Melden Sie sich hier an, um auf Kommentare und die Whitepaper-Datenbank zugreifen zu können.

Kein Log-In? Dann jetzt kostenlos registrieren.

Falls Sie Ihr Passwort vergessen haben, können Sie es hier per E-Mail anfordern.

Der Zugang zur Reseller Only!-Community ist registrierten Fachhändlern, Systemhäusern und Dienstleistern vorbehalten.

Registrieren Sie sich hier, um Zugang zu diesem Bereich zu beantragen. Die Freigabe Ihres Zugangs erfolgt nach Prüfung Ihrer Anmeldung durch die Redaktion.

10.10.1997 - 

Gastkommentar

Defizite beim Data-Mining

Data-Mining als Technologie, die Zusammenhänge in Daten erkennt, hat das Zeug zur Goldgräbertechnik. Sie kann Datenbanken in wahre Goldminen verwandeln, die ihre Schätze preisgeben - nämlich Wissen, das für unternehmerische Entscheidungen und Prognosen relevant ist. Jedoch wird das Potential dieser Technologie noch kaum genutzt. Deshalb bleibt der technisch mögliche Nutzen für die Entscheidungsunterstützung und Geschäftsprognosen oft aus, was wiederum viele Unternehmen davon abhält, sich mit den neuen Möglichkeiten überhaupt zu befassen - schwache Marktdurchdringung ist die Folge. Grund dieser Misere ist, daß die bisherigen Ansätze datenorientiert und nicht lösungsgetrieben sind. Das spiegelt sich in den bis dato praktizierten Einführungsstrategien von Datenanalysekonzepten wider, die generell der Wasserfallmethode folgen: Zuerst wird ein Data-Warehouse installiert, diesem wird dann, weil es sich als wenig ergiebig erwiesen hat, nachträglich ein als Data-Mining bezeichneter Algorithmus aufgepfropft. Nur - auch das bringt nicht die erhofften Ergebnisse, weil alle zur wirklichen Wissensgewinnung benötigten Kontexte und Korrelationen der Daten schon mit dem datenorientierten Warehouse-Konzept weggefallen sind. Wesentlich erfolgversprechender wäre hier ein interaktives Data-Mining, das sich durch zwei zentrale Eigenschaften auszeichnen müßte. Erstens müßte es mit nichtlinearen Methoden arbeiten, denn alle Probleme und Zusammenhänge, mit denen es zu tun hätte, sind ihrerseits nichtlinear; zweitens müßte der Mensch als entscheidender Know-how-Träger an der Datenanalyse interaktiv teilnehmen können. Aus dieser Kombination ginge dann tatsächlich nutzbringendes Wissen hervor.