Data Mining wird alltäglich

Data Mining wird alltäglich Autor: Heiko Witfeld, EMEA Country Manager bei KXEN Data Mining galt lange Zeit als Domäne von Statistik‐Profis. Der steigende Bedarf an Business Intelligence und der Wunsch, aus den wachsenden Datenbeständen vorausschauende Informationen zu generieren, haben zu einem verstärkten Interesse an einer leistungsfähigen Datenanalyse geführt. Neue Data‐Mining‐Ansätze erschließen dem Business‐Bereich automatisierte Analysen für einen breiteren Einsatz im Unternehmen. Anders als Business Intelligence soll Data Mining zu Erkenntnissen verhelfen, die nicht auf der Hand liegen und das Unsichtbare, Unvermutete sichtbar machen. Dass zum Beispiel Fahrer von roten Autos häufiger in Unfälle verwickelt sind, fand ein Versicherungsunternehmen erst durch Data Mining heraus. Anstelle einer reinen Darstellung von Vergangenheitsdaten (wie bei Reporting und ähnlichen BI‐Systemen) geht es um Vorhersage und Prognostik. Die Hypothesenbildung, das Entwickeln und Validieren von Modellen, die Anwendung statistischer Methoden, aber auch die aufwändige Datenvorbereitung, in der relevante Variablen selektiert und in Beziehung gesetzt werden, haben das Data Mining bisher zum Profisport gemacht. Das Erarbeiten und Anwenden von Modellen war Statistikern und Mathematikern vorbehalten – ein Bottleneck, bei dem durch meist begrenzte personelle Ressourcen Data Mining nur selten genutzt werden konnte. Der Bedarf an zuverlässigen Vorhersagen zur Planung und Steuerung von Unternehmen (Corporate Performance Management) bedingt inzwischen jedoch die Erzeugung mehrerer hundert Modelle pro Jahr – die Anzahl relevanter Geschäftsprozesse, in die Analytik eingebunden werden sollte, ist steigend. Konzepte wie die von KXEN entwickelte Data Mining Automation Solution „liberalisieren“ das Geschäft umfassender Datenanalysen und machen auch Business‐Anwendern diesen Bereich zugänglich. Die Software sorgt hier für die Auswahl der statistisch angebrachten Methode und die Einbeziehung der notwendigen Variablen. Ziel ist dabei, deutlich mehr Modelle in kürzerer Zeit zu entwickeln und zum Beispiel für Marketiers, Kampagnenmanager oder Vertriebsleiter direkt nutzbar zu machen. Grundlage ist wie beim klassischen Data Mining ein Data Warehouse, in dem Daten aus unterschiedlichen Systemen und Anwendungen einfließen. In sogenannten Customer Analytic Records können pro Kunde tausende von Variablen zusammengefasst werden. Entscheidend ist hier ein möglichst hoher Automatisierungsgrad bei der Bereitstellung der Daten. Die Typen dieser Variablen können beliebig variieren und auch Transaktionsdaten und die Einbeziehung von unstrukturiertem Text spielen eine zunehmend wichtige Rolle. Die Aufgabe des Data Mining‐ Werkzeugs besteht darin, diese unterschiedlichen Werte zueinander in Beziehung zu setzen und die relevanten Variablen zu selektieren. Die Ergebnisse der Analysen fließen direkt in andere Anwendungen ein, beispielsweise über ein Web‐Frontend in die Kampagnengestaltung. Auch die Ausführung von Modellen kann aus anderen Anwendungen heraus gestartet werden. Die technische Validierung eines Modells hinsichtlich Qualität und Zuverlässigkeit übernimmt die Software, während der fachkundige Benutzer das Ergebnis inhaltlich überprüft. Data‐Mining‐Tools lassen sich nicht nur in Großunternehmen sinnvoll einsetzen. Entscheidend ist im allgemeinen die Anzahl der Kunden und Interessenten – 100.000 Datensätze gelten hier als Hausnummer – sowie die Qualität der vorhandenen Daten, die im System erfasst sind. Die Anwendungsgebiete reichen von Untersuchungen über das Abwanderungsverhalten von Kunden (Kündigung), Betrugsabwehr bis hin zu Cross‐ und Up‐Selling‐Analysen. Vor allem Kündigung und Maßnahmen zur Kundenbindung und ‐zufriedenheit stehen bei den Anwendungsprioritäten von Data Mining ganz oben: Die Gewinnung von Neukunden gilt als ungleich teurer als das Halten eines bestehenden Kunden. Klassische Funktionen sind Klassifizierung (beispielsweise Kündiger/Nicht‐ Kündiger), Segmentierung (zum Beispiel Kundengruppen), Regressions‐, Assoziations‐ und Zeitreihenanalysen. Marktforscher wie Gartner weisen verstärkt auf die Notwendigkeit hin, die im Unternehmen brachliegenden Informationen endlich „auszubeuten“. Ein Trend zeichnet sich derzeit bei der Nutzung von Data Mining im Kontext des Business Process Management ab. In Projekten zur Prozessverbesserung werden Data‐Mining‐Lösungen dazu verwendet, Performance‐Indikatoren, Trends und Schwachstellen im eigenen Unternehmen zu identifizieren.