Vorsicht Schutzhelm erforderlich: Die Mythen und Fallgruben des Data Mining

Transkript

1 IBM SPSS Modeler Vorsicht Schutzhelm erforderlich: Die Mythen und Fallgruben des Data Mining Inhalt: 1 Einführung 1 Mythen und Irrglauben über Data Mining 4 Die Fallgruben des Data Mining und wie man sie vermeidet 7 Fazit 7 Literatur 8 Informationen zu IBM Business Analytics Einführung Die Welt des unerschrockenen Data Miners ist voller Risiken, etwa unter einem Berg von Daten begraben zu werden oder zusammen mit dem mysteriösen, sich in Luft auflösenden Terabyte zu verschwinden. Mythen und Irrglauben schaffen ihre eigenen Risiken und müssen daher ausgeräumt werden. Dieser Artikel gibt einen Überblick über einige dieser Risiken, räumt mit einigen Mythen auf und versucht, Data Minern Schutzmaßnahmen ( Schutzhelme ) an die Hand zu geben. Es ist wichtig, zu verstehen, dass Data Mining ein Geschäftsprozess ist eine Methode, um Muster in Datenbeständen zu finden und so Einblicke zu gewinnen, die einem dabei helfen, seine Geschäfte effektiver zu führen. Data Mining trifft auch Vorhersagen, um Kundeninteraktionen und andere Geschäftsentscheidungen zu lenken. Mythen und Irrglauben über Data Mining Mythos Nr. 1: Data Mining wird im Labor betrieben, von einem Technologieexperten. Data Mining nutzt fortschrittliche Technologien, und seine Mechanismen, insbesondere die der Modellierungstechniken, entziehen sich in der Regel dem Verständnis der breiten IT-Gemeinschaft. Bedeutet dies, dass Data Mining in einem Labor erfolgen und nur von denjenigen durchgeführt werden sollte, die jede einzelne Nuance der beteiligten Technologien verstehen? Ganz im Gegenteil, Data Mining ist ein Geschäftsprozess, für den Geschäftswissen von höchster Bedeutung ist. Data Mining kann nur dann nutzbringend eingesetzt werden, wenn die Ergebnisse in Geschäftsabläufe integriert werden. Wird es ohne Geschäftswissen durchgeführt, kann Data Mining sinnlose oder nutzlose Ergebnisse hervorbringen (siehe Fallgrube Nr. 4 unten), es ist daher entscheidend, dass das Data Mining von Personen mit umfassender Kenntnis des Geschäftsproblems durchgeführt wird. Nur selten ist dies auch die Person, die über umfassende Kenntnisse über die Data Mining-Technologie verfügt. Es liegt in der Verantwortung der Anbieter von Data Mining-Tools, sicherzustellen, dass diese Tools für Geschäftsanwender zugänglich sind.

2 IBM SPSS Modeler Data Mining ist ein Geschäftsprozess, in dem Geschäftswissen von höchster Bedeutung ist: Data Mining kann nur dann nutzbringend eingesetzt werden, wenn die Ergebnisse in Geschäftsabläufe integriert werden. Ebenso wichtig ist es, die Ergebnisse im Geschäft zu implementieren, sie nutzbringend einzusetzen. Data Miner sollten zu Beginn eines Projekts planen, wie sich ihre Ergebnisse in die geschäftlichen Betriebsabläufe einfügen werden. Organisationen sollten eine Infrastruktur aufbauen, die es ihnen ermöglicht, Data Mining-Ergebnisse effizient in der gesamten Organisation umzusetzen, und Anbieter von Tools sollten sicherstellen, dass sich ihre Tools problemlos in diese Infrastruktur einbinden lassen. Mythos Nr. 2: Beim Data Mining dreht sich alles um Algorithmen. Geschäftsleute, die an einer typischen Data Mining-Konferenz teilnehmen oder deren Protokoll lesen, könnten den Eindruck bekommen, dass sich beim Data Mining alles um fortschrittliche Datenanalyse-Algorithmen dreht. Dieser Irrglaube lässt sich folgendermaßen zusammenfassen: Alles, was man fürs Data Mining braucht, sind gute