In der Praxis l\u00e4sst sich Data Mining in fast allen wirtschaftlichen und wissenschaftlichen Bereichen erfolgreich einsetzen.<\/p>\n
Beispiel: A-B-C Kunden Segmentierung<\/p>\n
Die vermutlich generischste aller Fragestellungen f\u00fcr alle Unternehmen lautet: wie klassifiziert man seine Kunden<\/strong> gewinnbringend in die Kategorie A<\/strong> (h\u00f6chter Wert), B und C?<\/strong><\/p>\n Viele Unternehmen ber\u00fccksichtigen hier oftmals schlicht die Gr\u00f6\u00dfe des Kunden (bemessen nach dessen Umsatz oder Mitarbeiterzahl) oder wenigstens den eigenen Umsatz mit diesem Kunden. Beides ist einfach zu bestimmen \u2013 kann aber sehr unzul\u00e4nglich sein. Betrachtet man eher die Marge \u2013 u.U. inklusive der erwarteten Marge f\u00fcr die Zukunft \u2013 unter Ber\u00fccksichtung vieler Faktoren, so ist dies weniger trivial, daf\u00fcr aber wesentlich geeigneter.<\/p>\n Data Mining kann hier in mehrfacher Hinsicht helfen. Zum einen lassen sich mit einer solchen Data-Mining-Software auf Basis von Vergangenheitsdaten verschiedenartige Kunden-Muster<\/strong> bestimmen, welche ihrerseits sehr unterschiedliche Treiber-Attribute<\/strong> haben k\u00f6nnen. Dies ist deutlich aufschlussreicher als die \u00fcbliche Durchschnittsanalyse mit herk\u00f6mmlichen statistischen Programmen. Denn Unternehmen sind nicht wirklich daran interessiert, dass das Durchschnitts-(Existenz-) Alter der Kunden (B2B oder B2C) z.B. 30 Jahre ist \u2013 sondern vielmehr daran, was die j\u00fcngeren Kunden im Cluster 1 charakterisiert und was die \u00e4lteren in Cluster 2; beide k\u00f6nnen vollkommen unterschiedliche Merkmale haben \u2013 angefangen von den bei Ihnen gekauften Produkten \u00fcber den Vertriebkanal (Point of Sale) bis hin zu den erfolgreichsten Werbekampagnen. Auf Basis dieses Wissens k\u00f6nnen bereits viele Optimierungen eingeleitet werden.<\/p>\n Noch wichtiger f\u00fcr die Resourcen-Allokation einer Vertriebs-Einheit kann die errechnete Vorhersage-Qualit\u00e4t<\/strong> sein. Auf Basis der Analyse der Vergangenheitsdaten kann Data Mining<\/strong> mit dem errechneten Model vorhersagen, ob ein Potenzial-Kunde<\/strong> mit gro\u00dfer Wahrscheinlichkeit ein A-, B- oder C-Kunde<\/strong>wird. Dies wiederum ist entscheidend, wenn ein Unternehmen seine Vertriebskr\u00e4fte effektiv einsetzen und seine Kr\u00e4fte bestm\u00f6glich b\u00fcndeln m\u00f6chte.<\/p>\n Data Mining kann somit allen Unternehmen<\/strong> dabei helfen, ihre Vertriebs-Aktivit\u00e4ten zu optimieren, und treffsicher vorauszusagen, auf welche Erst-Kontakte (Leads) sich die Vertriebs-Mitarbeiter konzentrieren sollten.<\/p>\n Data Mining Beispiel: Banken<\/p>\n Bei Banken<\/strong> tritt unter anderem die Fragestellung auf, wie aus historischen Kundendaten die Kreditw\u00fcrdigkeit<\/strong> von neuen Kunden vorhergesagt werden kann.<\/p>\n Die Kreditw\u00fcrdigkeit beeinflusst auch den Zinssatz, zu denen ein Kredit an einen Kunden vergeben wird. Im Folgenden wird beschrieben, wie [Data-Mining]<\/a> f\u00fcr dieses Problem angewendet wird:<\/p>\n Eine Bank hat Daten \u00fcber die Kunden, an welche sie in der Vergangenheit Kredite vergab. Die Kundendaten beinhalten das Kundenverhalten bez\u00fcglich der Kontof\u00fchrung, pers\u00f6nliche Merkmale des Kunden und andere Daten, die seine finanzielle Situation zum Zeitpunkt der Kreditvergabe beschreiben. Die Kunden werden in vier Klassen unterteilt. Die erste Klasse enth\u00e4lt all jene Kunden, die ihren Kredit absolut ohne Probleme zur\u00fcckzahlten; die zweite Klasse diejenigen, die ab und an nur mit Problemen zur\u00fcckzahlten; die dritte enth\u00e4lt jene, Kunden welchen man nur noch nach genauester Pr\u00fcfung einen Kredit gew\u00e4hren sollte, da hier substanzielle Probleme bei der R\u00fcckzahlung auftraten; und die vierte Klasse diejenigen, die den Kredit nicht zur\u00fcckbezahlt hatten. Auf der Basis dieser Kundentabelle wird ein Vorhersagemodell erstellt, um die Wahrscheinlichkeit f\u00fcr die einzelnen Klassen bei neuen Kunden vorherzusagen. \u00dcbrigens: die Kombinationen von Merkmalen\/ Attributen, die daf\u00fcr verantwortlich sind, dass Kunden einen Kredit mit hoher Wahrscheinlichkeit nicht zur\u00fcckzahlen, werden ebenfalls durch das Vorhersagemodell identifiziert.