Unternehmen besitzen große Mengen an Daten über ihre Kunden und deren Einkaufsverhalten. Doch dieses prall gefüllte Datenwarenhaus ist nutz- und wertlos, wenn sich aus den komplexen Informationen keine greifbaren Rückschlüsse auf das Kundenverhalten ziehen bzw. kunden- und marktbezogene Trends und Muster aufdecken lassen, die für weitere Unternehmensstrategien nützlich sind.

Ausgangssituation

• Große Datenbestände können nicht "per Hand" analysiert werden.
• Muster sind so kaum erkennbar!
• Ergebnisse lassen sich nur schwer visualisieren bzw. in Geschäftsprozesse integrieren.
• Der Erfolg der auf diesen Ergebnissen aufbauenden Marketingaktionen ist fraglich!

• Kaufverhalten von Kunden analysieren.
• Beim Data Mining werden in der Regel Algorithmen und statistische Analysen auf Daten angewendet, um wichtige Geschäftschancen zu erkennen und aussagekräftige Informationen zu geschäftlichen Abläufen zu gewinnen.
• Produktgruppen identifizieren (wird Produkt A gekauft, dann wird auch gerne Produkt B und C gekauft).
• Passende Kampagnen mit diesen Produktgruppen planen:
  • Das Ergebnis der Kampagne verifizieren.
  • Dieses Ergebnis fließt in die Verfeinerung der Gruppe ein.

• kostengünstige Alternative
• schnelle Bereitstellung
• optimale Anbindung an bestehende Datenbank (MS SQL Server)
• leichte Integration der Ergebnisse in Geschäftsprozesse via SQL Server Integration Services bzw. Data Transformation Services
• Visualisierung im Business Intelligence Development Studio

• bessere Ermittlung und Ausschöpfung bestehender Kundenpotenziale
• Erhöhung des Absatzes
• Verbesserung der Cross Selling Quote
• optimale Steuerung und Dosierung der Kundenansprache

• Business verstehen: Unternehmensziele kennen bzw. Probleme definieren, Miningprozesse beschreiben, Projektplan erstellen
• Daten verstehen: Ausgangsdaten definieren, sammeln und beschreiben, Daten im Hinblick auf fehlende und/oder fehlerhafte Werte erkunden, Datenqualität verifizieren
• Daten vorbereiten: Daten auswählen und säubern, zusammenfassen und transformieren
• Lösung modellieren: Modellierungsverfahren im Hinblick auf die Zielsetzung auswählen, Miningmodell bauen, trainieren und testen, Lösung(en) generieren
• Lösung evaluieren: Ergebnisse evaluieren, bei Bedarf Modell anpassen
• Lösung anwenden: Verfahren in bestehende Prozesse integrieren
• Planung der Überwachung und Wartung