Data Mining für das Management?

Data Mining für das Management? Rainer Bischoff In diesem kleinen Bericht wird die Eignung - Verständnis, Nutzung - von Data Mining-Methoden für das Management diskutiert. Da diese Methoden relativ formal und damit schwierig sein können, erscheint dem Verfasser eine zielgerichtetere Aufbereitung vonnöten: Ein interessantes neues Forschungs- und Entwicklungsgebiet. Inhaltsübersicht 1 Data Mining und Knowledge Management 2 Anwendungsgebiete 3 Der Benutzer/der Nutzer 4 Data Mining-Methoden - etwas Neues? 5 Die Inhalte der Data Mining-Methoden 6 Die Aufbereitung der Methoden 7 Data Mining - nur eine Woge in der Wirtschaftsinformatik? 8 Ausblick 9 Literatur 1 Data Mining und Knowledge Management Data Mining (besser: Information Mining [Runkler 2000]), der Name ist kurz und verlockend: Daten aufspüren im Data Warehouse (=Extrakte aus operativen Informationssystemen [Jung, Winter 2000, 5]), besser, unbekannte Zusammen= hänge zwischen Informationen zu neuen Informationen verknüpfen. Ein großer, zielorientierter Kontext/eine starke Vernetzung schafft dann das Wort Wissensmanagement [Hippner, Wilde 2001(2), 977] ( Knowledge-Management = KM ), zugestandenermassen heute noch selten mit Data Mining oder gar KI (Künstliche Intelligenz) [Witten, Frank 2001] verbunden. Inmon et al. verstehen unter KM die Dokumentation des gesamtem intellektuellen Kapitals eines Unternehmens in strukturierter Form, gleich aus welchem Teilgebiet diese stammen (corporate information). [Inmon et al. 2001, 107] (Vgl. auch [HMD, 208, 1999] ). Data Mining ist jedoch im strengen Sinne hypothesenbasiert: Eine Hypothese wird aufgestellt und durch spezielle Methoden - viele aus der Statistik - bestätigt oder widerlegt Eine reine Wiederholung der Untersuchung auf nur zeitlich andere Daten ist dann wohl kein Mining mehr, es sei denn, die Hypothese kippt. Data Mining unterscheidet sich damit durch die gezielte Vorgehensweise und die Nutzung spezifischer Mining-Tools vom mehr auf Versuch und Irrtum basierendem Suchen und ggf. Finden. Data Mining steht damit sicher am Ende eines Prozesses des systematischen Aufbereitens und Suchens von Informationen zur Unterstützung vielfältiger Entscheidungsprozesse. Die Nutzung entscheidungsunterstützender Systeme geht auch ohne Data Mining und hat seinen guten Sinn. 2 Anwendungsgebiete Die hauptsächlichen Anwendungsgebiete liegen heute im Bereich des betriebswirtschaftlichen Kontextes (PPS, Instandhaltung, Beschaffung, Marketing, Revision, Controlling, CRM, SCM , Portale etc. und das auch im Sinne von E-Business (vgl.[Inmon 1996] [Inmon et al., 2001] [Weiss, Indurkhya 1998])). Die Anwendung hängt trivialerweise von den in wirtschaftlich zugänglichen Datenbeständen gespeicherten Daten und dem drängenden Fokus ab. Der Fokus ist bestimmt durch Zielsetzung und realisierende Strategie. 3 Der Benutzer/der Nutzer Man kann bei der Nutzung von Daten (Informationen) zwischen internen und externen Nutzern unterscheiden. Die internen kann man in Anlehnung an Inmon et al. [Inmon et al., 2001, 90-110] in eine Gruppe, analytical users genannt, und eine Gruppe, end user group genannt, unterscheiden. Erstere werden in farmers, tourists, explorers, operators und miners unterteilt, letztere in work groups und practice groups. Bei den externen wird in business partners, consumers (in mehreren unterschiedlichen Klassen) und/oder in besonderen Interessensgruppen (communities) organisiert, unterschieden. Hier interessiert schwerpunktmäßig die interne Aufteilung. Der Manager kann die Ergebnisse aller Klassen nutzen bzw. ist ggf. klassenzugehörig: Farmer Feste Fragestellungen; feste Auswertungen, z. B. um Kennzahlen zu erzeugen; Monitoring bzw. Controlling von Prozessen; Controller, ggf. Top Management Tourist Vertiefte Kenntnisse auf einem Gebiet, was ihm erlaubt, intuitiv zu suchen, ggf. mit DSS (decision support sytem) [Lusti 2002] ; Middle Management Explorer Unkonventielle Informationssuche (trial and error); meist Gebietsspezialisten wie Marketing-Analyst, Strategie-Analyst, Versicherungsstatistiker etc. Miner 2 Prüfen von aufgestellten Hypothesen, Beurteilung des dazu genommenen Datenmaterials; wissenschaftliche Basierung der Ergebnisse des Explorers; Nutzung spezieller Tools. Er ist wohl typischerweise kein Manager Operator Er lebt mit der Datenanalyse, er braucht sie für die tägliche Arbeit. Seine Auswertungen sind im wesentlichen standardisiert. Er kann Sachbearbeiter, Gebietsmanager oder Top Manager mit speziellem Fokus sein. Der Miner (Data Miner) ist offensichtlich ein Spezialist, der seine Erkenntnisse und den Weg dahin anderen - insbesondere dem Manager - „ rüberbringen “ muss. 4 Data Mining-Methoden - etwas Neues? Die Leistung vieler Data Mining-Methoden ist - verglichen mit der menschlichen