Über UnsGeschäftsfelderProdukteVeranstaltungenJobs & KarrierePublikationenKontakt
    
    
    
    
    
    
    
    
Data Mining
GALA
    
    

Data Mining

Über die Sahne beim Data Mining – Datenintelligenz durch QlikView

Daten gibt es viele, daraus werden Informationen erzeugt. Das „Wissen“ soll Entscheidungen unterstützen, deren Umsetzung erleichtern.

Die vernünftige Reihenfolge ist: Formulierung einer Zielstellung, Datenauswahl, Datenaufbereitung, Data Mining, Bewertung und Interpretation, Umsetzung, Kontrolle. Für nicht nur erfolgspostulierte Untersuchungen sollte die Rück“besinnung“ an jeder Schnittstelle möglich sein.

Besonders offensichtlich ist das beim Data Mining in einem Umfeld von Vorgängen mit zufälligem Ergebnis. Es soll ein Zielergebnis (Kunde schließt eine Unfallversicherung ab) durch Daten (Beruf, Versicherungsportfolio, Beitragszahlung, Geburtsdatum, Alter des Verkäufers, ...) erklärt werden. Jedes toolbasierte Bewertungsverfahren (Scoring, Rating, ...) berücksichtigt allein die Relevanz der Daten für das Zielergebnis, es wird keine Beziehung (Abhängigkeit, funktionaler Zusammenhang, ...) der zur Erklärung herangezogenen Daten untereinander (bis auf die der Identität) „erkannt“.

QlikView ist aber gerade für den Beziehungserkundungsprozeß wie auch für das Entschlüsseln der Botschaften, die die Kunden, Verkäufer, Datenerfasser, ... mit den Daten hinterlassen haben, ein genial einfaches Werkzeug.

Im Vortrag werden einige Beispiele genannt, Beispiele zur nackten Datenintelligenz und auch solche, wo die Botschaftenerkundung (Message Cleansing) Umsetzungsvoraussetzung ist. Datenintelligenz entsteht durch Nähe zum Gesamtprozeß der Wissenserkundung, von der Entstehung der Daten bis zur Analyse der bei der Umsetzung erzielten „Erfolge“. Fachbereichsnähe ist hinreichend, durch die Nähe zu ähnlichen Geschäftsprozessen aber ersetzbar. Mathematik- und Informatik-Kenntnisse sind nicht durch starke Sprüche zu kompensieren.

 

 

 

Literatur

Jonscher, R.; Warmuth, W.: Bewertung von Klassifikationsprognosen – Ein theoretischer Zugang zur Auswahl der optimalen Einsatzmenge. Chemnitz: Data-Mining-Cup 2001

Tarassow, L.: Wie der Zufall will? Vom Wesen der Wahrscheinlichkeit. Heidelberg: Spektrum Akademischer Verlag 1993

Warmuth, E.; Warmuth, W.: Elementare Wahrscheinlichkeitsrechnung. Stuttgart, Leipzig: Teubner-Verlag 1998

Warmuth, W.: Marketing von Kundendaten. 


 

[1] Dr. Walter Warmuth, Allianz-Versicherungs-AG, Informationssysteme-Sach, Mustererkennung in Daten (IS-S7-J1)

seit 1972 mit Anwendungen der Mathematik befaßt, Schwerpunkt: Wahrscheinlichkeitstheorie, Mathematische Statistik und Datenanalyse. Verleger, Herausgeber, Autor, Co-Autor, Übersetzer von Monographien, wissenschaftlichen Originalarbeiten, populärwissenschaftlichen Artikeln und Anwendungsberichten.