Analytisches Marketing

Universität Gesamthochschule Paderborn Fachbereich Wirtschaftswissenschaften Fachgebiet Wirtschaftsinformatik, insbesondere CIM Produktionstechnisches Seminar Seminararbeit zum Thema: Data Mining im Kundenmanagement Wintersemester 2000/2001 vorgelegt bei Prof. Dr.-Ing. habil. Wilhelm Dangelmaier Dipl.-Kfm. Stefan Helmke von Thomas Lohre 33034 Brakel Inhaltsverzeichnis II INHALTSVERZEICHNIS ABKÜRZUNGSVERZEICHNIS IV ABBILDUNGSVERZEICHNIS V ABSTRACT 1 1 DATA MINING – EIN ÜBERBLICK 3 11 Der Begriff Data Mining und seine Komponenten 3 12 Anforderungen und Erfordernisse an Data Mining Systeme 8 13 Der Datenbestand und die damit verbundene Problematik für Data Mining 12 14 Bedeutung von Data Mining 17 2 DATA MINING METHODEN 19 21 Abgrenzung zu verwandten Gebieten 19 22 Induktives maschinelles Lernen 21 23 Überwachtes Lernen 23 231 Diskriminanzanalyse 23 232 k-nächste Nachbarn 26 233 Entscheidungsbäume und Regelinduktion 27 234 Fallbasiertes Schließen 30 24 Unüberwachtes Lernen 33 241 Assoziativ-Regeln 33 242 Clusteranalyse 35 243 Bayes-Verfahren 37 25 Die Conjoint-Analyse zur Beurteilung des Gesamt- nutzens 39 Inhaltsverzeichnis III 26 Kausalanalyse zum Testen von aufgestellten Hypothesen 42 27 Neuronale Netze 45 28 Fuzzy-Theorie als Erweiterung bestehender Methoden 49 29 Genetische Algorithmen als Optimierungswerkzeuge 51 3 DATA MINING ANWENDUNGEN IM KUNDEN- MANAGEMENT 54 31 Marketing 54 311 Segmentierung 55 312 Preispolitik 57 313 Database Marketing 58 314 Warenkorbanalyse 62 32 Service 64 4 KRITISCHE WÜRDIGUNG UND AUSBLICK 65 LITERATURVERZEICHNIS 69 Abkürzungsverzeichnis IV ABKÜRZUNGSVERZEICHNIS BDSG Bundesdatenschutzgesetz bspw. beispielsweise bzgl. bezüglich bzw. beziehungsweise DB Datenbank DV Datenverarbeitung d.h. das heißt etc. et cetera f. folgende ff. fortfolgende FORWISS Bayerisches Forschungszentrum für Wissensbasierte Sy- steme i.a. im allgemeinen i.d.R. in der Regel i.e.S. im engeren Sinne IV Informationsverarbeitung i.w.S. im weiteren Sinne Kap. Kapitel MaLVe Maschinelles Lernen für den Vertrieb m.E. meines Erachtens OLAP OnLine Analytical Processing S. Seite SQL Structured Query Language u.U. unter Umständen vgl. vergleiche z.B. zum Beispiel Abbildungsverzeichnis V ABBILDUNGSVERZEICHNIS 1. Data Mining im Knowledge-Discovery-Prozess 5 2. Einführung eines Data Mining Projekts 6 3. Komponenten eines Data Mining Systems 7 4. Verbindung Data Warehouse und Data Mining 15 5. Begriffsabgrenzung zu Data Mining 20 6. Diskriminanzfunktion im Fall von zwei Klassen und zwei Variablen 25 7. Beispiel für einen Entscheidungsbaum und eine Entscheidungsregel 28 8. CBR-Zyklus 31 9. Agglomeratives und divisives hierarchisches Clustering 37 10. Ablaufschritte einer Conjoint-Analyse 40 11. Betrachtung von direkten und indirekten Effekten 44 12. Neuron eines neuronalen Netzes 46 13. Grundstruktur eines neuronalen Netzes 46 14. Klassische und Fuzzy-Clusteranalyse 51 15. Einsatzmöglichkeiten von Data Mining im Marketing 55 Abstract 1 ABSTRACT Die Extraktion von verwertbarem Wissen aus Daten ist ein Thema, das angesichts der Menge des zur Zeit verfügbaren Datenmaterials mehr und mehr an Aktualität gewinnt. In vielen Unternehmen und wissenschaftlichen Institutionen existieren sehr große Datenbestände, deren genaue Analyse direkt nutzbare Erkenntnisse versprechen. Oft genug bleiben die Daten jedoch ungenutzt, da die Menge und ihr permanent wachsendes Volumen die Auswertung erschwert. Schätzungen zufolge verdoppelt sich die Men- ge der Informationen auf der Welt alle 20 Monate. Dagegen werden