Data Mining im SAP Business Intelligence 7.0

Transkript

1 1 Einleitung Diplomarbeit Thema: Data Mining im SAP Business Intelligence 7.0 An der Fachhochschule Dortmund im Fachbereich Informatik erstellte Diplomarbeit im Studiengang Wirtschaftsinformatik zur Erlangung des Grades Diplom-Informatiker (FH) von Dennis Halboth geboren am (Matr.-Nr.: ) Betreuung: Prof. Dr. Engels Dortmund,

2 Markenrechtlicher Hinweis Markenrechtlicher Hinweis Die in dieser Arbeit wiedergegebenen Gebrauchsnamen, Handelsnamen, Warenzeichen usw. können auch ohne besondere Kennzeichnung geschützte Marken sein und als solche den gesetzlichen Bestimmungen unterliegen. Sämtliche in dieser Arbeit abgedruckten Bildschirmabzüge unterliegen dem Urheberrecht des jeweiligen Herstellers. SAP, R/3, mysap ERP, ABAP, BAPI, SAP Business Warehouse (BW), SAP Customer Relationship Management (CRM), SAP Netweaver, SAP Business Intelligence (BI) und ABAP sind Marken oder eingetragene Marken der SAP AG, Deutschland. Microsoft, Microsoft Windows, Microsoft Office, Visio, Word, Excel sind Marken oder eingetragene Marken der Microsoft Corp., USA

3 Kurzfassung Kurzfassung Die vorliegende Diplomarbeit befasst sich mit dem Data Mining im SAP Business Intelligence 7.0 (SAP BI 7.0) sowie den Funktionen und möglichen Einsatzgebieten in der Versorgerindustrie. Vorausgegangen ist die Projektarbeit über den Analyse-Prozess- Designer (APD), in der dieses, auch für das Data Mining benötigte Tool ausführlich in seinen Möglichkeiten beschrieben wurde. Es wird erläutert, warum Data Mining bei den stetig steigenden Datenmengen immer bedeutender für den Erfolg von Unternehmen und zur Schaffung von Wettbewerbsvorteilen wird und warum diese Technologie bereits umfassend in vielen Unternehmen für strategische und operative Entscheidungen eingesetzt wird. Ingesamt wird deutlich, dass die Data-Mining-Lösung im SAP BI 7.0 einen guten Reifegrad erreicht hat. Die wichtigsten und bekanntesten Verfahren wurden stabil und sinnvoll implementiert und können durch die einfache und intuitive Bedienung schnell eingesetzt werden. Die nahtlose Integration in das Business Warehouse (BW) erlaubt nicht nur den Zugriff auf das zentrale Metadata-Respository, sondern auch auf alle Datenquellen- und Datenziele des BW. So ist das Data Mining sofort und ohne zusätzliche Anschaffungskosten einsatzbereit. Dennoch gibt es weiteres Verbesserungspotential. So müssen einige Kinderkrankheiten, je nach Patchlevel des Systems, mit Hilfe von Hinweisen behoben werden. Andernfalls werden ggf. Diagramme nicht korrekt angezeigt oder es kommt in spezifischen Situationen zu Programmabbrüchen. Die nicht lineare Regression arbeitet im Gegensatz zu den anderen implementieren Data-Mining-Verfahren äußerst instabil, so dass der Einsatz nach aktuellem Stand nicht zu empfehlen ist. Zusätzliche Erweiterungen und Verbesserungen sind im Bereich der Ergebnisdarstellung möglich, wenngleich sie in der aktuellen Form durchaus als ausreichend angesehen werden kann. Es wird gezeigt, dass Data Mining keine Geheimwissenschaft mehr ist. Dennoch basiert der erfolgreiche Einsatz des Data Mining nicht nur auf verschiedenen Voraussetzungen bezüglich Datenmanagement und Datenqualität, sondern auch auf Detailwissen im Hinblick auf die Konfiguration der Modelle sowie Know-How und Domänenwissen zur Beurteilung der Güte der erzielten Ergebnisse. Außerdem wird klar, dass Prozessmodelle äußerst hilfreiche Instrumente für die schrittweise und gezielte Durchführung von Data-Mining- Anwendungen sind, um effektiv zu brauchbaren, interessanten und neuen Erkenntnissen zu gelangen. Die Einsatzgebiete des Data Mining sind vielfältig. Viele der beispielhaft beschriebenen Einsatzszenarien lassen sich mit unterschiedlichen Methoden und Konfigurationen durchführen. Oftmals ist der Einsatz mehrerer Data-Mining-Verfahren innerhalb eines Analyseprozesses nötig, um die gewünschten Ergebnisse erzielen zu können. Anhand einer exemplarischen Fallstudie mit realen Daten erfolgt die Durchführung einer Data-Mining-Anwendung unter Berücksichtigung eines ausgewählten Prozessmodells

