Information Technology Reference
In-Depth Information
eine möglichst vollständige Sammlung und Beobachtung relevanter Handlungen im Vor-
dergrund. Das Risikomanagement wird durch hochkomplexe Berechnungen unterstützt.
Neben dem Ausnutzen dieser Potentiale lassen sich durch den Einsatz von Data Min-
ging folgende Effekte erzielen:
• Erstens schafft Big Data Transparenz. Allein ein Mehr an Transparenz im „Daten-
dschungel“ hilft Unternehmen, den Überblick über die Geschäftsprozesse zu behalten
und besser fundierte Entscheidungen zu treffen. Wenn allen Akteuren einer Organisa-
tion zeitnah die gleichen Informationen zur Verfügung stehen, kann das Innovations-
potenziale heben und die Wertschöpfung erhöhen.
• Zweitens schafft Big Data Spielraum für erweiterte Simulationen. Performance-Daten
in Echtzeit ermöglichen kontrollierte Experimente, um Bedürfnisse und Variabilität zu
identifizieren und die Leistung zu steigern.
• Drittens verbessert Big Data den Kundenzugang. Big Data versetzt Organisationen in
die Lage, feinkörnige Bevölkerungs- und Kundensegmente zu erstellen und ihre Waren
und Dienstleistungen auf deren Bedarf zuzuschneiden. Eine detaillierte Segmentierung
von Zielgruppen erleichtert deren Ansprache, vermindert die Streuverluste und somit
auch die Kosten für Marketingkampagnen.
• Viertens unterstützt Big Data Entscheidungsprozesse. Die Analyse umfangreicher Da-
ten in Echtzeit („Embedded Analytics“) verbessert Entscheidungen als vollautomati-
schen Prozess oder als Entscheidungsgrundlage für das Management. Auf Algorithmen
basierende Auswertungen riesiger Datenmengen können in allen Unternehmensberei-
chen zur Verminderung von Risiken und zur Verbesserung von Geschäftsprozessen bei-
tragen und die Intuition von Entscheidern ergänzen.
• Fünftens schließlich lässt Big Data auch Chancen für neue Geschäftsmodelle, Produkte
und Dienstleistungen entstehen. Absehbar ist auch die Entstehung von Geschäftsideen,
die im Zusammenspiel mit dem Internet bestehende Unternehmen in ihrer Existenz
bedrohen können.
Schon diese Aufzählung zeigt, dass die Einsatzmöglichkeiten von Big Data und Data Mi-
ning breit gefächert sind. In diesem Abschnitt sollen exemplarisch genetische Algorith-
men für Data Mining-Zwecke eingesetzt werden und sich in folgende Gliederung einrei-
hen (Witten und Frank 2000):
•
Klassifikation
: Aus einer Stichprobe mit Gruppenzuordnung der einzelnen Elemente
werden Zuordnungsvorschriften extrahiert. Diese sollen dann auf unbekannte Objekte
angewandt werden können. Das klassische Statistikverfahren dazu ist die Diskrimi-
nanzanalyse.
•
Assoziation
: Hier geht es allgemein um den Zusammenhang zwischen Attributen von
Objekten, nicht nur um die Abhängigkeit der Gruppenzuordnung von den anderen At-
tributen. Insofern handelt es sich um eine Erweiterung der Klassifikation Learning.
Wohl wegen der enormen Anzahl von Möglichkeiten gibt es hier keine statistischen