<\/p>\n Data Mining kann einer Bank<\/strong> also beispielsweise helfen, Kreditw\u00fcrdigkeiten von Kunden besser vorherzusagen und somit einerseits die Anzahl von Kreditausf\u00e4llen zu reduzieren, andererseits bessere Konditionen f\u00fcr Kunden mit geringem Kreditausfallrisiko anzubieten. Der resultierende Vorteil ergibt sich f\u00fcr die Bank, aber auch f\u00fcr deren Kunden.<\/p>\n Das obenstehende Beispiel ist nur eine von vielen M\u00f6glichkeiten wie Data Mining erfolgreich f\u00fcr Herausforderungen im Banken<\/strong>-Sektor eingesetzt werden kann. F\u00fcr Kreditinstitute<\/strong> und professionelle Anlageberater<\/strong> haben wir \u00fcbrigens eine spezielle Produkt-Variante entwickelt. Gerne erhalten Sie auf Nachfrage weitere Informationen.<\/p>\n Data Mining Beispiel: Bier & Windeln<\/p>\n Den gr\u00f6\u00dften Mehrwert zieht man meist aus neuen und \u00fcberraschenden Zusammenh\u00e4ngen. W\u00fcssten Sie, was Bier und Windeln<\/strong> miteinander zu tun haben?<\/p>\n Hier kommt die Aufl\u00f6sung: Ein Supermarkt<\/strong> hat alle vermeintlichen Annahmen konsequent beiseite gelassen und seine Verkaufstrategie in Sachen Waren-Positionierung mit Data-Mining neu \u00fcberpr\u00fcft. Dabei wurden auch die \u00fcblichen Produktkategorien der Handelskette<\/strong> ignoriert, d.h. man hat nicht nur Lebensmittel mit Lebensmitteln verglichen, sondern eben alles \u2013 eine Aufgabe, welche mit manuellen Mitteln und ohne den Einsatz von [Data-Mining]<\/a> bei tausenden von Produkten schlicht unm\u00f6glich w\u00e4re. Au\u00dferdem hat die Warenkette geschickt andere Daten f\u00fcr die Analyse beigemischt \u2013 z.B. das Geschlecht der Eink\u00e4ufer, die Wochentage, und vieles mehr.<\/p>\n Das interessante Ergebnis: M\u00e4nner, die Kinder haben und die am Samstag einkaufen (m\u00fcssen), erwerben neben Windeln<\/strong> f\u00fcr die Kleinen oftmals auch das Bier<\/strong> f\u00fcr den Wochenend-Fernsehabend. Folglich hat sich der Gro\u00dfmarkt dazu entschlossen, an Samstagen die Bierpaletten neben den Windeln zu positionieren \u2013 mit dem Erfolg, dass die Verkaufszahlen f\u00fcr Bier stark angestiegen sind.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann einem Supermarkt also beispielsweise helfen, durch intelligenten Einsatz von Data-Mining-Software die Waren-Positionierung<\/strong> deutlich zu optimieren.<\/p>\n Selbstverst\u00e4ndlich ist dieses Beispiel nur eines von vielen wie Easy.Data.Mining™<\/strong> im Bereich von Supermarkt-Ketten<\/strong> erfolgreich eingesetzt werden kann. Seien Sie kreativ \u2013 und erfolgreich!<\/p>\n Data Mining Beispiel: CRM<\/p>\n Im Customer-Relationship-Management (CRM)<\/strong> ist bekannt, dass es viel teurer ist (circa sieben mal), einen neuen Kunden zu gewinnen als einen bereits vorhandenen Kunden zu halten (churn prevention<\/strong>).<\/p>\n Wenn ein Kunde zur Konkurrenz wechselt, kommt immer die Frage auf, was h\u00e4tte man tun k\u00f6nnen, um den Kunden zu halten? H\u00e4tte man vorhersehen k\u00f6nnen, dass der Kunde unzufrieden ist? Im folgenden Szenario wird beschrieben, wie man f\u00fcr dieses Problem [Data-Mining]<\/a> sehr gewinnbringend einsetzen kann:<\/p>\n Ein Unternehmen hat ein CRM-System, mit welchem die Kundendaten verwaltet werden. Zu jedem Kunden sind reichlich Merkmale der Kaufhistorie und pers\u00f6nliche Merkmale vorhanden. Es werden alle Kunden betrachtet, die vor einem Jahr Kunden des Unternehmens waren. Diese werden in zwei Klassen unterteilt: die erste Klasse enth\u00e4lt die Kunden, die jetzt noch Kunden des Unternehmens sind, die zweite Klasse enth\u00e4lt diejenigen, die es nicht mehr sind. Aus diesen Daten wird ein Vorhersagemodell erstellt f\u00fcr die Wahrscheinlichkeit, dass ein Kunde im Verlauf von einem Jahr zur Konkurrenz wechselt bzw. seinen Vertrag k\u00fcndigt.