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.

03.12.1998 - 

Software für Warenwirtschaft/Neues Wissen durch Datenverknüpfungen

Mit Data-Mining im Datenwust die Kundenwünsche aufspüren

Nach verborgenen Schätzen in unüberschaubar großen Datenbeständen zu graben - das ist ein gutes Bild für den Wunsch, aus einer Datenbank oder einem Data-Warehouse Verknüpfungen abzuleiten, die in erster Linie der Präzisierung eines Kundenprofils oder allgemein der Neugewinnung Marketing-relevanter Informationen dienen. Norbert Henkel* gibt einen Überblick über Ziele und Nutzen von Data-Mining.

Der Markt für Datenbanksysteme, so hat European Information Technology Observatory (EITO) in einem Update zur Marktentwicklung in Europa in diesen Tagen vermeldet, wächst mit gesunden Raten, und zwar nicht zuletzt beeinflußt durch Data-Warehousing und die zunehmende Skalierbarkeit bei Datenbanken. Inzwischen wohl eine Milliarde vernetzter PCs bilden, so hat es Sean Maloney, Corporate Vice-President der Intel Corporation, jüngst formuliert, "einen virtuellen siebten Kontinent, auf dem jedermann das Weltwissen jederzeit auf Tastendruck zur Verfügung steht. Entscheidungen werden schneller getroffen, und Barrieren für Geschäfte über Ländergrenzen hinweg verschwinden."

Nun ist der Zugang zu einer wenn auch unermeßlichen Datenfülle noch kein Indiz für den Erfolg bei der Suche nach gewünschten, geeigneten oder zumindest zutreffenden Informationen - ganz zu schweigen von der Zuverlässigkeit, Konsistenz oder Vollständigkeit der gefundenen Daten. Und schließlich entsteht sinnvolles Wissen erst aus der Verbindung und vor allem der Aufbereitung von Informationen für die Zwecke und Aufgabenstellung des Suchenden.

Insbesondere das Management in Unternehmen, von MIS-, EIS- oder anderen Decision-Support-Systemen in der Vergangenheit des öfteren mehr als enttäuscht, ist interessiert an für die Entscheidungsfindung verwertbarem Wissen. An dieser Stelle sind Werkzeuge und Dienstleistungen gefragt, die seit Ende der 80er Jahre unter dem Begriff Data-Mining angeboten werden.

Obwohl im Rahmen von Entscheidungsunterstützungs-Methoden heute riesige Datenmengen analysiert und aufbereitet werden, reichen die auf diese Weise gewonnenen Informationen für eine sichere Entscheidungsfindung oftmals nicht aus. Häufig wird der gewünschte Nutzen erst erreicht, wenn es gelingt, verborgene Zusammenhänge innerhalb der analysierten Daten aufzudecken.

Die bisher realisierten Data-Warehousing-Konzepte stellen bereits eine durchaus brauchbare Grundlage zur Analyse der Unternehmensdaten dar. Im Unterschied zu der Wissensentdeckung in Datenbanken (Knowledge Discovery in Databases, KDD) kann bei einem Data- Warehouse weitgehend von einer Datenintegrität ausgegangen werden, so daß Data-Mining folgerichtig in einer Data-Warehousing-Umgebung anzusiedeln ist.

In der Praxis vollzieht sich Data-Mining in einem mehrstufigen, iterativen Prozeß, der typischerweise folgende Schritte beinhaltet:

- Analyse der Anwenderwünsche und der verfügbaren Daten;

- Entscheidung über die Zielprojektion;

- Beschaffung und Integration der in Frage kommenden Daten;

- Festlegung des Analyseziels nach Aufgabenstellung, eingesetzten Verfahren und verwendeten Werkzeugen;

- Datenaufbereitung und Einsatz der Data-Mining-Tools und

- Bewertung der Ergebnisse mit Aufbereitung und Reporting sowie Transformation der Ergebnisse für operative Systeme.

Ähnlich (mit fünf As) beschreibt SPSS den Weg zum effektiv nutzbaren Data-Mining: Assess (Anordnen), Access (Abfragen), Analyze (Analysieren), Act (Ausführen), Automate (Automatisieren).

Eine der aufwendigsten Aufgaben dieses Prozesses besteht darin, die notwendigen Daten zu beschaffen, zu selektieren und zu integrieren. Häufig werden Informationen aus verschiedenen operativen Systemen übernommen, die auf unterschiedlichen Plattformen und Datenbanksystemen implementiert sind. Weitere Probleme identifiziert NCR-Spezialist Werner Emde: "Da in operationalen Systemen oftmals nur Zugriff auf aktuelle Daten besteht, müssen die für Analysen relevanten historischen Daten aus Datensicherungen extrahiert werden. Zudem sind die Daten oft inkonsistent und inkohärent."

