Data Mining im praktischen Einsatz

Data Mining bedeutet buchstäblich Schürfen oder Graben in Daten, wobei das implizite Ziel, wonach „gegraben“wird, Informationen beziehungsweise Wissen sind. Wissen entspricht heute dem Gold nach dem früher gegraben wurde, denn Unternehmen können daraus Umsätze und Gewinne generieren. In Anlehnung an eine der Verwahrungsformen des gelben Metalls werden die Ergebnisse des Data Mining manchmal als Knowledge Nuggets (Wissensbarren) bezeichnet. Die Ergebnisse lassen Muster in Daten erkennen, weswegen Data Mining auch als Datenmustererkennung übersetzt wird. Der Umstand, dass nach Informationen gegraben werden muss, entsteht dadurch, dass heute über viele Vorgänge des täglichen Lebens so viele Daten gespeichert werden, dass die Sicht auf interessante Beziehungen zwischen den Daten verdeckt bleiben kann. Der Begriff Data Mining wurde zuerst in der Statistik, in der Datenbeziehungen analysiert werden, und in der Forschung zu Datenbankmanagementsystemen, wo man sich mit der Behandlung großer Datenbestände beschäftigt, verwendet. In beiden Fällen dachte man dabei hauptsächlich an Algorithmen und Computerprogramme, mit denen die Beziehungen zwischen den betrachteten Daten, die Datenmuster, ermittelt werden konnten.

Die Gewährung von Krediten spielt neben den Bankinstituten auch für Industrie- und Handelsunternehmen eine zunehmende Rolle, man denke etwa an Ratenzahlungen im Versandhandel oder bei Leasing-Gesellschaften. Durch den Einsatz von automatisierten Verfahren zur Bonitätsprüfung ergeben sich zahlreiche Vorteile und Rationalisierungspotentiale. Zugleich eröffnen sich auch Anwendungsbereiche für Data Mining-Verfahren.

Bei Versandhäusern bestimmt die Auflage von Werbeträgern im positiven Sinne den Umsatz und im negativen die Werbekosten einer Direkt-Marketing-Aktion. Sie kann daher als eine der wesentlichen Entscheidungen im Planungsprozess gesehen werden. Ziel der Werbeträgerplanung ist die Bestimmung der Auflage von Werbeträgern so, dass es zu einem ertragsoptimalen Verhältnis zwischen Umsatz und Werbekosten kommt. Im Rahmen des Database Marketing kann das latent vorliegende Wissen für die Werbeträgerplanung nutzbar gemacht werden. Im hier vorgestellten Ansatz werden Neuronale Netze als selbständig lernende Prognosesysteme genutzt, um aus der Vielzahl von vorliegenden Kundenbeobachtungen Schlüsse über die optimale Auflage zu ziehen. Dadurch können die bisherigen Planungs- und Steuerungsprozesse der Werbeträgerplanung mit Hilfe Neuronaler Netze optimiert werden.

Bei Versandhandelsunternehmen stammt das Adressmaterial aus unterschiedlichen internen Quellsystemen sowie von externen Adressbrokern. Adressen von eigenen Kunden sollten nicht erneut angemietet werden, da dies neben den Kosten für die Anmietung und die Werbesendung auch Irritationen beim Kunden hervorrufen kann. Weiterhin müssen die anzumietenden Adressen vor ihrer Verwendung gegen Adresslisten von Kunden abgeglichen werden, die sich in der Vergangenheit als zahlungsunwillig oder -unfähig erwiesen haben.

Der Begriff Knowledge Discovery in Databases (KDD) umfasst den vollständigen Prozess des Entdeckens interessanter Zusammenhänge in Form von Mustern in großen Datenbeständen. Dieser Prozess ist typischerweise iterativer und interaktiver Natur und beinhaltet, neben der Datenaufbereitung und der Interpretation der gefundenen Muster, das wiederholte Anwenden unterschiedlicher Data Mining-Methoden. Dabei bestimmt die zugrundeliegende Aufgabe die Wahl der anzuwendenden Methode.

Anhand der Verkaufsdaten eines SB-Warenhauses wird eine Segmentierung der Kunden mittels eines Neuronalen Netzes und einer herkömmlichen Clusteranalyse vorgenommen. Die beiden verwendeten Verfahrensvarianten werden vorgestellt und deren Vor- und Nachteile anhand des Beispiels aufgezeigt.

Mit der Möglichkeit Analysedaten informationstechnisch zu erfassen und zu verarbeiten ist die Bedeutung der Datensegmentierung im kommerziellen Bereich immer größer geworden. Bietet sie doch die Möglichkeit, durch quantitative Analyseergebnisse die Informationslage von Entscheidungsträgern zu verbessern und dadurch marktorientiertes Entscheidungsverhalten zu ermöglichen.

Das Internet hat sich zu einem Marktplatz entwickelt, auf dem nicht nur Informationen ausgetauscht, sondern auch Produkte und Dienstleistungen angeboten und verkauft werden. Viele Unternehmen, die als Anbieter auftreten, sind bemüht, ihr Internetangebot durch interaktive Beratungs- und Serviceleistungen zu verbessern. Eine Technologie, um solche Dienste anbieten zu können, ist Case-Based Reasoning (CBR). Im Bereich der Kundenunterstützung bei Problemen mit erworbenen Produkten (Support) weist CBR bereits erste Erfolge auf. Das bekannteste Beispiel aus diesem Bereich ist das Internetangebot für den Bereich Computerspiele der LucasArts Entertainment Company. Das seit Ende 1995 bestehende interaktive Supportsystem dient dazu, Kunden bei der Problemlösung zu unterstützen und damit telefonische oder schriftliche Anfragen beim Hersteller zu vermeiden. Das CBR-basierte System beantwortet ca. 81% der Kundenanfragen selbständig und erledigt damit die Arbeit von über 30 Mitarbeitern des firmeneigenen Call-Centers (vgl. Inference 1999).

Diese Abhandlung basiert auf einer in einem großen deutschen Versicherungsunternehmen durchgeführten Untersuchung, deren Aufgaben die Auswahl eines Data Mining Tools und seine Anwendung auf einen vorbereiteten Datenbestand waren.