@phdthesis{Fleisch2020, type = {Master Thesis}, author = {Jan Fleisch}, title = {Interaktive Visualisierung von Verkaufsdatens{\"a}tzen zur explorativen Erkenntnisgewinnung}, journal = {Interactive visualization of sales data sets for explorative knowledge discovery}, doi = {10.25924/opus-3740}, pages = {VI, 85}, year = {2020}, abstract = {Moderne Darstellungen erm{\"o}glichen es, Daten nicht nur als statische Bilder, sondern auch als interaktive Visualisierungen darzustellen. Interaktive Darstellungen k{\"o}nnen im Kontext von Kundinnen- und Kundenanalysen eine einfache Weise sein, um Unterschiede in verschiedenen Kaufverhalten festzustellen und k{\"o}nnen so ein essenzielles Hilfsmittel f{\"u}r ein Unternehmen sein. Das Hauptziel dieser Arbeit ist es, anhand eines beispielhaften Verkaufsdatensatzes die M{\"o}glichkeiten der Datenexploration und Informationsbeschaffung durch interaktive Visualisierungen aufzuzeigen, sodass R{\"u}ckschl{\"u}sse auf das Kaufverhalten verschiedener Gruppen gezogen werden k{\"o}nnen. Auf der Grundlage einer umfassenden Literaturrecherche in den Bereichen der Daten- und Informationsvisualisierung wurde eine Problemdefinition und eine Anforderungsanalyse f{\"u}r die Verkaufsdaten ausgearbeitet. Anonymisierte Verkaufsdaten dienten als Ausgangspunkt f{\"u}r die Datenvorverarbeitung. Diese wurden bereinigt und die gew{\"u}nschten Informationen aus der Anforderungsanalyse wurden zur weiteren Transformation selektiert. Aufgrund der hohen Dimensionalit{\"a}t der selektierten Daten, wurde bei der Transformation der Dimensionsreduktions Algorithmus “Uniform Manifold Approximation and Projection” (UMAP) verwendet, um die Dimensionen der Daten zur Visualisierung zu reduzieren. Aufbauend auf diesen Schritten wurde ein Prototyp als Webanwendung erstellt, der den Anforderungen der Datenexploration und Informationsgewinnung gerecht wird. Der resultierende Prototyp kombiniert die achsenbasierten Visualisierungsmethoden der Streudiagramme und Parallelen Koordinaten mit der pixelorientierten Visualisierungsmethode der Heatmap. Diese Darstellungen wurden zus{\"a}tzlich mit Interaktionsm{\"o}glichkeiten erweitert, um eine kollaborative Filterung von {\"a}hnlichen Konsumentinnen und Konsumenten auf verschiedenen Warengruppenebenen zu erm{\"o}glichen. Abgeschlossen wurde die Arbeit mit einer Evaluation des Prototypen und dessen Qualit{\"a}t zur Exploration. Die Auswertung wurde mit Benutzerinnen und Benutzern absolviert, die einen Versuchsablauf durcharbeiteten und dabei ihre Erkenntnisse in einem Fragebogen dokumentierten. Durch das Ausf{\"u}hren lie{\"s}en sich Gruppierungen von Kundinnen und Kunden feststellen und diese konnten auf Richtigkeit in Bezug auf das Einkaufsverhalten validiert werden. Die hierarchische Verbindung der Warengruppenebenen und das Erkennen von Mustern in allen drei Warengruppenebenen konnte nicht als erfolgreich bewertet werden. Es wurde jedoch ein Potenzial zur weiteren visuellen Analyse von Konsumentinnen und Konsumenten anhand deren Einkaufsverhalten festgestellt und weitere Anforderungen zur Weiterentwicklung wurden festgehalten.}, language = {de} }