aber lediglich 5 bis 10% der gesammelten und generierten Daten analysiert. Ein großer Datenbestand nutzt daher wenig, wenn er nicht angemessen ausgewertet wird; er kann sogar Schaden stiften, wenn wichtige Zusam- menhänge übersehen und zufällig erzielte Ergebnisse überbewertet wer- den. Die Anwendung geeigneter Verfahren zur Wissensentdeckung in großen Datenbeständen wird als Data Mining bezeichnet und ist der Kern eines Prozesses, der in der Literatur als „Knowledge Discovery in Databases“ (KDD) beschrieben wird. Wie es für ein so junges Gebiet wie dem Data Mining nicht überraschend ist, herrscht unter den Wissenschaftlern und Technikern keineswegs Einigkeit darüber, welche Techniken und Wis- sensbereiche ihm überhaupt zuzuordnen sind. Auch die verwendeten Be- griffe werden oft uneinheitlich oder ungenau verwendet. Diese Seminarar- beit gibt einen Überblick über das heterogene Gebiet Data Mining. Dabei wird in dieser Arbeit folgendermaßen vorgegangen: In Kapitel 1 werden die grundlegenden Begriffe eingeführt. Außerdem werden die Anforderun- gen an Systeme, die Data Mining umsetzen, beschrieben sowie die Gren- zen solcher Systeme aufgezeigt. Abschließend wird im ersten Kapitel die Wichtigkeit einer soliden Datenbasis für Data Mining verdeutlicht und die Einsatzmöglichkeiten solcher Systeme aufgezählt. Kapitel 2 ist den unter- schiedlichen Verfahren im Rahmen des Data Mining gewidmet. Dazu wird zuerst eine Abgrenzung zu verwandten Gebieten durchgeführt, um dann die unterschiedlichen Ansätze des maschinellen Lernens zu erörtern. Es Abstract 2 werden nicht nur Verfahren vorgestellt, die dem überwachten bzw. un- überwachtem Lernen zuzuordnen sind, sondern auch neuere alternative Verfahren, wie neuronale Netze und Fuzzy-Systeme, die eine Brücke zwi- schen beiden Lernmethoden schlagen. Schließlich werden in Kapitel 3 die betrieblichen Einsatzgebiete der Data Mining Methoden im Rahmen des Kundenmanagements eingehend erörtert. Dazu zählen das Marketing als auch der Service, in dem Data Mining Methoden neue Möglichkeiten und Potenziale eröffnen. Der Data Mining Ansatz soll eine der wesentlichen Schwachstellen an heutigen Informationssystemen beheben: die Informationsüberflutung. Die Anwender solcher Systeme sollen gefilterte, im Idealfall nur noch wirklich wichtige Informationen erhalten. Auch wenn Data Mining ein Schritt in die richtige Richtung ist, so muss als Fazit doch festgehalten werden, dass es weder eine Wunderwaffe noch ein Allheilmittel gegen die Informations- überflutung darstellt. Denn zum einen steht und fällt Data Mining mit der Güte der Datenstrukturierung, zum anderen ist auch der Einsatz geeigne- ter Methoden im Rahmen des Data Mining ein wichtiger Bestandteil. Au- ßerdem müssen die Daten aktuell sein und im gewünschten Zeitintervall bereitgestellt werden. Schließlich und letztendlich müssen dann die ge- wonnen Erkenntnisse aus dem Data Mining auch zu entsprechenden Ent- scheidungen im Unternehmen führen, die dann umgesetzt werden. Je nach Bedürfnis kann diese von der simplen Resultatpräsentation bis zur Implementierung eines automatisierten Data Mining in die Geschäftsabläufe ausgestaltet werden. Data Mining – Ein Überblick 3 1 Data Mining – Ein Überblick 11 Der Begriff Data Mining und seine Komponenten Bei jeder geschäftlichen Transaktion oder durchgeführten Marktforschung fallen Daten an, die oft in verschiedensten Datenbanken in unterschiedlichster Form in einem Unternehmen gespeichert werden. Datenbanken der Größenordnung Gigabyte oder Terrabyte sind dabei keine Seltenheit mehr.