Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.

net/publication/221338369

Knowledge Discovery di Database pada Contoh Teknik Manajemen Perubahan.

Kertas konferensi · Januari 2010

Sumber: DBLP

CITATIONS Dibaca

4 484

3 penulis . termasuk:

Technische Universität München

1.090 PUBLIKASI     7979 CITATIONS    

MELIHAT PROFIL

Beberapa penulis publikasi ini juga bekerja pada proyek-proyek terkait:

Metode untuk menguasai Heterogenitas di IT Service Nilai Networks Lihat proyek

Einführungs- und Kommunikationsstrategien für IT Infrastrukturprojekte. Lihat proyek Helmut Krcmar

Semua konten berikut halaman ini diunggah oleh Helmut Krcmar pada 28 Januari 2016.

Pengguna telah meminta peningkatan file yang didownload.

 Knowledge Discovery di Database pada Contoh
Teknik Manajemen Perubahan

1, petra Serigala 1, Helmut Krcmar 1

Armin Sharafi

1 Kursi untuk Sistem Informasi I17, Technische Univer

sität München, Boltzmannstr. 3,
85748 Garching bei München, Jerman
{Armin.sharafi, petra.wolf, krcmar}@in.tum.de

Abstrak. Tujuan dari penelitian ini adalah untuk menerapkan knowled ge Penemuan di
Database untuk memperoleh pola Teknik Ganti Re quests. Pekerjaan kita
menjelaskan kasus penggunaan dengan klaim untuk meningkatkan Prod SLT Proses Pembangunan.
Pendekatan itu dilakukan dengan mempertahankan busi ness pemahaman di
konteks industri otomotif. Untuk mendapatkan Bette sebuah r rasa domain kita
Wawancara dilakukan untuk dapat memilih relevan yang data uji t ditetapkan. Kami dimodelkan
Proses Pertambangan teks untuk menganalisis seluruh rangkaian catatan . Hasil penelitian menunjukkan bahwa
permintaan memiliki kesamaan dalam konten, misalnya ca penggunaan Perubahan Teknik.
kesamaan ini dapat digunakan sebagai sumber untuk devel bantuan lebih lanjut op untuk
mengubah pelamar permintaan. Untuk mencapai tujuan ini Tex Proses Pertambangan t sekarang dapat

diterapkan pada satu set data produsen mobil mengandung Teknik

Ubah Permintaan dari sepuluh tahun terakhir.

Kata kunci: Knowledge Discovery di Database, Pertambangan Teks, Aut omotive

Pengembangan Produk, Teknik Manajemen Perubahan

1 pengantar

Penerapan Knowledge Discovery di Database (KDD) terutama dilakukan

dalam domain seperti jasa keuangan (pemberian kredit), pasokan listrik
industri (beban forecasting) dan pemasaran dan penjualan [1]. aplikasinya untuk produk
tujuan pembangunan dan khususnya bagi Insinyur ing Permintaan Perubahan (ECR) adalah
baru dan belum diselidiki. pekerjaan penelitian ini menggambarkan menggunakan kasus untuk menerapkan proses

KDD untuk tujuan pengembangan produk. Mengambil tampilan di pasar pertumbuhan yang tinggi dengan

siklus hidup produk pendek, waktu Developm Produk Proses ent (PDP) dapat memiliki
dampak yang signifikan terhadap laba [2]. Sebagai konsekuensi semakin sulit untuk konvensional
PDP untuk memenuhi berubah dengan cepat persyaratan [3]. Es pecially lingkungan
industri otomotif tunduk konstan perubahan o kondisi f (misalnya teknologi,
hukum, persaingan) dan sebagai konsekuensinya harus berubah produk, proses dan
produksi sering [4]. PDP di bidang teknik memiliki s karakteristik pecial, seperti
keterlibatan beberapa perusahaan, informasi yang tinggi butuhkan dan kreativitas. Karena itu
domain ini membutuhkan tindakan terkoordinasi untuk mematuhi dengan misalnya kontrol kompleksitas,
keandalan perencanaan dan kerangka peraturan.
2 Armin Sharafi1, Petra Wolf1, Helmut Krcmar1

