756660_de-DE

liliconcom

Ein Rundgang durch den Text Explorer zum Verständnis der Kundenbedürfnisse (2021-EU-30MP-748)

Dr. Kira Alhorn, Statistikerin, WL Gore & Associates GmbH

Wie können wir unsere Endnutzer besser verstehen und bessere Produkte entwickeln? Auf ihren Webseiten stellen Verkäufer den Endnutzern Produktbeschreibungen zur Verfügung. Könnten uns diese Beschreibungen Informationen über die am meisten nachgefragten Produktmerkmale liefern?

In diesem Vortrag stellen wir vor, wie wir Produktbeschreibungen von Schuhen in Online-Shops genutzt haben, um zu analysieren, welche Eigenschaften Endnutzer von verschiedenen Schuhtypen erwarten und benötigen. Konkret verwendeten wir die Plattform JMP Text Explorer, um die Daten zu verarbeiten und die wichtigsten Schuhmerkmale mithilfe von Wortwolken zu visualisieren. Mit den erweiterten Funktionen von JMP Text Explorer können wir die Daten nach Themen in den Schuhbeschreibungen analysieren. Diese Themen vergleichen wir mit Marktkategorien für Schuhe. Dadurch finden wir eine aussagekräftige Anzahl von Themen, die als „Prototypen“ für Schuhbeschreibungen in bestimmten Marktkategorien dienen. Um die Themenanalyse, die als unüberwachtes Verfahren betrachtet werden kann, zu ergänzen, untersuchen und wenden wir überwachte prädiktive Modellierungsverfahren an, um die Marktkategorie basierend auf den Ergebnissen von Text Explorer vorherzusagen. Genauer gesagt verwenden wir einen Bootstrap Forest, um die wichtigsten Begriffe zu extrahieren und eine Marktkategorie basierend auf einer Schuhbeschreibung vorherzusagen.

Automatisch generiertes Transkript...

Lautsprecher	Transkript
Kira Alhorn	Okay, herzlich willkommen zu meinem Vortrag „Ein Überblick über den Text Explorer zum Verständnis der Kundenbedürfnisse“. Ich freue mich sehr, Sie zu begrüßen.
	An diesem Tag nehme ich am JMP Discovery Summit in virtueller Form teil. Mein Name ist Kira Alhorn und ich bin Statistikerin bei WL Gore and Associates.
	Und bevor ich mit der eigentlichen Präsentation beginne, möchte ich Ihnen kurz unser Unternehmen vorstellen. WL Gore and Associates ist ein weltweit tätiges Unternehmen im Bereich der Materialwissenschaften. Wir produzieren
	Ganz unterschiedliche Lösungen für ganz unterschiedliche Branchen, angefangen bei der Luft- und Raumfahrt bis hin zu Medizinprodukten und dem, was den meisten von Ihnen wahrscheinlich bekannt sein dürfte.
	ist unsere Marke Gore-Tex. Darauf werden wir uns heute konzentrieren. Die Marke Gore-Tex stellt strapazierfähige, wasserdichte und atmungsaktive Gewebelaminate her.
	Diese Laminate werden an unsere Kunden oder Markenpartner verkauft, die daraus Produkte herstellen. Konkret konzentrieren wir uns heute auf Schuhe.
	Hier also eine kurze Übersicht zu meinem Vortrag. Ich beginne mit dem Hintergrund und der Motivation. Worum geht es also? Wir beschäftigen uns mit Schuhbeschreibungen und warum das für uns relevant ist.
	Anschließend findet der Rest des Vortrags in JMP statt. Ich werde JMP 15 Pro verwenden und Ihnen dort die Verwendung des Text-Explorers zeigen.
	Zur Analyse unserer Schuhbeschreibungen. Wie lassen sich Themen in diesen Texten oder in den Schuhbeschreibungen finden, um so gemeinsame Beschreibungen oder Themen zu identifizieren und diese mit verschiedenen Schuhkategorien in unserem Sortiment zu vergleichen?
