Big Data ist derzeit in aller Munde. Dank Internet, Mobile und Social Media explodieren die Datenbestände. Personalisierung gilt vor allem auch im Handel als eines der derzeitigen Schlüsselthemen für große Datenmengen. Statt anonymisierter Werbung erhalten Verbraucher personalisierte Angebote über verschiedene Kanäle, die sie wirklich interessieren.
Die Methoden und Ansätze stammen jedoch häufig noch aus dem klassischen Data Mining: Daten werden in sehr großen Mengen gespeichert und von Zeit zu Zeit ausgewertet. Zu schnell wachsen jedoch die Datenbestände, zu vielfältig sind deren Kanäle und zu schnell ändert sich das Kundenverhalten.
Der Ausweg heißt Realtime Analytics. Dabei werden die Daten in Echtzeit ausgewertet und daraus sofort Aktionen abgeleitet. Die klaren Vorteile: Das Lernen geschieht schrittweise, neue Daten werden nur einmalig zum Update des Analysemodells benötigt, die Datenspeicherung entfällt. Die Analysemodelle passen sich sofort den Änderungen der Umwelt an und das kontinuierliche Wechselspiel von Analyse sowie Aktion resultiert in einer völlig neuen Qualität der Personalisierung. Der Übergang von der statischen Analyse zum Realtime Analytics steht somit für einen fundamentalen Paradigmenwechsel im Bereich Big Data.
Realtime Analytics erfordert jedoch ein neues mathematisches Fundament. Seit 10 Jahren befasst sich die prudsys AG mit den Themen Echtzeitanalyse und Personalisierung. In dem neuen Buch „Realtime Data Mining: Self-Learning Techniques for Recommendation Engines“ beschreiben Alexander Paprotny und Dr. Michael Theß die grundlegenden Prinzipien der Echtzeitanalyse am Beispiel von Empfehlungsmaschinen.
Das Buch bietet einen umfassenden Einstieg in das Thema Echtzeitanalyse. Neben einer Zusammenfassung der bisherigen Ansätze im Bereich der Empfehlungsmaschinen werden zudem die Notwendigkeit der Echtzeitanalyse sowie Reinforcement Learning als zentrales kontrolltheoretisches Framework des Echtzeitlernens näher erläutert. Die Autoren gehen detailliert auf neue Gebiete der modernen Approximationstheorie wie Multilevel-Verfahren sowie Tensor-Zerlegungen ein und veranschaulichen die Thematik an zahlreichen synthetischen sowie praktischen Daten. Zudem stellen die Autoren die prudsys Software-Bibliothek XELOPES vor, die ein umfassendes Framework und modernste Verfahren des Realtime Analytics beinhaltet. Sie beschreiben weitere Echtzeitanalyse-Anwendungen wie Echtzeit-Scoring, Echtzeit-Preisanalyse sowie Echtzeit-Disposition und geben einen Ausblick auf künftige Forschungsrichtungen.
Das Buch richtet sich zum einen an Spezialisten aus dem Bereich künstliche Intelligenz, zum anderen an mathematisch Interessierte, welche die praktische Anwendung moderner mathematischer Disziplinen wie Dynamic Programming, Multilevel-Verfahren und Tensor-Algebra im Bereich der Datenanalyse kennenlernen wollen.
Weitere Informationen: http://www.springer.com/...
Die Methoden und Ansätze stammen jedoch häufig noch aus dem klassischen Data Mining: Daten werden in sehr großen Mengen gespeichert und von Zeit zu Zeit ausgewertet. Zu schnell wachsen jedoch die Datenbestände, zu vielfältig sind deren Kanäle und zu schnell ändert sich das Kundenverhalten.
Der Ausweg heißt Realtime Analytics. Dabei werden die Daten in Echtzeit ausgewertet und daraus sofort Aktionen abgeleitet. Die klaren Vorteile: Das Lernen geschieht schrittweise, neue Daten werden nur einmalig zum Update des Analysemodells benötigt, die Datenspeicherung entfällt. Die Analysemodelle passen sich sofort den Änderungen der Umwelt an und das kontinuierliche Wechselspiel von Analyse sowie Aktion resultiert in einer völlig neuen Qualität der Personalisierung. Der Übergang von der statischen Analyse zum Realtime Analytics steht somit für einen fundamentalen Paradigmenwechsel im Bereich Big Data.
Realtime Analytics erfordert jedoch ein neues mathematisches Fundament. Seit 10 Jahren befasst sich die prudsys AG mit den Themen Echtzeitanalyse und Personalisierung. In dem neuen Buch „Realtime Data Mining: Self-Learning Techniques for Recommendation Engines“ beschreiben Alexander Paprotny und Dr. Michael Theß die grundlegenden Prinzipien der Echtzeitanalyse am Beispiel von Empfehlungsmaschinen.
Das Buch bietet einen umfassenden Einstieg in das Thema Echtzeitanalyse. Neben einer Zusammenfassung der bisherigen Ansätze im Bereich der Empfehlungsmaschinen werden zudem die Notwendigkeit der Echtzeitanalyse sowie Reinforcement Learning als zentrales kontrolltheoretisches Framework des Echtzeitlernens näher erläutert. Die Autoren gehen detailliert auf neue Gebiete der modernen Approximationstheorie wie Multilevel-Verfahren sowie Tensor-Zerlegungen ein und veranschaulichen die Thematik an zahlreichen synthetischen sowie praktischen Daten. Zudem stellen die Autoren die prudsys Software-Bibliothek XELOPES vor, die ein umfassendes Framework und modernste Verfahren des Realtime Analytics beinhaltet. Sie beschreiben weitere Echtzeitanalyse-Anwendungen wie Echtzeit-Scoring, Echtzeit-Preisanalyse sowie Echtzeit-Disposition und geben einen Ausblick auf künftige Forschungsrichtungen.
Das Buch richtet sich zum einen an Spezialisten aus dem Bereich künstliche Intelligenz, zum anderen an mathematisch Interessierte, welche die praktische Anwendung moderner mathematischer Disziplinen wie Dynamic Programming, Multilevel-Verfahren und Tensor-Algebra im Bereich der Datenanalyse kennenlernen wollen.
Weitere Informationen: http://www.springer.com/...