Pelaksanaan Teknik Perubahan Permintaan (ECR) adalah salah satu representasi untuk

persyaratan tersebut di PDPs. proses pembangunan, i proses nspection dan

kegiatan terkait tambahan dirangkum dalam Konsep Teknik Perubahan
Manajemen (ECM) [5, 6]. Saya t termasuk manajemen dan pemantauan
proses perubahan organisasi [7, 8]. Teknik Perubahan harus dilihat sebagai
modifikasi dokumen atau bagian sudah dibagikan [9]. Mereka tercermin pada akhirnya
dalam produk dan desain dan produksi mereka pro cesses [4]. Terutama di kompleks
dan proyek-proyek skala besar perlu untuk pergi thro ugh proses berulang. Tapi murni
penciptaan permintaan tersebut mengkonsumsi waktu dan lainnya sumber daya dan tidak nilai tambah.
Kami percaya bahwa ECM dan terutama penciptaan ECRs dapat didukung oleh
permukaan tersembunyi, pengetahuan namun berharga. Yang dapat ditemukan dalam sejarah ECM.
Perbaikan dalam penciptaan pengetahuan dan data managem ent dapat mempercepat
hasil pembangunan. Organisasi karenanya dapat ac hieve keunggulan kompetitif dengan
mengingat fakta, bahwa output dari PDP apapun tidak hanya produk itu sendiri (yang
output dari proses produksi), tetapi informat ion dan pengetahuan tentang, dan bagaimana
untuk menghasilkan produk masa depan. artefak seperti Gener diciptakan selama pengembangan
Proses sering dikumpulkan dalam sebuah produksi terpadu t model informasi. Oleh karena itu
cukup jelas bahwa musyawarah untuk mendapatkan keuntungan dari th aplikasi e KDD yang jelas.
KDD karena itu dapat digunakan untuk mendeteksi analogi betwe en ECR dan untuk mendapatkan pola.
Oleh karena itu tujuan dari penelitian ini adalah untuk menemukan pola dalam data historis
ECR untuk mengembangkan konsep organisasi dan teknis untuk mendukung terciptanya
jika tidak memakan waktu permintaan. perubahan yang diajukan permintaan dan mereka
kategorisasi sebagai hasil dari analisis tersebut adalah bantuan ful untuk mengidentifikasi karakteristik sebagai

dasar untuk berulang unsur-unsur ECR atau untuk mengidentifikasikan template fy untuk ECRs. Mereka
h kualitas data yang lebih tinggi. Berdasarkan
digunakan untuk menghasilkan permintaan perubahan baru yang lebih cepat dan kecerdasan

hasil dari proses KDD dan kualitatif wawancara, konsep dukungan akan
dikembangkan pada langkah berikutnya. Penelitian ini akan b e dipandu oleh penelitian berikut
Pertanyaan: Apa adalah pendekatan yang tepat untuk menganalisis data ECRs sejarah dan yang
pola dapat ditemukan?

2 Kerja terkait dan Pendekatan Penelitian

Proses model Fayyad / Piatetsky-Shapiro / Smyth [10] meminjamkan untuk struktur

Proses KDD (lihat Gambar. 1). Hal ini inheren iterativ e, dimulai dengan pemilihan data,
preprocessing, mengubahnya menjadi manageab lebih Format le, menerapkan data mining
algoritma di atasnya dan menafsirkan hasil. Kita diperluas proses dengan menambahkan
Memahami bisnis sebagai langkah pertama, yang merupakan salah satu fase dalam model CRISP-DM
[11]. Hal ini penting untuk implementati sukses pada proyek KDD dan berfungsi sebagai
referensi untuk pelaksanaan pro data mining jects. Model ini mencakup semua
fase yang diperlukan dan tugas-tugas dan hubungan mereka ke e ach lain dalam bentuk (siklik)
model proses.
 Knowledge Discovery di Database pada Contoh Teknik Manajemen perubahan
3

