Der Einfluss des Menschen verändert die Erdoberfläche in gravierendem Maße. Die Anwendung von Landnutzungsmodellen ist etabliert, um derartige Prozesse zu analysieren und um Handlungsempfehlungen für Entscheidungsträger zu geben. Landnutzungsmodelle stehen unter dem Einfluss von Unsicherheiten, welche beim Interpretieren der Ergebnisse berücksichtigt werden müssen. Dennoch gibt es wenige Ansätze, die unterschiedliche Unsicherheitsquellen mit ihren Interdependenzen untersuchen und ihre Auswirkungen auf die projizierte Änderung der Landschaft analysieren. Aus diesem Grund ist das erste Ziel dieser Arbeit einen systematischen Ansatz zu entwickeln, der wesentliche Unsicherheitsquellen analysiert und ihre Fortentwicklung zur resultierenden Änderungskarte untersucht. Eine andere Herausforderung in der Landnutzungsmodellierung ist es, die Eignung von Projektionen abzuschätzen wenn keine Referenzdaten vorliegen. Bayes’sche Netze wurden als eine vielseitige Methode identifiziert, um das erste Ziel zu erreichen. Darüber hinaus wurden die Modellierungsschritte „Definition der Modellstruktur“, „Auswahl der Eingangsdaten“ und „Weiterverarbeitung der Daten“ als wesentliche Unsicherheitsquellen identifiziert. Um das zweite Ziel zu adressieren wurde eine Auswahl an Maßzahlen entwickelt. Diese quantifizieren Unsicherheit mit Hilfe einer projizierten Änderungskarte und ohne den Vergleich mit Referenzdaten. Mit diesen Maßzahlen ist es zusätzlich möglich zwischen quantitativer und räumlicher Unsicherheit zu unterscheiden. Vor allem in räumlichen Anwendungen wie der Landnutzungsmodellierung ist diese Möglichkeit wertvoll. Dennoch kann auch ein absolut sicheres Modell gleichzeitig ein falsches und nutzloses Modell sein. Deswegen wird ein Ansatz empfohlen, der die Beziehung zwischen Unsicherheit und Genauigkeit in bekannten Zeitschritten schätzt. Die entwickelten Ansätze geben wichtige Informationen um die Eignung von modellierten Entwicklungspfaden der Landnutzung zu verstehen. / Human influence has led to substantial changes to the Earth’s surface. Land change models are widely applied to analyze land change processes and to give recommendations for decision-making. Land change models are affected by uncertainties which have to be taken into account when interpreting their results. However, approaches which examine different sources of uncertainty with regard to their interdependencies and their influence on projected land change are rarely applied. The first objective of this thesis is therefore to develop a systematic approach which identifies major sources of uncertainty and the propagation to the resulting land change map. Another challenge in land change modeling is the estimation of the reliability of land change predictions when no reference data are available. Bayesian Belief Networks were identified as a useful technique to reach the first objective. Moreover, the modeling steps of “model structure definition”, “data selection” and “data preprocessing” were detected as relevant sources of uncertainty. To address the second research objective, a set of measures based on probabilities were developed. They quantify uncertainty by means of a single predicted land change map without using a reference map. It is additionally possible to differentiate uncertainty into its spatial and quantitative components by means of these measures. This is especially useful in spatial applications such as land change modeling. However, even a certain model can be wrong and therefore useless. Therefore, an approach is suggested which estimates the relationship between disagreement and uncertainty in known time steps to use this relationship in future time steps. The approaches give important information for understanding the reliability of modeled future development paths of land change.