Eine wirksame Auswertung der Datenbestände eines Data-Warehouse kann neben dem Data-Mining auch in Form von Online Analytical Processing (OLAP) erfolgen. OLAP ist eine sehr schnelle Methode, um Informationen aus verschiedenen Perspektiven zu betrachten und zu analysieren. Dabei erlaubt das Verfahren eine multidimensionale Sicht: So können, wie SAS-Institute-Experte Axel Delto ausführt, "je nach Interessenlage zum Beispiel Produktlinie, Zeitraum, Regionen und die resultierenden Analysewerte aus verschiedenen Blickwinkeln tabellarisch oder grafisch dargestellt werden".

Data-Mining versus Olap

Bei Olap handelt es sich um eine Top-down-Methode, mit der man nach zuvor definierten Strukturen oder Dimensionen - etwa Zeitraum, Sparte oder Kundengruppe - in den Daten navigieren und sie online am Bildschirm auswerten kann. Ein typisches Einsatzfeld sind Bewertungen in verschiedenen Controlling-Bereichen, etwa die Kosten-Nutzen-Analyse konkreter Vorgehensweisen bei der Neukundengewinnung. Data-Mining hingegen ist eine Kombination verschiedener statistischer Verfahren einschließlich neuronaler Netze, die etwa helfen, Trends frühzeitig zu erkennen.

Nachfolgend werden einige Softwarelösungen skizziert, wobei auch Datenbankspezialisten wie Informix oder Oracle sich ernsthaft mit dieser Thematik auseinandersetzen.

Software-Tools zum Data-Mining

Informix habe sich schon vor geraumer Zeit sehr intensiv des Themas Data-Warehouse und Data-Mining als eines strategischen Geschäftsfelds angenommen, erklärt Gaby Regler, Marketing-Manager Data-Warehousing, und ergänzt: "Die angekündigte Übernahme des Data-Warehouse-Spezialisten Redbrick unterstreicht die Ernsthaftigkeit des Engagements von Informix in diesem Bereich. Das Produktportfolio von Redbrick wird baldmöglichst in die Data-Warehouse-Produktfamilie von Informix integriert werden. Als neue Komponente kommt dabei das Data-Mining-Produkt von Redbrick hinzu. Darüber hinaus gibt es eine enge Kooperation von Informix mit Data-Mining-Tool-Anbietern wie zum Beispiel Angoss, Data-Mind oder Neovista."

Mit einer benutzerfreundlichen grafischen Oberfläche für komplexe Analysen versehen, führt der "Enterprise Miner" Methoden (etwa automatische Regressions- und Assoziationsanalysen, Entscheidungsbäume, neuronale Netze) mit den Elementen der SAS-Data-Mining-Methodik Semma (Sample, Explore, Manipulate, Model, Assess - siehe Grafik auf Seite 66: "Data-Mining-Prozeß") in einer Arbeitsoberfläche zusammen. Die Software ist jetzt unter den Betriebssystemen Windows NT sowie Unix (Solaris, HP-UX und AIX) verfügbar.

"Intelligent Miner" für Daten und Text

IBM bietet mit dem "Intelligent Miner" eine Suite von Werkzeugen an, die den Data-Mining-Prozeß von der Datenextraktion über die statistischen Bewertungen bis zur Visualisierung begleitet. Kernanwendungen werden dabei in den Bereichen Finanzdienstleistungen, Telekommunikation und Gesundheitswesen ausgemacht. Als Textanalyse-Tool für die Suche nach und die Recherche in Texten wandelt Intelligent Miner unstrukturierte Informationen in Geschäftswissen um.

Um die Nachteile zu überbrücken, daß Data-Mining hohe Kosten verursacht, viele Daten benötigt und zunächst nur für wenige, speziell geschulte Anwender geeignet ist, hat Business Objects, bekannter Anbieter im Bereich der unternehmensweiten Decision-Support-Lösungen, ein Data-Mining-Werkzeug für den großen Kreis von Endanwendern entwickelt, die für überschaubare Datenmengen ihre Analysemöglichkeiten mit Hilfe von Data-Mining ergänzen wollen. Der Einsatz des Desktop-orientierten Business Miner erfordert keine technischen Kenntnisse, leistungsfähige Server oder riesige Datenmengen. Die intuitive Mining-Software setzt auf das Erzeugen von Entscheidungsbäumen.