Intelligenz - eine intelligente Leistung und damit durchaus der KI zurechenbar. [Zhong, Zhou 1999][Komorowski, Zytkov 1997] Das gilt auch, wenn sie zum großen Teil ihren Ursprung in der Statistik haben. Es ist jedoch sicher neu: - Der Schwerpunkt der Extraktion aus grossen Datenbeständen - Sicherstellung der Konsistenz der Daten (Datenaufbereitung [Hippner, Wilde 2001 (1), 37ff.] - Der Versuch, „ neue “ Informationen zu finden und nicht nur bekannte Tatbestände (quantitativ) zu verifizieren. Hypothesen stehen im Vordergrund. - Bekannte Verfahren auf riesige Datenmengen anzuwenden; damit verbunden ist die Notwendigkeit der Veränderung der basierenden Methoden/Verfahren/Algorithmen. - Der weitgehende Automatismus der Verfahren Das alles kann die menschliche Intelligenz im Kleinen, jedoch nicht im Großen. 5 Die Inhalte der Data Mining-Methoden Typische Inhalte der Methoden sind (vgl. auch [Heidsieck 2000]): - Klassifikation - Segmentierung - Prognose/Vorhersage - Abhängigkeitsanalyse /Assoziationsanalyse - Abweichungsanalyse/Frühwarnsysteme - Optimierung 3 und nicht zuletzt - Informationsbeschaffung (Text Mining, intelligente Agenten [Gehrke 2000], explorative Datenbeschreibung, Datenreduktion , WEB-Mining, traditionelle Verfahren der multivariaten Statistik etc.) Eine Vielzahl unterschiedlicher Algorithmen kann dabei obige Problemstellungen lösen (vgl zu entsprechenden Tools [Data Warehousing IC, 20.7.2002]): Beispiele: Klassifikation durch Neuronale Netze (NN), Entscheidungsbäume, Diskriminanzanalyse ABC-Analyse Segmentierung durch Neuronale Netze, Genetische Algorithmen (GA), Verfahren des Clustering Prognose/Vorhersage durch Exponential Smoothing, Regression, sonstige statistische Methoden, Szenariotechnik, NN Abhängigkeitsanalyse/Assoziationsanalyse durch Entscheidungsbaumverfahren, Neuronale Netze, Fuzzy Logik (FL), Regression (Erklärung), Korrelationsanalyse, grafische Datenanalyse, Web-Usage-Mining, Bayesianische Netze Abweichungsanalyse durch Verfahren der GAP-Analyse (Lücken-), statistische Entscheidungstheorie Optimierung durch GA, traditionelle Verfahren 6 Die Aufbereitung der Methoden Die genannten Methoden sind meist statistischer Natur und relativ komplex in der Anwendung: Letzteres tut ein Tool. Die richtige Methode muss aber ausgewaehlt werden und in ihren Voraussetzungen und Wirkungen verstanden werden und das durch den Nutzer! 4 Man könnte vielleicht probieren und ggf. viele anwenden, wenn es die Daten zulassen bzw. das entsprechende Know-how (dv-technisch und inhaltlich) vorhanden ist. [Computerwoche 2002, 14-15] Data Mining-Methoden können jedoch oft auch sehr formal - z. B. nur über reelle Zahlen - gebracht werden. Die Funktionsweise ist dann nachvollziehbar, ohne den zugrundeliegenden Algorithmus kennen zu müssen/genau kennen zu müssen: Bei manchen, z. B. den Neuronalen Netzen, reicht das nicht, wie z. Bsp. die Beurteilung der Wirkung unterschiedlicher Lernparameter oder von Abbruchkriterien. Kennt man die grundsätzliche Funktionsweise von NN und das spezielle Modell im Detail, geht das. Ein ausführliches Studium des Handbuchs reicht dafür meist nicht aus. Wäre noch die andere Seite zu vertiefen: Ausgehend von einem Grundverständnis des Methode, stellt sich die angerissene Frage nach den inhaltlichen Anwendungsmöglickeiten. Hier sollte ein Handbuch schon viel helfen. Der Manager, aber auch der Student, ist damit - vor allen Dingen in jungen Semestern - stark überfordert. Das Kennen und die Wirkung von Informationen - z. B. im Marketing-Bereich und im Controlling-Bereich - ist darüberhinaus unbedingte Voraussetzung zur effektiven Nutzung von Data Mining-Methoden. Die Art der diesbezüglichen Vorlesungen, aber auch die Handbücher und die Lernprogramme müssen danach ausgerichtet sein: Ein neue Qualität ist damit angesprochen. Der Softwareanbieter muss zum Berater werden. Die Wirtschaftsinformatik wird anders: Sie ist zunehmend nicht mehr Addition von Lehrinhalten, sie ist neue Integration und damit Innovation. 7 Data Mining - nur eine Woge in der Wirtschaftsinformatik? Die kritischen Punkte in Kapitel 6 könnten vermuten lassen, dass es sich um eine (abnehmende) Welle - wie es so viele in der Wirtschaftsinformatik gab/gibt: XPS, CASE , Reengineering, BPR, SAP, OO, Agenten, Portale etc. - handeln kann. Der Manager kann kein Data Miner sein. Zudem müssen die Ergebnisse extrem gut aufbereitet werden. (dass sie wichtig und sehr nützlich sein können, sei vorausgesetzt). Gelingt das? Vielleicht. Die Voraussetzungen sind bestens. Man bewegt sich u.a. im Bereich des Marketing (z. B. des CRM= Customer Relationship Management [Rud 2001]), des Controlling und des SCM (= Supply Change Management). Da muss und kann mehr passieren! 5 8 Ausblick Gefordert sind die Hochschulen und die Tool-Hersteller.