(NEU) |
|||
Zeile 1: | Zeile 1: | ||
− | + | ==Verknüpfte Informationen liefern neue Erkenntnisse== | |
− | Data Mining (DM) | + | Das populärste [[Business Intelligence|Business-Intelligence]]-Verfahren modellorientierter Analyse ist Data Mining (DM). Hier geht es um die Suche nach unbekannten Datenzusammenhängen im [[Data Warehouse]]. Diese Form der Wissensfindung kann mitunter recht überraschende Ergebnisse auswerfen. |
− | + | Eine interessante Frage ist z.B. immer wieder: „Welche Faktoren beeinflussen den Verkauf eines Produktes? Kann man den Verkauf durch Veränderung der Rahmenbedingungen verbessern?“ Eine Data-Mining-Analyse geht immer von einem vorhandenen Datensatz aus und zieht aus diesem Schlüsse und Hypothesen. | |
− | |||
− | |||
− | |||
− | |||
− | |||
− | + | Praktisches Beispiel: Das Modehaus Breuninger führte vor einer [[E-Mail-Marketing|Mailing-Aktion]] eine Analyse der [[Kundendaten]] durch. Auf diese Weise konnten [[Kundenwertanalyse|wertvolle Kunden]] mit überdurchschnittlicher Kaufwahrscheinlichkeit identifizieren werden. Nur diese wurden dann angeschrieben. Dadurch verringerte sich der Kostenaufwand für das Mailing deutlich – gleichzeitig wurde die Erfolgsrate erhöht. ([[Oliver Jendro|oj]]) | |
+ | |||
+ | ==Nützliche Links== | ||
+ | * [[EUS]] | ||
+ | * [[OLAP]] | ||
+ | * [[XPS]] |
Version vom 2. Juli 2008, 12:26 Uhr
Verknüpfte Informationen liefern neue Erkenntnisse
Das populärste Business-Intelligence-Verfahren modellorientierter Analyse ist Data Mining (DM). Hier geht es um die Suche nach unbekannten Datenzusammenhängen im Data Warehouse. Diese Form der Wissensfindung kann mitunter recht überraschende Ergebnisse auswerfen.
Eine interessante Frage ist z.B. immer wieder: „Welche Faktoren beeinflussen den Verkauf eines Produktes? Kann man den Verkauf durch Veränderung der Rahmenbedingungen verbessern?“ Eine Data-Mining-Analyse geht immer von einem vorhandenen Datensatz aus und zieht aus diesem Schlüsse und Hypothesen.
Praktisches Beispiel: Das Modehaus Breuninger führte vor einer Mailing-Aktion eine Analyse der Kundendaten durch. Auf diese Weise konnten wertvolle Kunden mit überdurchschnittlicher Kaufwahrscheinlichkeit identifizieren werden. Nur diese wurden dann angeschrieben. Dadurch verringerte sich der Kostenaufwand für das Mailing deutlich – gleichzeitig wurde die Erfolgsrate erhöht. (oj)
Nützliche Links