Der Übergang von Berichten, die sich aus Hunderten von Seiten 132-spaltigen Endlospapiers zusammensetzten – was jahrelang für Manager die einzige Möglichkeit war, an Unternehmensinformationen heranzukommen -, hin zu Onscreen-Analytics erforderte ein sorgfältiges Eingehen auf die Bedürfnisse der Anwender, erklärt Rigby-Jones. Die Manager konnten sich natürlich schnell mit der neuen Fähigkeit anfreunden, Berichte, deren Zusammenstellung früher Tage in Anspruch genommen hätte, in nur wenigen Sekunden zu verfassen.
Je nach Größe des Unternehmens kann Data-Mining aber auch zu einer Datenschwemme führen und erhält damit ein uraltes Problem am Leben. Zur Vermeidung dieses Problems hat das OneSteel-Team beträchtliche Mühen aufgewandt, um Benutzeroberflächen einzurichten, die leichten Zugriff auf die für jede Anwendergruppe wichtigsten Informationen ermöglichen.
Ampelähnliche Anzeigen, die mit Cognos Metrics Manager erstellt wurden und mit Daten aus proaktivem Data-Mining und OLAP-Analysen versorgt werden, ermöglichen es Managern, leicht die Messergebnisse ausfindig zu machen, auf die näher eingegangen werden sollte, und sich dann bei Bedarf weitere Einzelheiten anzeigen zu lassen. Außerdem teilt die wachsende Verwendung Web-basierter Oberflächen Rigby-Jones mit, dass höhere Führungskräfte in steigendem Maße den Wert der Data-Mining-Umgebung erkennen.
Die Fähigkeit, wichtige Multi-Faktor-Trends ausfindig zu machen und Unternehmensdaten fast in Echtzeit bis ins kleinste Detail zu analysieren, hat die Kompetenz der Mitarbeiter bei der Verwendung von Informationen erhöht. In einem größeren Zusammenhang hat dies auch die Management-Philosophie revolutioniert, indem anschaulich geworden ist, dass selbst mehrere kleinere Geschäftsveränderungen sich zu einer bedeutsamen Geschäftsverbesserung auswachsen können. Mit den richtigen Werkzeugen, mit denen sich die relativen Verdienste solcher Veränderungen nun abwägen lassen, weiß OneSteel jetzt mehr über sein Geschäft als je zuvor.
„In der Vergangenheit ging es beim Geldverdienen nur darum, mit den geringsten Kosten den höchsten Preis zu erzielen“, so Rigby-Jones. „Aber tatsächlich ist es viel mehr. Wir könnten herausfinden, dass wenn man die Buchungsrate um x Prozent erhöht, die Überstunden verringert, x Prozent an Frachtkosten einspart – dass alles zusammen ausreichen könnte, um den Gewinn im großen Stil zu beeinflussen. Versucht man aber, nur eine dieser Maßnahmen durchzuführen, ist man zum Scheitern verurteilt. Die Beziehungen sind ausschlaggebend: das Geschäft ist der Puppenspieler, und wir geben ihm die Fäden zum Ziehen.“
- Data-Mining: Verborgene Schätze in Unternehmensdaten
- Unbekannte Beziehungen identifizieren
- Betriebsabläufe und Erfolgschancen
- Vorbeugen ist besser als heilen
- Echtzeit-Data-Mining
- Beträchtliche Hardware-Investitionen
- Grundlagen des Angewandten Data-Mining
- Geheimnisvoll und esoterisch
- Data-Mining für die Anwender
- Aufräumen im Warehouse
- Probleme mit der Datenkonsistenz
- Datenintelligenz stärkt OneSteel
- Datenschwemme
- Nach Gold graben und das Geröll wegwerfen
Neueste Kommentare
3 Kommentare zu Data-Mining: Verborgene Schätze in Unternehmensdaten
Kommentar hinzufügenVielen Dank für Ihren Kommentar.
Ihr Kommentar wurde gespeichert und wartet auf Moderation.
Open Source Data Mining mit RapidMiner und RapidAnalytics
Als kostenlose erhältliche Open-Source-Lösungen für den Unternehmenseinsatz empfehle ich:
* RapidMiner für Desktop oder Notebook: http://www.RapidMiner.com/
* RapidAnalytics als Server-Lösung: http://www.rapid-i.com/
Wahlweise kann man in RapidMiner und RapidAnalytics über Erweiterung (Extensions) die Open-Source-Systeme Weka und R einbinden. Es geht aber auch ohne, denn RapidMiner und RapidAnalytics bieten bereits von hause aus sehr viele maschinelle Lernverfahren und statistische Modellierungsverfahren.
Data-Mining mit R
Die freie Statistikprogrammiersprache R dazu verwenden.
Ausführlich – aber bitte weiteren Aspekt bedenken!
Vielen Dank für den langen Artikel. Es hat sich gelohnt!
Ich möchte aber ergänzen, dass Data Mining Modelle (Algorytmen) ein Training für die Datenbasis benötigen, um Vorhersagen treffen zu können. Daraus folgt, das sie mit der Zeit immer besser werden können, wenn man die Voraussagen mit den Ergebnissen konfrontiert.
Das Training (mit verifizierten Daten) ist wesentlich für die Qualität der Aussagen der Mining Modelle.