<\/p>\n Anhand dieses Vorhersagemodells wird nun f\u00fcr jeden gegenw\u00e4rtigen Kunden des Unternehmens vorhergesagt, wie hoch die Wahrscheinlichkeit ist, dass er innerhalb des n\u00e4chsten Jahres das Unternehmen verl\u00e4sst, und welche Kombination von Faktoren hier den ma\u00dfgeblichen Treiber darstellt. Die Kunden mit der h\u00f6chsten Wahrscheinlichkeit k\u00f6nnen dann n\u00e4her analysiert werden und mit pers\u00f6nlich zugeschnittenen Angeboten versorgt und folglich eher gehalten werden.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann im Bereich CRM<\/strong> also beispielsweise helfen, die sogenannte Churn Rate (Abwanderungsrate) zu reduzieren. Damit kann ein Unternehmen eine Reihe von Vorteilen erlangen \u2013 von einer h\u00f6heren Kundenzahl (geringerer Churn) \u00fcber geringere Kosten (sinkende Akquisekosten je Kunde) bis zur Erh\u00f6hung des Umsatzes je Kunde (erh\u00f6hter Life-Time-Value). Die Kunden ihrerseits profitieren von individuelleren Kundenansprachen und -Angeboten.<\/p>\n Das obenstehende Beispiel ist nur eine von vielen M\u00f6glichkeiten wie Easy.Data.Mining™<\/strong> erfolgreich f\u00fcr Herausforderungen im CRM<\/strong>-Bereich eingesetzt werden kann.<\/p>\n Beispiel: IT und Computer Technologie<\/p>\n Data-Mining kann nicht nur auf der kaufm\u00e4nnischen Seite gro\u00dfen Mehrwert stiften. Nachfolgend ein Beispiel aus dem technischen Bereich der Informations-Technologie<\/strong>:<\/p>\n Ein Unternehmen bietet aus einem zentralen Daten-Zentrum heraus einen Online-Service f\u00fcr verschiedene L\u00e4nder an. Aufgrund von Kundenbeschwerden und sog. Last-Mile-Messungen (welche die Service-Erfahrung von Endkunden in Bezug auf Webseiten-Antwortzeiten<\/strong> messen k\u00f6nnen) wei\u00df das Unternehmen, dass es f\u00fcr manche Kunden absolut unzureichende Ladezeiten der Homepage<\/strong> gibt. Die Mitarbeiter der IT-Abteilung haben bereits mehrfach in den Log-Dateien gegraben, sind aber auf keinen erkennbaren Problemtreiber gesto\u00dfen.<\/p>\n Die Gesch\u00e4ftsleitung wei\u00df nun, dass die Geschwindigkeit der Internet-Seite stark mit den Online-Verk\u00e4ufen korreliert, und ist bestrebt, m\u00f6glichst schnell Herr dieses Problems zu werden. Zu diesem Zweck werden die Log-Dateien<\/strong> nun mit einem [Data-Mining]<\/a> Tool analysiert. Interessanterweise wird dabei ersichtlich, dass es den einzigartigen repr\u00e4sentativen Problem-Kunden so gar nicht gibt (weshalb die Log-Files im Durchschnitt auch keine statistisch verwertbaren Auff\u00e4lligkeiten gezeigt hatten). Vielmehr deckt das Data-Mining-Programm nun auf, dass es verschiedenartige Problem-Cluster<\/strong> gibt. Eines dieser Muster ist hierbei im Wesentlichen durch eine Kombination aus der Landeskennung (TLD), dem Betriebssystem (OS\/ Operating System) und der Browser-Version des Kunden bestimmt; ein anderes Muster hingegen zeigt im Ergebnis zwar ebenfalls die Probleme bei der Ladezeit der Website, allerdings getrieben von anderen Faktoren: der Geschwindigkeit des Internetanschlusses (Dial-Up, ISDN, DSL, usw.) in Kombination mit der Cookie-Einstellung im Kunden-Browser sowie der Anzahl paralleler Sessions auf der zentralen Haupt-Datenbank.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann im Bereich Informations-Technologie<\/strong> bzw. in IT-Abteilungen<\/strong> aller Unternehmen die Fehlersuche unterst\u00fctzen. Somit werden wertvolle Resourcen f\u00fcr die eigentliche Entwicklungs-Arbeit frei.<\/p>\n Data Mining Beispiel: Marketing<\/p>\n Im Marketing <\/strong>k\u00f6nnen im Bereich Werbekampagnen die Antwort- und Kauf-Raten <\/strong>durch Data-Mining oft um das 2-3-fache erh\u00f6ht werden.