4 Abstract Abstract The present thesis deals with Data Mining in SAP Business Intelligence 7.0 (SAP BI 7.0) supplemented with the functions and the application areas in the utilities industry. The preceded project work was based on the Analyse-Process-Designer (APD). This tool, which is also required for Data Mining, was described and its possibilities were characterised. This work explains why Data Mining is (in the ever-increasing volume of data) very important for the success of companies and for creating competitive advantages, and why this technology already had and is being contributed in many companies for strategic and operational decisions. Overall it will be made clear that the Data Mining solution in SAP BI 7.0 has reached a good degree of maturity and stability. The most important and well-known techniques were stable and meaningful implemented and can be used quickly by the simple and intuitive handling. The seamless full integration into the Business Warehouse (BW) not only allows the access to the central Metadata Repository, but also to all data sources and data targets of the BW. Thus the Data Mining can be used immediately and without any additional costs of purchase. However, there is potential for further improvement. Thus some teething problems, depending on the patch level of the system, can occur. If the system is not patched, maybe diagrams are not properly displayed or in specific situations programs are terminating. The non-linear regression works (in contrast to the other implemented Data Mining processes) extremely unstable, so that the use is currently not recommended. Other possible extensions and improvements are possible in the field of results presentation, although this can be considered to be sufficient in the current form. It is shown that Data Mining is no more a secret science. However, the successful deployment of Data Mining not only bases on different requirements relative to data management and data quality, but also detailed knowledge regarding to the configuration of the models and know-how and even domain knowledge to assess the quality of the results achieved. It is also made clear that process models are an useful instrument for the gradual and targeted implementation of data mining applications to arrive at new, useful and interesting conclusions and insights. The application areas of data mining are manifold. Many of the examples describing the implementation scenarios can be performed with different Data Mining methods and configurations. Often the use of multiple Data Mining procedures in an analysis process is needed to achieve the desired results. Based on an exemplary case study with real data, the implementation of a Data Mining application is done, regarding to a selected process model

5 Inhaltsverzeichnis Inhaltsverzeichnis 1 Einleitung Beschreibung der Thematik evu.it GmbH Zielsetzung der Arbeit Abgrenzung Eingesetzte Software Einführung Data Mining Data Mining Knowledge Discovery in Databases Übersicht der Data-Mining-Verfahren OLAP vs. Data Mining Voraussetzungen für erfolgreiches Data Mining Prozessmodelle CRISP-Prozess Fayyad-Prozess Säuberlich-Prozess Bewertung Data-Mining-Workbench DM-Workbench vs. APD-Workbench Aufbau der DM-Workbench Anlegen eines DM-Modells Weitere Funktionen Automatisierungen Hintergrundverarbeitung Prozessketten Data-Mining-Verfahren im SAP BI Clusteranalyse Beispiele in der Versorgerbranche Mathematische Grundlagen Umsetzung im SAP BI Bewertung ABC-Analyse Beispiele in der Versorgerbranche Mathematische Grundlagen Umsetzung im SAP BI Bewertung

6 Inhaltsverzeichnis 4.3 Scoring-Verfahren Beispiele in der Versorgerbranche Mathematische Grundlagen Umsetzung im SAP BI Bewertung Assoziationsanalyse Beispiele in der Versorgerbranche Mathematische Grundlagen Umsetzung im SAP BI Bewertung Entscheidungsbaum Beispiele in der Versorgerbranche: Mathematische Grundlagen Umsetzung im SAP BI Bewertung Regressionsanalyse Beispiele in der Versorgerbranche Mathematische Grundlagen Umsetzung im SAP BI Bewertung Kombination verschiedener Verfahren Beispiele in der Versorgerbranche Implementierung weiterer Verfahren Fallstudie Kündigungsprävention Business Understanding Determine Business Objectives Assess Situation Determine Data Mining Goals Data Understanding Collect Initial Data Describe Data Explore Data Verify Data Quality Data Preparation Select Data Clean, Construct, Integrate, Format Data Modeling Select Modeling Technique Generate Test Design Build Model Assess Model Evaluation Evaluate Results

7 Inhaltsverzeichnis Determine Next Steps Deployment Plan Deployment Review Project Abschluss Zusammenfassung Fazit Ausblick Anhang Erläuterungen zu den Hinweisen A selection of useful ISU-Tables Abbildungen und Listings zur Fallstudie Collect Initial Data Clean, Construct, Integrate, Format Data Abkürzungsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Formelverzeichnis Listingverzeichnis Quellenverzeichnis Glossar Eidesstattliche Erklärung Erklärung Stichwortverzeichnis

