Jetzt, da Echtzeit-Data-Mining eine praktische Realität wird, ist es an der Zeit, sich zu überlegen, wie es existierende Geschäftsprozesse verbessern könnte. Anstatt Unternehmen zu zwingen, regelmäßig Berichte über die Vorlieben ihrer Kunden zu erstellen, ermöglicht es Echtzeit-Data-Mining beispielsweise einer Call-Center-Anwendung, das Data-Warehouse abzufragen, sobald ein Kunde anruft. Dieser Entscheidungsbaum-Ansatz erlaubt es dem System des Call-Center-Agents, die auf dem Bildschirm ausgegebenen Aufforderungen anzupassen und das Gespräch zu einem positiveren und gewinnträchtigeren Abschluss zu bringen.
Man bedenke zum Beispiel den Fall eines Mobilfunkunternehmens, das ständig darum kämpft, seine Kunden in einer Umgebung hoher Abwanderung, starken Wettbewerbs und sehr niedriger Kundentoleranz zu behalten. Ein Kunde hat beispielsweise in der Vergangenheit schon mehrfach beim Kundendienst angerufen und sich über schlechten Empfang beschwert und ruft nun erneut an.
Mit Hilfe konventioneller Methoden dürfte es dem Call-Center-Mitarbeiter schwer fallen, viel über die Kontakte zu erfahren, die der Kunde in der Vergangenheit mit dem Unternehmen hatte – es sei denn, sie hatten bereits persönlich eine hitzige Diskussion. Dadurch sind sich beide Seiten nicht über die Falle bewusst, in die sie tappen können, wodurch wiederum die Möglichkeit einer Konfrontation entsteht.
Arbeitet während des Gesprächs eine Data-Mining-Engine im Hintergrund, könnte diese nicht nur bemerken, dass sich der Anrufer bereits mehrfach beschwert hat und daher mit Samthandschuhen angefasst werden sollte, sondern auch, dass der Anrufer in die demografische Gruppe jener Leute passt, die sich in der Vergangenheit als wechselwillig erwiesen haben. Weil er erkennt, dass der Kunde wahrscheinlich kündigen wird, wenn sich der Service nicht bessert, könnte der Call-Center-Mitarbeiter ihm Besänftiger wie kostenlose Gesprächsminuten, Vor-Ort-Austausch oder ein Upgrade des Handys anbieten, wenn er oder sie den bestehenden Vertrag erneuert oder verlängert.
- 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.