For railways, risk analysis is carried out to identify hazardous situations and their consequences. Until recently, classical methods such as Fault Tree Analysis (FTA) and Event Tree Analysis (ETA) were applied in modelling the linear and logically deterministic aspects of railway risks, safety and reliability. However, it has been proven that modern railway systems are rather complex, involving multi-dependencies between system variables and uncertainties about these dependencies. For train derailment accidents, for instance, high train speed is a common cause of failure; slip and failure of brake applications are disjoint events; failure dependency exists between the train protection and warning system and driver errors; driver errors are time dependent and there is functional uncertainty in derailment conditions. Failing to incorporate these aspects of a complex system leads to wrong estimations of the risks and safety, and, consequently, to wrong management decisions. Furthermore, a complex railway system integrates various technologies and is operated in an environment where the behaviour and failure modes of the system are difficult to model using probabilistic techniques. Modelling and quantification of the railway risk and safety problems that involve dependencies and uncertainties such as mentioned above are complex tasks. Importance measures are useful in the ranking of components, which are significant with respect to the risk, safety and reliability of a railway system. The computation of importance measures using FTA has limitation for complex railways. ALARP (As Low as Reasonably Possible) risk acceptance criteria are widely accepted as ’\'best practice’’ in the railways. According to the ALARP approach, a tolerable region exists between the regions of intolerable and negligible risks. In the tolerable region, risk is undertaken only if a benefit is desired. In this case, one needs to have additional criteria to identify the socio-economic benefits of adopting a safety measure for railway facilities. The Life Quality Index (LQI) is a rational way of establishing a relation between the financial resources utilized to improve the safety of an engineering system and the potential fatalities that can be avoided by safety improvement. This thesis shows the application of the LQI approach to quantifying the social benefits of a number of safety management plans for a railway facility. We apply Bayesian Networks and influence diagrams, which are extensions of Bayesian Networks, to model and assess the life safety risks associated with railways. Bayesian Networks are directed acyclic probabilistic graphical models that handle the joint distribution of random variables in a compact and flexible way. In influence diagrams, problems of probabilistic inference and decision making – based on utility functions – can be combined and optimized, especially, for systems with many dependencies and uncertainties. The optimal decision, which maximizes the total benefits to society, is obtained. In this thesis, the application of Bayesian Networks to the railway industry is investigated for the purpose of improving modelling and the analysis of risk, safety and reliability in railways. One example application and two real world applications are presented to show the usefulness and suitability of the Bayesian Networks for the quantitative risk assessment and risk-based decision support in reference to railways.

Personalisierung ist ein wichtiger Bereich des Internet Marketings, zu dem es wenige experimentelle Untersuchungen mit großen Teilnehmerzahlen gibt. Für den erfolgreichen Einsatz von Empfehlungsverfahren sind umfangreiche Daten über das Käuferverhalten erforderlich. Diesen Problemstellungen nimmt sich die vorliegende Arbeit an. In ihr wird das Shop-übergreifende individuelle Käuferverhalten von bis zu 126.000 Newsletter-Empfängern eines deutschen Online-Bonussystems sowohl mittels ausgewählter Data-Mining-Methoden als auch experimentell untersucht. Dafür werden Prototypen eines Data-Mining-Systems, einer A/B-Test-Software-Komponente und einer Empfehlungssystem-Komponente entwickelt und im Rahmen des Data Minings und durch Online-Feldexperimente evaluiert. Dabei kann für die genannte Nutzergruppe in einem Experiment bereits mit einem einfachen Empfehlungsverfahren gezeigt werden, dass zum einen die Shop-übergreifenden individuellen Verhaltensdaten des Online-Bonus-Systems für die Erzeugung von Empfehlungen geeignet sind, und zum anderen, dass die dadurch erzeugten Empfehlungen zu signifikant mehr Bestellungen als bei der besten Empfehlung auf Basis durchschnittlichen Käuferverhaltens führten. In weiteren Experimenten im Rahmen der Evaluierung der A/B-Test-Komponente konnte gezeigt werden, dass absolute Rabattangebote nur dann zu signifikant mehr Bestellungen führten als relative Rabatt-Angebote, wenn sie mit einer Handlungsaufforderung verbunden waren. Die Arbeit ordnet sich damit in die Forschung zur Beeinflussung des Käuferverhaltens durch Personalisierung und durch unterschiedliche Rabatt-Darstellungen ein und trägt die genannten Ergebnisse und Artefakte bei.