8 1 Einleitung 1 Einleitung 1.1 Beschreibung der Thematik Die Neuregelung des Energiewirtschaftsgesetzes (EnWG) im Jahre 1998 und das Zweite Gesetz zur Neuregelung des Energiewirtschaftsrechtes 2005 führten zu tiefgreifenden Veränderungen in der Versorgerbranche. Die erzwungene Öffnung und Liberalisierung des Marktes führte, wie in kaum einer anderen Branche, zu einer drastischen Steigerung der Konkurrenzsituation und damit zu wirtschaftlichem Handeln. Die verstärkte Nutzung der operativen ERP-Systeme (Enterprise Resource Planning) und damit auch der enorme Anstieg der Datenmengen, in diesem ohnehin datenintensiven Industriezweig, waren die Folge, so dass zunehmend Data-Warehouse-Lösungen eingesetzt wurden. 1 Die Verarbeitung, vor allem aber die Analyse der Daten zur Schaffung eines Wettbewerbsvorteils, wird zunehmend bedeutender für den Erfolg eines Unternehmens. Dies ist der Ansatzpunkt für das Data Mining. Data Mining ist jedoch keine neue Technologie. Die ersten Entwicklungen gab es bereits in den 70er Jahren, in denen Data-Mining-Verfahren entwickelt wurden, um die in der Forschung entstandenen Hypothesen zu bestätigen oder zu widerlegen. In den 80er Jahren wurde dann zunehmend versucht, Zusammenhänge und Abhängigkeiten zwischen Daten mit Hilfe des Data Mining zu identifizieren. Der Durchbruch des Data Mining erfolgte jedoch erst mit dem flächendeckenden Einsatz von großen Datenbanken in Unternehmen sowie der enormen Steigerung der Rechenleistung bei gleichzeitigem Verfall der Kosten für die entsprechenden Systeme. Mit den weiterhin stetig steigenden Datenmengen der Unternehmen gewinnt das Data Mining zunehmend an Bedeutung.»Der Data-Mining-Ansatz verspricht, als Instrument des Informationsmanagements, ein wirkungsvolles Hilfsmittel zur [Entdeckung und] Filterung relevanter Informationen zu sein.«2 Trotz der langen Entwicklungsgeschichte wurde das Data Mining vielfach als Hexenwerk oder Geheimwissenschaft angesehen:»[...] Analyseverfahren, die Unternehmen bisher unerkannte Zusammenhänge in ihren Geschäftsinformationen aufzeigen sollen, umgibt die Aura einer Geheimwissenschaft, die 1 [Projektarbeit, 2008] S.8 2 [Küppers, 1999] S

9 1 Einleitung nur Spezialisten beherrschen. Doch die Zeiten ändern sich. Data Mining wird strategisch und tatsächlich genutzt«1 Der Markt der Data-Mining-Produkte wächst rasant und entsprechendes Fachpersonal wird händeringend gesucht. An Hochschulen (nicht nur an der Fachhochschule Dortmund) finden vermehrt Data-Mining-Seminare statt und auch Schulungen erfreuen sich zunehmender Beliebtheit. So verwundert es nicht, dass auch SAP die Zeichen der Zeit erkannt hat und seit längerem die Entwicklung der Data-Mining-Lösung innerhalb ihrer Systeme forciert.»das Spektrum an Verfahren, die Möglichkeiten zum modulübergreifenden Einsatz und die Integration in grafische Entwicklungswerkzeuge haben in SAP [BI 7.0] einen vorläufigen Höhepunkt erreicht.«2 Die Basis für den Einsatz von Data Mining im SAP BI 7.0 wurde bereits in der vorangegangen Projektarbeit gelegt, indem das vorbereitende Werkzeug, der Analyse- Prozess-Designer, mit seinen Funktionen und Einsatzgebieten ausführlich beschrieben wurde. In dieser Diplomarbeit gilt es nun die Möglichkeiten zu erörtern und zu bewerten, die im Rahmen des Data Mining im SAP BI 7.0 zur Verfügung stehen evu.it GmbH 3 Die Durchführung dieser Diplomarbeit erfolgt in Zusammenarbeit mit der Firma evu.it GmbH. Sie ist ein international tätiges Beratungsunternehmen für die Ver- und Entsorgungswirtschaft, die öffentliche Verwaltung sowie den öffentlichen Personennahverkehr. Mit ihrem Hauptsitz in Dortmund sowie weiteren Standorten in Kiel, Mannheim, Nürtingen und Rostock, bietet die evu.it GmbH ein breites Angebot an Beratungs- und Entwicklungsleistungen mit Schwerpunkt auf die Produkte SAP sowie Microsoft Dynamics NAV. Die Geschäftsbereiche der evu.it GmbH gliedern sich wie folgt: Enterprise Solution Consulting Billing Business Intelligence Customer Relationship Management Energy Data Management Enterprise Resource Planning Public Sector Development Die evu.it GmbH ist eine 100%ige Tochter der rku.it GmbH in Herne. Das Leistungsangebot der rku.it GmbH umfasst neben der Bereitstellung von Anwendungssystemen und deren 1 [Computerwoche, 2007] 2 [KiVa, 2007] S.12 3 [EVU-IT, 2008] - 9 -