<\/p>\n Im folgenden wird ein typisches [Data-Mining]<\/a> Szenario als Beispiel beschrieben:<\/p>\n Ein Unternehmen m\u00f6chte eine Werbekampagne f\u00fcr ein Produkt starten. Aus dem vorhandenen Kundenstamm sollen Kunden angeschrieben werden, die eine hohe Wahrscheinlichkeit haben, dass sie das Produkt kaufen werden. Das Unternehmen hat \u00fcber jeden Kunden das Kundenverhalten der Vergangenheit sowie personenbezogene Merkmale zur Verf\u00fcgung. Es wei\u00df au\u00dferdem von Kunden, die das Produkt bereits gekauft haben, z.B. in einer Test-Phase. Die Kunden der Test-Phase werden in zwei Klassen unterteilt: Die Kunden, die das Produkt bereits gekauft haben, und diejenigen, die es noch nicht haben. Aus diesem Datenmaterial wird ein Vorhersagemodell erstellt f\u00fcr die Wahrscheinlichkeit, dass ein Kunde das Produkt kauft. Danach wird mit diesem Modell die Wahrscheinlichkeit f\u00fcr alle \u00fcbrigen Kunden vorhergesagt, und es werden nur diejenigen mit h\u00f6herer vorhergesagter Wahrscheinlichkeit angeschrieben. Als Nebenprodukt lernt das Unternehmen durch die Data-Mining-Analyse, welche Kundenattribute ausschlaggebend daf\u00fcr sind, dass sie sich f\u00fcr ein bestimmtes Produkt nachhaltig interessieren.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann im Bereich Marketing <\/strong>also beispielsweise helfen, das Kaufverhalten von Kunden in Bezug auf bestimmte Produkte vorherzusagen. Dadurch reduzieren sich die Kosten, weil die Vertriebsaktivit\u00e4ten besser fokusiert werden k\u00f6nnen (weniger Kosten f\u00fcr Briefe und Flyer oder auch f\u00fcr kostenintensive Kundenbesuche). Die Kunden profitieren wiederum davon, weil f\u00fcr sie die durchschnittliche Relevanz der Angebote steigt (umgekehr formuliert reduziert sich die Zahl der \u201eSpam\u201c-Angebote, die f\u00fcr den Kunden keine Relevanz haben).<\/p>\n Das obenstehende Beispiel ist nur eine von vielen M\u00f6glichkeiten wie Easy.Data.Mining™<\/strong> erfolgreich f\u00fcr Herausforderungen im Marketing <\/strong>eingesetzt werden kann.<\/p>\n Data Mining Beispiel: Medien-Logistik<\/p>\n In vielen Bereichen der Logistik <\/strong>sind Vorhersagen f\u00fcr den Bedarf an Waren an verschiedenen Orten n\u00f6tig.<\/p>\n Gleichzeitig sammeln sich in der Logistik viele Daten an, da sehr viele Transporte regelm\u00e4\u00dfig durchgef\u00fchrt werden. Die Voraussetzungen f\u00fcr [Data-Mining]<\/a> sind daher meist gegeben. Im Folgenden ein Beispiel aus dem Medien<\/strong>-Bereich:<\/p>\n Ein Zeitungsdistributor liefert verschiedene Zeitungen und Magazine an viele Kioske und Superm\u00e4rkte einer Region. Hierbei variiert der Absatz von verschiedenen Zeitungen und Magazinen an den verschiedenen Verkaufsstellen erheblich in Abh\u00e4ngigkeit von sehr unterschiedlichen Parametern wie beispielsweise Wochentag, Monat, gro\u00dfe Sportereignisse, Feiertage, Schulferien, Wetter,\u2026 Anhand der Absatzzahlen an Tagen in der Vergangenheit und der dazugeh\u00f6rigen Parameter (Wochentag, Wetter,\u2026) kann man ein Vorhersagemodell f\u00fcr die Absatzzahl einer Zeitung in Abh\u00e4ngigkeit der Parameter erstellen, und somit die Absatzzahlen in der Zukunft weit besser voraussagen (Anmerkung: die Information, welche Kombinationen von Parametern hohe beziehungsweise niedrige Absatzzahlen verursachen, ist nat\u00fcrlich auch f\u00fcr die Verlage selbst h\u00f6chst interessant).<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann einem Medien-Logistik-<\/strong>Unternehmen also beispielsweise helfen, die Absatzzahlen an verschiedenen Standorten besser vorherzusagen und somit einerseits verhindern, dass an manchen Tagen nicht ausreichend Exemplare zur Verf\u00fcgung stehen, und andererseits den t\u00e4glichen \u00dcberschuss auf ein Minimum zu reduzieren. Somit kann viel Geld und Rohstoff gespart werden \u2013 und die Kunden bekommen noch regelm\u00e4\u00dfiger ihre gew\u00fcnschte Lekt\u00fcre.<\/p>\n Das obenstehende Beispiel ist nur eine von vielen M\u00f6glichkeiten wie Easy.Data.Mining™<\/strong> erfolgreich f\u00fcr Herausforderungen im Logistik<\/strong>-Bereich eingesetzt werden kann.