Algorithmen. Je besser die Algorithmen, desto besser das Data Mining. Um die Effektivität des Data Mining zu verbessern, müssen wir unser Wissen über Algorithmen erweitern. Diese Ansicht stellt ein völlig falsches Bild des Data Mining-Prozesses dar. Data Mining ist ein Prozess, der sich aus vielen Elementen zusammensetzt, beispielsweise dem Formulieren von Geschäftszielen, dem Übertragen von Geschäftszielen auf Data Mining-Ziele, dem Erfassen, Verstehen und Vorverarbeiten der Daten, dem Auswerten und Darstellen der Analyseergebnisse und dem Umsetzen dieser Ergebnisse zum geschäftlichen Nutzen. Damit soll die Bedeutung neuer oder verbesserter Data Mining-Algorithmen nicht geschmälert werden. Es stellt jedoch ein Problem dar, wenn sich Data Miner zu sehr auf die Algorithmen konzentrieren und die restlichen 90 bis 95 % des Data Mining-Prozesses außer Acht lassen. Die Folgen dieses Irrglaubens können katastrophal für das Data Mining- Projekt sein und womöglich dazu führen, dass keinerlei nützliche Ergebnisse erbracht werden. Erfahrene Data Miner wissen, dass ein weiter gefasstes Bild des Data Mining-Prozesses erforderlich ist. Mythos Nr. 3: Beim Data Mining dreht sich alles um Vorhersagegenauigkeit. Zwar dreht sich Data Mining nicht ausschließlich um Datenanalyse- Algorithmen, ein Teil davon aber schon. Dies wirft die Frage auf: Wie kann man die Qualität eines Algorithmus beurteilen? Man könnte meinen, dass das Hauptkriterium hierfür die Vorhersagegenauigkeit der erstellten Modelle ist. Diese Ansicht stellt jedoch die Rolle, die Algorithmen im Data Mining-Prozess zukommt, falsch dar. Es ist richtig, dass ein Vorhersagemodell einen gewissen Grad an Genauigkeit aufweisen sollte, da dadurch gezeigt wird, dass es tatsächlich Muster im Datenbestand gefunden hat. Die Nützlichkeit eines Algorithmus oder Modells wird jedoch auch durch eine Reihe anderer Eigenschaften bestimmt, unter anderem davon, ob zum Verständnis des erstellten Modells tiefgreifendes Fachwissen vonnöten ist oder ob es von einem typischen Geschäftsanalysten verstanden werden kann. 2

3 IBM SPSS Modeler Data Miner, die der Ansicht sind, dass Vorhersagegenauigkeit das Hauptkriterium für die Beurteilung von Algorithmen ist, verwenden möglicherweise Algorithmen, die nur von Technologieexperten angewendet werden können. Diese Algorithmen spielen dann nur eine äußerst begrenzte Rolle, da Data Mining ein Prozess ist, der von geschäftlicher Expertise getrieben wird. Er ist auf den Input und die Mitwirkung von Geschäftsexperten ohne Fachkenntnisse über Data Mining angewiesen, um erfolgreich zu sein. Mythos Nr. 4: Für Data Mining ist ein Data Warehouse erforderlich. Geschäftsleute denken oft, dass ein Data Warehouse eine der Voraussetzungen für Data Mining ist. Diese Ansicht über die Beziehung zwischen diesen beiden Technologien ist jedoch nicht ganz richtig. Es stimmt, dass Data Mining von einem Data Warehouse, das gut organisiert, relativ sauber und leicht zugänglich ist, profitieren kann. Dies trifft insbesondere dann zu, wenn das Warehouse speziell für Data Mining und unter Berücksichtigung der Anforderungen des Data Mining- Projekts gebaut wurde. Wenn dies jedoch nicht der Fall ist, können die im Warehouse gespeicherten Daten fürs Data Mining weniger nützlich sein als die Quell- oder Betriebsdaten. Im ungünstigsten Fall sind die Warehouse-Daten völlig nutzlos (beispielsweise wenn nur Übersichtsdaten gespeichert sind). Unabhängig davon, ob die Datenbestände groß oder klein sind, sollten