Data Mining
Einsatzmöglichkeiten
Mit Data Mining können Sie automatisch interessante Muster und schwer aufzuspürende Zusammenhänge in großen Datenmengen ermitteln. Data Mining liefert Ihnen Erkenntnisse und Zusammenhänge, die bisher verborgen blieben oder außer Acht gelassen wurden, weil sie für nicht analysierbar gehalten wurden.
Da jedes Unternehmen andere Anforderungen an Data Mining hat, ist es nicht möglich, feste Modelle zur Vorhersage auszuliefern. Mit den im SAP BW zur Verfügung stehenden Data-Mining-Methoden können Sie jedoch Modelle entsprechend Ihren Anforderungen selbst anlegen und damit aus den Daten in Ihrem SAP BW entscheidungsrelevante Informationen ermitteln. Sie können zum Beispiel Verhaltensweisen von Kunden analysieren und Trends vorhersagen, indem Sie Muster im Kundenverhalten erkennen und nutzen. Dadurch können Sie Fragen wie die folgenden beantworten:
· Welchen Kunden sollte wann welches Angebot unterbreitet werden?
· Welche Kunden sind abwanderungsgefährdet?
· Wie hoch ist das Cross-Selling-Potenzial für ein neues Produkt?
Einführungshinweise
Sie können Data-Mining-Methoden über das Menü SAP Easy Access unter Spezielle Analyseverfahren ® Data-Mining-Modelle aufrufen.
Die Data-Mining-Methoden können auch über das Menü der Rolle Kundenverhaltensanalyse (SAP_BWC_CUSTOMER_BEHAVIOR) aufgerufen werden.
Integration
Neben den SAP-eigenen Data-Mining-Methoden steht Ihnen über die Rolle Kundenverhaltensanalyse (SAP_BWC_CUSTOMER_BEHAVIOR) auch eine Schnittstelle zum IBM Intelligent Miner zur Verfügung.
Funktionsumfang
Im Einzelnen stehen Ihnen folgende SAP-eigene Data-Mining-Methoden zur Verfügung, zu denen Sie sich eigene Modelle anlegen können:
· Scoring
Entscheidungsbäume bilden Daten auf kategorielle (nicht-kontinuierliche) Größen ab. Die Regeln der Abbildung werden durch Training auf historischen Daten ermittelt, bei denen die Zuordnung zu den Kategorien bereits bekannt ist.
Das Clustering dient dazu, Daten in homogene Gruppen aufzuteilen. Das Modell sucht nach einer globalen Strukturierung der Daten mit dem Ziel einer Partitionierung der Daten in Cluster.
Die Assoziationsanalyse können Sie nutzen, um Verbundeffekte und damit z.B. Cross-Selling-Chancen aufzudecken. Bei der Suche nach Assoziationen werden Objekte betrachtet, die nur grundsätzlich vergleichbaren Informationsumfang haben. Dabei werden in Form von Regeln Aussagen über partielle Strukturen in den Daten getroffen.
Im Gegensatz zur Entscheidungsbaum-Klassifikation werden beim Clustering und der Assoziationsanalyse die Modelle auf der Grundlage der Daten selbst ermittelt.
Beim Scoring werden Daten auf kontinuierliche Größen abgebildet. Durch anschließende Diskretisierung können die Daten bei Bedarf in Klassen eingeteilt werden. Die Scoringfunktion kann entweder über gewichtete Bewertungstabellen (Weighted Score Tables) festgelegt werden oder durch Training auf historischen Daten als lineare oder nichtlineare Regression einer Zielgröße bestimmt werden.
Bei der ABC-Klassifikation werden Daten angezeigt, die in die Klassen A, B, C usw. eingeteilt sind. Hierzu stehen Schwellwerte und Klassifikationsregeln zur Verfügung. Die klassifizierten Ergebnisse werden in Form eines ABC-Charts oder einer ABC-Liste angezeigt.
Die Modelle, die Sie zu diesen Data-Mining-Methoden anlegen, können Sie auf historischen Daten trainieren. Dabei lernt das Modell von diesen Daten, indem es vorher unbekannte Muster ermittelt. Das Ergebnis dieses Lernprozesses können Sie entweder in ein anderes System exportieren (Assoziationsregeln), oder Sie wenden das Ergebnis im Rahmen einer Vorhersage auf andere Daten an, bei denen bestimmte Informationen fehlen (Clustering, Entscheidungsbäume).
Sowohl das Training eines Modells als auch die Vorhersage führen Sie auf der Grundlage von BW-Queries aus. Diese ordnen Sie dem Modell als Datenquellen für den jeweiligen Vorgang zu.