Data Mining

Im Zusammenhang mit Big Data und Business Analytics wird auch immer wieder der Begriff Data Mining genannt. Data Mining beschreibt dabei einen Prozess zum Erkennen von Zusammenhängen in grossen Datenmengen (Schön, 2018, S. 380). Dies eröffnet gerade für das Controlling neue Möglichkeiten, um die Vielzahl von erhobenen Daten auswerten und interpretieren zu können (Kaminski, 2003, S. 573).

Begriffsdefinition

Data Mining (wörtlich Daten abbauen) bezeichnet den automatischen Prozess in einer grossen Datenbasis (sogenannte Big Data) sinnvolle Zusammenhänge zu erkennen (Bibliographisches Institut GmbH, online). Dabei geht es nicht um die Datengewinnung wie der Name impliziert, sondern um die Erkennung von Trends und Muster in bereits gewonnen Daten. Die Daten werden dafür mithilfe von mathematischen und statistischen Methoden ausgewertet. Data Mining ist weiter der Oberbegriff für weitere Auswertungsarten, wobei es sich vor allem auf strukturierte Daten bezieht. Im Gegensatz dazu stehen das Text Mining für unstrukturierte Daten, das Multimedia Mining für Video- und Audiodateien und das Web Mining für webbasierte Informationen (Schön, 2018, S. 380-387).

Oft wird Data Mining mit dem Begriff Knowledge Discovery in Databases (KDD) gleichgesetzt und das Hauptziel ist das Erkennen von Mustern in den Datenbeständen. Im Gegensatz zu anderen Verfahren stehen am Anfang der Analyse grundsätzlich nur die Daten und keine zu beweisenden Hypothesen. Erst aus der Auswertung der Daten werden die Hypothesen generiert (Müller & Lenz, 2013, S. 75). Verwendet wird das Verfahren jedoch auch umgekehrt und es können die nachfolgenden Unterarten unterschieden werden:

Deskriptives Data Mining

Das Ziel des deskriptiven Data Mining ist es durch die Erkennung von Datenmustern normative Aussagen zu treffen. Daraus können anschliessend allgemeingültige Ergebnisse formuliert werden.

Prädiktives Data Mining

Beim prädiktiven Data Mining werden aus den Daten Vorhersagen und Prognosen zu einem gewünschten Zielwert erarbeitet.

Präskriptives Data Mining

Hier gilt es zuerst eine Hypothese zu bilden und diese anschliessend durch Experimente und empirische Untersuchungen zu belegen. Hiernach sollen Massnahmen aufgrund von verschiedenen Erwartungsszenarien abgeleitet werden. Dabei kommt der Ansatz des Predictive Analytics zum Einsatz, welcher nicht klar von Data Mining abzutrennen ist, beziehungsweise ein Teilbereich darstellt (Schön, 2018, S. 381).

Prozess

Abb. 1: Data Mining Prozess (Müller & Lenz, 2013, S. 77)

Gemäss der Abbildung 1 wird der Data Mining Prozess in 5 Schritte eingeteilt. Bei der Selektion wird entschieden, welche Daten ausgewertet werden sollen. Bei der Vorverarbeitung wird die Datenqualität überprüft und falls notwendig überarbeitet. Beim dritten Schritt, der Transformation werden die Daten eine geeignete Form für die Auswertung transformiert. Beim Schritt Data Mining erfolgt die Anwendung des Algorithmus. Als Ergebnis resultiert bei diesem Schritt ein Modell basierend auf den Daten. Als letzter Schritt müssen die Daten interpretiert und evaluiert werden (Fayyad, Piatetsky-Shapiro, & Smyth, 1996, S. 37–54, zit. in Müller & Lenz, 2013, S.76-77).

Methoden

In der Theorie gibt es eine Vielzahl verschiedener Methoden, welche beim Data Mining zur Analyse der Daten angewendet werden. Nachfolgend werden drei Methoden, welche im Controlling relevant sind kurz erläutert.

Clusterbildung

Bei der Bildung eines Clusters werden die verschiedenen Elemente anhand von Ähnlichkeiten einer Gruppe zugeteilt. Dabei erfolgt die Gruppierung nicht zu einem bestimmten Zweck und wird oft als Ausgangspunkt für weitere Analysen benutzt. So kann als Beispiel analysiert werden, welche Kundengruppen auf dem Markt bestehen (Provost & Fawcett, 2013, S. 21).

