Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Einführung in das Data Mining
© Marcus Hudec
Methoden der Datenanalyse AI-basierte Decision Support Systeme
WS 2006/07
Ao.Univ.Prof. Dr. Marcus [email protected]
Institut für Scientific Computing, Universität Wien
2 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Wozu Data Mining ?
We are drowning in data, but starving for knowledge (information)John NaisbettNow that we have gathered so much data, what do we do with it ?Fayyad & Uthurusamy CACM, 1996
3 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
ProgrammatikWhile database technology has provided us with the basic tools for the efficient storage and lookup of large data sets, the issue of how to help humans understand and analyze large bodies of data remains a difficult and unsolved problem.
To deal with the data glut, a new generation of intelligent tools for automated data mining and knowledge discovery is needed.
Fayyad, Piatetsky-Shapiro,Smyth & Uthurusamy
4 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Entstehung von Massendaten
Supermarkt ScannerdatenDatenbestände von Banken und VersicherungenProzessdaten aus Real-Time Applikationen (Telekommunikationssektor)E-Commerce (Clickstream-Daten)Forschungsdatenbanken (Satellitendaten, DNA-Datenbanken)
5 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Anwendungen in der Wirtschaft
KreditrisikoanalyseZielgruppenmarketingFehleranalyse in TelekommunikationsnetzenAufdeckung von GeldwäscheSchadensfallanalyse im VersicherungsbereichWarenkorbanalyseAnalyse von eCommerce-Anwendungen
6 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Interdisziplinäres Forschungsgebiet
StatistikArtificial IntelligenceData EngineeringData WarehousingOLAP (on-line analysis processing)Expertensysteme (deductive databases)Data VisualizationOptimierungstheorieMachine LearningPattern Recognition
7 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Was versteht man unter Data Mining ?
Discovering knowledge from data
Data Mining bezeichnet eine Sammlung von Techniken (~Algorithmen) zum Auffinden von validen, neuen, interessanten, interpretierbaren und nützlichen (verwertbaren) Mustern, Regeln, Gruppen und Abhängigkeiten (~Wissen) in großen Datenbanken.
8 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Definitionen von Data Mining
"Data mining is the process of discovering meaningful new correlations, patterns and trends by "mining" large amounts of stored data using pattern recognition technologies, as well as statistical and mathematical techniques."
Ashby, Simms (1998)"Data mining is the exploration and analysis, by automatic and semiautomatic means, of large quantities of data in order to discover meaningful patterns and rules.“
Berry, Linoff (1997)Extraction of interesting (non-trivial, previously unknown and potentially useful) information or patterns from data in large databases
9 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Alternative Bezeichnungen
Knowledge discovery(mining) in databases (KDD)knowledge extractiondata/pattern analysisdata dredginginformation harvestingbusiness intelligence
10 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Was versteht man unter Data Mining ?
Data Mining versucht explorativHypothesen über die in einer Datenbank (in einem Data Warehouse) gespeicherten Daten aufzufinden.Das heißt mittels statistischer, systemtheoretischer und auf Visualisierung abzielender Verfahren und Methoden Assoziationen, Klassen und Muster zu erkennen.
11 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Klassisches Berichtswesen versus Data MiningBerichtswesen- OLAP Data Mining
„Wie viele Kunden aus den einzelnenRegionen haben auf dieletzte DM-Aktion positiv reagiert?“
„Welche Kunden werden sehrwahrscheinlich auf die nächste DM-Aktion positiv reagieren?“
„Haben Kunden mit einem relativhohen Umsatz einegeringere Kündigungsrate?“
„Welche Merkmale beschreibentypischerweise Kunden, dieden Vertrag stornieren?“
„Haben die Kunden in gleichenWohnhaustypen ein vergleichbaresNutzungsverhalten?“
„Welche typischen homogenenKundensegmente lassen sichidentifizieren?“
12 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Data Mining im analytischen CRMData Mining ist das computergestützte Gewinnen von verborgenen Informationen aus Geschäfts-datenbanken.Ziel ist dabei die Steigerung der Effizienz von Geschäftsprozessen und die Erhöhung der Profitabilität.Data Mining ist ein Prozess, der die Zusammenarbeit von Data Mining Experten mit Informatikern und Fachleuten mit Wissen über die Geschäftsprozesse, sowie Entscheidungsträgern im Unternehmen erfordert.
