Data-Mining: Verborgene Schätze in Unternehmensdaten

Diese Art des Verkaufs ist unmöglich ohne eine Chance, jene bedeutenden Gelegenheiten zu identifizieren, die sich nur in dem Zeitraum ergeben, in dem ein Unternehmen im direkten Kontakt mit seinen Kunden steht. Da diese Kontaktmomente sich höchstwahrscheinlich aus Telefongesprächen im Zusammenhang mit Rechnungs- oder Serviceproblemen ergeben, kommt dem Echtzeit-Data-Mining ein unschätzbarer Wert bei der Beurteilung einer Verkaufsgelegenheit zu, die sich vielleicht nie wieder ergibt.

„Das Data-Mining-Modell ist in der Lage, Beziehungen anhand eines feinkörnigeren Rasters zu untersuchen und mehr unübliche Kombinationen zu entdecken, die der menschliche Verstand nicht abdecken könnte“, so Richard Lees, leitender Consultant bei Microsoft Australia.

„Dies waren häufig Anwendungen für die Unternehmensleitung, für die ein Team [von Technikern] eine Datenmine erstellte, um mehr über die Kunden zu erfahren. Aber Techniker neigen dazu, nach Dingen zu suchen, über die sie noch nichts wissen, und wenn diese Dinge für die Organisation nicht von Nutzen sind, dann bringen sie niemandem etwas. Wir können nun Tools für die Mitarbeiter vor Ort schaffen, mit denen diese vom Data-Mining profitieren können – und zwar ohne es zu merken.“

In einer Art Eingeständnis, dass die Verwendung früherer Data-Mining-Tools für viele Kunden zu geheimnisvoll und esoterisch war, arbeiten viele Hersteller daran, ihre Anwendungen in Bundles für spezifische Zwecke zu integrieren. SPSS, das eine Reihe wichtiger Großbanken und Telekommunikationsunternehmen zu seinem Kundenstamm rechnet, entschied sich für diesen Ansatz und startete kürzlich SPSS Predictive Marketing, das bewährte Marketingprozeduren um Data-Mining-Techniken ergänzt. Mithilfe einer üblichen Webbrowser-Oberfläche können die Anwender historische Trends aufrufen und Was-wäre-wenn-Modelle untersuchen. Die Ergebnisse werden so aufbereitet, dass auch mathematisch nicht begabte Mitarbeiter etwas damit anfangen und entsprechend handeln können.

Praktisch jeder Data-Warehouse-Hersteller bringt momentan ähnliche Angebote auf den Markt. Teradata, dessen Anwenderstamm hauptsächlich aus dem Bereich Transaktionsverarbeitungssysteme für große Volumen stammt, brachte kürzlich ein Analysesystem heraus, das sich an Finanzdienstleistungsunternehmen wendet. SAS Institute folgte mit einer auf Data-Mining basierenden Anwendung für Kreditvergabekriterien (Credit-Scoring), die bereits in verschiedenen Organisationen, darunter auch der ANZ Bank, im Einsatz ist.

SPSS bietet zudem Text Mining for Clementine an – ein Lösungsansatz für das nur allzu reale Problem des Extrahierens von unstrukturierten Daten wie zum Beispiel Kommentare, die von den Call-Center-Mitarbeitern in Kundenakten eingetragen werden. Während OLAP-Cubes gut für die Verarbeitung großer Mengen numerischer Daten geeignet sind, haben sie bei der textlichen Analyse erhebliche Mängel, denn unstrukturierter Inhalt lässt sich nicht einfach für die Verarbeitung durch eine OLAP-Engine kategorisieren. An dieser Stelle erhalten Text-Mining-Engines, die von einer Reihe großer Hersteller als Standalone-Produkt angeboten werden, ihre Daseinsberechtigung.

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 *