Memahami
Bisnis

Gambar. 1. Diperpanjang gambaran dari langkah-langkah yang membentuk KD Proses D berikut [10]

kasus penggunaan kami adalah manufactu mobil Jerman besar rer, yang memiliki kompleks,
Proses ECM federal dan didistribusikan didukung oleh di sistem formasi. Itu
produsen mengembangkan beberapa mobil setiap ya r dan karenanya memiliki besar
Divisi pengembangan produk. Dalam perusahaan tersebut yang jumlah ECRs telah mencapai
dimensi yang membuat tidak mungkin untuk mengelola mereka m pertahun. proses untuk mengeksekusi
ECRs karena itu ditentukan sebelumnya dan didukung oleh IT sistem. Menganalisis kasus penggunaan kami

kita tahu, bahwa sekitar 70 ECRs baru ditulis per hari. Setiap ECRs ini
berisi data tentang karakteristik sebagai berikut:

Tabel 1. Atribut data ECR

ID deskripsi status proyek tanggal

pembuatan
tanggal pelaksanaan penyebab larutan manfaat komentar
perubahan

Dalam rangka untuk mendapatkan pemahaman yang lebih baik dari doma yang di, wawancara pedoman berdasarkan
dengan 40 dari pencipta ECR paling berkontribusi berada direncanakan, dari yang 16 itu
bersedia untuk diwawancarai. Isi kualitatif analisis (dibantu komputer dengan
ATLAS.ti) digunakan untuk evaluasi transc yang wawancara ribed [12, 13]. Di
Rata-rata, wawancara ini mengambil 90 menit. Mereka semua dasar pada wawancara yang sama
pedoman yang berisi 21 pertanyaan tentang seperti apa situa tion dan potensi dari
proses perubahan rekayasa. Selain itu, timbul p roblems dalam proses
penciptaan, potensi untuk perbaikan dan dirasakan kesamaan diidentifikasi.
Dengan demikian kami juga menemukan bahwa ECRs lama tidak kita ed untuk memperoleh pengetahuan untuk

mendukung terciptanya ECRs baru. Fakta ini bahkan lebih mengejutkan dan menarik
mengingat dataset sekitar 120.000 EC Rs dikumpulkan selama sepuluh terakhir
tahun.
4 Armin Sharafi1, Petra Wolf1, Helmut Krcmar1

3 hasil

Menggunakan wawancara kami mampu mempertahankan busines sebuah
analisis. Komponen penting adalah untuk ident
dengan menggunakan dan menganalisis sejarah permintaan. pada itu
analisis dalam rangka untuk merencanakan proyek KDD. foll
dan kemungkinan untuk mencapai tujuan. Mereka de
analisis.
s pemahaman dalam konteks
opsi dukungan ify untuk ECRs masa depan
dasar kita berasal target untuk kami
tabel yg berhutang menunjukkan tujuan
rived dari isi kualitatif

Meja 2. Tujuan dari proyek KDD dan titik awal

objektif pendekatan yang mungkin

identifikasi kata kunci ECRs

bukti manfaat dari pencarian kata kunci untuk isu-isu kunci
dalam sejarah perubahan
menemukan kelompok atau subclass kejadian istilah dalam E
CR
hubungan pola ECRs di ECRs

Selanjutnya, wawancara menunjukkan bahwa kejadian jangka, pola dan

kelompok atau subclass harus ditemukan terutama di beberapa attribut es ECRs.
Mereka disajikan pada tabel 3.

Tabel 3. Tujuan dari proyek KDD dan atribut yang relevan database ECR

objektif ECR atribut untuk dipelajari

bukti manfaat dari pencarian kata kunci untuk isu-isu penyebab produk dipengaruhi
kunci dalam sejarah perubahan perubahan solusi / proyek sejauh
teknis masalah