13 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Data Warehousing
Ein Data Warehouse dient dazu, Daten einer Organisation, die in unterschiedlichen internen und externen Quellen (operativen Systemen) gespeichert werden, zusammenzuführen und inhaltlich neu zu strukturieren.
Operational Systems
Data ExtractionTransformation-Engine
Data Warehousewith Metadata
Datenmanagement Datenorganisation Datenauswertung
14 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Data Warehousing als GrundlageThere is a symbiotic relationship between the activity of data mining and the data warehouse – the architectural foundation of decision support systems. The data warehouse sets the stage for effective data mining. (Inmon 1996)
Metadaten-ModellierungInformationen über Inhalte und semantische Bedeutung der Daten eines Data Warehouse in Datenbankanwendungen zu integrieren und für Mining Zwecke verfügbar zu machen.DatenqualitätLogische Datenintegration, Fehlerbereinigung, unterschiedliche Aggregationsniveaus, historische Datenbank
15 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Aufgaben des Data MiningDescription• Auffinden von interpretierbaren Mustern in den
Daten (Sequenzen)• Auffinden von Assoziationen• Auffinden von Abweichungen
Prediction• Basierend auf Attributen der Datenbank
Vorhersagen über künftige Werte von anderen interesierenden Attributen
Classification• Allokation zu vorgegebenen Gruppen• Auffinden von typischen Gruppen
Visualization
16 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Predictive Modeling
Basierend auf gesammelten Daten der Vergangenheit Vorhersagen über künftiges Verhalten treffenData description alone cannot provide an action plan. You must build a predictive model based on patterns determined from known results and then test that model.Building Profitable Customer Relationships with Data Mining. Herb Edelstein (2000)
17 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Predictive Modeling (1)
Schätzung von Produktassoziationen• Assozationsalgorithmen• Warenkorbanalysen• Identifikation von Produkten, die häufig auf
den selben Kassenbons aufscheinen bzw. die häufig von den selben Kunden gekauft werden
18 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Predictive Modeling (2)
Bildung von homogenen Kundensegmenten um das Ansprechverhalten der Kunden zu optimieren• Methoden der Clusteranalyse• k-means, Two Step Cluster Analysis,
Kohonen Self Organizing Maps
19 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Predictive Modeling (3)
Schätzung von quantitativen Größen• Regression Analysis• Bewertung von Kunden (customer value)• Prognose von Umsätzen• Prognose von Nachfrage,
Verbrauchsmengen
20 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Predictive Modelling (4)Vorhersage der Eintrittswahrscheinlichkeit von Ereignissen • Kaufwahrscheinlichkeiten,
Churn-Wahrscheinlichkeiten• Methoden des Supervised learning
- Logistische Regression, Entscheidungsbäume, Neuronale Netze
21 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Predictive Modelling (5)
Vorhersage des Zeitpunktes von Ereignissen (survival analysis)• Folgeabschlüsse bei abreifenden Produkten,
Optimierung der Kundenüberleitung • Methoden der Survival Analysis
- Cox-Modell, Kaplan Meier
Prognose von ErsatzzyklenWie lange dauert es vom ersten Click auf einen e-Shop bis der Kunde zum Käufer wird
22 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Anwendung im Direct Marketing
23 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Zahlen zum vorigen Beispiel
100.000 Kunden1.000 Responses zum konkreten AnbotDirect Mail an die „wahrscheinlichsten“10% (10.000) erreicht bereits 40% der ZielpopulationDirect Mail an die „wahrscheinlichsten“40% (40.000) erreicht bereits 80% der Zielpopulation
24 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
98% der Prognosen sind falsch
96% der Prognosen sind falsch
25 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
One-to-One Marketing
Die Herausforderung des heutigen Marktes besteht darin, die im wachsenden Maße heterogenen Wünsche und Bedürfnisse jedes Einzelnen zu verstehen und zu erfüllen.Segmentierung des Markts in Kleinstsegmente stellt enorme Anforderungen, denen die in der Praxis des Data Mining heute generierten Prognosemodelle häufig nicht gerecht werden können
26 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udecVereinfachte Sicht des Data Mining
Historische Daten
Data MiningSoftware
Prognose
Produktions-planungbzw.Lagerhaltung
Vertriebs/Marketing-Aktivitäten
27 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Der Kreislauf des Data Mining
Geschäfts-prozesse
Daten
