ANWENDUNGSGEBIETE DES DATA MINING

Was nützt das Data Mining?

Ein immer stärker werdender Konflikt des Informationszeitalters lässt sich wie folgt beschreiben: Je mehr Daten wir ansammeln, desto schwieriger wird es, diese noch mit herkömmlichen Methoden in den Griff zu bekommen und somit nutzbar zu machen, das heißt

  • zu analysieren
  • Muster darin zu erkennen und daraus
  • Regeln für die Nutzung abzuleiten.
  • Genau hier setzt Data Mining an.

Leistungsfähige analytische Technologien des Data Mining erforschen schnell ganze Berge von Daten und finden wertvolle und verwendbare Informationen. Damit wird es Managementverantwortlichen ermöglicht,

  • Trends besser zu erkennen
  • genauere Prognosen zu erhalten und
  • umsetzungsfähige Ergebnisse zu generieren.

Vorteile des Data Mining

  • Effizientere Informationsgewinnung aus großen Datenmengen

  • Besseres Verständnis der Kundenbedürfnisse

  • Schnelle Überprüfung von Hypothesen zu bestimmten Geschäftsprozessen und objektives Hinterfragen von Vorurteilen

  • Verbesserung der Effizienz bei der Vorbereitung von Managementprozessen

  • Verringerung der operationalen Kosten durch erhöhte Leistungsfähigkeit

  • Ergebnisse mit hoher Operationalität

Mögliche Fragestellungen für Data Mining-Methoden in Ihrem Unternehmen

  • Produktoptimierung: Sie möchten eine neue Produktidee oder Hinweise für die Optimierung eines bestehenden Produktes aus den Kommentaren und Bewertungen eines Blogs extrahieren?
  • Zielgruppen-Erweiterung: Sie haben ein gutes Produkt und möchten Ihre Marketing-Maßnahmen auf eine neue, zusätzliche Zielgruppe ausrichten?
  • Marketing-Mix: Sie kennen Ihre Zielgruppe recht gut und möchten Ihr Marketing-Mix noch zielgenauer auf sie ausrichten?
  • Kundenbindung: Sie wollen ermitteln, für welche Produkte Ihre Kunden affin sind, um mit individuellen Dienstleistungen und Produktangeboten eine bessere Ausschöpfung zu erreichen (Cross- und Up-Selling)?
  • Externe Daten einbinden: Sie planen, externe Daten (Adressbroker, Geodaten, Marktdaten etc.) zu kaufen und Ihren Kundendaten hinzuzufügen? Und Sie benötigen Hilfe, diese Daten sinnvoll zu verknüpfen und zu analysieren?
    Damit sind die Methoden des Data Mining zentrale Werkzeuge des Customer Relationship Management (CRM), da sie geeignet sind, die im Laufe der Kundenbeziehung gesammelten Daten zu nutzen und daraus Erkenntnisse zur Verbesserung dieser Beziehung abzuleiten. Das Prinzip bei dieser Vorgehensweise ist, Informationen zu verwenden, die ohne weitere Maßnahmen vorhanden sind. Damit sind zur Gewinnung dieser Informationen keine zusätzlichen Investitionen notwendig. Ein weiterer Vorteil ist, dass sie – wenn auch zum Teil lückenhaft – für alle Elemente im Datenbestand (Kunden) vorliegen. Der Nachteil ist, dass die Informationen im Sinne der Zielsetzung zufällig (also nicht zielgerichtet) sind. Weiterhin bleiben sie auf der Ebene einer objektiven Beschreibung des Kunden, wie demografischer Angaben und getätigter Transaktionen.

Beispiele für Anwendungsgebiete in ausgewählten Branchen

Finanzsektor / Versicherungen

  • Kundenentwicklung: Cross-Selling, Up-Selling bzw. Vermeidung von Down-Selling
    Kündiger-Rückgewinnung
    Kreditlimit-Optimierung

Stationärer Handel / Konsumartikelhersteller

  • Warenkorbanalyse
    Bonusprogramme
    Dynamische Preisgestaltung
    Absatzplanung
    Automatisierte Disposition
    Bedarfsprognosen von Konsumgütern
    Auswertung von Kampagneneffekten

Distanzhandel

  • Kundenentwicklung: Cross-Selling, Up-Selling bzw. Vermeidung von Down-Selling
    Bonusprogramme / Online-Konto-Auswertung
    Optimierung von Produktempfehlungen
    Beschwerdemanagement
    Optimierung der Logistik / Disposition / Bedarfsprognosen von Konsumgütern
    Dynamische Preisgestaltung
    Warenkorbanalyse

Energiesektor / Telekommunikation

  • Kundenbindung / Kündiger-Prävention
    Kündiger-Rückgewinnung
    Kundenentwicklung: Cross-Selling, Up-Selling bzw. Vermeidung von Down-Selling
    Bedarfsprognosen Strom, Internet oder Medienkonsum für zukünftige Netzausbauprojekte oder in Antizipation einer überdurchschnittlichen Konsumwelle
    Call-Center-Optimierung
    Beschwerdemanagement
    Auswertung von Kampagneneffekten
    Produktentwicklungsideen

Consulting

  • Customer Relations Management (CRM)
    Business Intelligence
    Auswertung von Marketing-Kampagnen
    Produktentwicklungsideen

Transport und Verkehr / Logistik

  • Reduzierung der Ausfallrate der Fahrzeuge / Beschaffung von Ersatzfahrzeugen

Messen und Events

Beschwerdemanagement

Was IfaD für Sie tun kann

Mit über 30 Jahren Erfahrung in der Anwendung statistischer Analyseverfahren bieten wir unseren Kunden kompetente Unterstützung bei standardisierten und komplexen Aufgabenstellungen. Sie profitieren von einem breit aufgestellten Beraterteam mit Wurzeln in unterschiedlichen Fachbereichen wie Physik, Neurowissenschaften, Informatik, Mathematik, Psychologie, Soziologie und Wirtschaftswissenschaften.

