Neues Analyse-Paradigma

Best Practices bei der Datenanalyse

18. Dezember 2007
Von Alexander Galdy
Data Mining ist komplex, zeitaufwändig, nur von Experten beherrschbar und deshalb teuer. Das muss nicht sein, denn es geht auch anders. Ermöglichen soll das ein neuer Analyse-Ansatz, wie das Beraterhaus Mayato berichtet. Das Zauberwort lautet Self-Acting Data Mining. Mithilfe innovativer Algorithmen werden die zahlreichen Schritte der herkömmlichen Daten-Analyse automatisiert und dadurch die Projektdauer deutlich verkürzt.

Bisher wird der Großteil der Daten wie die über Kunden in Unternehmen nicht ausgewertet. Nur ein kleiner Teil wird den Entscheidern zum Beispiel über Online-Analytical-Processing-Analysen (OLAP) zugänglich gemacht. Viele wertvolle Informationen bleiben deshalb ungenutzt, obwohl der Konkurrenzdruck das eigentlich nicht zulässt.

Entscheidungsrelevantes Wissen ist eine essenzielle Unternehmens-Ressource.
Entscheidungsrelevantes Wissen ist eine essenzielle Unternehmens-Ressource.

Im Customer Relationship Management (CRMCRM) ist die Versorgung mit relevanten Informationen besonders wichtig. Sie liegen in vielen Unternehmen in Form von unausgewerteten Daten bereits vor. Dieser Rohstoff muss nur noch zutage gefördert werden und zu Wissen veredelt werden. Alles zu CRM auf CIO.de

Die Situation ist paradox: Einerseits fallen bei immer mehr alltäglichen Geschäftsaktionen in vielen Branchen nahezu automatisch große Datenmengen an - Gartner prognostiziert bis 2009 einen weltweiten Anstieg auf rund 220 Millionen Terabyte. Die Voraussetzungen für Unternehmen, daraus etwas über ihre Kunden zu lernen, waren nie besser.

Anderseits liegt das große Potenzial dieser Daten meistens brach. Die Informationen werden nicht ausgewertet. Stattdessen verursachen sie als nutzlose Datenfriedhöfe Kosten in erheblicher Höhe. Nach Experten-Schätzung werden nur fünf bis zehn Prozent aller gesammelten Daten überhaupt analysiert. Gleichzeitig steigt der Bedarf an Wissen stark an. Um dieses Missverhältnis auszugleichen, müssen die Daten mit geeigneten Methoden in Wissen überführt werden. Dabei ließen sich bisher zwei verschiedene Arten unterscheiden: Konfirmative und explorative Datenanalysen.

Zur Startseite