@phdthesis{Minke2013,
  author    = {Anneke Minke},
  title     = {Fuzzy-Clustering als methodische Grundlage zur dynamischen Marktsegmentierung},
  url       = {https://nbn-resolving.org/urn:nbn:de:gbv:hil2-opus-1995},
  year      = {2013},
  abstract  = {Das Aufdecken zeitabh{\"a}ngiger {\"A}nderungen in Datenstrukturen im Bereich der Marktforschung ist von grundlegender Bedeutung, um gezielt f{\"u}r die Zukunft planen zu k{\"o}nnen. Insbesondere die Ver{\"a}nderung einzelner Marktsegmente muss nachvollzogen werden, damit ein Unternehmen auf Entwicklungen reagieren und entsprechende Ma{\"s}nahmen einleiten kann. Eine ausschlie{\"s}lich deskriptive Untersuchung der aufgetretenen Struktur{\"a}nderungen ist jedoch nicht ausreichend; vielmehr m{\"u}ssen Trends in die Planung einbezogen werden, da nur so rechtzeitig eine Anpassung der Marketinginstrumente vorgenommen werden kann, um ggf. Entwicklungen zu f{\"o}rdern oder ihnen -- sofern m{\"o}glich und sinnvoll -- entgegenzuwirken. Das Change Mining bietet Ans{\"a}tze, Strukturen im dynamischen Kontext zu analysieren und so zeitabh{\"a}ngige Ver{\"a}nderungen fr{\"u}hzeitig aufzudecken. Zum automatischen Erkennen von Marktsegmenten ist die Clusteranalyse ein weit verbreitetes Verfahren; sie erm{\"o}glicht die Einteilung eines heterogenen Datensatzes, z.B. verschiedener Kundenverhaltensdaten, in homogene Teilgruppen. Bei der Analyse dynamischer {\"A}nderungen innerhalb der Daten ist au{\"s}erdem das Aufdecken gradueller Unterschiede zwischen den einzelnen Untersuchungszeitpunkten von hoher Bedeutung, um zuk{\"u}nftige Entwicklungen und Trends prognostizieren zu k{\"o}nnen. Daher erscheint eine harte Clustereinteilung in diesem Kontext ungeeignet, vielmehr werden Zugeh{\"o}rigkeitsgrade ben{\"o}tigt. Aus diesem Grund empfiehlt sich die Fuzzy-Clusteranalyse als Grundlage f{\"u}r die dynamische Betrachtung von Marktsegmenten. In der vorliegenden Arbeit wird aufbauend auf einer allgemeinen Einf{\"u}hrung in die Thematik des Data Minings und des Change Minings eine kurze Vorstellung von Ans{\"a}tzen zur Untersuchung dynamischer Ver{\"a}nderungen unter Anwendung anderer, in der Marktforschung relevanter Data Mining-Verfahren vorgenommen, bevor eine Einf{\"u}hrung in die Fuzzy-Clusteranalyse im Speziellen erfolgt. Aufgrund des Untersuchungsziels, dynamische Ver{\"a}nderungen innerhalb einer Clusterstruktur aufzudecken, werden neue Ans{\"a}tze zur possibilistischen Fuzzy-Clusteranalyse erl{\"a}utert, die auf Homogenit{\"a}t innerhalb einzelner Cluster ausgerichtet sind und unabh{\"a}ngig von m{\"o}glichen zeitabh{\"a}ngigen {\"A}nderungen angewendet werden k{\"o}nnen. Zum Nachverfolgen aufgetretener Ver{\"a}nderungen und der Vorhersage m{\"o}glicher Entwicklungen werden verschiedene Ma{\"s}e vorgestellt und genauer betrachtet, um den Prozess des Change Minings zu verdeutlichen. Dabei wird zwischen der Analyse gradueller {\"A}nderungen innerhalb einzelner Cluster und abrupter Ver{\"a}nderungen bzgl. der Gesamtstruktur und der darin vorhandenen Clusterzahl unterschieden. Die Ergebnisse der Untersuchung gradueller {\"A}nderungen bzgl. Gr{\"o}{\"s}e, Dichte und Volumen der individuellen Cluster werden dabei zur Ermittlung abrupter {\"A}nderungen bzgl. der Clusterzahl, d.h. neu entstandener, zu elimierender, vereinigter oder geteilter Cluster hinzugezogen, da sie diese implizieren k{\"o}nnen. Das Vorgehen zur Analyse einzelner Ver{\"a}nderungsarten wird jeweils anhand detailliert dargestellter Experimente veranschaulicht, die mit Hilfe eines eigens f{\"u}r diesen Zweck entwickelten Java-Applets durchgef{\"u}hrt wurden.},
  language  = {de}
}