<\/p>\n Data Mining Beispiel: Medizin & Pharma<\/p>\n Im medizinisch-pharmazeutischen<\/strong> Bereich geht es h\u00e4ufig darum, ob eine Behandlung oder ein Medikament f\u00fcr einen Patienten wohl wirksam sein wird oder nicht, und welches gegebenenfalls die entscheidenden Einflussfaktoren sind.<\/p>\n Auch Fragestellungen von Medizin und Pharma<\/strong> bez\u00fcglich der Nebenwirkungen <\/strong>k\u00f6nnen mit [Data-Mining]<\/a> gel\u00f6st werden. Im Folgenden ein beispielhaftes Szenario:<\/p>\n In einem medizinischen Versuch wird an Testpatienten eine neue Behandlung durchgef\u00fchrt. Von allen Testpatienten werden viele per\u00f6nliche medizinische Merkmale (wie z.B. Gewicht, Geschlecht, Krankheitsgeschichte,\u2026) aufgenommen und abgespeichert. Die Testpatienten werden am Ende in Klassen unterteilt. Eine Klasse mit den Testpatienten, bei denen die Behandlung erfolgreich verlief, eine zweite Klasse mit Patienten, bei denen keine Besserung eintrat, und eine dritte Klasse mit Patienten, bei denen Nebenwirkungen auftraten. Aus den Daten des medizinischen Tests wird dann ein Vorhersagemodell erstellt, um die Wahrscheinlichkeiten f\u00fcr die einzelnen Klassen bei neuen Patienten vorherzusagen. Sehr interessant ist dann auch die Mustererkennung, die zeigt, welche Kombinationen von Merkmalen daf\u00fcr verantwortlich sind, dass Patienten auf die Behandlung ansprechen oder Nebenwirkungen auftreten.<\/p>\n Bisher werden in der Medizin\/ Pharmazeutik<\/strong> oft nur sehr simple Statistiken erstellt. Data.Mining.Fox\u00ae bietet hier die M\u00f6glichkeit tiefere Analysen und Vorhersagen zu liefern. Viele medizinsiche Attribute sind au\u00dferdem nicht-numerisch, was Data.Mining.Fox\u00ae<\/strong> einmal mehr zu einem besseren Tool in diesem Zusammenhang werden l\u00e4sst als die herk\u00f6mmlichen Statistik-Anwendungen.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann im Bereich Medizin und Pharma <\/strong>also beispielsweise helfen, genauer zu bestimmen, welche Patienten warum von bestimmten Medikamenten profitieren oder nicht. Dies bringt die Industrie aus Medizin und Pharma<\/strong> voran, und ist allem voran nat\u00fcrlich ein Segen f\u00fcr Patienten.<\/p>\n Das obenstehende Beispiel stellt dabei aber nur eine von vielen M\u00f6glichkeiten dar wie Easy.Data.Mining™<\/strong> erfolgreich im medizinisch-pharmazeutischen<\/strong> Sektor eingesetzt werden kann.<\/p>\n Data Mining Beispiel: Online Services<\/p>\n Im Bereich der Online-Anbieter<\/strong> kann Data-Mining sehr vielf\u00e4ltig eingesetzt werden, da sich hier viele Daten recht einfach und in gro\u00dfer Menge automatisch sammeln lassen.<\/p>\n Im Folgenden ein stellvertretendes [Data-Mining]<\/a> Anwendungs-Beispiel eines Online-Dienstes<\/strong>:<\/p>\n Ein Unternehmen bietet im Internet einen kostenfreien Service sowie einen kostenpflichtigen Premium-Service an. Von den Besuchern der Webseite werden eine Reihe von Daten ermittelt \u2013 z.B. das Klickverhalten, die Anzahl der Besuche der Website, und die Verweildauer auf der Seite. Es ist nun wichtig f\u00fcr das Unternehmen anhand dieser Daten vorhersagen zu k\u00f6nnen, ob der Besucher empf\u00e4nglich f\u00fcr den Premium-Service ist oder nicht, und welche Charakteristika prim\u00e4r \u00fcber seinen Kauf entscheiden. Dadurch k\u00f6nnen weitere Ma\u00dfnahmen effizient eingesetzt werden.<\/p>\n Das Online-Service-Unternehmen nutzt dabei mittels Data-Mining eine Vorhersagenmodell-Erstellung auf Basis von Vergangenheitsdaten der Webseiten-Besucher. Von diesen ehemaligen Besuchern kennt man nicht nur das damalige Verhalten, sondern man wei\u00df auch, ob sie am Ende den Premium-Service in Anspurch genommen haben oder nicht. Mit diesem Datenmaterial wird dann ein Modell erstellt f\u00fcr die Vorhersage der Wahrscheinlichkeit, dass ein Besucher den Premium-Service kaufen wird.