Data-Mining: Verborgene Schätze in Unternehmensdaten

In der Vergangenheit wurde der Data-Mining-Markt von proprietären Produkten bestimmt, die auf Enterprise-Data-Warehouses aufgesetzt wurden oder die Erweiterungen dieser Warehouses selbst waren. Data-Mining wurde als eigenständige Aktivität angesehen, in der ein fähiger Analyst komplexe Suchparameter definierte und die Tools dann in das Data-Warehouse einspeiste und auf Ergebnisse wartete.

Trafen die Ergebnisse dann ein, waren sie für gewöhnlich nutzbringend: Sie zeigten, dass sich zwei oder mehr Produkte gut zusammen verkaufen ließen oder dass ein bestimmter Kundentyp im vergangen Monat mehr Ansprüche auf Fundsachen anmeldete. Egal um was für Daten es sich handelte, der größte Mangel des Data-Mining bestand darin, dass es eine gewisse Zeit dauern konnte, bis sich die Geschäftspraktiken auf die erkannten Beziehungen eingestellt hatten.

Dieses Problem war häufig das Ergebnis der architektonischen und technischen Schwierigkeiten, die das Data-Mining mit sich brachte. Deshalb wurde OLAP geboren (OnLine Analytical Processing), eine Werkzeugkategorie, die es Analysten ermöglicht, mehrere Dimensionen aus einem größeren Datensatz zu ziehen und anschließend die Beziehungen zwischen diesen Sätzen zu untersuchen. In den Jahren seit seiner Einführung hat OLAP als Weg zur Auffindung von Mustern in großen Datenmengen eine ständig wachsende Anhängerschaft gewonnen. Dennoch wird auch OLAP nur vom Menschen gesteuert und erkennt nur die Muster, die es auch erkennen soll. Außerdem ist OLAP von Natur aus sehr beschränkt, denn seine Funktionsweise basiert auf dem Ignorieren vieler anderer Datensätze.

Beim Data-Mining im eigentlichen Sinne geht es darum, eine Methodologie zur Datenanalyse einzuführen, die als Obermenge für die beschränkten Möglichkeiten von OLAP dienen kann. Jedoch hat sich dies in der Vergangenheit als schwierig erwiesen, allein schon aufgrund der riesigen Datenmengen und der damit verbundenen Zeit, die zur Verarbeitung dieser Daten benötigt wird.