Organisationen ein Data Mining-Tool wählen, dass die Zeit des Anwenders optimiert. Eine zutreffendere Beschreibung der Beziehung zwischen den beiden Technologien wäre, dass Data Mining von einem ordentlich konstruierten Data Warehouse profitiert, und dass es für den Bau eines solchen Warehouse oftmals nützlich ist, zuerst etwas exploratives Data Mining zu betreiben. Mythos Nr. 5: Beim Data Mining dreht sich alles um riesige Datenmengen. Anfängliche Erläuterungen zum Data Mining begannen oft mit Aussagen wie dieser: Wir sammeln heute mehr Daten als jemals zuvor, doch wie können wir von diesen riesigen Datenbeständen profitieren? Es war praktisch, sich zur Einführung in das Thema Data Mining auf die Größe von Datenbeständen zu konzentrieren, dies zeichnete jedoch kein vollkommen richtiges Bild. Zwar gibt es zahlreiche große Datenbestände, die Organisationen nutzbringend schürfen können, es wäre jedoch ein Fehler, zu glauben, dass sich Data Mining nur auf diese konzentrieren sollte. Viele nützliche Data Mining-Projekte werden an kleinen oder mittleren Datenbeständen durchgeführt, von denen einige beispielsweise nur einige hundert oder tausend Datensätze enthalten. Die irrige Annahme, dass sich Data Mining nur für große Datenspeicher eignet, würde Organisationen dazu verleiten, Werkzeuge zu wählen, die Benutzerfreundlichkeit zugunsten von Skalierbarkeit opfern, obwohl in Wirklichkeit beide Attribute unentbehrlich sind. Um die Worte eines Anwenders eines führendes Data Mining-Tools wiederzugeben: Andere Data Mining-Tools optimieren die Rechenzeit, doch dieses Tool optimiert meine Zeit. Unabhängig davon, ob die Datenbestände groß oder klein sind, sollten Organisationen ein Data Mining-Tool wählen, dass die Zeit des Anwenders optimiert. 3

4 Higher Education Die Fallgruben des Data Mining und wie man sie vermeidet Fallgrube Nr. 1: Begraben unter einem Berg von Daten Data Mining sollte ein interaktiver, iterativer Prozess sein, bei dem der Analyst umfassendes Geschäftswissen anwendet und sich voll und ganz auf die Daten und das Geschäftsproblem konzentriert. Diejenigen, die jedoch an Mythos Nr. 5 glauben (dass sich beim Data Mining alles um riesige Datenmengen dreht), gehen oftmals davon aus, dass dieser Prozess auf alle verfügbaren Daten angewendet werden muss. Dies kann dazu führen, dass versucht wird, Datenvolumen zu schürfen, für die die verfügbare Hard- und Software keine akzeptable interaktive Antwort liefern kann. In solchen Situationen wird der Data Mining-Prozess langsam und träge, und bis eine Frage endlich beantwortet wird, kann sich der Analyst schon nicht mehr erinnern, warum sie gestellt wurde. Um diese Fallgrube zu vermeiden, kann eine Art Stichprobenverfahren angewendet werden. Wenn wir beispielsweise eine Million Kunden haben mit einer jährlichen Abwanderungs- (oder Fluktuations-)rate von 20 %, müssen wir unsere Diagramme oder Modelle nicht anhand aller, das heißt eine Million (oder auch nur ), Beispiele erstellen. Prüfen Sie folgende Fragen und Antworten: F: Wie viele Fluktuationsprofile erwarten wir, vorzufinden? A: Vielleicht zehn F: Wie viele Beispiele von jedem Profil brauchen wir, um ein präzises Modell zu erstellen? A: Vielleicht eintausend Die Menge an verfügbaren und relevanten Daten für ein bestimmtes Projekt ist möglicherweise wesentlich geringer, als anfänglich angenommen. Folglich ist eine Stichprobe mit zehn- oder zwanzigtausend abgewanderten Kunden und derselben Anzahl an nicht abgewanderten Kunden in der Regel