ErgebnisseMarketing Aktivitäten
28 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udecDer Kreislauf des Data Mining
Geschäfts-prozesse
Daten
ErgebnisseMarketing Aktivitäten
Daten-Modellierung
29 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udecDer Kreislauf des Data Mining
Geschäfts-prozesse
Daten
ErgebnisseMarketing Aktivitäten
PredictiveModelling
30 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udecDer Kreislauf des Data Mining
Geschäfts-prozesse
Daten
ErgebnisseMarketing Aktivitäten
Interpretation
Verwertung
31 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Eckpunkte einer profitabler Data MiningStrategie1. Definition des Problemfeldes (Business
Understanding)2. Schaffung eines entsprechenden IT-
Umfeldes3. Explorative Datenanalyse (Data
Understanding)4. Datenaufbereitung (Data Preparation)5. Modellierung6. Modellevaluation7. Anwendung & Monitoring (Deployment)
32 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Methodenformate Data Mining Methodenformate (z.B. CRISP-DM) bieten Anhaltspunkte für die Vorgehensweise CRISP-DM Cross Industry Standard Processfor Data MiningEffiziente Projektorganisation von DataMining ProjektenHerstellerunabhängigkeitwww.crisp-dm.org
33 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
CRISP-DM
Robustes, allgemeines Modell
Zuverlässiger und wiederholbarer Prozess
Kosten- und Zeitreduktion
Unterstützung bei Dokumentation
Unterstützung bei Wissensmanagement
34 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Beispiel-Stream von Clementine
35 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Data Mining im Unternehmen
Data Mining startet in einem Unternehmen meist aus einer konkreten Fragestellung als kleines ProjektData Mining is a journey – an ongoing initiative – not a project
Schaffung organisatorischer Rahmenbedingungen für effiziente Data Mining - Prozesse
36 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Data Mining and Business Intelligence
Increasing potentialto supportbusiness decisions
End User
BusinessAnalyst
DataAnalyst
DBA
MakingDecisions
Data PresentationVisualization Techniques
Data MiningInformation Discovery
Data Exploration
OLAP, MDA
Statistical Analysis, Querying and Reporting
Data Warehouses / Data Marts
Data SourcesPaper, Files, Information Providers, Database Systems, OLTP
37 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Softwareanbieter im Data Mining
38 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
3 heroische Konventionen in der Praxis
Ein einmal entwickeltes Prognosemodell kann routinemäßig angewendet werdenDie Anwender des Modells verstehen die Spezifika der Modellierung und setzen das Modell korrekt einIst die Population auf die das Modell angewendet wird mit jener vergleichbar, die für die Modellentwicklung herangezogen wurde?
39 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Annahme struktureller Konstanz
Handlungsrelevante Aussagen können nur aus Daten gewonnen werden, welche die aktuellen und zukünftigen Marktverhältnisse widerspiegeln.• Unveränderte Marktstrukturen• Konstante Kunden- und
WettbewerbsverhaltensweisenHippner, Wilde „Der Prozess des Data Mining im Marketing“
40 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Kurzlebigkeit von Data Mining Ergebnissen
Ergebnisse des Data Mining sind in der Praxis nur kurzfristig gültig• Entwickelte Märkte sind extrem dynamisch• Kundenverhalten hängt in einer komplexen
Weise von einer Vielzahl von Einflussfaktoren ab
• Kundenverhalten unterliegt Technologie-und Modetrends
41 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Self Destroying Prophecy
Aus den Ergebnissen abgeleitete Marketingaktivitäten verändern die datengenerierenden ProzesseErschwert eine objektive Bewertung von Modellen, die Data Based Marketing –Strategien bestimmenProblem: Identifikation guter Modelle
42 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Metriken zur Erfolgsmessung
Frühzeitige Definition von Kennzahlen zur Messung des ErfolgesMaßnahmen zur Umsetzung von ErkenntnissenTransparente Kommunikation der Modellergebnisse im Unternehmen
Laufende Überwachung derModelleffizienz
43 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Fachübergreifende Kooperation
• Erfolgreiches Data Mining setzt die Kooperation von Data Mining Experten mit Informatikverantwortlichen, Fachleuten mit Wissen über die Geschäftsprozesse und Top-Entscheidungsträgern im Unternehmen voraus
44 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Statistik versus Data Mining
„Learning from data“„Turning data into information“
Wodurch unterscheiden sich die Lösungsansätze des Data Mining von klassischen statistischen Methoden ?
