In vielen Fällen verschlimmern sich die Probleme mit der Datenkonsistenz, wenn Data-Mining-Tools auf Daten angewandt werden, die aus verschiedenen Enterprise-Systemen zusammengetragen wurden, zum Beispiel aus den Datenbanken für den Vertrieb, das Treueprogramm, den Kundendienst oder das Marketing. Wurde im Vorfeld nicht ausreichend an der Konsistenz der Daten gearbeitet, besteht die Wahrscheinlichkeit, dass jede dieser Datenbanken viele Kunden im Data-Warehouse auf verschiedene Weisen darstellt.
Gibt man diese Daten nun in ein Data-Mining-System ein, verfügt man über alle Zutaten für ein Informationsdesaster. Die Arbeit mit falschen Daten in dem Glauben, korrekte Daten vor sich zu haben, kann Probleme eher noch verschlimmern. Die Lösung für dieses Problem liegt in der sorgfältigen Kontrolle der Daten (automatische Werkzeuge können diesen Prozess erleichtern) und der Verbesserung der Dateneingabeprozeduren mit vereinten Kräften, um problematische Daten dauerhaft zu reparieren.
Indem sie großen Anwendergemeinschaften komplexe Analysetechniken zugänglich machten, haben die heutigen Data-Mining-Plattformen viele Schranken niedergerissen, die in der Vergangenheit ihrer Akzeptanz im Weg standen. Angesichts des erwiesenen Nutzens, den Organisationen bereits in der Vergangenheit mit Data-Mining erzielen konnten, hat das Ausspielen der Benutzerfreundlichkeitskarte ein klares und überzeugendes Geschäftsmodell geschaffen, das, mit nur ein wenig Vorstellungskraft, in der Lage sein kann, weitaus relevantere, datenfähigere Anwendungen als je zuvor anzubieten.
- Data-Mining: Verborgene Schätze in Unternehmensdaten
- Unbekannte Beziehungen identifizieren
- Betriebsabläufe und Erfolgschancen
- Vorbeugen ist besser als heilen
- Echtzeit-Data-Mining
- Beträchtliche Hardware-Investitionen
- Grundlagen des Angewandten Data-Mining
- Geheimnisvoll und esoterisch
- Data-Mining für die Anwender
- Aufräumen im Warehouse
- Probleme mit der Datenkonsistenz
- Datenintelligenz stärkt OneSteel
- Datenschwemme
- Nach Gold graben und das Geröll wegwerfen
Neueste Kommentare
3 Kommentare zu Data-Mining: Verborgene Schätze in Unternehmensdaten
Kommentar hinzufügenVielen Dank für Ihren Kommentar.
Ihr Kommentar wurde gespeichert und wartet auf Moderation.
Ausführlich – aber bitte weiteren Aspekt bedenken!
Vielen Dank für den langen Artikel. Es hat sich gelohnt!
Ich möchte aber ergänzen, dass Data Mining Modelle (Algorytmen) ein Training für die Datenbasis benötigen, um Vorhersagen treffen zu können. Daraus folgt, das sie mit der Zeit immer besser werden können, wenn man die Voraussagen mit den Ergebnissen konfrontiert.
Das Training (mit verifizierten Daten) ist wesentlich für die Qualität der Aussagen der Mining Modelle.
Data-Mining mit R
Die freie Statistikprogrammiersprache R dazu verwenden.
Open Source Data Mining mit RapidMiner und RapidAnalytics
Als kostenlose erhältliche Open-Source-Lösungen für den Unternehmenseinsatz empfehle ich:
* RapidMiner für Desktop oder Notebook: http://www.RapidMiner.com/
* RapidAnalytics als Server-Lösung: http://www.rapid-i.com/
Wahlweise kann man in RapidMiner und RapidAnalytics über Erweiterung (Extensions) die Open-Source-Systeme Weka und R einbinden. Es geht aber auch ohne, denn RapidMiner und RapidAnalytics bieten bereits von hause aus sehr viele maschinelle Lernverfahren und statistische Modellierungsverfahren.