	Und schließlich wird dies nur eine sehr kurze Einführung sein. Wir verwenden einige Vorhersagemodelle, um unsere Ergebnisse zu validieren und einen tieferen Einblick in die Kategorisierung der Schuhe anhand der verschiedenen Schuhbeschreibungen zu erhalten.
	Stellen Sie sich einfach Ihren eigenen Schuhschrank und die Schuhe vor, die sich darin befinden.
	Und jeder von Ihnen wird zumindest eine kleine oder sogar eine recht große Sammlung verschiedener Schuhe im Schrank haben, und die Frage ist: Warum haben Sie so viele Schuhe?
	Und dass Ihre Schuhe zu Ihrem Stil passen müssen und Sie vielleicht verschiedene Farben und so weiter benötigen, ist nicht der einzige Grund, warum Sie verschiedene Schuhe besitzen.
	Der andere Grund ist, dass man verschiedene Schuhe braucht. Stellen Sie sich vor: Sie haben ein Paar Laufschuhe, mehrere Paar Schuhe für den Alltag und vielleicht auch Wanderschuhe.
	Und das liegt daran, dass jeder Schuh unterschiedliche oder leicht unterschiedliche Eigenschaften aufweist, die ihn für diesen Zweck geeignet machen, und diese Eigenschaften sind für diesen Zweck erforderlich.
	Wir haben uns also gefragt: Können wir anhand der Schuhbeschreibungen unserer Markenpartner herausfinden, was die einzelnen Schuhe einzigartig macht? Hier sehen Sie eine Kollektion.
	von verschiedenen Schuhkategorien, die uns heute für unterschiedliche Verwendungszwecke von Schuhen entsprechen.
	Und die Frage ist nun: Wenn ein Kunde beispielsweise einen neuen Wanderschuh herstellen möchte, welche Ausstattungsvarianten sollten wir in unserem Laminat anbieten, das wir für einen zum Wandern bestimmten Schuh verkaufen?
	Können uns diese Schuhbeschreibungen also einen Prototyp liefern, den wir unseren Kunden anbieten könnten?
	Und natürlich ist ein weiterer interessanter Aspekt, wie sich andere Schuhe unterscheiden. Was ist also der Unterschied zwischen einem Wanderschuh und einem Straßenschuh? Warum brauchen wir diese Unterschiede?
	Und genau das war unsere Absicht, als wir mit der Datenanalyse begannen.
	Damit möchte ich zu JMP wechseln.
	Und in JMP möchte ich Ihnen zunächst zeigen, wie die von uns gesammelten Daten aussehen.
	Wir haben also einfach die Webseiten unserer Markenpartner besucht und die Schuhbeschreibungen von den Verpackungen gesammelt.
	Für jede Schuhkategorie haben wir eine bestimmte Anzahl von Schuhbeschreibungen, und Sie werden sehen, dass wir die gesamte Beschreibung einfach in unsere Datentabelle kopiert haben.
	Es könnte also ziemlich lang oder ziemlich kurz sein, aber wir haben nichts anderes getan, als einfach zu kopieren.
	Andererseits kann man sich vorstellen, dass wir mit diesem Textfeld nicht viel anfangen können.
	Oder zumindest scheint es so, als ob wir es nicht könnten, denn JMP bietet viele Möglichkeiten. Und was genau wollen wir tun? Wir möchten Informationen aus diesem langen Text extrahieren und sie in besser verdauliche Abschnitte unterteilen.
	Und diese verdaulichen Häppchen
	Die Beschreibung kann mithilfe des Text-Explorers extrahiert werden. Ich möchte also zum Text-Explorer wechseln und die Schuhbeschreibung hier in die Textspalten einfügen.