10 1 Einleitung individueller Anpassung auch das Hosting von Systemen im rku.it-rechenzentrum. Umfangreiche Schulungsprogramme und umfassender Support runden das Leistungsspektrum ab. 1.2 Zielsetzung der Arbeit Das Ziel dieser Arbeit ist es, die Möglichkeiten, Funktionen und Einsatzgebiete der Data- Mining-Lösung im SAP BI 7.0 zu erörtern und zu beschreiben. Zu diesem Zweck sollen zunächst die Grundlagen des Data Mining behandelt werden, indem die verschiedenen Begrifflichkeiten definiert und voneinander abgegrenzt werden. Zusätzlich soll ein erster, allgemeiner Überblick über die Data-Mining-Verfahren geschaffen sowie die Voraussetzungen und Vorgehensweisen für erfolgreiches Data Mining bestimmt werden. Um das Data Mining im SAP BI 7.0 durchführen zu können ist es notwendig, das Werkzeug, die sogenannte Data-Mining-Workbench, näher kennen zu lernen. Daher soll der Aufbau und die Funktionsweise der Data-Mining-Workbench sowie die Verbindung und das Zusammenspiel zur Analyse-Prozess-Designer-Workbench dargestellt werden. Der Großteil der Arbeit soll sich anschließend mit den verschiedenen im SAP BI 7.0 implementierten Data-Mining-Verfahren beschäftigen. Dabei soll erörtert werden, wie die Techniken generell arbeiten und wie sie im SAP BI 7.0 umgesetzt worden sind. Die dafür benötigten mathematischen Kenntnisse, die zum Verständnis und zur Konfiguration von Bedeutung sind, sollen anschaulich beschrieben werden. Zusätzlich sollen Beispiele genannt werden, in denen das jeweilige Verfahren in der Versorgerbranche sinnvoll eingesetzt werden kann. Abschließend soll die Umsetzung des Verfahrens im SAP BI 7.0 bewertet und Verbesserungspotentiale aufgezeigt werden. Den Abschluss dieser Arbeit soll eine praxisorientierte Fallstudie mit Bezug zur Versorgerindustrie bilden, die nach einem ausgewählten Vorgehensmodell schrittweise durchgeführt und beschrieben wird. 1.3 Abgrenzung Der Analyse-Prozess-Designer wurde bezüglich der Funktionsweise, der Bedienung, den Einsatzgebieten und der Integration in das Business Warehouse bereits ausführlich in der vorangegangen Projektarbeit beschrieben, ebenso wie der gesamte ETL-Prozess (Extraktion, Transformation, Laden) der Datenbeschaffung sowie das Objektkonzept und der Datenfluss. Somit wird die Projektarbeit als Grundlage für diese Diplomarbeit verstanden und einzelne Teilaspekte werden nicht erneut dargestellt. 1 Data Mining ist ein sehr komplexes Themengebiet, das einem stetigen Wandel unterliegt und in dem die vielen unterschiedlichen Data-Mining-Verfahren ständig weiter- oder neuentwickelt werden. In dieser Arbeit sollen jedoch nur die im SAP BI 7.0 implementierten 1 [Projektarbeit, 2008] passim

11 1 Einleitung Verfahren erläutert und dargestellt werden. Eine Gesamtübersicht über alle aktuellen Data- Mining-Techniken ist an dieser Stelle nicht zu leisten 1 und in Anbetracht der Zielsetzung auch nicht sinnvoll. Bei der Beschreibung der Data-Mining-Verfahren im SAP BI 7.0 liegt der Schwerpunkt in der Anwendung und nicht in der mathematischen Herleitung. Daher wird versucht, den mathematischen Exkurs auf das Nötigste zu beschränken, indem lediglich diejenigen Aspekte mathematisch erläutert werden, die für das Verständnis, den Ablauf und die Konfiguration des jeweiligen Modells von Bedeutung sind Eingesetzte Software Die offiziellen Produktbezeichnungen von SAP sind recht unübersichtlich. Bis zu der Version 3.3 wird das System als SAP Business Information Warehouse bezeichnet. Die Bezeichnung des Nachfolgers lautet SAP Netweaver Das in dieser Arbeit verwendete System trägt die offizielle Bezeichnung SAP Netweaver 7.0 oder SAP Neatweaver 2004s oder SAP BI 7.0. Das neueste derzeit verfügbare System ist SAP Netweaver 7.1. Im Rahmen dieser Diplomarbeit wird ausschließlich und einheitlich die Bezeichnung SAP BI 7.0 für das verwendete System benutzt, da sich dieser Begriff, neben der inoffiziellen Bezeichnung BW 7.0, in der Praxis durchgesetzt hat. Folgende SAP-Systeme kommen zum Einsatz: SAP BI 7.0 Testsystem der rku.it und evu.it SAP R/3 mit IS-U (Industry Solution for Utilities)-Modul (Spiegelung eines Produktivsystems; Stand Mai 2008) SAP BW 3.5 Produktivsystem mit der vollständigen Verkaufsstatistik SAP GUI 640 mit Business Explorer (BEx Analyzer, BEx Query Designer) Die gesamte Ausarbeitung und damit auch die Umsetzung erfolgt im BI 7.0-Testsystem. Die anderen Systeme werden lediglich für die Datenbeschaffung im Rahmen der Fallstudie benötigt. 1 Weiterführende Informationen siehe [Küppers, 1999] passim, [Petersohn, 2005] passim 2 Weiterführende Informationen siehe [Petersohn, 2005] passim, [Sachs, 1992] passim