Mit Data Mining-Methoden können wir heute Aufgabenstellungen lösen, bei denen traditionelle Verfahren an ihre Grenzen stoßen. Wir bieten unseren Kunden immer die optimale Lösung und die neuesten Algorithmen für ihre Data Mining-Modelle.

Neben Software-Paketen wie SPSS, Statistica und RapidMiner nutzen wir dafür auch die flexible und sich schnell weiterentwickelnde Programmiersprache R. Aufgrund der freien Verfügbarkeit einer umfassenden Bibliothek an Funktionen ist es damit möglich, für nahezu jede Aufgabenstellung ein Lösungsmodell zu entwickeln und zu implementieren.

Unser Ansatz: Das CRISP-Modell

Jedes Projekt ist anders, jedes wird von uns individuell angelegt und gemanaged. Dennoch liegt allen Projekten das System CRISP-DM zugrunde, an dem wir uns orientieren. CRISP-DM steht für CRoss-Industry Standard Process for Data Mining. Die Phasen sind nachfolgend kurz beschrieben.

1. Business Understanding

Im ersten Schritt geht es darum, Ihr Business zu verstehen. In dieser Phase werden die Ziele, Ressourcen und Restriktionen als Data Mining-Problemstellung formuliert. Das Ziel und der Lösungsansatz werden festgelegt. So kann zum Beispiel das Ziel Umsatzsteigerung über die bessere Ausschöpfung des bisherigen Kundenpotenzials, durch die Gewinnung neuer Kunden oder durch eine Kombination daraus erreicht werden. Auch die Erfolgskriterien werden in dieser Phase gemeinsam mit Ihnen festgelegt. Eine Erfolgskontrolle durch die Einbeziehung einer Kontrollgruppe ist dadurch möglich.

2. Data Understanding

Im zweiten Schritt werden die verfügbaren Daten und Datenquellen analysiert. Neben der Evaluation von Bestandsdaten wird geprüft, inwieweit externe Datenquellen (Geodaten, Paneldaten, etc.) hinzugezogen werden können oder auch im Hinblick auf die Aufgabenstellung gezielt neue Daten erhoben werden sollen.

Das Bild zeigt eine schematische Darstellung des Ablaufs eines typischen Data Mining Projektes mit dem Namen CRISP-DM CRoss-Industry Standard Process for Data Mining.

CRISP: Data Mining als Prozess

3. Data Preparation

Der zumeist arbeitsintensivste Schritt ist die Datenaufbereitung. Gegebenenfalls werden externe Daten gesucht und hinzugezogen, Befragungsdaten erhoben. Die Daten aus unterschiedlichen Quellen werden miteinander verknüpft. Fehlende Werte werden mithilfe unterschiedlicher Techniken ersetzt, Ausreißer eliminiert und Variablen für das Modell selektiert.

4. Modeling

In einem iterativen Prozess werden unterschiedliche Modelle aufgestellt, geprüft und optimiert. Modellierung und Datenaufbereitung werden aufeinander abgestimmt.

5. Evaluation

Das verwendete Modell wird auf die Daten angewendet und evaluiert, das heißt es wird geprüft, inwieweit es geeignet ist, die Zieldefinitionen zu erfüllen. Werden die Kontrollkriterien nicht erfüllt, beginnt der Prozess von vorn.

6. Deployment

Ein erfolgreiches Modell wird implementiert. Die Art und Weise dieser Implementierung hängt von den Rahmenbedingungen und der Aufgabenstellung ab. Möglich ist die Anwendung des Modells durch die Lieferung eines Skripts, durch eine Software as a Service (SaaS) oder durch eine Implementierung in Ihre IT-Infrastruktur.

Marktforschung und data mining

Im Gegensatz zu den Daten aus dem CRM und anderen Quellen stehen solche, die zielgerichtet zur Beantwortung einer Fragestellung erhoben werden, wie dies typischerweise bei Befragungen der Markt- und Meinungsforschung geschieht (Primär-Marktforschung). Dabei können Einstellungen, Bewertungen, Motivationen, Absichten und Gefühle erfasst werden, alles Größen, die in bestehenden handlungsbezogenen Datenbeständen üblicherweise nicht vorliegen.

Da sie aber offenkundig wichtig sind, um das Verhalten des Konsumenten zu verstehen und somit erklären und vorhersagen zu können, sind sie nicht nur für das Marketing von Bedeutung, sondern auch im Hinblick auf viele Fragestellungen des CRM. Aufgrund wirtschaftlicher und organisatorischer Aspekte ist es aber in der Regel nicht möglich, solche Angaben für alle Elemente eines Datenbestandes zu erheben.

Dennoch können die Vorzüge beider Ansätze (Data Mining mit bestehenden Datenbeständen und klassische Datenanalyse mit gezielt erhobenen Daten) genutzt werden, indem die notwendigen zusätzlichen (noch nicht im Datenbestand vorhandenen) Angaben bei einem Teil der Kunden erhoben werden. Im Vergleich zur Anzahl aller Kunden im Datenbestand ist die notwendige Fallzahl für eine solche Stichprobe verhältnismäßig gering.

Die Kunst der Verknüpfung beider Ansätze besteht darin, die Angaben aus der Befragung aufgrund der Zusammenhänge zwischen bestehenden Daten und Befragungsdaten, wie sie für die Kunden der Untersuchungsstichprobe vorliegen, auf den gesamten Datenbestand zu übertragen.

Ansprechpartner Data Mining

Johannes Lüken
+49 40 25 17 13 22
jlueken@ifad.de