ausreichend für diese Analyse. Das soll nicht heißen, dass es beim Data Mining niemals notwendig ist, Modelle aus Millionen von Beispielen zu erstellen. Allerdings sollten Data Miner nicht annehmen, dass sie dies tun muss, nur weil die Daten verfügbar sind. Fallgrube Nr. 2: Das mysteriöse, sich in Luft auflösende Terabyte Dies ist ein häufiges Phänomen, jedoch nicht immer eine Fallgrube. Es bezeichnet den Umstand, dass die Menge an verfügbaren und relevanten Daten für ein bestimmtes Data Mining-Problem möglicherweise wesentlich geringer ist, als anfänglich angenommen. Stellen Sie sich folgendes Szenario vor: Sie sind ein Data Mining-Consultant und Ihr Kunde ist eine große Bank, die ihre Kundendaten schürfen möchte, um das Kreditrisiko zu bestimmen. Die Bank hat Terabytes von Daten über seine Kunden gespeichert und macht sich Sorgen, dass die verfügbaren Rechenressourcen nicht ausreichen, um dieses Datenvolumen zu schürfen. Die Situation könnte wie folgt gelöst werden. Unterschiedliche Kreditarten (Kleinkredite, Geschäftskredite, Überziehungskredite) stellen unterschiedliche Muster von Kreditrisiken dar, das heißt, jedes Data Mining-Projekt konzentriert sich auf nur einen Typ von Kreditnehmer. 4

5 Higher Education Die Fachbereichsspezialisten der Bank halten eine Reihe von Faktoren für relevant, und die Bank begann vorausschauend vor etwa 18 Monaten damit, Daten zu diesen Faktoren zu sammeln. Seither traten beinahe eintausend Fälle von uneinbringlichen Außenständen des relevanten Typs auf. Somit bestehen die relevanten Daten aus weniger als eintausend Fällen von uneinbringlichen Außenständen plus einer Stichprobe aus einem riesigen Bestand von Fällen guter Kredite, sagen wir Datensätze insgesamt. Dies ist voraussichtlich ausreichend, aber nur gerade so, um ein präzises Vorhersagemodell zu erstellen. Irgendwie hat sich die Notwendigkeit, Terabytes von Daten zu schürfen, auf mysteriöse Weise in Luft aufgelöst, ohne jedoch den Data Miner mit sich zu nehmen (zumindest nicht dieses Mal). Fallgrube Nr. 3: Desorganisiertes Data Mining Data Mining findet manchmal, trotz bester Absichten, ad hoc statt, das heißt ohne klare Ziele und ohne eine Vorstellung davon, wie die Ergebnisse verwendet werden. Dies führt zu Zeitverschwendung und unbrauchbaren Ergebnissen. Data Mining-Tools sollten Standardprozessmodelle unterstützen, wie den CRoss-Industry Standard Process for Data Mining (CRISP-DM). Um brauchbare Ergebnisse zu erbringen, ist es wichtig, klar definierte Geschäftsziele, Data Mining-Ziele und Umsetzungspläne zu haben, die bereits in der Frühphase des Projekts formuliert werden. Eine einfache Methode, um dies sicherzustellen, ist die Anwendung eines Standardprozesses wie des Cross- Industry Standard Process for Data Mining (CRISP-DM) [1]. Ein solcher Prozess stellt die korrekte Vorbereitung für das Data Mining sicher und stellt eine gemeinsame Sprache zum Austausch von Methoden und Ergebnissen bereit. Data Mining-Tools sollten Standardprozessmodelle unterstützen. Fallgrube Nr. 4: Unzureichendes Geschäftswissen Wie bereits erwähnt, spielt Geschäftswissen im Data Mining eine entscheidende Rolle. Ohne Geschäftswissen können Organisationen weder brauchbare Ergebnisse erzielen, noch den Data Mining-Prozess in ihre Richtung lenken. Es wird manchmal angenommen, dass der Endanwender dem Data Miner nur Folgendes mitzuteilen braucht: Hier sind die Daten, bitte nimm sie mit, führe dein Data Mining durch und komme zurück mit den Antworten. Liefe der