12 2 Einführung Data Mining 2 Einführung Data Mining Im Mittelpunkt des folgenden Kapitels steht die Definition, Erläuterung und Abgrenzung des Data Mining und Knowledge Discovery in Databases (KDD) sowie ihre Einordnung im Gesamtkomplex des Business Intelligence (BI). Nach einer einführenden Darstellung der grundlegenden Aufgaben, Ziele und Potentiale, folgt eine kategorisierte Übersicht der verschiedenen Data-Mining-Verfahren. Anschließend werden die wesentlichen Unterschiede zwischen den beiden Analysemethoden OLAP (Online Analytical Processing) und Data Mining herausgearbeitet. Den Abschluss dieser Einführung bildet die Darstellung verschiedener Prozess-Modelle, die den Ablauf eines Data-Mining-Prozesses ganzheitlich beschreiben. 2.1 Data Mining Der rasante Anstieg der IT-Systeme in allen Unternehmensbereichen führt seit den 90er Jahren in allen Branchen zu immer größeren und unübersichtlicheren Datenbeständen. Jeder Kontakt eines Kunden mit einem Unternehmen führt zu einer Vielzahl an Informationen, die erhoben, gespeichert und verwaltet werden müssen. Beginnend bei dem Abschluss eines Vertrages mit einem Dienstleistungsunternehmen, über den täglichen Einkauf im Supermarkt, bis hin zur Nutzung des Internets, werden Unmengen von Daten gespeichert, die nicht nur persönliche oder geschäftliche Informationen enthalten, sondern auch Vorgänge und Verhalten einzelner Personen oder Gruppen beschreiben. Mit Hilfe der Analyse dieses Datenmaterials erhoffen sich Unternehmen zunehmend den entscheidenden Wettbewerbsvorteil gegenüber der Konkurrenz. Der englische Begriff Mining stammt aus dem Bergbau und kann mit Abbau oder Gewinnung übersetzt werden. Das englische Verb to mine sth. bedeutet soviel wie etwas abbauen, etwas fördern oder in etwas graben. Diese Übersetzungen geben im Zusammenhang mit den bereits genannten Ausführungen einen ersten anschaulichen Eindruck, welches die Ziele des Data Mining sind. Ähnlich wie im Bergbau ist es die Aufgabe des Data Mining die nuggets zu finden; genauer gesagt die knowlegde nuggets. 1 Dabei erschwert es das stetig steigende Datenvolumen, diese neuen, interessanten und für ein Unternehmen bedeutenden Informationen zu extrahieren. Das Wissen, das aus diesen Informationen gewonnen werden kann, unterstützt die Entscheidungsträger in einem Unternehmen bei allen strategischen, taktischen und operativen Entscheidungen. 1 [Cubeserv, 2008]

13 2 Einführung Data Mining Die meisten Entscheidungen in einem Unternehmen werden in Unwissenheit über die Konsequenzen und Entwicklungen in der Zukunft getroffen. So werden beispielsweise Lagerbestände gekauft oder verkauft, ohne zu wissen wie sich die zukünftige Preisentwicklung gestaltet oder es werden Kredite vergeben, ohne Aussagen über das zukünftige Verhalten der Kunden machen zu können. Unternehmerische Entscheidungen werden demnach oft unter dem Aspekt der Unsicherheit und Ungewissheit getroffen. 1 Da nach wie vor der Blick in die Zukunft nicht möglich ist, werden Daten der Vergangenheit verwendet, um Entscheidungen über die Zukunft zu treffen. Dabei wird davon ausgegangen, dass Muster der Vergangenheit ( Meier war bisher immer pünktlich ) auch den Mustern der Zukunft entsprechen ( Meier ist auch morgen wieder pünktlich ). Diesen grundsätzlichen Gedankengang verfolgen auch die verschiedenen Verfahren des Data Mining. Das heißt, auf Basis der vorhandenen Daten werden neue, nicht triviale Informationen gewonnen, die für ein Unternehmen von besonderer Bedeutung sein können und zukünftige Entscheidungen unterstützen.»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.«2 Die Entwicklungsgeschichte 3 des Data Mining ist in Abbildung 1 veranschaulicht: Abbildung 1: Entwicklungsgeschichte Data Mining 4 1 [Kandel et al., 2001] Preface 2 [AsSi, 2002] 3 In Anlehnung an [Doug, 2008] 4 In Anlehnung an [BW380, 2005] S

14 2 Einführung Data Mining 2.2 Knowledge Discovery in Databases Im Zusammenhang mit Data Mining wird oftmals der Begriff Knowledge Discovery in Databases als Synonym verwendet. Über diese Betrachtungsweise herrscht jedoch noch immer Uneinigkeit, was folgende Definition deutlich macht:»data Mining ist ein Teilschritt des KDD-Prozesses, der aus bestimmten Algorithmen besteht, die in akzeptabler Rechenzeit aus einer vorgegebenen Datenbasis eine Menge von Mustern liefern«1 Demnach ist das Data Mining nur ein Teilschritt, der sich mit der eigentlichen Datenanalyse beschäftigt, während der gesamte KDD-Prozess als übergreifender Prozess des Data Mining verstanden wird, dem auch die Vorbereitung und Konsolidierung der Daten sowie die Bewertung und Interpretation der Ergebnisse zugeordnet werden. 2»Knowledge Discovery in Databases bezeichnet den nicht-trivialen Prozess der Identifikation valider, neuartiger, potentiell nützlicher und klar verständlicher Muster in Daten.«3 Diese Abgrenzung zwischen Data Mining und KDD sowie die Einordnung beider Begriffe in den Kontext des Business Intelligence ist in Abbildung 2 dargestellt: Abbildung 2: Einordnung BI, KDD und DM 4 Es wird deutlich, dass sowohl der KDD-, als auch der Data-Mining-Prozess lediglich Teilprozesse innerhalb des Gesamtkomplex Business Intelligence sind. Das Data Mining ist nach der o.g. Definition wiederum nur ein Teilschritt innerhalb des Knowledge Discovery in Databases. 1 [Säuberlich, 2000] 2 [KiVa, 2007] S.19 3 [Fayyad et al., 1996] S.6 4 In Anlehnung an [KiVa, 2007] S

