Entsprechend der Zielsetzung des Data Mining, Zusammenhänge in der Datenbasis zu analysieren, gibt es verschiedene Ansätze zur Realisierung der Ziele. Dabei unterscheidet man die Klassifikation, die Clusterung und das Entdecken von Abhängigkeiten.80 Bei der Klassifikation werden Daten entsprechend ihren Attributsausprägungen zu bestimmten vordefinierten Klassen zugeordnet. Die Clusterung basiert auf einer Ähnlichkeitsanalyse, wobei Daten mit großer Ähnlichkeit jeweils zu Klassen vereint werden. Das Entdecken von Abhängigkeiten geschieht durch analysieren von gemeinsam auftretenden Attributkombinationen, deren durchschnittliche Häufigkeit des gemeinsamen Auftretens auffällig ist.81 Woods82 nennt folgende vier Bereiche, in denen derzeit Data Mining eingesetzt wird: Marktsegmentierung, Zielgruppenmarketing, Verbesserung der Kundenbindung, Prüfung der Kreditwürdigkeit. Marktsegmentierung Bei der Marktsegmentierung wird das Verhalten der Kunden, ähnlich einer Warenkorbanalyse, untersucht, und entsprechend des Ergebnisses das Produktangebot und die Ladeneinrichtung angepaßt.83 Zielgruppenmarketing Durch entsprechende Auswertungen von Kundendaten können Zielgruppen für bestimmte Produkte erkannt werden. Dadurch wird es möglich, potentielle Kunden gezielter zu erreichen. Verbesserung der Kundenbindung Ein großes Problem unserer Zeit ist die Kundenbindung.84 Nicht nur der Ausfall eines Kunden bedeutet für jedes Unternehmen Verlust, sondern auch die Anwerbung von neuen Kunden. Besonders stark bemerkbar ist zur Zeit der Kundenwechsel im Telekommunikations- und Internetmarkt. Durch die hohe Anzahl von Anbietern und den damit verbundenen billigen Konkurrenzprodukten wechseln viele Kunden ihre Anbieter. Dabei kann Data Mining helfen, potentielle Wechsler durch Zielgruppenmarketing zu identifizieren und geeignete Maßnahmen zu ergreifen, die zur Kundenbindung führen. Kreditwürdigkeitsprüfung Durch das Erkennen von bestimmten Zusammenhängen bei der Vergabe und der Rückzahlung von Krediten ist es möglich, Risiken bei Kreditvergaben zu bestimmen. Setzt ein Kreditinstitut solche Data Mining Tools ein, so kann es nicht nur einzelne risikoreiche Kredite besser handhaben, sondern auch bessere Zukunftsprognosen erstellen. Dadurch erreicht das Kreditinstitut z.B. Einsparungen bei der Unterlegung von Riskokapital zur Absicherung des Ausfallrisikos, wie auch Einsparungen durch bessere Absicherung von Krediten mit hoher Ausfallwahrscheinlichkeit. Damit diese Zusammenhänge gefunden werden können, müssen auf die Datenbasis Verfahren angesetzt werden, die solche Zusammenhänge herausfiltern können. Diese Verfahren können unterschiedlicher Natur sein und sollen im folgenden näher vorgestellt werden. 80 Vgl.: Düsing, Roland (1998), S. 297 81 Vgl.: Düsing, Roland (1998), S. 297 82 Vgl.: Woods, E. (1998), S.17 83 Vgl.: Woods, E. (1998), S.17 84 Vgl.: Woods, E. (1998), S.17 (Auszug aus der Diplomarbeit von Ralph Leipert: "Analytische Informationssysteme als Basis des Risikomanagement der Unternehmung") |