	Und hier gibt es eine Menge Optionen. Diese Optionen fließen in die Algorithmen ein, die unsere Schuhbeschreibungen erstellen, oder, wie wir in der Textanalysesprache sagen, die Beschreibungsdokumente.
	Und das bedeutet, die Dokumente in kleinere Informationseinheiten zu zerlegen, wie ich bereits erwähnte, in diese verdaulichen Häppchen.
	Und was Sie sehen werden, sind überschaubare Informationseinheiten, nämlich: Wir haben diese Begriffe, die die kleinste Informationseinheit darstellen, und wir haben diese Phrasen, also Begriffe, die häufig zusammen vorkommen und eine Bedeutung ergeben können, wenn man sie kombiniert.
	Hier sehen Sie also den am häufigsten verwendeten Begriff.
	In allen Dokumenten, also in allen Schuhbeschreibungen, findet sich der Begriff Komfort.
	Als Erstes haben wir uns alle Sätze hier angesehen. Gibt es welche, die Sinn ergeben?
	Und der erste Fall ist bereits einleuchtend. Man sieht hier also, dass Gore und Tex als einzelne Begriffe erscheinen, aber natürlich ist es logisch, dass der Begriff Gore-Tex und nicht Gore und Tex analysiert werden sollte.
	Sie können also alle sinnvollen Ausdrücke zur Begriffsliste hinzufügen. Wir fügen also den Ausdruck hinzu, und Sie sehen hier jetzt, dass wir den Begriff Gore-Tex anstelle des einzelnen Begriffs Gore haben.
	Das war also der erste Schritt unserer Datenverarbeitung. Im zweiten Schritt überprüften wir die Begriffsliste auf Duplikate oder
	Falls es Begriffe gibt, die keinen Sinn ergeben. Und JMP verfügt bereits über eine sehr gute Verarbeitungsfunktion, da JMP bereits viele sinnlose Wörter ausschließt, wie zum Beispiel „und“ und „ein“.
	oder solche, die keinerlei Informationen liefern. Es wird jedoch immer einige Begriffe geben, die keinen Sinn ergeben, wie beispielsweise dieses S.
	Was würden Sie mit einem S anfangen? Was sagt das über einen Schuh aus? Wir mussten also alle Begriffe durchgehen, und wenn ein Begriff keinen Sinn ergibt, nennen wir ihn ein Stoppwort und fügen ihn der Liste der Stoppwörter hinzu, um ihn von der Analyse auszuschließen.
	Das war das eine. Das andere, was ich erwähnt habe, war, dass wir prüfen müssen, ob es Duplikate gibt. Hier sehen Sie beispielsweise den Begriff „Gore-Tex“.
	und der Begriff GTX. Und GTX ist nur eine Abkürzung für Gore-Tex, daher sollten wir beide nicht getrennt analysieren, sondern sie zusammen betrachten.
	Es gibt also die Recode-Funktion, die im Prinzip dieselbe ist wie für Spalten, und sie ist ein großartiges Werkzeug, um diese zu kombinieren.
	??? Daten. Hier sehen Sie also die Funktion Recode, und ich gruppiere beide.
	Und Sie werden nun sehen, dass es sich hierbei nur noch um einen einzigen Begriff handelt (Gore-Tex), und dies ist tatsächlich der am häufigsten vorkommende Begriff in unseren Daten.
	Also.
	Wir begannen mit 4.000 Begriffen und nach der Bereinigung blieben uns nur noch 100 übrig. Diese 100 Begriffe ermöglichen uns umfangreiche Analysen. Sie sind sehr hilfreich, um ein besseres Verständnis für die Beschreibung eines Schuhs zu gewinnen.
	Sie können also diese Liste verwenden, um die häufigsten Begriffe zu ermitteln, aber JMP bietet auch ein sehr einfaches Visualisierungstool.
