Data-Mining: Verborgene Schätze in Unternehmensdaten

OneSteel, der kürzlich veräußerte Geschäftsbereich zur Stahlherstellung von BHP Billiton, verwaltet außerordentlich komplexe Lieferketten, die sich aus der Koordinierung von Rohmaterialien, regionsübergreifender Logistik, Prozessfertigung und Marketing in einem überaus wettbewerbsintensiven globalen Markt ergeben.

Angesichts der Informationsmenge, die seine fast 600 Knowledge-Worker verarbeiten müssen, waren Unternehmensanalysten lange Zeit ein alltäglicher Bestandteil des 3 Mrd. Dollar schweren Unternehmens OneSteel, bei dem die meisten Analytics-Anwendungen von Cognos auf die eine oder andere Weise im Einsatz sind. Data-Mining gehört zu den neueren dieser Werkzeuge und hat zu der erfreulichen Erkenntnis geführt, dass Daten für weit mehr als nur das Füllen von Transaktionsdatenbanken verwendet werden können.

Diese Erkenntnis ergab sich, als IT- und Business-Mitarbeiter gemeinsam die interessantesten Details aus den täglich generierten Datenbergen herauszuziehen begannen. Etwa einmal täglich extrahieren Werkzeuge neue Daten über Herstellung, Vertrieb und andere Geschäftsbereiche aus JD Edwards, BPCS und anderen Systemen von OneSteel. Diese Daten werden anschließend in eine Reihe dedizierter Data-Marts geladen, die auf Microsoft SQL Server laufen (was demnächst ausgetauscht werden wird, wenn OneSteel die derzeitige Migration von SAP auf Oracle abschließt) – und dann Mitarbeitern verfügbar gemacht, die eine Vielzahl verschiedener Analysetools einsetzen.

Dieser Ansatz stellt sicher, dass die Daten stets aktuell sind. Es war jedoch eine beträchtlichen Anstrengung im Bereich Datenkonsistenz erforderlich, um so weit zu kommen, sagt Will Rigby-Jones, Manager des Knowledge-Systems von OneSteel, zu dessen Aufgabe es gehört, neue Verwendungsmöglichkeiten der Datenanalyse aufzufinden, mit denen die Manager den Geschäftserfolg steigern können.

„Die Verwendung von Data-Mining auf die geplante Art und Weise erfordert einen genuinen Bedarf des Unternehmens sowie qualitativ gute Daten, die auf korrekte Weise gewonnen und dann auf korrekte Weise zugeteilt und präsentiert werden“, so Rigby-Jones weiter. „Nichts ist katastrophaler als ein Bericht, der eine Sache sagt, und [ein anderer], der etwas völlig Anderes sagt.“

Themenseiten: IT-Business, Strategien, Technologien

Fanden Sie diesen Artikel nützlich?
Content Loading ...
Whitepaper

Artikel empfehlen:

Neueste Kommentare 

3 Kommentare zu Data-Mining: Verborgene Schätze in Unternehmensdaten

Kommentar hinzufügen
  • Am 25. August 2003 um 20:19 von Ralf Dietrich

    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.

  • Am 8. September 2003 um 9:59 von Dieter Gennburg

    Data-Mining mit R
    Die freie Statistikprogrammiersprache R dazu verwenden.

  • Am 11. Februar 2011 um 19:11 von Frank Xavier

    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.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind markiert *