Per Daten-Analyse in die Zukunft schauen

Die Data Mining Konferenz widmete sich dem Schwerpunktthema "Next Level Predective Analysis". Was kann man sich darunter vorstellen?

Kurzawa: Das Ziel von Data Mining ist das Entdecken von Mustern und Trends in großen Datenmengen. Mit Predective Analysis können diese Daten zu entscheidungsrelevanten Informationen für Unternehmen zusammengefasst werden.

Weixelbam: Es stehen immer mehr Informationen zur Verfügung, die als Entscheidungsgrundlage genutzt werden können. Daher ist die effiziente Aufbereitung und Analyse der Daten heute unverzichtbar, um damit die richtigen Entscheidungen zu treffen und sie abzusichern. Predective Analysis gibt immer Anworten auf ganz spezifische Fragestellungen. Basierend auf einem ausreichenden Datenmaterial und mit Hilfe von statistischen Methoden können sehr detaillierte Analysen und Prognosen gemacht werden.

Kann man das anhand eines Beispiels erläutern?

Kurzawa: Ein Beispiel aus der Praxis: Ein Mobilfunkanbieter will wissen, welche Kunden zu welchem Mitbewerber wechseln und aus welchem Grund. Data Mining-Werkzeuge helfen dabei. Sie ermitteln aus demographischen Merkmalen wie Alter und Geschlecht sowie dem Telefonie-Verhalten der Kunden spezifische Kunden-Verhaltens-Muster. Wenn das Ergebnis der Analyse zum Beispiel ist, dass junge Frauen mit einem bestimmten Telefonie-Verhalten den Anbieter vermehrt wechseln, kann durch spezielle Marketing-Maßnahmen für eben diese Zielgruppe gegengesteuert werden. Daraus ergibt sich ein klarer Mehrwert für das Unternehmen.

Können auch Daten einbezogen werden, die in unstrukturierter Form vorliegen?

Weixelbam: Etwa 80% aller Daten in einem Unternehmen liegen in unstrukturierter Form vor. Deshalb wurden in den letzten Jahren neue Methoden entwickelt, um diese Daten einbeziehen zu können. Dazu zählen etwa Textmining oder die soziale Netzwerkanalyse, mit denen beispielsweise auch Kundenverhalten in Webforen analysiert werden kann. Damit lässt sich etwa feststellen, wie über ein Produkt in Webforen gesprochen wird. Mit linguistischen Methoden kann man nicht nur nach Wörtern oder Begriffen suchen, sondern auch Wortstellungen berücksichtigen und Texte nach Inhalten klassifizieren.

Die soziale Netzwerkanalyse untersucht Verbindungen zwischen Personen. So lässt sich zum Beispiel feststellen, wer besonders viele Kontakte hat. Bezogen auf das Telekom-Beispiel: es geht nicht nur darum herauszufiltern, welcher Kunde viel Umsatz bringt, sondern auch, ob er viele Gespräche mit vielen verschiedenen Personen führt. Man kann nun speziell für diese Zielgruppe ein eigenes Angebot maßschneidern, damit diese meinungsbildenden Kunden nicht zum Mitbewerb abwandern. Wichtig ist auch, dass man den Erfolg von Predective Analysis sehr schnell in Zahlen messen kann. Wenn sich zum Beispiel bei teuren Marketingaktionen die Rücklaufquote deutlich erhöht.

Was sind die Voraussetzungen für solche Analysen?

Kurzawa: Man benötigt relevante Daten mit einem möglichst hohen Befüllungsgrad und muss wissen, welche Fragestellungen beantwortet werden sollen. Die richtige Datenaufbereitung ist eine wichtige Voraussetzung. Wenn man längerfristig mit diesem Werkzeug arbeiten möchte, ist es hilfreich, im Unternehmen einen eigenen, statistikaffinen Mitarbeiter dafür abzustellen. Es gibt aber auch Dienstleister, an die man sich wenden kann und die nicht nur bei der Einführungsphase eines Projektes wertvolle Hilfe leisten.

Ist Predicitive Analysis auch ein Thema für mittelständische Unternehmen?

Weixelbaum: Die Kundenanzahl von SPSS im Data Mining-Bereich hat sich in den letzten zwei bis drei Jahren vervierfacht. Es ist keine Frage, dass das Thema in die Breite wächst. Die Dynamik des Marktes fordert zunehmend kürzere Entscheidungszyklen. Diese Entwicklung macht auch vor mittelständischen Unternehmen nicht halt. Es geht dabei aber weniger um die Unternehmensgröße als um die Häufigkeit der Abfrage. Man kann vieles zu Fuß mit Excel machen, braucht dafür aber viel länger.

www.ec3.at

www.spss.de