pembentukan kelompok atau subclass ECRs penyebab produk dipengaruhi

perubahan solusi / proyek sejauh
teknis masalah

Untuk menguji pendekatan kami kami memilih kumpulan data yang c ontains 1,402 permintaan perubahan
dari proyek-proyek pembangunan 3 (masing-masing mewakili seri-produksi kendaraan) dalam
masa pengembangan lebih dari 3 tahun. Ini kumpulan data incl udes informasi antara lain tentang
itu penyebab perubahan, mungkin solusi dari masalah, itu Manfaat dari solusi dan terkait komentar. Berdasarkan
tabel 3 kami memilih beberapa kriteria de tertunda pada
laporan yang diwawancara. Mereka direkomendasikan loo Raja setelah kesamaan
tentang penyebab perubahan, yang menginduksi kebutuhan dari ECR. Setiap permintaan perubahan memiliki medan
teks bebas, di mana insinyur d escribes penyebab dalam beberapa kalimat.
Oleh karena itu proses KDD kami menyiratkan par Text Mining t. Proses Data Mining
dan Text Mining adalah (semi) proses otomatis untuk de pola tect di data yang ada
basa [1, 14]. Perbedaan utama antara kedua disiplin adalah sifat
 Knowledge Discovery di Database pada Contoh Teknik Manajemen perubahan
5

menganalisis informasi. penawaran Data Mining dengan struct Data ured dan Teks Mining dengan
Data terstruktur sebagai dasar analisis. Pertambangan teks ekstrak baru, yang sebelumnya tidak diketahui

dan informasi yang berguna dari teks-teks dan categorises t hem [15, 16]. Tapi Text Mining di
dimensi tersebut hanya dapat dilakukan dengan alat pendukung ing proses KDD secara keseluruhan. Kita
memilih RapidMiner [17] untuk analisis kami dan dimodelkan proses dengan berikut
tangga:
1. Baca Excel 2. Data Konversi (Nominal Teks) 3. Pilih Atribut 4. Pasang
bagian dokumen khusus 5. dokumen tokenize 6. Filter Token oleh panjang 7. Filter stopwords 8. Stemming 9.
Buat vektor kata
Langkah-langkah ini umum untuk aplikasi Pertambangan Teks dan dapat diperluas dengan
metode lain seperti misalnya klasifikasi dan regresi ion, clustering dan segmentasi dan
korelasi dan ketergantungan perhitungan. Berdasarkan th e atribut penyebab perubahan kita
dieksekusi proses dan dihitung terjadinya jangka s untuk semua permintaan perubahan dengan

menciptakan vektor kata. 5,783 istilah yang berbeda yang ditemukan dalam data, yang dapat
dianalisis melalui perspektif yang berbeda. tindak Tabel ing menunjukkan anonim
hasil dalam kasus yang terjadi kata-kata. Temuan sh ow bahwa lokasi masalah adalah salah satu

yang paling isinya terjadi. fakta lain adalah Deskripsi dari bagian yang terkena.
Hampir setiap record dari ECR termasuk bagian yang terkena s. Dalam meta-level ini hasil
tidak mengejutkan. Tapi mereka memberikan t kemungkinan o melaksanakan rinci dan spesifik
evaluasi.

Tabel 4. daftar kata kata terjadi (ekstrak)

kata kunci Total kejadian kejadian proyek A proyek B proyek C

(1-5,783) dokumen
daerah 125 116 70 41 14
majelis 98 90 57 34 7
bagian x 68 56 43 19 6
bagian y 66 50 46 7 13
bagian z 56 48 30 21 5
...

...

...

...

...

...

Distribusi kata kunci adalah titik awal fo r perhitungan lebih lanjut dan
visualisasi. Sebagai contoh, Gambar 2 menunjukkan semua 1,403 catatan dan analisis kejadian
kata kunci daerah dan majelis. Kita bisa melihat bahwa 7 permintaan meliputi kata kunci dan berasal dari dua proyek
yang berbeda (warna titik). Selanjutnya Pertambangan Teks
perhitungan dan interpretasi dan evaluasi o Hasil ur adalah langkah-langkah yang diperlukan selanjutnya.

Hal ini direncanakan untuk meningkatkan kumpulan data dan untuk Analy se catatan hampir semua tersedia dari
ECRs.
6 Armin Sharafi1, Petra Wolf1, Helmut Krcmar1

ABC Proyek
kejadian jangka
majelis

daerah kejadian jangka

Gambar. 2. Pencar kejadian jangka

4 Diskusi

Berdasarkan hasil wawancara kami menganalisis situasi saat ini di ECM.

