wahl des datenanalytischen Verfahrens von Bedeutung. Im vorliegenden Fall konnte mit Hilfe der Künstlichen Neuronalen Netze das beste Prognoseergebnis erzielt werden.
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.