	Durch Klicken auf das rote Dreieck können Sie eine Wortwolke hinzufügen. Diese Wortwolke zeigt Ihnen anhand der Größe der Wörter deren Häufigkeit in allen Dokumenten, also in allen Schuhbeschreibungen. Gore-Tex, Komfort und geringes Gewicht sind demnach die am häufigsten verwendeten Begriffe in den von uns gesammelten Schuhbeschreibungen.
	Aber Sie erinnern sich vielleicht, dass dies nicht genau das war, worüber wir uns eigentlich Gedanken gemacht haben, richtig? Wir haben uns also gefragt: Was ist mit Schuhen für verschiedene Endverbraucher?
	Dazu können wir hier ganz einfach den lokalen Datenfilter einfügen und den Verwendungszweck des Schuhs als Filter nutzen. Ich könnte mich beispielsweise dafür interessieren, welche Begriffe in allen Beschreibungen von Straßenwinterschuhen am häufigsten vorkommen.
	Es ist daher kein Wunder, dass die Begriffe Winter und warm häufig in den Beschreibungen von Winterschuhen für die Straße auftauchen.
	Bei Trailrunning-Schuhen hingegen liegt der Fokus auf anderen Eigenschaften. Diese müssen nicht warm sein, sondern atmungsaktiv, leicht und gut sitzen.
	Diese Wortwolken sind also sehr, sehr gut geeignet, um einen ersten Eindruck von unserer Ausgangsfrage zu gewinnen: Was beschreibt die Merkmalskonfiguration verschiedener Schuhtypen?
	Und damit gaben wir uns nicht zufrieden. Wir wollten noch einen Schritt weitergehen.
	Der nächste Schritt ist: Wenn Sie bereits alle Daten aufbereitet haben, können Sie dann irgendwie ein Modell erstellen, um diesen Prototyp von Schuhkonfigurationen zu finden? Für dieses Modell gibt es in JMP verschiedene Optionen, und wir haben uns für die Singulärwertzerlegung (SVD) entschieden.
	SVD führt eine Hauptkomponentenanalyse unserer Dokumenttermmatrix durch.
	Und was bedeutet das? Die Dokumenttermmatrizen enthalten für jedes Dokument, also für jede Schuhbeschreibung,
	Die Häufigkeit jedes einzelnen Begriffs wird erfasst. Beispielsweise wird in der ersten Schuhbeschreibung gezählt, wie oft der Begriff „Gore-Tex“ vorkommt, wie oft der Begriff „Komfort“ usw. Man kann sich also vorstellen, dass dies eine sehr umfangreiche Matrix ist.
	Die Idee ist nun, durch eine Hauptkomponentenanalyse, bei der die Dimension der Dokument-Term-Matrix reduziert wird, einen besseren Überblick über die Daten zu erhalten.
	Und um die Daten besser visualisieren zu können.
	Auf Basis dieser Dimensionsreduktion können wir nun Modelle erstellen. Welche Art von Modellierung ist für uns interessant? Wir interessierten uns dafür, was einen Schuh für einen bestimmten Verwendungszweck beschreibt.
	Um zu diesem Punkt zu gelangen, haben wir analysiert: Gibt es in den Schuhbeschreibungen irgendwelche Themen? Und falls ja, entsprechen diese Themen bestimmten Endverwendungszwecken?
	Im Idealfall würden wir also neun Themen in unseren Daten finden, die jeweils genau eine Schuhkategorie repräsentieren. Somit hätten wir für jeden Schuh eine prototypische Schuhkonfiguration bzw. Merkmalskonfiguration.
	Mal sehen, was passiert, wenn ich... Sie nach neun Themen suche. Ich klicke hier auf die Themenanalyse und gebe eine 9 ein, da ich mich für neun verschiedene Schuhkategorien interessiere.
	Ich erhalte dann eine Liste von Themen mit den darin häufig vorkommenden Begriffen. Thema eins enthält beispielsweise Schuhe.