15 2 Einführung Data Mining Dieser Versuch der Präzisierung, der historisch getrennt voneinander gewachsenen Begriffe, ist durchaus sinnvoll und verständlich, jedoch zeigt sich, dass diese Trennung in der Praxis nicht angewandt wird. Folgende Gründe können dafür genannt werden: 1 Data Mining als Überbegriff für eine Sammlung und Kombination von verschiedenen Verfahren zu verstehen reicht kaum aus, um dafür einen neuen Begriff zu definieren. Die Vorstellung in Datenbergwerken nach Informationen zu graben ist wohl eingängiger und anschaulicher als Wissen zu entdecken.»die ergänzenden Prozeßschritte, die [ ] aus Data-Mining-Methoden den KDD-Prozeß bilden, nämlich die Vor- und Nachbearbeitung sowie die Tatsache, dass ein iteratives Vorgehen nötig ist, könnten somit leicht als notwendiges aber nicht begriffsbestimmendes Beiwerk betrachtet werden.«2 Aus den genannten Gründen werden im weiteren Verlauf der Arbeit die Begriffe Knowledge Discovery und Data Mining synonym verwendet. 2.3 Übersicht der Data-Mining-Verfahren In der Literatur gibt es viele verschiedene Ansätze, die versuchen, die Vielzahl an Methoden des Data Mining zu strukturieren. Beispielsweise werden alle Methoden auf nur einer Ebene (der Verfahren) verteilt. 3 Alternativ werden zwei Ebenen 4 verwendet (Verfahren und Techniken bzw. Aufgaben und Methoden) oder sogar drei Ebenen 5 (primäre Ziele, Methoden, Algorithmen). Im Folgenden wird ein Ansatz mit zwei Ebenen gewählt. Die erste Ebene wird als Aufgaben, die zweite als Methoden (oder Verfahren) bezeichnet. Den folgenden Aufgaben können die einzelnen Methoden zugewiesen werden: Segmentierung Klassifikation Prognose Abhängigkeitsanalyse Abweichungsanalyse Segmentierung Bei der Segmentierung werden Objekte in sinnvolle und interessante Gruppen und Klassen aufgeteilt. Die Gruppen sind dabei im Vorfeld nicht bekannt. Anhand der gemeinsamen Eigenschaften der Objekte werden sie in die neu entstandenen Gruppen eingeordnet. Ein Beispiel für die Segmentierung sind die Bezeichnungen Yuppies (young urban professionals) 1 [Küppers, 1999] S.24 2 ebd. 3 [ChaGlu, 1998] S.301ff 4 [Schinzer, 1999], [AlNi, 2000] S.9ff 5 [Fayyad et al., 1996] S.1ff

16 2 Einführung Data Mining oder Dinks (double income no kids). 1 Mit Hilfe der Segmentierung sind beispielsweise gezielte Marketingaktionen möglich. Oftmals ist die Segmentierung nur ein Teilschritt im gesamten Data-Mining-Analyseprozess, denn kleinere, homogene Teilmengen können zumeist besser analysiert werden. Beispielsweise erschwert die Betrachtung aller Kunden das Erkennen von Mustern im weiteren Verlauf des Data-Mining-Prozess. Die Einschränkung in Abhängigkeit von den gewählten Zielsetzungen, auf z.b. alle besonders wertvollen Kunden oder alle Kunden mit schlechter Zahlungsmoral, ist zumeist sinnvoller. Klassifikation Die Klassifikation dient der Zuordnung von Objekten zu Klassen, die im Vorfeld definiert worden sind. Das bedeutet, wenn die Eigenschaften des Objekts mit denen der Klasse übereinstimmen, wird dieses Objekt der Klasse zugewiesen. Die Klassen besitzen dabei oftmals beschreibende Namen, z.b. guter Kunde, schlechter Kunde. Die Zuordnung der Objekte kann zumeist über Regeln ausgedrückt werden (z.b. wenn Einkommen > 3000 dann ist es ein guter Kunde ). Dabei wird mit einer Trainingsmenge (z.b. die bekannten guten Kunden ) ein Modell erzeugt, das später neue, bisher unbekannte Objekte den Klassen zuordnen kann. Dieses Modell wird auch Klassifikator genannt.»klassifikation ist eines der wichtigsten Data Mining Ziele, weil sich viele Anwendungsprobleme darauf abbilden lassen.«2 Die Bildung der Klassen kann auch mit Hilfe der Segmentierung durchgeführt werden, um so Gruppierungen erzeugen zu können, die zuvor nicht bekannt sind. Prognose Die Prognose (oder Vorhersage) ist in ihrer Zielsetzung sehr eng mit der Klassifikation verknüpft. Auch die Klassifikation erlaubt die Vorhersage unbekannter Merkmalswerte. Dabei werden jedoch eher symbolische Werte vorhergesagt (z.b. guter Kunde ), während in der Prognose stetige Werte erzeugt werden (z.b. Umsatz im nächsten Monat). Aufgrund ihrer engen Verbindung, werden die Methoden beider Aufgaben oftmals unter einem Begriff zusammengefasst. 3 Abhängigkeitsanalyse Die Abhängigkeitsanalyse versucht Beziehungen zwischen verschiedenen Merkmalen von Objekten aufzudecken. Dabei können entweder feste Zeitpunkte (z.b. fettarme Milch wird häufig zusammen mit fettarmen Joghurt gekauft ), verschiedene Zeitpunkte (z.b. 5-6 Monate nach Kauf einer Digitalkamera werden oftmals digitale Videokameras gekauft ) 1 [AlNi, 2000] S.10 2 [Nakhaeizdaeh, 1998] S.8 3 [Säuberlich, 2000]

