Der Data-Mining-Ansatz zur Analyse betriebswirtschaftlicher Daten

Der Erfolg vieler Unternehmen hängt heute durch steigenden Wettbewerbsdruck in zunehmendem Maße davon ab, wie schnell und effektiv sie verfügbare Informationen in Entscheidungen und Handlungen umsetzen können. In diesem Zusammenhang werden Daten aus der operativen Geschäftsabwicklung nicht mehr nur als Nebenprodukt angesehen, sondern als strategische Ressource verstanden. Sie repräsentieren den aktuellen Zustand des Unternehmens und stellen Informationen dar die (gegebenenfalls durch Kombination mit Daten aus anderen Quellen) Aussagen über die vorliegende Unternehmenssituation und über zukünftige Entwicklungen und Chancen ermöglichen.

Die technischen Fähigkeiten zur Generierung und Speicherung von Daten sind in den vergangenen Jahren sprunghaft angestiegen. Durch die zunehmende Automatisierung von Geschäftsprozessen werden immer größere Datenbestände erzeugt, da eine Vielzahl alltäglicher Vorgänge wie Telefongespräche, Kreditkartentransaktionen oder Einkaufshandlungen in Supermärkten automatisiert erfasst und verarbeitet werden. Fortschritte in der Speichertechnologie, billigere Speichermedien und leistungsfähige Datenbankverwaltungssysteme ermöglichen zudem die Aufbewahrung dieser Datenmengen auch über längere Zeiträume hinweg.

Das stetige Wachstum der Datenbestände macht allerdings den Zugriff auf die gewünschten Informationen immer schwieriger. Die Situation ähnelt der berühmten Suche nach der Nadel im Heuhaufen, wobei dieser jedoch stetig weiter wächst. Aus der Erkenntnis, dass in den operativen Datenbeständen enthaltenes Wissen zur Erlangung von Wettbewerbsvorteilen beitragen kann ist die Notwendigkeit erwachsen diese verborgenen Informationen aufzuspüren. Traditionelle Methoden der Datenanalyse wie Tabellenkalkulation und Ad-hoc-Datenbankanfragen sind für solche Untersuchungen nicht geeignet. Vielmehr besteht Bedarf nach einer neuen Generation von Untersuchungskonzepten die den Menschen auf der Suche nach nützlichem, neuem Wissen in großen Datenbeständen auf „intelligente“ Weise unterstützen. Im Mittelpunkt steht der Wunsch nach Ansätzen, die weitgehend autonom interessante Auffälligkeiten in großen Datenmengen entdecken. Auch moderne On-Line-Analytical-Processing- (OLAP-) Systeme sind nicht in der Lage den veränderten Analyseerfordernissen vollständig zu entsprechen.

Der Data-Mining-Ansatz verspricht diese Aufgabe zu erfüllen. Er ermöglicht die automatische Extraktion und Filterung interessanter Informationen aus Datenbeständen. Dies geschieht durch selbständige Suche nach Auffälligkeiten und „Mustern“, die den Entscheidungsträgern normalerweise verborgen bleiben.

Der Beitrag stellt eine umfassende Einführung in den Data-Mining-Ansatz einschließlich des Knowledge Discovery in Databases (KDD) dar. In Kapitel 2 wird ein kurzer Überblick über die in der Literatur geführte Diskussion um den Data-Mining-Begriff gegeben und aufgrund der teilweise sehr divergierenden Auffassungen eine problemorientierte Sichtweise auf diese Thematik vorgeschlagen. Hierzu werden in Kapitel 3 das Konzept der Untersuchungssituation vorgestellt und Probleme der Datenmustererkennung von anderen Problemstellungen abgegrenzt. Auf dieser Grundlage kann in Kapitel 4 eine Definition für Data Mining angegeben werden. Kapitel 5 zeigt auf, dass zur Lösung von Datenmustererkennungsaufgaben die bloße Anwendung von Data-Mining-Verfahren nicht ausreicht und stellt deren Einbettung in den KDD-Prozess dar. Kapitel 6 erörtert die Potenziale und Formen der Anbindung von Data Mining Tools an Data-Warehouse-Systeme. Eine abschließende Zusammenfassung des Beitrags mit Hinweisen auf weiteren Forschungs- und Entwicklungsbedarf findet sich in Kapitel 7.