Bisnis Memahami adalah langkah yang relevan yang shou ld pasti akan dilakukan sebelum
setiap proyek KDD. Itu memungkinkan kita untuk mengidentifikasi objecti ves untuk proses KDD kami. Dalam
Tahap kedua, proses Text Mining dikembangkan gen erated vektor kata. Dengan melakukan
jadi, kami mengidentifikasi kata kunci yang relevan untuk menemukan pola dalam data. Dua pendekatan yang
mungkin sekarang. Pertama, kita dapat menggunakan hasil untuk menemukan tahu apa jenis keadaan mengarah
untuk mengubah permintaan, dan kedua kita sekarang dapat t ake data sebagai sumber untuk mengembangkan

bantuan lebih lanjut untuk mengubah pelamar permintaan. Fo r contoh, data menunjukkan bahwa
relevan ketika menggambarkan penyebab perubahan untuk menemukan masalah dan menyatakan keluar
bagian yang terkena. Untuk mempermudah proses, localizati pada masalah dapat diwujudkan misalnya
dengan daftar bagian yang dapat diklik.

Fungsi dari RapidMiner memungkinkan relativel sebuah pemodelan sederhana y dari Teks
proses penambangan. Berbagai macam operator dapat dipilih untuk membangun yang tepat
Proses analisis dalam alat ini, yang memungkinkan differen t perspektif pada data. Itu
kemungkinan untuk memvisualisasikan hasilnya juga hel pful untuk mendeteksi pola yang menarik dalam
data.
 Knowledge Discovery di Database pada Contoh Teknik Manajemen perubahan
7

5 Kesimpulan dan Outlook

Saat ini, masalahnya adalah bukan kurangnya data, tapi ra Ther untuk menemukan informasi yang berguna

dalam database yang ada. Kesulitan-kesulitan ini juga Appe ar dalam kasus ECM, di mana
penciptaan ECR dapat diikat atau dicegah dengan ide ntifying pengetahuan tersembunyi di
sejarah data yang dihasilkan dan dicatat. Jika knowledg e ditemukan, pengembang dapat
lebih berkonsentrasi pada tugas-tugas utama mereka, yaitu creati vely desain produk.
proses pembangunan menjadi kurang memakan waktu yang d perusahaan dapat menawarkan mereka

produk sebelumnya. Akibatnya, proses ECM g ets lebih terorganisir mengenai

Bahkan, bahwa ECRs mengkonsumsi sepertiga sampai setengah dari en Kapasitas gineering [18].
Proyek penelitian ini menunjukkan bagaimana metode Text Mining dapat digunakan untuk meningkatkan dan

mengkoordinasikan proses yang didukung oleh Koperasi sistem kerja tive. Ini menyatakan keluar
informasi yang tentang proses yang ada adalah rele vant untuk menurunkan kemungkinan untuk
pengembangan dan penggunaan pendukung konsep. Ini ther efore berfungsi sebagai motivasi untuk
memperpanjang integrasi proses KDD ke Menginformasikan asi Teknologi (IT). Maimon
[19] menyatakan bahwa proses KDD menjadi lebih dan lebih bagian dari terintegrasi IT. Itu
penulis melihat manfaat dalam lebih mudah dan lebih nyaman langkah preprocessing mulai dari
sumber data, diikuti oleh alat Teks Pertambangan dan Gudang data. Ini bahkan
lebih penting karena kebanyakan mengkonsumsi bagian dalam waktu Proses KDD adalah pembersihan dan
mengubah data. Integrasi pro ini cesses menciptakan kesadaran akan
pentingnya manajemen data yang tepat dan penggunaan data. Inilah sebabnya mengapa itu bisa

direkomendasikan di IT-didukung, kompleks dan sering terjadi proses, di mana

cukup data yang dihasilkan.
The ECRs yang terkena dalam database dapat bertindak sebagai “Lesso ns belajar”dan dapat digunakan untuk
misalnya menyesuaikan proses atau menggunakan kembali solusi. Sebuah syst Pendekatan Ematic untuk penciptaan
ECRs merupakan prasyarat penting untuk successfu pelaksanaan l dari KDD.
Perusahaan yang mengembangkan produk dan memenuhi requ ini irement memiliki keuntungan
dibandingkan dengan pesaing.