Personalisierung ist ein wichtiger Bereich des Internet Marketings, zu dem es wenige experimentelle Untersuchungen mit großen Teilnehmerzahlen gibt. Für den erfolgreichen Einsatz von Empfehlungsverfahren sind umfangreiche Daten über das Käuferverhalten erforderlich. Diesen Problemstellungen nimmt sich die vorliegende Arbeit an. In ihr wird das Shop-übergreifende individuelle Käuferverhalten von bis zu 126.000 Newsletter-Empfängern eines deutschen Online-Bonussystems sowohl mittels ausgewählter Data-Mining-Methoden als auch experimentell untersucht. Dafür werden Prototypen eines Data-Mining-Systems, einer A/B-Test-Software-Komponente und einer Empfehlungssystem-Komponente entwickelt und im Rahmen des Data Minings und durch Online-Feldexperimente evaluiert. Dabei kann für die genannte Nutzergruppe in einem Experiment bereits mit einem einfachen Empfehlungsverfahren gezeigt werden, dass zum einen die Shop-übergreifenden individuellen Verhaltensdaten des Online-Bonus-Systems für die Erzeugung von Empfehlungen geeignet sind, und zum anderen, dass die dadurch erzeugten Empfehlungen zu signifikant mehr Bestellungen als bei der besten Empfehlung auf Basis durchschnittlichen Käuferverhaltens führten. In weiteren Experimenten im Rahmen der Evaluierung der A/B-Test-Komponente konnte gezeigt werden, dass absolute Rabattangebote nur dann zu signifikant mehr Bestellungen führten als relative Rabatt-Angebote, wenn sie mit einer Handlungsaufforderung verbunden waren. Die Arbeit ordnet sich damit in die Forschung zur Beeinflussung des Käuferverhaltens durch Personalisierung und durch unterschiedliche Rabatt-Darstellungen ein und trägt die genannten Ergebnisse und Artefakte bei.:1 Inhalt 1 Einleitung 1 1.1 Stand der Forschung 3 1.2 Forschungsbedarf 6 1.3 Forschungskonzept 8 1.4 Verwendete Methoden 11 1.5 Aufbau der Arbeit 11 2 Theoretische und konzeptionelle Grundlagen 13 2.1 Internethandel, E-Commerce und E-Business 13 2.2 Marketing, Konsumenten- und Käuferverhalten 16 2.2.1 Käuferverhalten bei Rabatt-Angeboten 20 2.3 Internet Marketing 21 2.3.1 Erfolgskontrolle im Internet Marketing 24 2.3.2 Ausgewählte Disziplinen des Internet Marketings 27 2.3.2.1 Affiliate Marketing 28 2.3.2.2 Online-Cashback-Systeme 35 2.3.2.3 E-Mail-Marketing 38 2.4 Personalisierung im Internet Marketing 56 2.4.1 Empfehlungssysteme 59 2.4.2 Bewertung von Empfehlungssystemen 59 2.4.3 Architektur von Empfehlungssystemen 60 2.4.4 Empfehlungssystem-Kategorien 62 2.4.4.1 Hybride Empfehlungssysteme 67 2.4.5 Techniken für Empfehlungsverfahren 69 2.5 Wissensaufbereitung und -entdeckung 89 2.5.1 Datenerhebungsverfahren 89 2.5.1.1 Datenqualität 91 2.5.1.2 Datensicherheit und Datenschutz 92 2.5.2 Knowledge Discovery und Data Mining 94 2.5.2.1 Der Data-Mining-Prozess 96 2.5.2.2 Data-Mining-Problemtypen 98 2.5.2.3 Das Data-Mining-System 100 2.5.3 Das Experiment als Erhebungsdesign 106 2.5.3.1 Anforderungen und Gütekriterien 111 2.5.3.2 Online-Feldexperimente im Marketing 117 2.5.3.3 Auswertungsverfahren 120 2.5.3.4 Theoretische Grundlagen des A/B-Testverfahrens 121 3 Vorgehen 126 3.1 Forschungsdesign 126 3.1.1.1 Ziele und Anforderungen der Andasa GmbH 128 3.1.1.2 Ziele und Anforderungen des Instituts für Angewandte Informatik 129 3.1.2 Design des Informationssystems 130 3.1.2.1 Der Designprozess 131 3.1.3 Konzeption des Software-Systems 133 3.1.4 Evaluation 134 3.2 Datenanalyse 135 3.2.1 Datenbeschaffung 135 3.2.2 Datenaufbereitung 136 3.2.3 Auswahl geeigneter Data-Mining-Methoden 137 3.2.3.1 Auswahl-Kriterien 