Dem Datengold auf der Spur

1,8 Zettabyte an digitalen Daten wurden laut einer Schätzung von IDC im letzten Jahr weltweit erzeugt. Das entspricht der Speicherkapazität von 57,5 Mrd. iPads. Immer mehr Unternehmen erkennen, dass in diesem Datenberg ein Füllhorn an Möglichkeiten verborgen ist. Die Technologie, die hilft, diesen Schatz ans Licht zu bringen, nennt sich Data Mining. Data-Mining-Software wendet systematisch statistisch-mathematische Methoden auf einen Datenbestand an, um neue Muster zu erkennen. Mit den folgenden Tipps sollen Unternehmen schnell an das Datengold kommen.

Einen Plan schmieden: Der Erfolg von Data Mining hängt in hohem Maße von der Vorbereitung ab. Das Projektteam sollte seinen Fokus auf folgende Axiome richten:
– Die Ergebnisse von Data Mining unterstützen die Geschäftsziele.
– Alle in das Projekt einbezogenen Personen im Unternehmen unterstützen das Data Mining.
– Alle für die Ausführung der Data-Mining-Strategie benötigten Ressourcen stehen zur Verfügung.

Spezifische Ziele festlegen: Je genauer im Vorfeld festgelegt ist, welche konkreten Ziele verfolgt werden, desto besser die Ergebnisse. Dabei gilt es, möglichst spezifisch zu formulieren: Um welche Rate soll der Kundenschwund eingedämmt werden? Wie viel Umsatz soll mit einem Produkt in einem bestimmten Segment erzielt werden?

Auch empfiehlt sich ein methodisches Vorgehen nach einem Data-Mining-Standardprozess, wie CRISP-DM (Cross-Industry-Standard-Process for Data-Mining). Auf dieser Basis wird ein Projektplan erstellt, der eindeutig definiert, was als Erfolg zu bewerten ist – einschließlich Kosten-Nutzen-Analyse mit allen erforderlichen Ressourcen.

Breites Team aufstellen: Es ist ein häufiger Irrtum, davon auszugehen, dass das Data-Mining-Projekt von einem einzigen Experten gestemmt werden kann. Im Gegenteil benötigt man das Wissen von vielen verschiedenen Personen. Um etwa die Faktoren auszuwerten, die zur Abwanderung von Kunden beitragen, benötigt man den Expertenrat aus den Abteilungen Kundenservice, Marktforschung und sogar der Fakturierung sowie jene Personen mit speziellem Wissen zu den entsprechenden Datenressourcen und zu Data Mining. Die Teamgröße kann bei kleinen Projekten bei drei bis vier Personen starten. Die Grenze nach oben ist offen.

Die richtigen Daten bereitstellen: Für ein erfolgreiches Data Mining muss man einen genauen Überblick über die verfügbaren Daten erlangen. Natürlich sind die Ergebnisse besser, je mehr Daten zur Verfügung stehen. Jedoch werden auch viele nützliche Projekte mit kleinen oder mittleren Datenbeständen durchgeführt, von denen manche nur einige Hundert oder Tausend Datensätze enthalten – sofern sie akkurat ausgewählt sind. So lässt sich aus einer Auswahl an Kundendatensätzen ermitteln, welche Produkte in der Regel von Kunden erworben werden, die einem bestimmten demografischen Profil entsprechen. Dadurch lässt sich vorhersagen, welche anderen Kunden zu einem Kauf neigen oder welche Angebote diese am ansprechendsten finden.

Die IT-Abteilung ins Boot holen: IT ist eine wichtige Komponente eines Data-Mining-Projekts. Sie ist unverzichtbar bei der Beratung und Auswahl der richtigen Data-Mining-Werkzeuge, schließlich müssen diese zur vorhandenen Infrastruktur passen.

Die richtige Data-Mining-Lösung wählen: Ein wichtiges Kriterium für die Wahl der Data-Mining-Lösung ist die Frage, wie gut sich diese in andere Lösungen integrieren lässt. Denn Integrationsfähigkeit wird benötigt, um Datentypen aus anderen Systemen und in unterschiedlichen, teilweise unstrukturierten Datenformaten wie Text- oder Webdaten für die Analysen nutzen zu können. Außerdem lassen sich die Ergebnisse für den Analysten besser veranschaulichen, da er so einem Gedankengang unabhängig vom Dateiformat folgen kann.

Auch andere Datentypen in Betracht ziehen: Moderne Data-Mining-Tools ermöglichen es auch, in den Modellen strukturierte Daten mit unstrukturierten wie Text- und Webinhalten anzureichern. Dadurch lassen sich die Ergebnisse wesentlich verbessern. Natürlich steht auch hier die Frage nach dem Geschäftsnutzen im Vordergrund: Welche Arten von geschäftlichen Problemen versuchen wir zu lösen? Welche Arten von Daten haben wir, um diese Probleme anzugehen? Bei der Frage nach der Kundenabwanderung könnten beispielsweise Notizen aus Callcentern zusammen mit den Ergebnissen von Kundenfokusgruppen und aus Umfragen zur Kundenzufriedenheit korreliert werden.

Die Bandbreite ausweiten: Aufwand und Kosten eines Projekts lohnen sich vor allem dann, wenn man das Initialprojekt um weitere, dem Ursprungsgegenstand naheliegende Fragen erweitert oder das Setting auch für andere Abteilungen oder geografische Regionen nutzt. Wenn ein Unternehmen bei den wichtigsten Herausforderungen bereits Fortschritte vorweisen kann, etwa beim Steigern der Konvertierungsrate von Cross-Selling-Kampagnen, kann es sich beispielsweise weiter überlegen, wie es die Akquisekosten verringern kann.

Ergebnisse schnell nutzbar machen: Früher bestand Data Mining hauptsächlich darin, Analysten bestimmte Modelle zur Verfügung zu stellen und den Geschäftsentscheidern entsprechende Reports vorzulegen, die diese häufig erst interpretieren mussten. Heute muss alles schneller vonstattengehen. Riesige Datenbestände lassen sich in wenigen Stunden verändern, Modelle können in Echtzeit aktualisiert werden. Das führt so weit, dass ein Mitarbeiter noch im Gespräch mit dem Kunden die passenden Daten geliefert bekommt. Damit die Ergebnisse genutzt werden können, müssen sie den Anwendern auch in einer Form präsentiert werden, in der sie sie schnell erfassen können.

Zusammenarbeit und Effizienz steigern: Gerade in der Anfangsphase ist mit Data-Mining-Projekten viel Aufwand verbunden. Damit dieser nicht aus dem Ruder läuft, sollte man von Anfang an darauf achten, Mehrarbeit zu vermeiden. Zum Beispiel lassen sich die Data-Mining-Modelle effizient verwalten und Prozesse automatisieren, wie die Aktualisierung von Kundenwerten. Die Modelle sollten zentral verwaltet werden, damit auch andere sie nutzen können. Gute Data-Mining-Software bietet hier ein entsprechendes Modellmanagement, das die Erstellung, Nutzung und Anwendung der Modelle im gesamten Unternehmen erleichtert.

Bildquelle: iStockphoto.com/joebelanger