Referensi

1. Witten, IH, Frank, E .: Data Mining: Praktis Machine Learning Alat dan Teknik.
Morgan Kaufmann, San Francisco (2005)
2. Howe, V., Mathieu, RG, Parker, J .: n Mendukung pengembangan produk ew dengan internet.
100 ( 2000) 277-284
3. Eversheim, W., Roggatz, A., Zimmermann, H., Deric hs, T .: manajemen Informasi untuk
concurrent engineering. European Journal of operati Penelitian onal 100 ( 1997) 253-265
4. Huang, GQ, Mak, KL: praktik Saat insinyur manajemen perubahan neering di Inggris
industri manufaktur. International Journal of Operasi dan Manajemen Produksi
19 ( 1999) 21-37
5. Huang, GQ, Yee, WY, Mak, KL: Pembangunan o sistem berbasis web-fa untuk engineering
manajemen perubahan. Robotika dan Computer Integrated M anufacturing 17 ( 2001) 255-267
6. Vianello, G., Ahmed, S .: Teknik perubahan dur ing fase layanan. ASME 2008
International Design Engineering Teknis Conferenc es & Komputer dan Informasi di
Engineering Conference, New York (2008)
 8 Armin Sharafi1, Petra Wolf1, Helmut Krcmar1
7. Jarratt, T., Eckert, C., Clarkson, P .: Pembangunan
manajemen perubahan. Prosiding TMCE 2004 (200
8. Conrad, J., Deubel, T., Köhler, C., Wanke, Sr,
(CIRA) - menggabungkan CPM / PDD teori dan FMEA-metode
manajemen perubahan rekayasa. ICED'07 - Internatina
Paris (2007)
9. Clark, K., Fujimoto, T .: Pengembangan Produk Perf
Manajemen di Dunia Auto Industri, 1991. Harvar
MA (1991)
10. Fayyad, U., Piatetsky-Shapiro, G., Smyth, P .: F
database. Komunikasi ACM
11. Chapman, P., Clinton, J., Kerber, R., Khabaza, T.,
CRISP-DM 1.0: Langkah-langkah panduan data mining. SPSS di
12. Atteslander, P., Cromm, J., Grabow, B., Klein, H.
empirischen Sozialforschung. E. Schmidt Verlag, Berl
13. Gläser, J., Laudel, G .: Experteninterviews und
Sozialwissenschaften, Wiesbaden (2009)
14. Fundel, K .: Teks Pertambangan dan Gene Expression Ana
Data High Throughput, München (2007)
15. Hearst, M .: Apa Text Mining. (2003)
16. Chen, L., Nayak, D .: Sebuah studi kasus kegagalan mod
Australian Computer Society, Inc (2007) 49-60
17. mierswa, I., Wurst, M., Klinkenberg, R., Scholz,
untuk tugas-tugas data mining yang kompleks. ACM (2006) 940
18. Soderberg, L .: Menghadapi hingga kesenjangan rekayasa
19. Maimon, O., Rokach, L .: Pengantar knowledg
O., Rokach, L. (eds.): Data Mining dan Knowledge Dis
New York Inc (2005) 1-17
statistik publikasi
Lihat publikasi Lihat
dari model produk untuk mendukung rekayasa
4) 331-342
Weber, C .: Ubah dampak dan analisis risiko
ology untuk ditingkatkan
l konferensi tentang desain engineering,
ormance: Strategi, Organisasi, dan
d Business School Press, Boston,
rom data mining untuk penemuan pengetahuan di
39 ( 1996) 24-26
Reinartz, T., Shearer, C., Wirth, R .:
c 78 ( 2000)
. Maurer, A., Siegert, G .: Methoden der
di (2008)
Inhaltsanalyse kualitatif. VS Verlag für
lisis Menuju Interpretasi Gabungan
e analisis dengan metode text mining.
M., Euler, T .: YALE: Rapid prototyping
. The McKinsey Quarterly (1989) 3-23
e Penemuan di Database. Dalam: Maimon,
covery Handbook. Springer-Verlag