Prozess so ab, würde das Projekt, im besten Fall, zahlreiche, langwierige und kostspielige Iterationen benötigen, um brauchbare Ergebnisse zu liefern. Im ungünstigsten Fall wären die Ergebnisse kompletter Unsinn und das Projekt würde fehlschlagen. Diese Fallgrube lässt sich vermeiden, indem in jeder Phase des Data Mining- Prozesses sowohl der Endanwender als auch jemand mit detaillierten Kenntnissen über das Geschäft mit einbezogen wird. Im Idealfall verfügt der Data Miner oder Data Miner-Consultant über das Geschäftswissen. Ohne dieses Wissen sollte der Data Miner praktisch neben jemandem sitzen, der über das erforderliche Geschäftswissen verfügt und die zu untersuchende Frage versteht. Damit dies effektiv funktioniert, ist eine in hohem Maße interaktive Data Mining-Umgebung mit guter Antwortzeit erforderlich. Fallgrube Nr. 5: Unzureichendes Datenwissen Um Data Mining betreiben zu können, müssen wir Fragen wie Was bedeuten die Codes in diesem Feld? und Gibt es möglicherweise mehr als einen Datensatz pro Kunde in dieser Tabelle? beantworten können. In manchen Fällen ist es überraschend schwierig, an diese Informationen zu kommen. Möglicherweise hat der Datenexperte die Organisation verlassen und ist in eine andere Abteilung gewechselt oder, im Fall von Altsystemen, gibt es möglicherweise gar keinen Datenexperten. 5

6 Higher Education Dieses Problem wird noch verschärft, wenn die Verwaltung der Datenbanken oder Data Warehouses ausgelagert ist. Externe Anbieter sind noch weniger motiviert als die Organisation, diese Informationen zu verwalten, nur für den Fall, dass man sie in Zukunft vielleicht einmal braucht. Es gibt keine einfache Lösung für dieses Problem. IT-Abteilungen sollten auf die Notwendigkeit aufmerksam gemacht werden, Informationen über die Datenbanken ihrer Organisation zu verwalten. Darüber hinaus sollten Data Miner, wenn ein Data Mining-Projekt an sie herangetragen wird, berücksichtigen, wie viel Datenwissen vorhanden ist, und die möglichen Risiken durch mangelhaftes oder fehlendes Wissen evaluieren. Fallgrube Nr. 6: Falsche Annahmen dank den Experten Geschäfts- und Datenexperten sind unentbehrliche Ressourcen, doch das bedeutet nicht, dass Data Miner jede ihrer Aussagen blind akzeptieren sollten. Data Miner sollten sich bemühen, die Richtigkeit von Expertenaussagen zu überprüfen. Typische Beispiele für falsche oder irreführende Aussagen sind: Kein Kunde kann Konten beider dieser Typen innehaben. Kein Fall umfasst mehr als ein Ereignis dieses Typs. In diesem Feld kommen nur die folgenden Codes vor. Data Miner sollten Aussagen wie diese anhand der Daten überprüfen. Dies ist von besonderer Wichtigkeit, wenn die Verarbeitung der Daten von deren Genauigkeit abhängt. Im Idealfall werden fehlerhafte Annahmen über Daten erkannt, bevor Sie zu Fehlern bei der Behandlung der Daten führen. Data Mining-Tools sollten hierfür eine einfache Lösung bieten. Fallgrube Nr. 7: Inkompatibilität von Data Mining-Tools Der Data Mining-Prozess erfordert eine Vielfalt an Funktionen, es ist daher nicht ungewöhnlich, dass während eines einzigen Projekts zahlreiche unterschiedliche Tools eingesetzt werden. Dies kann jedoch hohe Unkosten für den Zeit- und Ressourcenaufwand verursachen, der erforderlich ist, um Kontexte auszutauschen und Daten von einem Format in ein anderes zu konvertieren. Im ungünstigsten Fall kann dies dazu führen, dass notwendige Schritte im Data Mining-Prozess ausgelassen werden, und sich störend auf den explorativen Charakter des