137 3.2.3.2 Methodenauswahl 140 3.2.4 Erläuterung ausgewählter Data-Mining-Methoden 156 3.2.4.1 Bayes’sche Netze 156 3.2.4.2 Clustering 158 3.2.4.3 Diskriminanzanalyse 158 3.2.4.4 Korrelationsanalyse 159 3.2.4.5 Online Analytical Processing (OLAP) 159 3.2.5 Auswahl geeigneter Data-Mining-Werkzeuge 165 3.2.5.1 Auswahlprozess 165 3.2.5.2 Kriterien 166 3.2.5.3 Werkzeuge zur statistischen Analyse und Visualisierung 168 3.2.5.4 Werkzeuge für Clustering und Diskriminanzanalyse 168 3.2.5.5 Werkzeuge für Online Analytical Processing 169 3.2.5.6 Werkzeuge für Bayes’sche Netze 169 3.3 Untersuchungsdesign 171 3.3.1 Online-Marketing-Instrumente bei Andasa 172 3.3.2 Stimulus-Auswahl 174 3.3.3 Entwurf des Experimentaldesigns 175 4 Umsetzung 180 4.1 Architektur und prototypische Implementation 180 4.1.1 Das Data-Mining-System 180 4.1.2 Der ETL-Prozess 181 4.1.2.1 Datenerhebung 183 4.1.2.2 Datenbereinigung 184 4.1.3 Die A/B-Testumgebung 185 4.1.4 Das Empfehlungssystem 189 4.1.5 Usability-Evaluation 196 4.2 Data Mining 199 4.2.1 Statistische Analyse 200 4.2.2 Anwendung ausgewählter Data-Mining-Methoden 206 4.2.2.1 Clustering 208 4.2.2.2 Klassifikation 213 4.2.2.3 Modellierung als Bayes’sche Netze 214 4.2.3 Ergebnisse und Evaluation 221 4.3 Feldexperimente mit Newslettern 222 4.3.1 Eckdaten der Tests 223 4.3.2 Beispiel-Experimente 224 4.3.3 A/B-Tests Rabattdarstellungen 226 4.3.3.1 Öffnungsrate Prozente vs. Euro 226 4.3.3.2 Klickrate Prozente vs. Euro 227 4.3.3.3 Conversion-Rate Prozente vs. Euro 229 4.3.4 A/B-Test zur Personalisierung 230 4.3.4.1 Auswahl des Empfehlungsverfahrens 230 4.3.4.2 Definition der Kontrollgruppe 231 4.3.4.3 Operative Durchführung 231 4.3.4.4 Auswertung 232 4.3.5 Ergebnisse und Evaluation 236 5 Zusammenfassung und Ausblick 239 6 Anhang 243 6.1 Anhang A Usability-Evaluation 243 6.1.1 Methoden der Usability-Evaluierung 246 6.1.1.1 Usability-Tests und lautes Denken 246 6.1.1.2 Benutzerbefragung 248 6.1.1.3 Feldstudien und Partizipation 250 6.1.1.4 Expertenorientierte (Inspektions-)Methoden 251 6.1.1.5 Formal-analytische Verfahren 252 6.1.1.6 Quantitative Fragebogen 252 6.1.1.7 Verfahrensmodell 259 6.1.1.8 Auswertung 262 6.1.2 Fragebögen 263 6.2 Anhang B Zeitreihenanalyse 281 6.2.1 Klassische Komponentenmodelle 281 6.2.2 Stochastische Prozesse 282 6.2.3 Fourier-Analyse-Methoden (Spektralanalyse) 283 6.3 Anhang C Daten und Programme 286 6.3.1 Technische Daten 286 6.3.1.1 Data Warehouse / Data Mining Server 286 6.3.2 Programm- und Skriptcodes 287 6.3.2.1 R- Skripte 287 6.3.2.2 SQL – Skripte 296 6.3.2.3 C# Code MostRecentLinkInvocationsShopRecommender.cs 314 6.3.3 Daten A/B-Tests 317 6.3.3.1 Übersicht Newsletter 317 6.3.3.2 Mengengerüst Aussendungen 319 6.3.3.3 Shopaufrufe und Besteller 319 6.3.3.4 Darstellungen der Newsletter-Varianten 320 6.3.4 Daten Personalisierung 335 6.4 Abbildungsverzeichnis 338 6.5 Tabellenverzeichnis 343 6.6 Literaturverzeichnis 346

For railways, risk analysis is carried out to identify hazardous situations and their consequences. Until recently, classical methods such as Fault Tree Analysis (FTA) and Event Tree Analysis (ETA) were applied in modelling the linear and logically deterministic aspects of railway risks, safety and reliability. However, it has been proven that modern railway systems are rather complex, involving multi-dependencies between system variables and uncertainties about these dependencies. For train derailment accidents, for instance, high train speed is a common cause of failure; slip and