17 2 Einführung Data Mining oder Zeitverläufe (z.b. bei verschiedenen Aktienkursen) betrachtet werden. Mit Hilfe der Abhängigkeiten kann demnach die Wahrscheinlichkeit für das Eintreten einer bestimmten Merkmalsausprägung berechnet werden. Abweichungsanalyse Die Abweichungsanalyse bildet das Gegenstück zur Abhängigkeitsanalyse. Es werden dabei die Objekte identifiziert, die nicht mit den Regelmäßigkeiten der meisten anderen Objekte übereinstimmen und sich so nicht in ein vorhandenes Muster einordnen lassen. Ziel dabei ist es, die Gründe für die Abweichung festzustellen (z.b. warum die Umsätze ähnlicher Produkte unterschiedlich stark gestiegen sind). Die Abweichungs- und die Abhängigkeitsanalyse werden vielfach unter einem Begriff zusammengefasst. In der Literatur existieren noch weitere Aufgaben des Data Mining. Dies ist darin begründet, dass viele der Data-Mining-Methoden eng miteinander verbunden sind (z.b. im Bereich der Prognose und der Klassifikation) und sich deshalb nicht eindeutig einem Aufgabentyp zuordnen lassen. Oftmals werden Methoden (z.b. Regressionsanalyse) auch als Bestandteil der Statistik angesehen und nicht als Aufgabengruppe genannt oder sie sind zu trivial (z.b. Datenzusammenfassung) um als eigene Aufgabe definiert zu werden. 1 Da oftmals erst die Kombination verschiedener Verfahren (z.b. Segmentierung und anschließend eine Abhängigkeitsanalyse auf die einzelnen Segmente) zu einem brauchbaren Ergebnis führt, ist die eindeutige Kategorisierung der Methoden schwierig. Zu allen genannten Aufgaben gibt es hunderte von verschiedenen Data-Mining-Methoden und deren Varianten. Im Fokus dieser Arbeit stehen jedoch die folgenden im SAP BI 7.0 implementierten Techniken: Assoziationsanalyse Clusteranalyse ABC-Analyse Scoringanalyse Entscheidungsbaum Regressionsanalyse Wie diese Methoden in eine mögliche Struktur 2 gebracht werden können, ist in Abbildung 3 dargestellt. 1 [AlNi, 2000] S.10 2 Basierend auf einem Vorschlag von [Säuberlich, 2000]

18 2 Einführung Data Mining Abbildung 3: Einordnung der Data-Mining-Methoden 1 Wie bereits erläutert, sind die Aufgaben Prognose und Klassifikation ebenso wie die Abhängigkeits- und die Abweichungsanalyse sehr eng miteinander verknüpft. Aus diesem Grund wurden sie in der Darstellung in einer Aufgabe zusammengefasst. Die zusätzlich genannten, aber nicht im SAP BI 7.0 implementierten Methoden werden im weiteren Verlauf nicht näher erläutert. 2 Zusätzlich zur Einteilung in Aufgaben, ist eine Unterscheidung zwischen überwachtem und unüberwachtem Lernen möglich. Beim überwachten Lernen wird das Data-Mining-Modell zunächst mit bekannten Ausprägungen trainiert. Lauten die Zielvariablen beispielweise kreditwürdig und nicht kreditwürdig, dann werden zunächst alle bekannten kreditwürdigen Kunden an das Modell übergeben. Dieses lernt aus den gegebenen Objekten, was die Eigenschaften eines kreditwürdigen Kunden sind. Anschließend kann so bei einem neuen Kunden vorhergesagt werden, ob dieser kreditwürdig ist. Beim unüberwachten Lernen muss das Data-Mining-Verfahren eine Lösung finden, ohne dass zuvor anhand vorgegebener Daten gelernt werden kann. Beispielsweise muss bei der Clusteranalyse das Verfahren selbst entscheiden, welche Gruppen und Klassen von Objekten aufgrund ihrer Eigenschaften gebildet werden können. 2.4 OLAP vs. Data Mining OLAP ist, wie auch das Data Mining, einer der Bestandteile der Business Intelligence- oder Data Warehouse-Anwendungen. Es beschreibt ein multidimensionales Datenhaltungskonzept, mit dem umfangreiche Geschäftsanalysen möglich sind. Die zu analysierenden Quelldaten, die sich zumeist in relationalen (eindimensionalen) Datenbanktabellen befinden, werden dabei in einen mehrdimensionalen Datenwürfel abgelegt (z.b. mit den Dimensionen Produkt, Zeit, Region etc.). Dieser kann anschließend aus verschiedenen Sichten betrachtet werden, indem z.b. einzelne Elemente und Schichten des Würfels gedreht, ausgeblendet, erweitert oder ausgetauscht werden. 3 1 In Anlehnung an [KiVa, 2007] S.27 2 Weiterführende Informationen siehe Literatur aus Abschnitt 13 3 Weiterführende Informationen siehe [AlNi, 2000] S.14ff, [Nakhaeizdaeh, 1998] S

