 |
 |
 |
 |
 |
 |
 |
 |
 |
|
|
Modellierungsmethoden Die Auswahl der Analysemethoden hängt unmittelbar von den Business-Fragestellungen ab. In diesem Kontext ist für uns neben der Modellgüte auch die Kommunizierbarkeit der Ergebnisse ein wichtiges Auswahlkriterium für den Einsatz verschiedener Methoden. Zu empfehlen sind unter anderem: Klassische statistische Verfahren - z.B. logistische Regression, Diskriminanzanalyse Kriterien zur Auswahl der Methoden Die Schlüsselrolle bei jedem Data Mining Projekt spielt jedoch die Verfügbarkeit der Daten. Hierbei sind nicht nur die Aufwände der Generierung der nötigen Datenbasis zu berücksichtigen. Insbesondere die grundsätzliche Erreichbarkeit von Daten steht sehr häufig dem sinnvollen Einsatz vieler Data Mining Methoden entgegen. Wurden bspw. bestimmte Merkmale in der Vergangenheit
nicht systematisch erfaßt, so stehen sie in naher Zukunft
nicht zur Analyse zur Verfügung. In diesem Zusammenhang steht
auch der Einwand der Rückwärtsbetrachtung der klassischen
Datenanalysemethoden. Diese Lücke läßt sich zumeist nur durch das Einbringen von Expertenwissen schließen. 
Fazit: Der Methodenmix ist auf die Aufgabenstellung und die Datengrundlage anzupassen.
Methoden im Überblick Datenbeschreibung und -zusammenfassung Einer der wichtigsten Schritte ist die Analyse und die Beschreibung der grundlegenden Strukturen in den Daten:
Segmentierung Die Gruppierung von Elementen mit ähnlichen Merkmalen ist nicht nur ein Selbstzweck, sondern bildet häufig eine wesentliche Grundlage für weitere Analysen:
Klassifizierung Die Basis der Maximierung von Eintrittswahrscheinlichkeiten von bestimmten Ereignissen bildet die Analyse der Wirkungszusammenhänge der relevanten Einflussfaktoren:
Vorhersage (Zeitreihenanalyse) Um Prognosen über zukünftigen Ereignissen treffen zu können bedarf es der Analyse der Strukturen der bisherigen Entwicklungen:
Abhängigkeits- bzw. Zusammenhangsanalysen Eine häufige Herausforderung ist die Optimierung des Cross-Selling-Potentials:
|