45 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Unterschiede im methodologischen Ansatz (1)
Statistikpräzise formuliertes spezifisches SachproblemDatenerhebung oft forschungsorientiert
Konzept von Stichprobe/Grund-gesamtheit
Data Miningunscharf formulierte globale Aufgabenstellung
Datenerhebung durch Aufzeichnung von Transaktionen in operativen Systemen Inhalt einer Datenbank(Data Warehousing)
46 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Unterschiede im methodologischen Ansatz (2)
StatistikVersuchsplanung(Homogenisierung via inclusion/exclusioncriteria; stratification; randomisation)einfache Datenstruktur (Datenmatrix)Hohe DatenqualitätÜberschaubare Datenbestände
Data Miningkomplexes Beziehungsgeflecht von Ursache und Wirkung
komplexe DatenstrukturenSchlechte DatenqualitätExtrem große Datenbestände
47 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Unterschiede im methodologischen Ansatz (3)
StatistikMathematikModellTheoretische Analyse von Optimalitäts-eigenschaften
Data MiningInformatikAlgorithmusHeuristik; Benchmarkingmit Real Life Data
48 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Herausforderung an die Statistik:
extrem große Datenmengen erfordernAutomatische Modellierungstechniken(automatic data analysis)
The statistician's tendency to avoid complete automation out of the respect or the challenges of the data, and the historical emphasis on models with interpretable structure, has led that community to focus on problems with a more manageable number of variables than may be encountered in Data Mining.Elder & Pregibon
49 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Algorithmen verdrängen Modelle
The key role of programs has lead to an increased emphasis on algorithms in data mining, in contrast to the emphasis on models in statistics. The idea is that one applies the algorithm to data sets, learning how it behaves and what properties it has, regardless of any notion of an underlying model (or pattern) which it might be building.(Hand 1999).
50 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Konvergenz von Algorithmen ?
An important feature of an estimator is consistency; in the limit, as the sample size increases without bound, estimates should almost certainly converge to the correct value of whatever is being estimated.Heuristic procedures, which abound in machine learning, have no guarantee of ever converging to the right answer.(Glymour et al. 1996).
51 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Klassischer AnalyseprozessModellwahl integrativer Teil des wissenschaftlichen Analyseprozess (iterativer Prozess abhängig von Daten/Ergebnissen)Modellwahl• Modellierung des datengenerierenden Prozesses• Behandlung extremer Werte• Variablenselektion
Modelldiagnose• Goodness of fit; Residuenanalyse; influential
observations• Predictive accuracy (cross-validation)
52 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Data Mining Analyseprozess„off the shelf procedures“Anspruch: Algorithmus liefert „gute“ErgebnisseFlexibler Algorithmus• Große Datenmengen• Fehlerbehaftete Daten• Fehlende Werte• Unterschiedliche Skalenniveaus• Invarianzeigenschaften• Filtern irrelevanter Inputs• Interpretierbarkeit
53 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Grenzen des Data Mining (I)
The major barrier in obtaining high-qualityknowledge from data is due to the limitationsof the data itselfMögliche Datenquellen:• operative Systeme, die die Durchführung
von geschäftlichen Transaktionen unterstützen
• Nichtoperationale Daten (z.B. wirtschaftliche Rahmenbedingungen)
• Meta-Daten • Hintergrundwissen
54 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Schwachstellen der Datenbasis
Mangel an RepräsentativitätFehlen wichtiger VariablenFehlende Versuchsplanung ==> komplexe Korrelationsstrukturen (confounding)Fehlende WerteVerzerrte DatenAlterungsprozess der gesammelten Daten