Regressionsanalyse

Bei dieser Methode wird versucht Abhängigkeiten zwischen verschiedenen Faktoren zu finden. Die Abhängigkeit dabei bezieht sich auf eine abhängige stetige Variable und einer oder mehreren unabhängigen Variablen, z. B. den Zusammenhang zwischen dem Alter und dem Konsum eines Produktes (Schön, 2018, S. 383).

Abweichungsentdeckung

Bei der Abweichungsentdeckung oder auch Ausreisseranalyse genannt, werden Datensätze analysiert, die sich stark von den restlichen Daten abheben. Ein Beispiel zur Anwendung ist die Untersuchung von Produktivitätsschwankungen in einem festen Zeitraum (Schön, 2018, S. 383).

Anwendung

Data Mining kann in ausgewählten Bereichen des Controllings zur Unterstützung und Verbesserung dienen. Neben den Möglichkeiten im Vertriebs-Controlling bietet es auch Unterstützung bei Konzepten der Balanced Scorecard beziehungsweise der Web Scorecard. Unter anderem können Data Mining-Methoden bei der Zielfindung oder der Identifizierung von Maßnahmen für die Zielerreichung hilfreich sein. Ebenfalls können Ergebnisse von Data Mining-Analysen dazu verwendet werden, die Effektivität einzelner Balanced Scorecard-Initiativen zu bewerten (Gentsch, 2003, S. 21).

Ein weiteres Teilgebiet stellt Data Mining für Predictive Analytics dar. Dieses wiederum befasst sich damit was in der Zukunft passieren kann. Anders gesagt, stellt man sich die Frage wie man Ereignisse vorhersagen kann (Egel & Keimer, S. 21 f.). Die Predictive Analytics-Methoden können zum Beispiel mithilfe von Microsoft Excel angewendet werden (Langmann, 2018, S. 38).

Beispielsweise können Prognosemodelle aus den Trends erarbeitet werden, welche die Unternehmens- und Finanzplanung unterstützen können (Schön, 2018, S. 268). Ein weiteres Beispiel zur Anwendung von Data Mining ist zur Aufdeckung der Ursache-Wirkungs-Beziehungen (Chamoni & Gluchowski, 2017, S. 11).

Ebenfalls eingesetzt wird Data Mining für die Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass sich eine solche Analyse nicht nur auf das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370 f.).

Ein Verfahren, das klassischer Weise nicht zu einem der Data Mining-Verfahren zählt, ist Statistical Process Control (auch Kontrollkarte). Dabei handelt es sich um allgemeine statische Verfahren zur Überwachung und dauerhaften Überarbeitung von Produktionsprozessen (Langmann, 2018, S. 40).

Im Business Intelligence-Kontext stellt Data Mining schon seit schon seit langem eine fixe Anwendung dar (Ereth & Kemper, 2016, S. 459 f.).

Der Data Scientist ist nicht mit dem Berufsbild des Controllers zu vermischen (Steiner & Welker, 2016, S. 70), er sollte einen konkreten Aufgabenbereich bzw. eine bestimmte Rolle in einem Unternehmen übernehmen (Schuhmann, Zschech, & Hilbert, 2016, S. 462 f.).

Folgende Tabelle zeigt verschiedene Anbieter von Software-Lösungen für das Data Mining auf:

Anbieter	Webseite	Lösung
SAS Institute AG, Wallisellen, Schweiz	www.sas.com	SAS ® Visual Data Mining and Machine Learning
KNIME AG, Zürich, Schweiz	www.knime.com	Churn / Cancelation / Retention Analysis
Google LLC, Mountain View, USA	https://marketingplatform.google.com/intl/de/about/analytics/	Google Analytics

Kritische Würdigung

Um eine Einführung des Data Minings im Controlling zu garantieren, müssen auch die Einschränkungen und „Fallen“ kritisch unter Augenschein genommen werden. Das Data Mining stösst vor allem bei der klassischen Statistik auf Kritik. Einerseits wird der hypothesenfreie Ansatz bemängelt und andererseits stellt Data Mining als Ganzes einen komplementären Ansatz im Vergleich zur Statistik dar. Das Data Mining muss etwas relativ gesehen werden. Auch wenn Datenmodelle statistisch korrekt sind, können sie inhaltlich zu falschen Rückschlüssen führen (Gentsch, 2003, S. 20).