<\/p>\n Die Mustererkennung erm\u00f6glicht dabei die Identifikation von charakteristischen, nicht trivial erkennbaren Sub-Gruppen der Besucher. F\u00fcr jede dieser Cluster errechnet Data.Mining.Fox\u00ae einerseits die durchschnittliche Kaufwahrscheinlichkeit, andererseits die Relevanz der wichtigsten Attribute f\u00fcr jede Sub-Gruppe von Nutzern. Somit kann jedem Kunden ein individuell angepasstes Produktangebot pr\u00e4sentiert werden \u2013 was die maximalen Nutzung der Besucherpotenziale durch den Online-Dienst erm\u00f6glicht. Mehr noch: im Zeitablauf kann dem Kunden immer genau das Angebot unterbreitet werden, welches seinen Bed\u00fcrfnissen mit hoher Wahrscheinlichkeit am n\u00e4chsten kommt (NBO \u2013 sog. Next Best Offer).<\/p>\n Im Bereich der Online-Industrie<\/strong> ist es vermutlich wichtiger als in nahezu allen anderen Bereichen, dass die vergangenheitsbasierten Data-Mining-Modelle sehr regelm\u00e4\u00dfig neu bestimmt werden. Die sich im Online-Segment<\/strong> sehr rasch \u00e4ndernden Faktoren k\u00f6nnen nur auf diese Weise eine hohe Validit\u00e4t der Vorhersagen aufrechterhalten.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann einem Online-Portal <\/strong>also beispielsweise helfen, seine Kunden alleine aufgrund der hinterlassenen Online-Spuren so in Gruppen einzuteilen, dass diese individueller angesprochen werden k\u00f6nnen. Der Kunde erh\u00e4lt somit ein besser auf ihn zugeschnittenes Angebot, und das Unternehmen profitiert im Gegenzug von steigenden Konversion-Raten (von Interessenten hin zu zahlenden Premium-Kunden).<\/p>\n Das obenstehende Beispiel ist jedoch nur eine von vielen M\u00f6glichkeiten wie Easy.Data.Mining™<\/strong> erfolgreich f\u00fcr Herausforderungen der Online-Anbieter<\/strong> eingesetzt werden kann.<\/p>\n Beispiel: Qualit\u00e4ts-Management (QA)<\/p>\n Der Bereich der Qualit\u00e4ts-Sicherung<\/strong> (QA-Management<\/strong>) als Hebel f\u00fcr Gewinnsteigerungen wird immernoch h\u00e4ufig untersch\u00e4tzt.<\/p>\n In industriellen Produktionsabl\u00e4ufen sammeln sich heute sehr gro\u00dfe Datenmengen an. Anhand von [Data-Mining]<\/a> kann man aus diesen Daten wesentlich mehr n\u00fctzliche Erkenntnisse gewinnen als aus \u00fcblichen relationalen Datenbank-Abfragen oder -Reportings. Im Folgenden ein typisches Beispiel:<\/p>\n Ein Unternehmen stellt in einem automatisierten Produktionsverfahren ein Produkt her. Das Produktionsverfahren besteht aus mehreren Produktionsschritten und verarbeitet mehrere Teilkomponenten. Zu jedem Produktionsschritt und jeder Teilkomponente gibt es mehrere Parameter, die diese beschreiben, z.B. Alter einer Teilkomponente, Hersteller der Teilkomponente, Verarbeitungstemperatur in einem Produktionsschritt,\u2026 Die Endprodukte werden dann in verschiedene G\u00fcteklassen gem\u00e4\u00df der Qualit\u00e4t des Produktes unterteilt. Nun ist es von entscheidendem Vorteil, herausfinden zu k\u00f6nnen, welche Kombinationen von Produktionsparametern die Entstehung von Produkten einer bestimmten G\u00fcteklasse beg\u00fcnstigen. Folgerichtig ist der Einsatz von Data-Mining-Software im Bereich der Qualit\u00e4tsverbesserung auch ein nachhaltiger Hebel bei der Umsetzung von Six-Sigma-Zielen.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann einem Unternehmen im Bereich Qualit\u00e4ts-Management <\/strong>(Quality Assurance<\/strong>) also beispielsweise helfen, den Ausschuss zu reduzieren und die durchschnittliche Qualit\u00e4t zu verbessern, R\u00fcckrufaktionen zu vermeiden, oder pro-aktive Wartungen kurz vor vorhergesagtem Schadenseintritt zu initiieren. Im Ergebnis stehen nicht nur h\u00f6here Profite, sondern eine oftmals erheblich gesteigerte Kundenzufriedenheit (NPS\/ Net Promoter Score) \u2013 denn nichts ist aus Kundensicht \u00e4rgerlicher als ein Schadens- oder Reklamationsfall.<\/p>\n Das obenstehende Beispiel ist nur eine von vielen M\u00f6glichkeiten wie Easy.Data.Mining™<\/strong> erfolgreich f\u00fcr Herausforderungen im Bereich QA-Management\/ Qualit\u00e4tssicherung<\/strong> eingesetzt werden kann.