Data Mining

Data Mining beschäftigt sich mit der Möglichkeit, in Datenbeständen versteckte Muster und Strukturen aufzudecken.

Unternehmen besitzen große Mengen an Daten über ihre Kunden und deren Einkaufsverhalten. Doch dieses prall gefüllte Datenwarenhaus ist nutz- und wertlos, wenn sich aus den komplexen Informationen keine greifbaren Rückschlüsse auf das Kundenverhalten ziehen bzw. kunden- und marktbezogene Trends und Muster aufdecken fassen, die für weitere Unternehmensstrategien nützlich sind.

Ein wichtiges Werkzeug zur Generierung dieser Informationen stellt das "Schürfen" in den Daten, das sog. Data Mining dar. Für das Interpretieren der Daten haben Softwareentwickler sog. Data Mining-Programme entwickelt, die aus den Daten Informationen extrahieren und die Informationen aus der Datenbank in Wissen verwandeln.

So kann Data Mining-Software bspw. Kundenprofile auslesen und analysieren, welche charakteristischen Eigenschaften gute Kunden identifizieren und entsprechend auch vorhersagen, welche Kunden in der Datenbank das Potenzial haben, gute Kunden zu werden. Sie kann auch dazu genutzt werden, Kunden zu erkennen, bei denen aufgrund verschiedener Verhaltensmerkmale das Risiko besteht, dass sie zur Konkurrenz abwandern. Auch eine Warenkorbanalyse kann für Händler nützlich sein, um zu bestimmen, welche Produkte in welchen Filialen angeboten werden sollten oder welche Produkte aus dem Sortiment einen Kunden mit einem spezifischen Interessens- und Kaufprofil eventuell auch noch interessieren könnten.

Typische Anwendungsbereiche des Data Mining sind die Klassifikation und die Segmentierung bspw. von Markt- und Kundendaten, das Erkennen von Abhängigkeiten sowie die Analyse.
Die gewonnenen Erkenntnisse können z.B. zur Individualisierung der Kundenansprache, zur individuellen Bereitstellung von Produkten und Dienstleistungen oder zur Vorhersage des Kundenverhaltens eingesetzt werden.

Anwendung

Eine Unterstützung zur Behandlung dieser Fragestellungen bietet der Einsatz von speziellen Data Mining Softwaretools. Diese Tools lassen sich in die Kategorien "Suites" und "Einzelprodukte" einteilen. Eine Suite unterstützt den Benutzer in jeder Phase des Mining-Prozesses und bietet eine Vielzahl möglicher Verfahren. Ein Einzelprodukt ist hingegen auf nur eines oder wenige Verfahren spezialisiert. Je nach Fragestellung im Unternehmen kann der Einsatz einer Suite oder eines Einzelproduktes vorzuziehen sein.

Eine besonders hohe Bedeutung wird Data Mining im Hinblick auf die Kundensegmentierung, Zielgruppenanalyse und Kundenpotenzialanalyse beigemessen. Dies hat für die Befragten das Ziel, Kunden zunehmend individuell kennen zu lernen und entsprechend anzugehen. Als wichtig wird auch erachtet, per Data Mining festzustellen, welche Werbeaktionen sich wie auswirken, welche Gründe Kunden veranlassen ihre Anbieter zu wechseln und welche Kriterien sie beim Vergleich von Preis und Leistung ansetzen.

Experten weisen darauf hin, dass die Ergebnisse der Software nur von entsprechend qualifizierten Statistikern interpretiert werden können. Diese sollten das Unternehmen kennen und wissen, wie man aus den Auswertungen die richtigen Rückschlüsse zieht.

Data Mining gewinnt im Marketingbereich zunehmend an Bedeutung. Anhand der Interpretation von Nutzerprofilen (Alter, Geschlecht, Adresse, Beruf, Freizeitbeschäftigungen, Zahl und Art der erworbenen Produkte und Dienstleistungen, Surfgewohnheiten im Internet usw.) lassen sich äusserst wirksame Werbestrategien entwickeln und Marktsegmente bestimmen (siehe auch Targeting).