	Schuhe, die in ihrer Beschreibung Begriffe wie „Superfit“, „Textil“, „warm“ usw. verwenden, lassen mich zunächst vermuten, dass es sich um Straßen- oder Winterschuhe handelt.
	Thema zwei besteht beispielsweise aus Schuhbeschreibungen, die Begriffe wie Hütte, Trekking, Mehrtagestouren usw. enthalten; es scheint sich also um Trekkingschuhe zu handeln.
	Als Statistiker gebe ich mich natürlich nicht mit einem bloßen Bauchgefühl zufrieden. Ich möchte genau wissen, welche Schuhkategorie zu welchem ​​Thema gehört. Deshalb erstelle ich eine einfache Verteilung der Schuhkategorien und füge hier den lokalen Datenfilter hinzu, um nur die relevanten Kategorien anzuzeigen.
	Kategorien
	die sind...
	Es werden nur die ausgewählten Schuhe angezeigt.
	Was bedeutet das? Wie kann ich das nutzen? JMP bietet hier die Topic-Scores-Plots an.
	Für jede Schuhbeschreibung pro Thema gibt es einen Punkt.
	Je höher die Punktzahl für die Schuhbeschreibung ausfällt, desto repräsentativer ist dieser Schuh für das jeweilige Thema.
	Ich wähle also einfach alle Schuhe aus, die in Bezug auf Thema eins hohe Punktzahlen erzielt haben, und dann sehe ich, dass
	Das Histogramm zeigt, dass es sich um Straßen- und Winterschuhe handelt. Mein Bauchgefühl hat mich also nicht getäuscht. Die Schuhe aus Textil mit Superfit-Technologie sind Straßen- und Winterschuhe.
	Und zu Thema zwei: Denken Sie daran, wir hatten Trekkingschuhe erwartet. Wie Sie in diesem Histogramm sehen werden, handelt es sich um Trekkingschuhe.
	Und das können Sie jetzt für alle Themen tun, und ich habe das ins Journal eingetragen.
	Dabei werden Sie auf einige Schwierigkeiten stoßen. Wenn Sie also jedem Thema eine oder mehrere Schuhkategorien zuordnen, werden Sie zwei Probleme feststellen.
	Das erste Problem, das hier dargestellt wird, besteht darin, dass bestimmte Schuhkategorien, wie zum Beispiel Bergsteigerschuhe, nicht durch ein einziges Thema, sondern durch mehrere repräsentiert werden.
	Sie werden auch feststellen, dass sich diese Themen überschneiden; so kommt beispielsweise das Wort Steigeisen in beiden Themenbereichen vor.
	Das heißt, es scheint, als hätten wir hier zu viele Themen.
	Idealerweise sollte man also für jede Schuhkategorie ein eigenes Thema haben. Wenn wir feststellen, dass es Überschneidungen bei den Themen gibt, die mehreren Kategorien zugeordnet sind, dann scheinen neun Themen zu viel zu sein.
	Aber das birgt natürlich noch eine weitere Unklarheit, denn wenn die Bergsteigerschuhe mehr als einem Thema zugeordnet sind, muss es auch Themen geben, die nicht so eindeutig identifizierbar sind.
	Schauen Sie sich zum Beispiel dieses Thema Nummer fünf an. Und zwar die repräsentativsten Schuhe. Sie werden sehen, dass es sich um eine riesige Sammlung handelt.
	Es gibt progressive Laufschuhe, Straßenlaufschuhe, Laufschuhe für die Straße und so weiter. Das sind also größtenteils Kategorien, die sich teilweise überschneiden und kaum voneinander abgrenzen. Stellen Sie sich nur einmal vor, wo liegt der Unterschied zwischen einem Trailrunningschuh und einem Straßenlaufschuh?
	Oder gehen wir zum nächsten Schritt über: Was ist der Unterschied zwischen Trailrunning und Wandern?