<\/p>\n Bsp.: Telekommunikation & Mobilfunk<\/p>\n Vermutlich generiert kaum eine andere Branche so viele Datenpunkte in so kurzer Zeit wie Mobilfunk<\/strong>und Telekommunikation<\/strong>.<\/p>\n Und wahrscheinlich ist die Entwicklung und \u00c4nderung von Angebot und Nachfrage in kaum einer anderen Branche h\u00f6her. Dies stellt besondere Herausforderungen an die Anbieter. Hier ein Beispiel wie diesen Anforderungen mit Hilfe einer von [Data-Mining]<\/a> Software erfolgreich begegnet werden kann:<\/p>\n Bekannterma\u00dfen herrscht ein enormer Konkurrenzkampf zwischen Telekommunikations-Anbietern. Die Neukundengewinnung ist schwierig und meist kostspielig. Folglich kommt u.a. der Kundenbindung der einmal gewonnenen Kunden eine gro\u00dfe Bedeutung zu. Aus den gesammelten Datenpunkten der Kunden wie beispielsweise der H\u00e4ufigkeit und zeitlichen Verteilung der in Anspruch genommenen Dienste (Anrufe, SMS, MMS, Navigation, Mail-Exchange,\u2026) k\u00f6nnen mit Data-Mining-Software charakteristische Kunden-Muster gebildet werden. Jeder dieser Kundengruppen k\u00f6nnen nun \u00fcber den Kundenlebenszyklus (Customer-Life-Cycle) hinweg sehr individuell zugeschnittene Nachrichten und Angebote zugesandt werden.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann einem Telekommunikations-Anbieter <\/strong>also beispielsweise helfen, durch kundengerechtere Ansprache einerseits die Kundenzufriedenheit zu erh\u00f6hen, andererseits die Verk\u00e4ufe und Gewinne \u00fcber den gesamten Kunden-Lebenszyklus hinweg zu erh\u00f6hen (Customer Life-Time-Value).<\/p>\n Das obenstehende Beispiel ist nur eine von vielen M\u00f6glichkeiten wie Easy.Data.Mining™ <\/strong>erfolgreich f\u00fcr Herausforderungen im Telekommunikations<\/strong>-Sektor eingesetzt werden kann.<\/p>\n Data Mining Beispiel: Reise & Touristik<\/p>\n In der Touristik<\/strong>\u2013 und Reise<\/strong>-Branche gilt es, Kundenw\u00fcnsche rasch zu verstehen und ad\u00e4quate Angebote zu machen \u2013 ob online oder offline.<\/p>\n Gleichzeitig verf\u00fcgen Tourismus<\/strong>-Unternehmen \u00fcber eine gro\u00dfe Menge historischer Kundendaten \u2013 ein hervorragendes Anwendungsgebiet f\u00fcr [Data-Mining]<\/a>. Nachfolgend ein praktisches Beispiel:<\/p>\n Ein Online-Tourismus-Portal bietet eine Reihe von weltweiten Urlaubs-Angeboten. Mit Hilfe der Easy.Data.Mining™ Software kann aus Vergangenheitsdaten abgeleitet werden, dass es zwei Hauptgruppen von Kunden gibt: einerseits die prim\u00e4r preis-gesteuerten Kunden, die in ihrer Reisezielwahl recht flexibel sind; andererseits jene Kunden, die ihr Reiseziel recht genau kennen, aber das g\u00fcnstige Angebot suchen.<\/p>\n Weiter kann die Data-Mining-Software aus den vergangenen Web-Analyse-Daten ermitteln, durch welche Eingaben bzw. welches Klick-Verhalten sich beide Gruppen rasch unterscheiden lassen. Dies wiederum erm\u00f6glicht dem Touristik-Portal-Anbieter bereits nach den ersten Aktionen des Kunden die Gestaltung und den Inhalt der Homepage anzupassen und dem Kunden genau jene Inhalte und Angebote anzubieten, die f\u00fcr ihn von gro\u00dfem Interesse sind.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann einem Touristik<\/strong>-Unternehmen also beispielsweise helfen, durch Online-Customisation des Web-Portals einerseits die Kundenzufriedenheit sowie andererseits den Umsatz deutlich zu steigern.<\/p>\n Das obenstehende Beispiel ist nur eine von vielen M\u00f6glichkeiten wie Easy.Data.Mining™<\/strong> erfolgreich f\u00fcr Herausforderungen im Tourismus<\/strong>-Sektor eingesetzt werden kann.<\/p>\n Beispiel: Universit\u00e4t & Forschung<\/p>\n Im Bereich der Bildung und Forschung <\/strong>\u2013 ob an der Universit\u00e4t <\/strong>oder an anderen Instituten \u2013 l\u00e4sst sich Data-Mining-Software vielf\u00e4ltig sehr gut einsetzen.