In vielen Unternehmen nimmt die Sammelleidenschaft jedoch aus Sicht des Datenschutzes bedenkliche Formen an, ohne dass diese Datenflut überhaupt sinnvoll ausgewertet würde.

Im operativen Controlling kann das Data-Mining vor allem als Navigations- und Analysehilfe bei Auswertungen genutzt werden. Ausgangspunkt für solche Analysen sind häufig so genannte Datenwürfel, in denen Auffälligkeiten gefunden werden sollen. Diese Arbeit wird vor allem durch die große Zahl möglicher Datenverdichtungen erschwert. Der Controller sollte also bereits konkrete Vorstellungen vom Analyseergebnis haben, da er sonst unverhältnismäßig viel Zeit für die Ermittlung der Ursachen der Auffälligkeiten aufwenden muss.

Datenbankprogramme, die selbstständig Analysen treffen. Konventionelle Datenbankprogramme sind lediglich in der Lage, auf gezielte Anfragen Antworten zu geben. Sie melden jedoch nicht selbstständig, wenn sich aus den gespeicherten Kunden- und Marktinformationen bestimmte Muster und Trends ergeben, die für das Unternehmen relevant sind. Data Mining ist eine von IBM entwickelte Datenbanktechnologie, die von sich aus Erkenntnisse aus dem vorliegenden Datenmaterial sammelt. In dem sie immer wieder neue Statistiken erstellt, erkennt sie bspw., ob sich Kundengruppen, ihre Zusammensetzung oder ihr Kaufverhalten ändern, und schließt aus den ihr zur Verfügung stehenden Daten auf stagnierende oder sich neu ergebende Märkte. Besonders gut eignet sich Data Minning, um neue Kundensegmente zu entdecken und zu erschließen.

Siehe auch: Warenwirtschaftssystem

Bei einem differenziert und relational angelegten Grunddatenbestand können Folgewirkungen einzelner Effekte abschätzbar werden. Beim softwaregestützten Datamining steht die Ermittlung bislang unbekannter Zusammenhänge im Data-Warehouse im Vordergrund (z.B. Zusammenhang zwischen Sortimentsstruktur und Kostenentwicklung).

Umfasst Algorithmen, mittels derer statistische Zusammenhänge, Muster und Trends (z.B. über Bankkundenbedürfnisse) in sehr grossen Datenbeständen einer Bank aufdeckbar sind. Zu den Funktionen gehören u. a. Klassifizierung, Clusterbildung, Modellierung, Prognose, Musteranalyse. Die gewonnenen Informationen dienen als Basis für geschäftspolitische Entscheidungen der Bank.

Im operativen Controlling kann das Data-Mining vor allem als Navigations- und Analysehilfe bei Auswertungen genutzt werden. Ausgangspunkt für solche Analysen sind häufig so genannte Datenwürfel, in denen Auffälligkeiten gefunden werden sollen. Diese Arbeit wird vor allem durch die große Zahl möglicher Datenverdichtungen erschwert. Der Controller sollte also bereits konkrete Vorstellungen vom Analyseergebnis haben, da er sonst unverhältnismäßig viel Zeit für die Ermittlung der Ursachen der Auffälligkeiten aufwenden muss.

Vorhergehender Fachbegriff: Data Mart | Nächster Fachbegriff: Data Mining Analyse

Diesen Artikel der Redaktion als fehlerhaft melden & zur Bearbeitung vormerken

Weitere Begriffe : Dispacheur | Gesetz der Nähe | Erwerbslosenquote

Praxisnahe Definitionen

Nutzen Sie die jeweilige Begriffserklärung bei Ihrer täglichen Arbeit. Jede Definition ist wesentlich umfangreicher angelegt als in einem gewöhnlichen Glossar.

Marketing

Definition

Konditionenpolitik

Fachbegriffe der Volkswirtschaft

Die Volkswirtschaftslehre stellt einen Grossteil der Fachtermini vor, die Sie in diesem Lexikon finden werden. Viele Begriffe aus der Finanzwelt stehen im Schnittbereich von Betriebswirtschafts- und Volkswirtschaftslehre.

Investitionsrechnungen

Marktversagen

Umsatzsteuer