Data Mining auswirken. Ein gutes Data Mining-Tool lässt sich über allgemeine Standards mit Ihren Daten integrieren und problemlos mit anderen verfügbaren Tools koppeln. Die beste Lösung ist, ein Data Mining-Toolkit zu verwenden, in dem alle erforderlichen Funktionen integriert sind. Kein Toolkit verfügt jedoch über alle möglichen Funktionen, insbesondere, wenn die individuellen Vorlieben von Analysten berücksichtigt werden, weswegen das Toolkit auch offen sein das heißt, sich problemlos mit anderen verfügbaren Tools und Dritthersteller-Optionen koppeln lassen sollte. Fallgrube Nr. 8: Eingesperrt im Datengefängnis Neben der Integrierfähigkeit mit anderen Tools sollten Data Mining-Lösungen auch offen hinsichtlich der Daten sein. Bei einigen Data Mining-Tools müssen die Daten in einem proprietären Format gespeichert sein, das mit gebräuchlichen Datenbanksystemen nicht kompatibel ist. (Dies wird manchmal auch als Datengefängnis bezeichnet.) Dies kann hohe Unkosten verursachen, da die Daten in das erforderliche Format übertragen werden müssen, und zu Problemen bei der Implementierung der Ergebnisse in die betriebseigenen Systeme einer Organisation führen. Ein gutes Data Mining- Tool lässt sich über allgemeine Standards mit Ihren Daten integrieren. 6

7 Higher Education Fallgrube Nr. 9: Ignorieren der meisten Daten Die meisten Menschen denken, wenn Sie das Wort Daten hören, an Zeilen und Spalten mit Zahlen oder Codes, und es ist nur natürlich, fälschlicherweise anzunehmen, dass sich Data Mining nur auf diese Art von strukturierten Daten bezieht. Doch die große Mehrheit der Daten, die Organisationen gespeichert haben, fügt sich nicht in dieses vorgefasste Bild es sind entweder Daten in Textform, etwa s oder Dokumente oder Mitteilungen, oder Daten, die sich auf Verhalten auf einer Website beziehen, oder Aufzeichnungen von Umfrageantworten. Viele Data Mining-Tools bearbeiten diese Datentypen nicht. Organisationen gehen oft davon aus, dass sie spezielle Text Mining- oder Webanalyse- oder Umfrageanalyse- Tools anschaffen müssen, oder sie ignorieren diese Formen von Daten vollständig. Doch mit modernen Data Mining-Tools ist es möglich, strukturierte Daten mit Text, Webprotokollen oder Umfrageantworten zu kombinieren und so ein vollständigeres Bild zu schaffen und den Nutzen der Datenbestände einer Organisation zu maximieren. Organisationen, die diesen Weg beschreiten, stellen fest, dass ihre Data Mining-Projekte messbar größere Erfolge bringen. Fazit Data Mining ist ein Geschäftsprozess, der umfassendes Geschäftswissen erfordert. Es wird am besten von Geschäftsexperten oder von Data Mining- Experten in enger Zusammenarbeit mit Geschäftsexperten betrieben. Um den größten Nutzen zu erbringen, sollten Data Mining-Ergebnisse über eine geeignete Infrastruktur zur Vorhersageanalyse in Geschäftsprozesse integriert werden. Data Mining nutzt eine Vielzahl verschiedener Techniken und sollte sich nicht allein auf die Modellierung von Algorithmen und deren Vorhersagegenauigkeit konzentrieren. Jede Technik kann unterschiedliche Rollen spielen, und dank moderner Technologie können Sie ein weites Spektrum an unstrukturierten Daten einbeziehen. Während des Data Mining-Prozesses interagieren und beschäftigen sich Data Miner mit den Daten auf iterative Weise. Mit einem Standardmodell für den Data Mining-Prozess, wie dem CRISP-DM [1], kann die korrekte Vorbereitung und Anwendung des Data Mining sichergestellt werden. Data Mining-Tools sollten basierend auf ihrer