	Es gibt gewisse Überschneidungen zwischen diesen Schuhen, und wenn es solche Überschneidungen gibt, kann man die eine Merkmalskonfiguration für diese eine Schuhkategorie nicht eindeutig identifizieren.
	Das ist also auch ein sehr wertvoller Lernprozess. Es geht natürlich darum, sein Portfolio an verschiedenen Laminaten zu verwalten. Man möchte wissen: Benötige ich für diesen speziellen Anwendungsfall ein bestimmtes Laminat oder ist es eher mit anderen Laminaten vergleichbar, die ich bereits besitze?
	Letztendlich wollten wir eine finale Themenliste erstellen, in der kein Thema mehr als einer Kategorie zugeordnet ist. Das haben wir manuell gemacht. Wir haben also verschiedene Anzahlen von Themen analysiert und uns schließlich für fünf entschieden.
	Sie werden sehen, dass diese fünf Themen einer bestimmten Anzahl von Kategorien entsprechen, aber wir werden sehen, dass nicht alle Schuhkategorien damit repräsentiert werden können.
	Wir haben also zwei Erkenntnisse gewonnen. Erstens: Wir haben einige Prototypen von Schuhbeschreibungen für diese Kunden.
	Schuhkategorien. Andererseits sind alle hier nicht genannten Schuhkategorien möglicherweise nicht sehr differenziert oder weisen nicht diese eine Konfiguration auf.
	in ihrer Schuhbeschreibung.
	Und das war nur eine der Optionen, die der Text Explorer bietet. Es gibt auch noch andere, aber wir haben uns auf diese konzentriert, und sie hat recht gut funktioniert.
	Und damit möchte ich den Text Explorer verlassen und Ihnen nur einen kurzen Ausblick darauf geben, was Sie mit der Themendokument-Termmatrix noch alles anstellen könnten.
	Hier habe ich also denselben Datensatz wie zuvor, aber ich habe die Dokument-Term-Matrix exportiert. Daher sehen Sie viele neue Spalten, die für jeden Term angezeigt werden.
	die Häufigkeit dieses Begriffs in einer bestimmten Schuhbeschreibung.
	Wir haben verschiedene Versionen davon ausprobiert, zum Beispiel eine Dokumenttermsmatrix mit Häufigkeitsangaben; eine, die nur „enthalten“ und „nicht enthalten“ anzeigte; und so weiter. Schließlich haben wir uns für diese Version entschieden.
	Mithilfe der Funktionen von JMP Pro erstellten wir eine Validierungsspalte, um unseren Datensatz in Trainings-, Validierungs- und Testdaten aufzuteilen. Die Trainings- und Validierungsdaten dienen dem Trainieren unseres Vorhersagemodells, die Testdaten werden zum Testen verwendet.
	Und wenn wir über prädiktive Modellierung sprechen, was ist dann unser Ziel? Was wir zuvor angewendet haben, war im Grunde eine unüberwachte Methode, weil…
	Wir haben bisher nach Themen gesucht und diese anschließend mit den Schuhkategorien verglichen. Jetzt möchten wir etwas proaktiver vorgehen. Da wir die Schuhbeschreibung haben, können wir eine Kategorie explizit vorhersagen?
	Wir haben verschiedene Vorhersagemodellierungstechniken ausprobiert, die JMP 15 Pro bietet, und uns schließlich für einen Bootstrap-Wald entschieden. Ich möchte Ihnen hier nur einen Eindruck davon vermitteln, wie die Ergebnisse aussehen könnten und wofür wir sie verwenden könnten.
	Sie sehen also die Ergebnisse in der Konfusionsmatrix im Testdatensatz: Was war die Kategorie, welche Schuhbeschreibung und was habe ich mit meinem Bootstrap-Forest vorhergesagt?
	Und interessanterweise werden Sie so ziemlich die gleichen Ergebnisse sehen wie zuvor. Es gibt also bestimmte Kategorien, die sich klar von anderen unterscheiden lassen.