55 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Grenzen des Data Mining (II) - AussagekraftData Mining ist ein exploratives Verfahren, dessen Ergebnisse mit großer Vorsicht zu interpretieren sind.Bei Data Mining geht es nicht primär darum, "wahre Gesetzmäßigkeiten" über den datengenerierenden Prozess aufzuzeigen.Im Vordergrund steht, ob die Ergebnisse für den intendierten Zweck brauchbar bzw. praxistauglich sind.• Overfitting• Signifikanz kleiner irrelevanter Aspekte
56 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Grenzen des Data Mining (III) - AussagekraftEin weiteres Problem kann im Überschätzen der Allmacht des Algorithmus liegen. Es besteht zweifellos die Gefahr, dass der Anwender jegliche Beziehung zu den Daten und Ihrer Semantik verliert. Der komplexe Algorithmus wird für den Anwender zur undurchschaubaren Black-Box, die ihm von den Daten trennt. Das menschliche Überprüfen von Modellannahmen entfällt und die vom Algorithmus generierten Ergebnisse, welche oft nur eines von vielen mögliche Interpretationsszenarien eines komplexen Datensatzes darstellen, werden fälschlicherweise als erwiesenes Faktum angesehen.
57 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Grenzen des Data Mining (IV) - AussagekraftHäufig erlauben empirischen Daten keine eindeutige Entscheidung zwischen in bezug auf die den Algorithmus steuernden Kriterien nahezu äquivalenten Modellen, welche jedoch eine unterschiedliche semantische Interpretation aufweisen.Sensitivitätsanalysen und Visualisierungs-techniken werden hier zum unverzichtbaren Instrument, will man das Auffinden von Artefakten vermeiden.
58 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Grenzen des Data Mining (V) - Privacy
Angst vor der missbräuchlichen Verwendung personenbezogener Daten kann das allgemeine Klima für statistische Erhebungen entscheidend beeinträchtigen Strikte Einhaltung ethischer Grundprinzipien
59 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
FALLBEISPIELE
60 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Analyse eines VersicherungsbestandesSchadenfrequenz in den Gruppen nach Scorewert (1-jährig) - alle Haftpflichverträge
0%
5%
10%
15%
20%
25%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Gruppe
Schä
den
in P
roze
nt
61 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Seit 2003 wird bei einer großen österreichischen Versicherung das Annahmeverhalten der Kunden bei früheren Aktionen für die gezielte Kundenauswahl mittels Methoden des Data Mining herangezogen.
Direct mail Kampagne - Annahmequote in %
4,7 4,4
8,2
12,2
0
2
4
6
8
10
12
14
2000* 2002 2003 2004*2001 aufgrund Umstellung Verw altungssystem keine DM-Aktion
Anwendung Versicherungsbranche
62 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Praxisbeispiel: CHURN-Analyse
1,0,8,5,30,0
1,0
,8
,5
,3
0,0
AUC = 0,821
Bei Kontaktierung von 30% der Kunden können 80% der abwanderungs-gefährdeten Kunden erreicht werden.
Echtdaten Mobilfunkanbieter Österreich
63 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Entscheidungskriterien für Selektion
64 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Entscheidungskriterien für Selektion
Selektion: maximale
Responsequote
65 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Entscheidungskriterien für Selektion
ProfitmaximierendeSelektion
66 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Reichweiten-maximierende und
kostenneutrale Selektion
Entscheidungskriterien für Selektion
67 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
OptimaleSelektion unter
Berücksichtigungbeider Größen
Entscheidungskriterien für Selektion
68 Einführung in das Data Mining
© Marcus Hudec
©M
arcu
s H
udec
Executive Summary
Der unreflektierte Einsatz moderner DataMining Software alleine bietet keine wie immer geartete Garantie für den ErfolgOhne den intelligenten Einsatz moderner Data Mining Verfahren nach einem „Best Practice Standard“ im analytischen CRM werden Unternehmen auf entwickelten stark kompetitiven Märkten mittel- bis langfristig massive Wettbewerbsnachteile erleiden.