failure of brake applications are disjoint events; failure dependency exists between the train protection and warning system and driver errors; driver errors are time dependent and there is functional uncertainty in derailment conditions. Failing to incorporate these aspects of a complex system leads to wrong estimations of the risks and safety, and, consequently, to wrong management decisions. Furthermore, a complex railway system integrates various technologies and is operated in an environment where the behaviour and failure modes of the system are difficult to model using probabilistic techniques. Modelling and quantification of the railway risk and safety problems that involve dependencies and uncertainties such as mentioned above are complex tasks. Importance measures are useful in the ranking of components, which are significant with respect to the risk, safety and reliability of a railway system. The computation of importance measures using FTA has limitation for complex railways. ALARP (As Low as Reasonably Possible) risk acceptance criteria are widely accepted as ’\'best practice’’ in the railways. According to the ALARP approach, a tolerable region exists between the regions of intolerable and negligible risks. In the tolerable region, risk is undertaken only if a benefit is desired. In this case, one needs to have additional criteria to identify the socio-economic benefits of adopting a safety measure for railway facilities. The Life Quality Index (LQI) is a rational way of establishing a relation between the financial resources utilized to improve the safety of an engineering system and the potential fatalities that can be avoided by safety improvement. This thesis shows the application of the LQI approach to quantifying the social benefits of a number of safety management plans for a railway facility. We apply Bayesian Networks and influence diagrams, which are extensions of Bayesian Networks, to model and assess the life safety risks associated with railways. Bayesian Networks are directed acyclic probabilistic graphical models that handle the joint distribution of random variables in a compact and flexible way. In influence diagrams, problems of probabilistic inference and decision making – based on utility functions – can be combined and optimized, especially, for systems with many dependencies and uncertainties. The optimal decision, which maximizes the total benefits to society, is obtained. In this thesis, the application of Bayesian Networks to the railway industry is investigated for the purpose of improving modelling and the analysis of risk, safety and reliability in railways. One example application and two real world applications are presented to show the usefulness and suitability of the Bayesian Networks for the quantitative risk assessment and risk-based decision support in reference to railways.:ACKNOWLEDGEMENTS IV ABSTRACT VI ZUSAMMENFASSUNG VIII LIST OF FIGURES XIV LIST OF TABLES XVI CHAPTER 1: Introduction 1 1.1 Need to model and quantify the causes and consequences of hazards on railways 1 1.2 State-of-the art techniques in the railway 2 1.3 Goals and scope of work 4 1.4 Existing work 6 1.5 Outline of the thesis 7 CHAPTER 2: Methods for safety and risk analysis 10 2.1 Introduction 10 2.1.1 Simplified risk analysis 12 2.1.2 Standard risk analysis 12 2.1.3 Model-based risk analysis 12 2.2 Risk Matrix 14 2.2.1 Determine the possible consequences 14 2.2.2 Likelihood of occurrence 15 2.2.3 Risk scoring matrix 15 2.3 