Interview mit Ronald Schwarz, SPSS Chancen in der Wachstumsbranche Data Mining

Ronald Schwarz analysiert seit über zehn Jahren Datenbestände. Gegenwärtig ist der Data Miner in verschiedenen Unternehmen als Projekt Manager für SPSS beratend sowie als Coach tätig. Im Gespräch mit IT-BUSINESS lotet er die Chancen einer Wachstumsbranche aus.

Anbieter zum Thema

tec4U-Solutions GmbH

G DATA CyberDefense AG

mibeca GmbH – Mike Bergmann Akademie

ITB: Sie sind Diplom-Psychologe. Gibt es denn Parallelen zwischen Data Mining und der Psychologie?

Schwarz: Ja. Der besteht eindeutig in Form der verwendeten Werkzeuge und Methoden. Sowohl in der Psychologie als auch beim Data Mining arbeiten Sie sehr viel mit Statistik.

ITB: Worin liegt der Unterschied zwischen Data Mining und anderen Daten-analyseverfahren wie beschreibender Statistik, Reporting oder Online Analytical Processing?

Schwarz: Die übrigen von Ihnen genannten Ansätze schauen lediglich in die Vergangenheit und beschreiben bestehende Informationen. Mit Data Mining versuchen wir das Optimum an Erfahrungen und Erkenntnissen aus der Vergangenheit zu ziehen, um etwa Muster und Regeln in Daten zu erkennen, die darüber hinaus Prognosen erlauben. Die Zukunft nur zu einem winzigen Teil besser vorhersagen zu können, bedeutet für Unternehmen und Organisationen bereits einen riesigen Wettbewerbsvorteil.

ITB: In welchen Branchen werden denn gegenwärtig Data-Mining-Methoden herangezogen, um die Geschäftsprozesse zu optimieren?

Schwarz: Mir fallen kaum Branchen ein, in denen große Datenbestände inzwischen nicht per Data Mining analysiert werden. Um ein paar Beispiele aus meiner Berufspraxis zu nennen: Im Bereich Telekommunikation galt es in einem Projekt ein Echtzeitsystem für Cross- und Up-Selling-Empfehlungen in eine Call-Center-Software zu integrieren. Warenhäuser nutzen gerne die Möglichkeiten einer Warenkorbanalyse aufgrund von Kassenbondaten, um ihr Sortiment zu optimieren. Für Lotterien, Versandhändler, Wohltätigkeitsorganisationen und viele andere ermitteln wir Anwortwahrscheinlichkeiten auf ihre Mailings und erhöhen so die Responsequoten und reduzieren den Einsatz von Werbemitteln. Im Gesundheitswesen haben wir erfolgreich die entscheidenden Kostentreiber bei den Arzneimittelausgaben aufgespürt.

ITB: Welche Rolle spielt Data Mining im Finanzsektor, also bei Banken und Versicherungen?

Schwarz: In einem Versicherungsunternehmen konnten wir den Außendienst und Outbound-Aktionen mit Data-Mining-Methoden gezielter steuern. Ebenfalls im Versicherungsbereich galt es Segmente mit hohen Schadensquoten zu identifizieren sowie eine warnende Ampelfunktion für so genannte Stornos einzurichten. Für eine Bank haben wir die Schlüsselfaktoren zur Kundenzufriedenheit und -bindung ermittelt. Im Zuge der neuen Kreditrichtlinien unterstützen wir Banken zudem darin, Bonitätsprognosen realistischer und erfahrungsbasierter auszurichten.

ITB: Wo sehen Sie die größten Wachstumsmärkte?

Schwarz: Mit dem Bereich Internet-Marketing haben wir Data Miner zunehmend mehr zu tun: Hier werden beispielsweise Web-Logfiles ausgewertet, das Nutzerverhalten analysiert und die Effizienz von Werbeportalen ermittelt. Ein allgemeines Topthema ist nach wie vor die Vorhersage von Kündigungswahrscheinlichkeiten: Unternehmen mit Vertragskunden wie etwa Energieversorger wollen wissen, wer wechselgefährdet ist und wen man präventiv ansprechen sollte.

