CubeServ Group - Fachartikel - Data Mining mit dem SAP Business Information Warehouse

Data Mining mit dem SAP Business Information Warehouse - Knowledge Discovery
in Databases (KDD)

zurück zum Hauptthema

"We are drowning in information, but starving for knowledge" ¹

In den heutigen Unternehmen existieren sehr große Datenbestände, deren genaue Analyse wertvolle Erkenntnisse verspricht und so zu erheblichen Wettbewerbsvorteilen verhelfen kann.
Gerade in Anbetracht der Menge des heutzutage verfügbaren Datenmaterials gewinnt dabei die sinnvolle Extraktion, Analyse und Nutzung der verwertbaren Daten zunehmend an Bedeutung.

Doch oft genug bleiben diese "Golden Nuggets" (oder noch treffender: "Knowlegde Nuggets") ungenutzt, da das permanent wachsende Volumen der Daten die Auswertung erschwert.
Eine neue Generation von Analysewerkzeugen wird benötigt, um automatisch nützliches Wissen aus großen Datenbanken herausfiltern zu können - genau dies ist das Ziel von Data Mining und Knowledge Discovery in Databases (KDD), einem noch jungen Zweig von Business Intelligence, dessen Potenzial wir Ihnen in diesem Artikel näher vorstellen möchten.

Knowledge Discovery in Databases - Data Mining - OLAP

Während KDD den gesamten Prozess der Wissensfindung umfasst, ausgehend von einer vorgegebenen Menge von "Rohdaten" bis hin zu aufbereiteten, klar verständlichen Aussagen und Zusammenhängen aus diesen Daten, beinhaltet Data Mining nur denjenigen Teilschritt der Datenfilterung, in dem die eigentliche Analyse vorgenommen wird (siehe Abbildung 1).

Der wichtigste Unterschied von Data Mining gegenüber der traditionellen OLAP-Methode besteht darin, dass bei der Analyse durch Data Mining bewusst auf konkrete Fragestellungen auf der Basis von vorstrukturierten Daten verzichtet wird. Durch diese so genannte "Hypothesefreiheit" entsteht der Vorteil, dass der Anwender die Suche im Datenpool nicht unbewusst durch seine subjektive Auswahl beeinflussen und somit einschränken kann.

Die Analyse im Data Mining erfolgt also intuitiv, manuell und mit einem datengetriebenen Bottom-Up-Ansatz (siehe Abbildung 2).

Bildlich gesprochen bedeutet dies, dass Unternehmen, die nur die vergangenheitsbasierte OLAP-Technologie zur Datenanalyse anwenden, in einem Auto zu ihrer Orientierung nur den Rückspiegel benutzen.
Im Gegensatz dazu blicken Unternehmen mit einem erfolgreichen Data-Mining-Ansatz zusätzlich auch durch die Frontscheibe des Autos und erhalten so eine vorausschauende, zukunftsorientierte Perspektive auf ihre Kunden und Geschäftsvorfälle.

Grafik zum Artikel

Für eine grössere Ansicht klicken Sie bitte auf das Bild

Abbildung 1: Das KDD-Prozessmodell mit dem Teilschritt "Data Mining"

Abbildung 2: OLAP vs. Data Mining: Unterschiede in der Analysemethode

Abbildung 3: Der KDD-Prozess des Analyse Prozess Designers in SAP BW

Druckversion

diesen Artikel ausdrucken

Einsatzmöglichkeiten und Praxisnutzen von Knowledge-Discovery-Anwendungen

Knowledge-Discovery-Anwendungen wie das Data Mining werden bereits heute erfolgreich in vielen Unternehmensbereichen eingesetzt:

- Marketing (Customer Relationship Analytics)
Dieser Bereich ist sicherlich der Vorreiter für den Einsatz von Data-Mining-Anwendungen in einem Unternehmen: Da sich Produkte am Markt oftmals kaum unterscheiden, können Wettbewerbsvorteile nur durch ausgefeilte Marketing- und Vertriebsstrategien erreicht werden, deren Grundlage wiederum eine umfangreiche Datenanalyse ist. Hier unterstützt Data Mining durch Verkaufsdatenanalysen, um so das Marketing treffsicherer und Werbemaßnahmen effektiver durchführen zu können.