Nach einer 1997 veröffentlichten Studie der Marktforscher von Meta-Group beginnt sich der Markt für Data-Mining zu entfalten: Die Größenordnung wird sich danach von 3,3 Milliarden (1996) auf 8,4 Milliarden Dollar (2000) entwickeln. Als wichtige Trends haben die Analysten ausge macht:

- Data-Mining-Aktivitäten finden sich bislang überwiegend in großen Unternehmen, wo- bei sich das Interesse der kleineren Unternehmen deutlich belebt.

- Jedes dritte befragte Unternehmen hatte zumindest ein Data-Mining-Projekt in Vorbereitung oder schon im operativen Betrieb.

- Die meisten Investitionen werden von den Vertriebs- und Marketing-Abteilungen zugunsten kundenbezogener Nutzenkategorien getätigt.

- Das Fehlen internen Know-hows bildet den größten Engpaß bei Data-Mining-Initiativen.

Nutzen soll belegbar sein

Die typischen Data-Warehouse-Nutzer assoziieren mit Data-Mining Begriffe wie Kundenbindung oder -gewinnung, Risiko-Management oder Warenkorbanalyse, wobei der geschäftliche Nutzen im Vordergrund steht und auch belegbar sein sollte.

Daher wurden inzwischen auch branchenspezifische Data-Mining-Lösungsansätze entwickelt, die neben vorgefertigten Programmen und Datenmodellen auch Branchen-Know-how des jeweiligen Anbieterunternehmens beinhalten.

Data-Mining in der praktischen Bewährung

Die bisherigen Anwendungen reichen von der automatischen Klassifikation von Himmelskörpern über die Vorhersage von Nebenwirkungen bei Medikamenten und die Prognose von Aktienkursen bis hin zur Identifizierung vielleicht abwanderungswilliger Kunden. In Industrie- und Dienstleistungsunternehmen hat die Unterstützung des Marketing Vorrang, während speziell bei Banken und Versicherungen Kreditkarten-, Risiko- und Schadensanalyse im Vordergrund stehen.

Einige Praxisbeispiele belegen die Vielseitigkeit der Data-Mining-Anwendungen:

-Die Frankfurter Beratungsagentur Ogilvy One entwickelte für eine der größten Spendenorganisationen Deutschlands ein Selektionsmodell, um die Antwortquote von Direct-Mailing-Aktionen zu verbessern, indem die Präferenzen der Spender aufgezeigt werden und so für jedes Mailing ein individuelles Zielgruppenportfolio erstellt wird.

-Bei AZ Bertelsmann Direct werden ebenfalls Direct-Mailing-Aktivitäten untersucht und optimiert: Durch eine Verknüpfung von Informationen über Produktbestellungen, Zahlungsmoral und Adresse des Kunden wird eine Klassifizierung nach mikrogeografischen Merkmalen gebildet.

-Der Münchner Meister Verlag benötigt schnelle und hochwertige Prognosen über den Erfolg von Werbekampagnen. In einem ersten Test wurde ein neuronales Netz als Modell gewählt. Aufgrund der erheblich verbesserten Vorhersagegenauigkeit sollen Data-Mining-Verfahren auch in weiteren Marketing-Bereichen zum Einsatz kommen.

-Der österreichische GSM-Provider Max Mobil hat sich die Aufgabe gestellt, die Informationen über das Kundenverhalten mit Abrechnungsdaten zu verknüpfen, um das Leistungsangebot gezielter auf den Kunden abzustimmen.

-Der Wuppertaler Bodenpflegespezialist Vorwerk spart Millionenbeträge durch signifikant reduzierte Forderungsausfälle: Mit einem sogenannten Credit Scoring erfolgt eine Bonitätsprüfung zur Einstufung des Zahlungsausfallrisikos bei neuen Aufträgen.

-Der Gerling-Konzern rückte von einer rein spartenorientierten Sichtweise ab und implementierte Verfahren, nach denen Kundengruppen nach dem Gesichtspunkt der Profitabilität und der Cross-Selling-Bereitschaft segmentiert werden.

-Die schwedische Skandia-Bank analysierte ihre Kundenbasis hinsichtlich Persönlichkeitsprofil und Konsumverhalten und erzielte bei anschließenden Marketing-Kampagnen Rücklaufquoten, die sich von einem auf fünf Prozent verbesserten.