ITB: Das ist ein beeindruckend breites Spektrum, wenn man bedenkt, dass in der öffentlichen Diskussion Data Mining oft auf das Paradebeispiel für die Warenkorbanalyse – das Windel-Bier-Bundle – beschränkt bleibt. Wie erklären Sie sich diese einseitige öffentliche Wahrnehmung?

Schwarz: Die Warenkorbanalyse zählt zu den ältesten Einsatzgebieten des Data Minings. Allerdings entstehen auch für Assoziationsalgorithmen, die dem Auffinden von Zusammenhangsregeln dienen, immer weitere Einsatzfelder. Beispielsweise werden von der Automobilindustrie die Reparaturprotokolle der Autowerkstätten ausgewertet, um Regeln aus Zusammenhängen zwischen den Ausstattungsmerkmalen und dem Auftreten bestimmter Defekte abzuleiten. Dadurch kann man etwa notwendige Wartungsintervalle in Zukunft besser abschätzen.

ITB: SPSS empfiehlt methodisch nach dem so genannten CRISP-DM-Verfahren Struktur in das Data-Mining-Projekt zu bekommen. An welcher Phase hängt dabei die Hauptarbeit?

Schwarz: Ich würde sagen, dass geschätzte 70 Prozent der Projektarbeit an der Sichtung und Aufbereitung des vorhandenen Datenmaterials hängen.

ITB: Die Data-Mining-Software »Clementine« ist seit 13 Jahren auf dem Markt und inzwischen in Version 11 erhältlich. Was waren die wichtigsten Entwichlungsstufen in dieser langen Zeit?

Schwarz: Ein wichtiger Evolutionsschritt ist sicher die Möglichkeit, nun auch unstrukturierte Daten auswerten zu können. Wir denken bei Data Mining immer an Zahlen, aber Informationen liegen häufig in Form von frei formulierten Texten vor. Unternehmen verfügen über eine große Menge solcher Textdaten – wie beispielsweise die gesamte Kundenkorrespondenz. Im Internet spielen Blogs eine immer größere Rolle; Unternehmen wollen wissen, in welchem Kontext sie hier genannt werden. Das Text-Mining-Modul von Clementine beinhaltet heute die Algorithmen des »Natural Language Processing«. Man könnte fast sagen, Clementine versteht inzwischen Texte.

ITB: Was ist im Vergleich zum Vorgänger neu an der jüngst vorgestellten Version 11 von Clementine?

Schwarz: In der neusten Version von Clementine werden Sie eine Art »Meta-Algorithmus« finden, der bei der Modellbildung erkennt, welcher Algorithmus für das Problem die besten Ergebnisse erzielt. Data Mining wird damit noch einfacher. Ein weiterer Trend ist, dass man Data Mining nicht mehr nur als einzelnes abgeschlossenes Projekt auffasst. Data-Mining-Prozesse werden fester Bestandteil der IT- und Datenbankarchitektur werden. Ein Beispiel: Früher wählte man für ein Mailing die Kunden mit hoher Antwortwahrscheinlichkeit aus. Weiterentwicklungen unserer Software wie »PredictiveMarketing« stellen für einen Kunden die passenden Mailings über ein Jahr hinweg zusammen, ohne ihn mit Werbung zu überschütten. Integration in IT-Systeme bedeutet deswegen auch, dass Data-Mining-Ergebnisse andere IT-Prozesse automatisch auslösen können. Unsere neue Software »Predictive Enter-prise Services« bietet hierfür die geeignete Plattform.

ITB: Wo kommt eigentlich der Name »Clementine« her?

Schwarz: Ich gehe davon aus, dass da der Folk-Song »Oh my Darling Clementine« Pate stand, in dem es um die hübsche Freundin eines goldsuchenden Minenarbeiters geht. Konsequenterweise werden ja in der Software die Data-Mining-Ergebnisse auch durch einen Goldnugget symbolisiert.

(ID:2006217)