	Manche verfügen bereits über eine einzigartige Ausstattung, andere nicht. Nehmen wir zum Beispiel Straßenlaufschuhe.
	Wir haben bereits in unserer ersten Analyse festgestellt, dass diese nicht eindeutig definiert sind. Und wir werden auch hier sehen; ich prognostiziere, dass viele Schuhe, die als Straßenlaufschuhe eingestuft werden, in Wirklichkeit andere Schuhe sind.
	Das bedeutet also, dass dies unsere vorherigen Ergebnisse bestätigt. Wir sehen, dass genau die Schuhkategorien, die mit der unüberwachten Methode gut beschrieben wurden, auch hier gut beschrieben werden, und diejenigen, die nicht gut differenziert sind, sind auch hier nicht so gut differenziert.
	Das war also ziemlich interessant zu sehen, und es gibt noch viele weitere Dinge, die man mit dieser Analyse anstellen könnte. Man könnte zum Beispiel Folgendes tun:
	Eine Analyse: Was sind die wichtigsten Probleme, wenn ich bestimmte Schuhe differenzieren möchte? Welche Begriffe tragen also am meisten zur Differenzierung von Schuhkategorien bei?
	Oder Sie könnten mithilfe der ROC-Kurven weiter untersuchen, welche Schuhkategorien sich sehr gut differenzieren lassen und welche nicht.
	Und nicht zuletzt können Sie dieses Modell auch für Vorhersagen verwenden. Sie könnten hier also bestimmte Merkmalskonfigurationen oder eine Schuhbeschreibung eingeben.
	und wir schätzen dann die Wahrscheinlichkeit ein, mit der diese Beschreibung zu einer bestimmten Schuhkategorie gehört. In diesem Fall würden wir beispielsweise vorhersagen, dass es sich bei diesem Schuh um einen Straßenlaufschuh handeln könnte.
	Aus Zeitgründen werde ich nicht weiter ins Detail gehen, sondern möchte nur kurz zusammenfassen. Was waren also unsere wichtigsten Erkenntnisse? Die wichtigsten Erkenntnisse waren, dass
	Der Text Explorer ist ein großartiges und absolut intuitives Werkzeug, mit dem man schnell Informationen aus unstrukturierten Textdaten extrahieren kann.
	Wo unterscheiden sie sich, wo nicht? Welche Eigenschaften sind bei diesen Schuhen erwünscht? Aber irgendwie bestätigten die Ergebnisse unsere Erwartungen.
	Und diese Bestätigung könnten wir entweder mit unüberwachten oder mit überwachten Verfahren erreichen. Daher verglichen wir die Themenanalyse, indem wir hier das SVD- und Vorhersagemodell mit einem Bootstrap-Wald verglichen, und andere könnten ähnlich gut funktionieren.
	Abschließend möchte ich der Gruppe ??? danken, die dieses Problem identifiziert hat. Sie hat alle Daten gesammelt und bereinigt und dazu hervorragende Diskussionen geführt.
	den Sinn oder Unsinn verschiedener Techniken. Ohne sie hätten Sie diesen Vortrag jetzt nicht gehört. Und außerdem
	Ich möchte Jonas, einem ehemaligen Kollegen der TU Dortmund, danken, der mich bei der Textanalyse beraten hat.
	Abschließend möchte ich mich für Ihre Aufmerksamkeit bedanken und beantworte gerne Ihre Fragen, entweder per E-Mail oder in der JMP-Benutzer-Community. Schreiben Sie mir einfach eine kurze Nachricht.

Fortgeschrittene statistische ModellierungGrundlagen der Datenanalyse und ModellierungVerbraucher- und MarktforschungDatenzusammenführung und -bereinigungDatenexploration und -visualisierungMassenanpassungPrädiktive Modellierung und maschinelles LernenQualitäts- und Prozessentwicklung