Nach Wissenschätzen schürfen
Data Mining liefert die Grundlagen für differenzierte Marktanalysen, Absatzplanung und -prognosen, Zielgruppen- und Kundenanalysen, Produktmanagement und Preisplanung. Der Unterschied zu anderen Analysetechniken liegt darin, dass Data Mining verschiedene Abfragetechniken und Analyseverfahren automatisch miteinander verknüpft. Zu diesen Verfahren gehören Entscheidungsbäume, verschiedene statistische Auswertungen, grafische Darstellungsmethoden sowie neuronale Netze. Bei Bedarf lassen sich auch spezielle Routinen zur Datenauswertung für bestimmte Fragestellungen im Marketing programmieren. So wie ein Minenarbeiter im Bergwerk nach verborgenen Schätzen sucht und immer tiefere, weit verzweigte Stollen in die Erde hineintreibt, um fündig zu werden, so geht es beim Data Mining darum aus dem „Datenbergwerk" verborgene Informationen an das Tageslicht zu befördern. Der Begriff Data Mining beschreibt eine Sammlung unterschiedlicher Verfahren, welche die in einem Datenbestand enthaltenen Informationen für konkrete Entscheidungen aufspürt und nutzbar macht. Über Abfragesysteme hinaus ist Data Mining die am weitesten entwickelte Methode, um Unternehmensdatenbanken nach bestimmten Informationsmustern zu durchsuchen. Vgl. Jörg Becker: Wissensbilanz mit Kundenbarometer, ISBN 978-3-8370-5177-3.
Neben einem erweiterten Methodenspektrum liefert Data Mining für das Marketing integrierte Enduser-Lösungen. Diese enthalten eine Kombination statistischer Verfahren, Benutzeroberflächen und Visualisierungswerkzeuge. Im Data Mining-Prozess werden große Datenmengen untersucht und mathematisch mit dem Ziel modelliert, zum Vorteil des Unternehmens neue Zusammenhänge entdecken zu können. Die hierzu benötigten komplexen statistischen Verfahren laufend weitgehend automatisch und dank leistungsfähiger Software mit hoher Performance ab. Vgl. Jörg Becker: Data Mining als Wissensbilanz-Zubringer, ISBN 978-3-8370-2163-9.
Der Vorteil der Regressionsansätze liegt darin, dass sie auf einer fundierten Theorie basieren und dem Analytiker einen differenzierten Einblick in die Modellmechanismen ermöglichen. Im Gegensatz dazu basieren Neuronale Netze auf einer Kombination sehr komplexer mathematischer und statistischer Verfahren. Einerseits erlauben sie daher selbst Spezialisten kaum Einblicke in interne Wirkungsprinzipen, andererseits eignen sie sich besonders für eine sehr differenzierte Klassifikation und Prognose. Insbesondere bei sehr inhomogenen Datenbeständen lässt sich mit ihnen im Vergleich zu klassischen Methoden eine bessere Anpassung zwischen Modell und Realität erreichen. Zur Einbindung in grundsätzliche Konzepte der Wissensbilanz: Vgl. Jörg Becker: Data Mining als Wissensbilanz-Zubringer, ISBN 978-3-8370-2163-9. Vgl. Jörg Becker: Wissensbilanz mit Kundenbarometer, ISBN 978-3-8370-5177-3.
Jörg Becker
www.beckinfo.de
Kommentare von Besucher !