19 2 Einführung Data Mining Die wesentlichen Unterschiede zwischen OLAP und Data Mining werden in Abbildung 4 veranschaulicht: Abbildung 4: OLAP vs. Data Mining 1 Der größte Unterschied zwischen beiden Anwendungen liegt darin, dass OLAP den hypothesengestützten Analysemethoden zugeordnet wird. Das bedeutet, dass bereits im Vorfeld konkrete Fragestellungen definiert werden müssen, die anschließend durch die Analyse bestätigt oder abgelehnt werden. Es handelt sich demnach um ein nutzergesteuertes Top-Down-Verfahren, in dem die Dimensionen bekannt und die Daten vorstrukturiert sind. Im Gegensatz dazu kann das Data Mining als datengesteuerter Bottom-Up-Ansatz betrachtet werden, in dem der Anwender durch die Hypothesenfreiheit die Ergebnisse weniger beeinflusst. Nur so kann das Data Mining zu Ergebnissen und Erkenntnissen führen die zuvor gar nicht in Erwägung gezogen wurden. Im Gegensatz zum OLAP, wo der Anwender in Kombination mit dem Analysewerkzeug die entscheidende Position einnimmt, betrachtet das Data Mining selbständig die Daten und versucht daraus Zusammenhänge, Muster und Trends zu erkennen.»bildlich gesprochen bedeutet dies, dass Unternehmen, die nur die vergangenheitsbasierte OLAP-Technologie zur Datenanalyse anwenden, in einem Auto zu ihrer Orientierung nur den Rückspiegel benutzen. Im Gegensatz dazu blicken Unternehmen mit einem erfolgreichen Data-Mining-Ansatz zusätzlich auch durch die Frontscheibe des Autos und erhalten so eine vorausschauende, zukunftsorientierte Perspektive auf ihre Kunden und Geschäftsvorfälle.«2 OLAP und Data Mining sind dabei jedoch keine gegensätzlichen, sich ausschließenden Ansätze, sondern ergänzen sich und führen bei gemeinsamer Nutzung zu Synergieeffekten. So werden Data-Mining-Techniken oftmals im Vorfeld der OLAP-Analyse eingesetzt, um z.b. Informationen bereitzustellen, die gar nicht oder nur durch eine umfangreichere Interaktion des Anwenders mit dem OLAP-Werkzeug ersichtlich geworden wären. 1 In Anlehnung an [CubeServ, 2008] 2 [CubeServ, 2008]

20 2 Einführung Data Mining 2.5 Voraussetzungen für erfolgreiches Data Mining Data Mining ist kein geheimnisvolles Hexenwerk, das aus dem Nichts Zusammenhänge, Muster und Trends erkennt und nur von wenigen Experten verstanden werden kann. Es reicht andererseits aber auch nicht aus, eine Data-Mining-Software zu installieren und zu hoffen, dass dies allein schon zu vollkommen neuen Informationen und Wissen führt, welches dem Unternehmen einen Wettbewerbsvorteil gegenüber der Konkurrenz verschafft. Für ein erfolgreiches Data Mining sind vielmehr einige Voraussetzungen zu schaffen 1 : Business Understanding Das Hintergrundwissen für Abläufe und Prozesse im Unternehmen mit Bezug auf die Zielsetzungen des Data Mining sind von entscheidender Bedeutung. Nur mit den entsprechenden Kenntnissen können die richtigen Daten und das ideale Data-Mining- Verfahren sowie dessen Konfiguration ausgewählt werden. Darüber hinaus ist auch nur so die Validierung der Ergebnisse möglich. Problembewusstsein Im Zusammenhang mit dem Business Understanding ist auch das detaillierte Problembewusstsein wichtig. Nur wenn man verstanden hat was die Zielsetzungen bzw. die Probleme sind, kann die Aufgabenstellung effizient und korrekt gelöst werden. Kenntnisse über die Data-Mining-Verfahren Zunächst muss ein grundlegendes Verständnis über die Data-Mining-Verfahren vorhanden sein, um eine geeignete Methode auswählen zu können. Zusätzlich sollten die Kenntnisse soweit ausgeprägt sein, dass die einzustellenden Parameter und deren Auswirkungen auf die Ergebnisse des Data-Mining-Prozess bekannt sind. Akzeptanz der Endanwender Generell hängt der Erfolg von IT-Systemen und Anwendungen in erster Linie von der Akzeptanz der Endanwender ab. Dies ist insbesondere auch beim Data Mining der Fall. Dabei muss das Endergebnis verständlich und die Durchführung in kurzer Zeit möglich sein. Außerdem sollten die Ergebnisse neue, noch nicht bekannte Sachverhalte beschreiben. Hohe Datenqualität Einer der entscheidenden Faktoren für den Erfolg des Data Mining ist die Qualität der Daten. Nur auf Basis einer hohen Datenqualität können aussagekräftige Analysen und Auswertungen durchgeführt werden. Wenn fehlerhafte, doppelte, inkonsistente oder anderweitig qualitativ minderwertige Daten vorliegen, führt das Data Mining zu fehlerhaften Aussagen und damit zu falschen operativen oder strategischen Entscheidungen ( garbage in garbage out ). 1 [KiVa, 2007] S.30ff