Das Potenzial von Data Mining wurde schon lange von einigen namenhaften Unternehmen erkannt, die weltweit tätig sind. So ist das Data Mining für den Social Media-Gigant Facebook von zentraler wirtschaftlicher Bedeutung. Trotz der dominanten Position von Google hat sich Facebook als einer der Hauptakteure in diesem Bereich etabliert (Gerlitz & Helmond, 2012, S. 1357). Der in 2018 bekannt gewordene Facebook-Cambridge-Skandal warf einige Fragen bezüglich des Datenschutzes von Facebook-Nutzern auf. (The Guardian, online). Dieses Beispiel von Facebook zeigt, dass mit Data Mining vorsichtig umzugehen ist und alle möglichen Risiken abgeklärt werden müssen, bevor die Daten weiterverarbeitet werden.

Lern- und Praxismaterialien

Aufgaben	Fallstudien
Dream Holiday AG - Data Mining	Bival und Migros - Möglichkeiten von Data Mining

Quellen

Literaturverzeichnis

• Bibliographisches Institut GmbH (ohne Datum). Data-Mining. Abgerufen am 15.10.2019 von https://www.duden.de/rechtschreibung/Data_Mining

• Chamoni, P. D., & Gluchowski, P. D. (2017). Business Analystics - State of the Art. Controlling & Management Review, 61(4), 8-17.

• Egel, P. D., & Keimer, P. D. (2017). Digitaler Wandel im Controlling. Zug: Verlag IFZ - Hochschule Luzern.

• Ereth, J. M., & Kemper, P. D.-G. (2016). Business Analytics und Busienss Intelligence. Controlling, 2016(8-9), 458-464.

• Gentsch, P. (2003). Data Mining im Controlling - Methoden, Anwendungsfelder und Entwicklungsperspektiven. Controlling & Management, (Sonderheft 2),14-23.

• Gerlitz, C., & Helmond, A. (2013). The like economy: Social buttons. new media & society. 15(8). 1348-1365.

• Gleich, R., & Sauter, R. (2008). Operational Excellence: Innovative Ansätze und Best Practices in der produzierenden Industri. München: Rudolf Haufe Verlag GmbH & Co. KG.

• Kaminski, M. (2003). Visuelles Data Mining im Controlling. Controlling, 15(10), 573–574.

• Langmann, C. (2018). Predictive Analytics für Controller - einfache Anwendungen mit MS Excel. Controller Magazin, 2018(4), 37-41.

• Müller, R. M., & Lenz, H.-J. (2013). Business Intelligence. Berlin: Springer Vieweg.

• Provost, F. & Fawcett, T. (2013). Data Science for Business – What You Need to Know About Data Mining and Data-Analytic Thinking (1. Aufl.). Sebastopol: O’Reilly Media.

• Schön, D. (2018). Planung und Reporting im BI-gestützten Controlling -Grundlagen, Business Intelligence, Mobile BI und Big-Data-Analytics (3. Aufl.). Wiesbaden: Springer Gabler.

• Schuhmann, C., Zschech, P., & Hilbert, A. (2016). Das aufstrebende Berufsbild des Data Scientist. HMD Praxis der Wirtschaftsinformatik, 53(4), 453-466.

• Steiner, H., & Welker, P. (2016). Wird der Controller zum Data Scientist. Controlling & Management Review, (Sonderheft 1), 68-72.

• The Guardian. (18. März 2019). The Cambridge Analytica scandal changed the world – but it didn't change Facebook. Abgerufen am 22. Oktober 2019 von https://www.theguardian.com/technology/2019/mar/17/the-cambridge-analytica-scandal-changed-the-world-but-it-didnt-change-facebook

Weiterführende Literatur

• Heimel, J. & Müller, M. (2019). Controlling 4.0. Wie veränderte Datenverfügbarkeit und Analysemöglichkeiten das Controlling erneuern. In M. Erner (Hrsg.). Management 4.0 – Unternehmensführung im digitalen Zeitalter (S. 389-430). Berlin, Heidelberg: Springer.

Autoren

Nicole Greter, Mirlind Halitaj, Nina Hofer, Stefanie Hut