Es ist deutlich geworden, daß ein effizientes Data-Mining idealerweise in eine Data-Warehouse-Umgebung eingebettet sein sollte. Umgekehrt gehört Data-Mining zu den wichtigsten Anwendungen beim Data-Warehousing. Insgesamt gilt, daß ein Data-Warehouse auch ohne Data-Mining seinen Wert beweisen muß.

Empfehlenswert ist daher, über ein Data-Warehouse zumindest parallel auch Reporting- und OLAP-Anwendungen durchzuführen. Denn diese Ergebnisse bereiten oft die Grundlage für ein Data-Mining vor: Sie helfen, die wesentlichen Problemstellungen zu identifizieren und zu bewerten, liefern also einen wertvollen Beitrag zur Bestimmung der Data-Mining-Zielsetzung.

Die Stärken von Data-Mining liegen, zieht man ein Resümee, vor allem in der Fähigkeit, große und komplexe Datenmengen differenziert und vielschichtig zu analysieren. Dabei lassen sich anhand von (Kunden-) Profilen zahlreiche Einzelmerkmale ans Licht befördern und verknüpfen. Die detailliertesten Ergebnisse der Segmentierung und Klassifikation bleiben jedoch nutzlos, wenn sie nicht entsprechend bewertet und umgesetzt werden. Data-Mining kann es nicht ersetzen, sinnvolle Fragen zu stellen, Zusammenhänge zu erkennen und richtig zu interpretieren.

Angeklickt

Viele Manager werden heutzutage mit einer Fülle von Informationen zugeschüttet, damit sie die richtigen Entscheidungen für ihr Unternehmen treffen können. Aber der Zugang zu diesen Informationen ist noch lange keine Garantie für den Erfolg. Dazu gehören auf jeden Fall das sachgemäße Verknüpfen der einzelnen Daten miteinander und ihre sinnvolle Aufbereitung. Hier sind Werkzeuge und Dienstleistungen gefragt, die seit Ende der 80er Jahre unter dem Begriff Data-Mining angeboten werden. Ein Problem dabei ist, daß Informationen aus verschiedenen operativen Systemen übernommen werden müssen, die auf unterschiedlichen Plattformen implemetiert sind.

Applikationen

Im Handelsbereich war die Informationstechnik im Sinne der Informationsnutzung zur Differenzierung und Wettbewerbsstärkung bisher noch wenig ausgeprägt. Doch Konkurrenzdruck auf der einen und die Verfügbarkeit großer Datenbestände - insbesondere im POS-Bereich - auf der anderen Seite lassen die Handelsunternehmen nach Einschätzung der Meta-Group jetzt zu einem signifikant wichtigen Anwender von Data-Mining-Tools werden. Bislang wurde Data-Mining hauptsächlich zur Unterstützung der Transaktionen im Inventur-Management eingesetzt, während sich als weitere Applikationen viele Möglichkeiten abzeichnen: Sortimentsanalyse, geodemografische Modelle, Kundenumsatzmodelle, Lagerhaltungs- und Ladenangebotsmodelle, Preismodelle, Bestellintervallanalysen, Supply-Chain-Modelle, Zahlungsverhaltensprognosen.

Speziell im POS-Bereich können Data-Mining-Werkzeuge Unterstützung bieten, denn für eine kundenorientierte und effiziente Sortimentsgestaltung und Warenversorgung ist es wichtig, Verbrauchertrends und ihren zeitlich unterschiedlichen Verlauf an einzelnen Standorten schnell zu erkennen. Über Data-Mining können die täglichen Absatzdaten aus den Scanner-Kassen analysiert und Auffälligkeiten bei Artikeln in der zeitlichen Absatzkurve identifiziert und klassifiziert werden, um das Geschäft besser zu steuern.

Ein Data-Mining über Bondaten ermöglicht zusätzlich, Zusammenhänge im Kaufverhalten herauszufinden, Zielgruppen zu bilden und zu charakterisieren. So werden Profile der profitablen Kunden gewonnen, die durch angepaßte Sortimente, Warenplazierung, Preispolitik oder spezielle Aktionen nachhaltiger gefördert werden. "Die größte Wirkung erzielt Data-Mining allerdings", so die Einschätzung von Hans Bertram, Marketing-Consultant Handel bei NCR, "wenn der Kunde durch den Einsatz einer Kundenkarte oder einer anderen Identifikation (zum Beispiel Internet-Adresse) namentlich bekannt ist."

*Norbert Henkel ist freier Journalist in Baden-Baden.