Failure Modes & Effect Analysis – FMEA 16 2.3.1 Example application of FMEA 17 2.4 Fault Tree Analysis – FTA 19 2.5 Reliability Block Diagram – RBD 22 2.6 Event Tree Analysis – ETA 24 2.7 Safety Risk Model – SRM 25 2.8 Markov Model – MM 27 2.9 Quantification of expected values 31 2.9.1 Bayesian Analysis – BA 35 2.9.2 Hazard Function – HF 39 2.9.3 Monte Carlo (MC) Simulation 42 2.10 Summary 46 CHAPTER 3: Introduction to Bayesian Networks 48 3.1 Terminology in Bayesian Networks 48 3.2 Construction of Bayesian Networks 49 3.3 Conditional independence in Bayesian Networks 51 3.4 Joint probability distribution in Bayesian Networks 52 3.5 Probabilistic Inference in Bayesian Networks 53 3.6 Probabilistic inference by enumeration 54 3.7 Probabilistic inference by variable elimination 55 3.8 Approximate inference for Bayesian Networks 57 3.9 Dynamic Bayesian Networks 58 3.10 Influence diagrams (IDs) 60 CHAPTER 4: Risk acceptance criteria and safety targets 62 4.1 Introduction 62 4.2 ALARP (As Low As Reasonably Possible) criteria 62 4.3 MEM (Minimum Endogenous Mortality) criterion 63 4.4 MGS (Mindestens Gleiche Sicherheit) criteria 64 4.5 Safety Integrity Levels (SILs) 65 4.6 Importance Measures (IMs) 66 4.7 Life Quality Index (LQI) 68 4.8 Summary 72 CHAPTER 5: Application of Bayesian Networks to complex railways: A study on derailment accidents 73 5.1 Introduction 73 5.2 Fault Tree Analysis for train derailment due to SPAD 74 5.2.1 Computation of importance measures using FTA 75 5.3 Event Tree Analysis (ETA) 78 5.4 Mapping Fault Tree and Event Tree based risk model to Bayesian Networks 79 5.4.1 Computation of importance measures using Bayesian Networks 81 5.5 Risk quantification 82 5.6 Advanced aspects of example application 83 5.6.1 Advanced aspect 1: Common cause failures 83 5.6.2 Advanced aspect 2: Disjoint events 84 5.6.3 Advanced aspect 3: Multistate system and components 84 5.6.4 Advanced aspect 4: Failure dependency 85 5.6.5 Advanced aspect 5: Time dependencies 85 5.6.6 Advanced aspect 6: Functional uncertainty and factual knowledge 85 5.6.7 Advanced aspect 7: Uncertainty in expert knowledge 86 5.6.8 Advanced aspect 8: Simplifications and dependencies in Event Tree Analysis 86 5.7 Implementation of the advanced aspects of the train derailment model using Bayesian Networks. 88 5.8 Results and discussions 92 5.9 Summary 93 CHAPTER 6: Bayesian Networks for risk-informed safety requirements for platform screen doors in railways 94 6.1 Introduction 94 6.2 Components of the risk-informed safety requirement process for Platform Screen Door system in a mega city 97 6.2.1 Define objective and methodology 97 6.2.2 Familiarization of system and information gathering 97 6.2.3 Hazard identification and hazard classification 97 6.2.4 Hazard scenario analysis 98 6.2.5 Probability of occurrence and failure data 99 6.2.6 Quantification of the risks 105 6.2.6.1. Tolerable risks 105 6.2.6.2. Risk exposure 105 6.2.6.3. Risk assessment 106 6.3 Summary 107 CHAPTER 7: Influence diagrams based decision support for railway level crossings 108 7.1 Introduction 108 7.2 Level crossing accidents in railways 109 7.3 A case study of railway level crossing 110 7.4 Characteristics of the railway level crossing under investigation 111 7.5 Life quality index applied to railway level crossing risk problem 115 7.6 Summary 119 CHAPTER 8: Conclusions and outlook 120 8.1 Summary and important contributions 120 8.2 Originality of the work 122 8.3 Outlook 122 BIBLIOGRAPHY 124 APPENDIX 1 131