Zugänglichkeit für Geschäftsanwender, ihrer Skalierbarkeit und Benutzerfreundlichkeit sowie ihrer Unterstützung von Standardprozessen beurteilt werden. Data Miner treffen intelligente Entscheidungen über die benötigte Datenmenge, ausgehend von der Annahme, dass weder alle Daten einer Organisation relevant sind, noch alle verfügbaren Daten benötigt werden. Effektives Data Mining erfordert flexible und untereinander kompatible Methoden. Diese Anforderung wird am besten durch integrierte, offene Toolkits erfüllt, die sich über offene Standards an die Daten anpassen lassen. Eine effektive geschäftliche Umsetzung erfordert Tools, die sich in eine Infrastruktur einbinden, die Ergebnisse reibungslos in Geschäftsprozesse implementiert. Literatur 1. Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. und Wirth, R.: CRISP-DM 1.0 Step-by-step data mining guide. CRISP- DM Consortium, 2000, verfügbar unter 7

8 Informationen zu IBM Die Software IBM liefert umfassende, einheitliche und korrekte Informationen, denen Entscheidungsträger zum Verbessern der Unternehmensleistung vertrauen. Ein umfassendes Portfolio aus Geschäftsvorteilen, fortgeschrittener Analytik, finanziellen Vorteilen und Strategiemanagement sowie Analyseanwendungen bietet Ihnen sofort klare und umsetzbare Einblicke in die aktuelle Leistung und gibt Ihnen die Möglichkeit, zukünftige Ergebnisse vorherzusagen. Als Teil dieses Portfolios unterstützt IBM SPSS Predictive Analytics Software Organisationen, zukünftige Ereignisse vorherzusagen und proaktiv auf Basis dieser Erkenntnisse zu handeln, um bessere Geschäftsergebnisse zu erzielen. Kunden aus den Bereichen Wirtschaft, öffentlicher Verwaltung und Lehre verlassen sich weltweit auf IBM SPSS Technologie als Wettbewerbsvorteil zur Kundengewinnung, -bindung und Erhöhung der Kundenumsätze bei gleichzeitiger Betrugsreduzierung und Risikominimierung. Durch die Integration von IBM SPSS Software in ihre täglichen Prozesse werden Organisationen zur Predictive Enterprise sie sind dadurch in der Lage Entscheidungen zu treffen und zu automatisieren, um die Geschäftsziele zu erreichen und einen messbaren Wettbewerbsvorteil zu gewinnen. Für mehr Informationen besuchen Sie bitte Copyright IBM Corporation 2010 IBM Corporation Route 100 Somers, NY Eingeschränkte Rechte für Mitarbeiter der US-Regierung Benutzung, Duplizierung und Veröffentlichung beschränkt durch GSA ADP Schedule-Vertrag mit IBM Corp. Hergestellt in den USA Mai 2010 Alle Rechte vorbehalten IBM, das IBM Logo, ibm.com, WebSphere, InfoSphere und Cognos sind Marken oder eingetragene Marken der International Business Machines Corporation in den USA und/oder anderen Ländern. Wenn diese oder andere eingetragene Markenbegriffe von IBM mit einem Markenzeichen ( oder TM) gekennzeichnet sind, wenn Sie zum ersten Mal in diesen Informationen vorkommen, weist dies darauf hin, dass es sich zum Zeitpunkt der Veröffentlichung dieser Informationen um in den USA eingetragene Marken oder Marken nach Gewohnheitsrecht von IBM handelt. Solche Marken können auch in anderen Ländern eingetragene Marken oder Marken nach Gewohnheitsrecht sein. Eine aktuelle Liste der Marken von IBM finden Sie im Internet unter Copyright and trademark information ( com/legal/copytrade.shtml). SPSS ist eine Marke von SPSS, Inc., an IBM Company, die in vielen Gerichtsbezirken weltweit eingetragen ist. Weitere Unternehmens-, Produkt- und Servicenamen können Marken anderer Hersteller sein. Bereiten Sie bitte auf -Software IMW14295DEDE-01