- Versicherungs- und Bankenwesen
Hier eignet sich Knowledge Discovery besonders zur Identifikation von manipulierten Transaktionen, z.B. zur Entdeckung von Missbrauch bei Kredit- und Bankautomatenumsätzen (Fraud Detection). Ebenso werden durch KDD die kundenspezifischen Rahmenbedingungen, z.B. der Kontorahmen und die Ausgabe von Kreditkarten, vorgegeben.

- Investment, Börse
KDD eignet sich ebenfalls zur präzisen Vorhersage von Zeitreihen (z.B. Trendanalyse von Börsenkursen). Hierfür werden meist erweiterte statistische Verfahren wie z.B. die Regressionsanalyse verwendet.

Die Anwender dieser Data-Mining-Techniken sind meist speziell ausgebildete Analytiker eines Unternehmens, die auch im Bereich der Statistik und Datenanalyse versiert sind.

Der Analyse Prozess Designer (APD) von SAP BW

Der Analyse Prozess Designer ist das Analysetool der Data-Mining-Lösung von SAP BW. Er basiert auf dem bereits in Abbildung 1 vorgestellten KDD-Prozessmodell und ermöglicht es, versteckte oder komplexe Beziehungen zwischen den Daten auf eine einfache Weise zu erforschen und zu identifizieren. Hierfür werden unterschiedliche Datentransformationsmethoden angeboten, z.B. statistische und mathematische Berechnungen, Datenbereinigungs- oder Strukturierungsverfahren.

Der Analyse Prozess Designer ist eine Workbench mit einer intuitiven, grafischen Benutzeroberfläche zur Erstellung, Ausführung und zum Monitoring von Analyseprozessen. Diese Prozesse werden per Drag&Drop-Funktion erstellt. Die Ergebnisse des Analyseprozesses können in BW-Datenzielen oder in einem CRM-System für die spätere Umsetzung abgelegt werden. Danach stehen sie für alle Entscheidungsträger zur Verfügung und können somit von ausschlaggebender strategischer, taktischer und operativer Bedeutung sein (siehe Abbildung 3).

Wie wichtig die Qualität der zur Verfügung gestellten Daten ist, haben Studien jüngst belegt: 80% der Data-Mining-Projekte scheitern an der schlechten Datenqualität noch vor Beginn der eigentlichen Analyse. Ebenso endet der Analyse-Prozess in der Praxis nicht mit dem Modellieren der Data-Mining-Technik - vielmehr müssen die erzielten Resultate in wertsteigernde Handlungen für das Unternehmen umgesetzt und so in den operativen Prozess eingebunden werden. Diesen Gesamtprozess, den Closed Loop Business Analytics Process, deckt der APD zuverlässig ab.

Fazit

Knowledge Discovery in Databases (KDD) und Data Mining bieten Unternehmen die Möglichkeit, die verborgenen Informationsschätze ihrer Datenbestände zu Tage zu fördern und gewinnbringend nutzbar zu machen.
Dabei sind die möglichen Einsatzbereiche von Data Mining zahlreich und noch lange nicht ausgeschöpft: Besonders im Geschäftsbereich des E-Commerce und E-Business eröffnet Data Mining ein breites Feld von zusätzlichen Anwendungen.
Mit dem Analyse Prozess Designer von SAP steht dabei ein leistungsfähiges Analysetool zur Verfügung, mit dem auf einfache Weise und mit nur geringem Zeitaufwand aussagekräftige Data-Mining-Modelle erstellt werden können und zudem der gesamte Wertschöpfungsprozess der Datenanalyse bis hin zur anschließenden operativen Umsetzung der Analyseergebnisse abgedeckt werden kann.

Haben wir Ihr Interesse geweckt?
Gerne vereinbaren wir mit Ihnen einen Präsentationstermin und besprechen Ihre individuellen Anforderungen.

¹ John Naisbitt, "Megatrends", Mcdonald, USA 1984.