Data-Mining: Verborgene Schätze in Unternehmensdaten

Diese Art des Verkaufs ist unmöglich ohne eine Chance, jene bedeutenden Gelegenheiten zu identifizieren, die sich nur in dem Zeitraum ergeben, in dem ein Unternehmen im direkten Kontakt mit seinen Kunden steht. Da diese Kontaktmomente sich höchstwahrscheinlich aus Telefongesprächen im Zusammenhang mit Rechnungs- oder Serviceproblemen ergeben, kommt dem Echtzeit-Data-Mining ein unschätzbarer Wert bei der Beurteilung einer Verkaufsgelegenheit zu, die sich vielleicht nie wieder ergibt.

„Das Data-Mining-Modell ist in der Lage, Beziehungen anhand eines feinkörnigeren Rasters zu untersuchen und mehr unübliche Kombinationen zu entdecken, die der menschliche Verstand nicht abdecken könnte“, so Richard Lees, leitender Consultant bei Microsoft Australia.

„Dies waren häufig Anwendungen für die Unternehmensleitung, für die ein Team [von Technikern] eine Datenmine erstellte, um mehr über die Kunden zu erfahren. Aber Techniker neigen dazu, nach Dingen zu suchen, über die sie noch nichts wissen, und wenn diese Dinge für die Organisation nicht von Nutzen sind, dann bringen sie niemandem etwas. Wir können nun Tools für die Mitarbeiter vor Ort schaffen, mit denen diese vom Data-Mining profitieren können – und zwar ohne es zu merken.“

In einer Art Eingeständnis, dass die Verwendung früherer Data-Mining-Tools für viele Kunden zu geheimnisvoll und esoterisch war, arbeiten viele Hersteller daran, ihre Anwendungen in Bundles für spezifische Zwecke zu integrieren. SPSS, das eine Reihe wichtiger Großbanken und Telekommunikationsunternehmen zu seinem Kundenstamm rechnet, entschied sich für diesen Ansatz und startete kürzlich SPSS Predictive Marketing, das bewährte Marketingprozeduren um Data-Mining-Techniken ergänzt. Mithilfe einer üblichen Webbrowser-Oberfläche können die Anwender historische Trends aufrufen und Was-wäre-wenn-Modelle untersuchen. Die Ergebnisse werden so aufbereitet, dass auch mathematisch nicht begabte Mitarbeiter etwas damit anfangen und entsprechend handeln können.

Praktisch jeder Data-Warehouse-Hersteller bringt momentan ähnliche Angebote auf den Markt. Teradata, dessen Anwenderstamm hauptsächlich aus dem Bereich Transaktionsverarbeitungssysteme für große Volumen stammt, brachte kürzlich ein Analysesystem heraus, das sich an Finanzdienstleistungsunternehmen wendet. SAS Institute folgte mit einer auf Data-Mining basierenden Anwendung für Kreditvergabekriterien (Credit-Scoring), die bereits in verschiedenen Organisationen, darunter auch der ANZ Bank, im Einsatz ist.

SPSS bietet zudem Text Mining for Clementine an – ein Lösungsansatz für das nur allzu reale Problem des Extrahierens von unstrukturierten Daten wie zum Beispiel Kommentare, die von den Call-Center-Mitarbeitern in Kundenakten eingetragen werden. Während OLAP-Cubes gut für die Verarbeitung großer Mengen numerischer Daten geeignet sind, haben sie bei der textlichen Analyse erhebliche Mängel, denn unstrukturierter Inhalt lässt sich nicht einfach für die Verarbeitung durch eine OLAP-Engine kategorisieren. An dieser Stelle erhalten Text-Mining-Engines, die von einer Reihe großer Hersteller als Standalone-Produkt angeboten werden, ihre Daseinsberechtigung.