<\/p>\n Hier ein paar m\u00f6gliche [Data-Mining]<\/a> Anwendungsbereiche, die aus unserer Erfahrung besonders geeignet sind:<\/p>\n Vorhersage-Modell-Generierung; psychologische Analysen; Gewinn-Maximierungs-Modelle; komplexe Statistik; Fragebogen-Auswertungen; effiziente Reduzierung von Kombinationsm\u00f6glichkeiten bei Ursache-Wirkungs-Untersuchungen; mathematisch multivariate Aufgabenstellungen; u.v.m.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann an Universit\u00e4ten <\/strong>und Forschungseinrichtungen also beispielsweise helfen, Vorlesungen mit einem einfachen und gut verst\u00e4ndlichen Tool zu abzurunden, Forschung <\/strong>zu unterst\u00fctzen, oder den Studenten einfach nur ein leistungsstarkes und f\u00fcr Studenten freies Tool an die Hand zu geben.<\/p>\n Die obenstehenden Beispiele sind aber sicher nur ein paar wenige von vielen M\u00f6glichkeiten wie Easy.Data.Mining™<\/strong> im Bereich der Universit\u00e4t <\/strong>und Forschung <\/strong>erfolgreich eingesetzt werden kann.<\/p>\n Data Mining Beispiel: Versicherungen<\/p>\n Bei Versicherungen <\/strong>geht es oft um die Absch\u00e4tzung des Eintretens eines Schadenfalls<\/strong> aus historischen Daten.<\/p>\n Das Potential von [Data-Mining]<\/a> bei Versicherungen ist immens und meist noch nicht ausgesch\u00f6pft. Im folgenden ein Beispiel:<\/p>\n Eine Autoversicherung m\u00f6chte ein Vorhersagemodell erstellen, das die Wahrscheinlichkeit eines Unfalls innerhalb eines Jahres vorhersagt auf der Basis von Kundenmerkmalen, die zum Zeitpunkt des Vertragsabschlusses zur Verf\u00fcgung stehen (pers\u00f6nliche Merkmale, Merkmale des zu versichernden Autos, Unfallhistorie). Aus der Vergangenheit ist bekannt, ob ein Kunde in einem Jahr einen Unfall hatte oder nicht. Die Kunden werden in Schadensklassen unterteilt. Aus der Vergangenheit liegt somit eine Tabelle vor, die als Datensatz die Kundenmerkmale zu Jahresbeginn enth\u00e4lt und die Information zu welcher Schadensklasse der Kunde in diesem Jahr geh\u00f6rte. Auf der Basis dieser Tabelle wird dann das Vorhersagemodell erstellt. Dieses Vorhersagemodell liefert auch die interessanten Muster von Kunden, die ein besonders hohes Risiko tragen, also zu einer schlechten Schadensklasse zu geh\u00f6ren.<\/p>\n Data.Mining.Fox\u00ae<\/strong> kann einer Versicherung <\/strong>also beispielsweise helfen, Schadensf\u00e4lle in Form von zu deckenden Versicherungsf\u00e4llen ihrer Kunden besser vorherzusagen und somit realit\u00e4tsn\u00e4here Konditionen f\u00fcr Kunden zu errechnen. Der resultierende Vorteil ergibt sich f\u00fcr die Versicherung, aber auch f\u00fcr die meisten ihrer Kunden.<\/p>\n Das obenstehende Beispiel ist nur eine von vielen M\u00f6glichkeiten wie Easy.Data.Mining™<\/strong> erfolgreich f\u00fcr Herausforderungen im Versicherungs<\/strong>-Sektor eingesetzt werden kann (ein weiteres gutes Beispiel w\u00e4re die Versicherungs-Betrugs-Erkennung).<\/p>\n Data Mining: Wein & weitere Beispiele<\/p>\n Die Anwendung<\/strong> unserer Data Mining Software Data.Mining.Fox\u00ae<\/strong> kennt eigentlich keine Grenzen.<\/strong><\/p>\n Mit ein wenig Phantasie und unternehmerischem Denken werden Ihnen mit Sicherheit zahlreiche [Data-Mining]<\/a> Einsatzm\u00f6glichkeiten f\u00fcr Ihr Unternehmen bzw. Ihr T\u00e4tigkeitfeld einfallen. Neben unseren ganz speziellen [Data-Mining-Goodies]<\/a> haben wir im Folgenden stellvertretend noch einige Ideen zuammengestellt (einige dieser Beispiele stammen aus Ian Ayres\u2018 \u201eSuper Crunchers\u201c):<\/p>\n Fussball Ergebnis Vorhersagen mittels Data MiningIn der Praxis l\u00e4sst sich Data Mining in fast allen wirtschaftlichen und wissenschaftlichen Bereichen erfolgreich einsetzen. Beispiel: A-B-C Kunden Segmentierung Die vermutlich generischste aller Fragestellungen f\u00fcr alle Unternehmen lautet: wie klassifiziert man seine Kunden gewinnbringend in die Kategorie A (h\u00f6chter Wert), B und C? Viele Unternehmen ber\u00fccksichtigen hier oftmals schlicht … Data Mining in der Praxis<\/span> weiterlesen \n