Data Mining Studie. Schwerpunkt. Praxistest & Benchmarking Prognosemodelle im Kundenbindungsmanagement

Transkript

1 Data Mining Studie Praxistest & Benchmarking 2012 Schwerpunkt Prognosemodelle im Kundenbindungsmanagement

2 März 2012 mayato GmbH Alle Rechte vorbehalten.

3 Analystenteam Peter Neckel (Lead Analyst) Peter Gerngroß Patrick Bottelberger Armin Kita Duy Florent Pham-Anh Dr. Marcus Dill

4 Inhaltsverzeichnis Kurzzusammenfassung 1 Data Mining 2012: Aktuelle Trends & Marktüberblick 1.1 Wettbewerbsvorteile durch Data Mining 1.2 Steigende Anforderungen an Data-Mining-Software 1.3 Der Data-Mining-Softwaremarkt: Überblick & Taxonomie 2 Data Mining Studie 2011: Rückblick & Zusammenfassung 2.1 Testumfang 2.2 Szenario des Praxistests 2.3 Zusammenfassung der Ergebnisse 3 Studiendesign Data Mining Studie 2012: Schwerpunkt Prognosemodelle im Kundenbindungsmanagement 3.1 Testumfang & Testkriterien 3.2 Szenario des Praxistests 4 Die Kunderückgewinnung im Customer Relationship Analytics 4.1 Basisstrategien im Customer Relationship Management (CRM) 4.2 Analytische Querschnittsaufgaben im CRM 4.3 Customer Relationship Analytics 4.4 Ziele & praktisches Vorgehen bei der Kundenrückgewinnung 5 Praxistest 5.1 SAS Enterprise Miner Konzept & Benutzeroberflächen Entwicklung eines Vorhersagemodells und Ergebnisvisualisierung Alternative Modellentwicklung mit dem Rapid Predictive Modeler 5.2 StatSoft: STATISTICA Data Miner Konzept & Benutzeroberflächen Entwicklung eines Vorhersagemodells und Ergebnisvisualisierung Alternative Modellentwicklung mit Data Miner Recipes 5.3 IBM SPSS Modeler Konzept & Benutzeroberflächen Entwicklung eines Vorhersagemodells und Ergebnisvisualisierung Alternative Modellentwicklung mit dem Automatischen Klassifizierer

5 5.4 SAP BW 7: Data Mining Workbench / Analyseprozessdesigner (APD) Konzept & Benutzeroberflächen Entwicklung eines Vorhersagemodells und Ergebnisvisualisierung 5.5 Gesamtbewertung 6 Zusammenfassung & Ausblick 7 Literatur

6 Data Mining Studie 2012 Praxistest & Benchmarking Kurzzusammenfassung Explorative analytische Verfahren gibt es seit einiger Zeit in gänzlich unterschiedlichen Verpackungen : Neben den klassischen Data-Mining-Suiten gibt es spezialisierte Data- Mining-Werkzeuge für bestimmte Analyseaufgaben. Auch Hersteller von Business Intelligence Software haben vielfach Data-Mining-Funktionen in ihre Produkte integriert. Die vorliegende Data Mining Studie 2012 vergleicht anhand eines großen Testdatensatzes eines Einzelhändlers vier Data-Mining-Tools und -Suiten: SAS Enterprise Miner 7.1, STATISTICA Data Miner 10 von StatSoft, den IBM SPSS Modeler 14.2 und das SAP BW 7: Data Mining Workbench. Die diesjährige Ausgabe hat die Kundenrückgewinnung im Rahmen des Customer Relationship Analytics als Schwerpunkt. Anhand eines umfangreichen, praxisnahen Testszenarios wird der gesamte Data-Mining-Prozess durchlaufen von der Datenvorverarbeitung über die Datenexploration, die Erstellung von Prognosemodellen bis hin zur (grafischen) Darstellung und Interpretation der Ergebnisse. Die Bewertung der Tools stützt sich auf ein breites Spektrum von Einzelkriterien. Sie decken sowohl Funktionalitätsaspekte (Funktionsumfang in den Kategorien Datenvorverarbeitung, Analyseverfahren und Parametrisierung, Ergebnisvisualisierung, Gesamteffizienz) als auch die Benutzerfreundlichkeit (Stabilität, Ausführungsgeschwindigkeit, Dokumentation, Bedienung) ab. Insgesamt hinterließen die Suiten von SAS, STATISTICA und IBM SPSS einen sehr ausgereiften Eindruck. Das macht sich vor allem in sehr hoher Systemstabilität, schneller Ausführungsgeschwindigkeit und souveränem Umgang mit großen Datenmengen bemerkbar. Allerdings führen die durchweg hohe Funktionsmächtigkeit und die vielfältigen Parametrisierungsmöglichkeiten zu vergleichsweise langen Einarbeitungszeiten. Die im Test vertretenen Suiten sind jedoch ohne Einschränkungen für den professionellen Einsatz zu empfehlen und zeigen ihre Unterschiede hauptsächlich in Details: Die Stärke von SAS liegt hier in der Einbettung des Enterprise Miner in eine leistungsfähige BI-Gesamtarchitektur, die neben der Analyse flexible Möglichkeiten der Datenhaltung oder weitreichende ETL-Funktionen bietet. IBM SPSS ist es gelungen, hohe Funktionalität in eine moderne, intuitive Oberfläche zu verpacken: Der Modeler bietet insgesamt die beste Ergonomie und eine sehr gute Dokumentation. Der STATISTICA Data Miner enthält als Grundlage stets die volle Funktionalität des Statistikpakets, was z.b. mächtige Datenvorverarbeitungsfunktionen sowie eine große Anzahl an frei konfigurierbaren Grafiken einschließt. Dadurch bietet diese Lösung das beste Preis-Leistungs- Verhältnis im Testfeld und gefällt ebenso mit einer modernen Oberfläche. Seite 4 mayato GmbH T F info@mayato.com

7 Data Mining Studie 2012 Praxistest & Benchmarking Mit deutlichem Abstand folgt das SAP BW: Bei der Nutzung der Data Mining Workbench muss man vor allem Abstriche hinsichtlich des Funktionsumfangs und des Bedienkomforts in Kauf nehmen. Zudem ist die Dokumentation stark ergänzungsbedürftig, was die Einarbeitung erschwert. Insgesamt betrachtet lässt die diesjährige Studie jedoch erkennen, dass insbesondere die funktionsmächtigen Data-Mining-Suiten inzwischen einen beachtlichen Reifegrad erreicht haben. Dank eines vielfältigen Produktangebotes, zunehmend flexibler Preismodelle sowie leichter erlernbarer Bedienungskonzepte ist der Einstieg ins Data Mining für Unternehmen heute attraktiver als je zuvor. mayato GmbH Alle Rechte vorbehalten. Seite 5

8 Data Mining Studie 2012 Praxistest & Benchmarking Über die Autoren Peter Neckel ist seit 10 Jahren als Unternehmensberater in zahlreichen Praxisprojekten tätig und seit 2007 unabhängiger CRM- und Data-Mining-Analyst bei mayato. Als Lead Analyst verantwortet er die vorliegende Data Mining Studie, die seit 2008 jährlich in aktualisierter Form erscheint. Darüber hinaus ist er Autor zahlreicher weiterer Publikationen zu den genannten Themen, u.a. des Buches Customer Relationship Analytics Praktische Anwendung des Data Mining im CRM. Peter Gerngross ist Unternehmensberater und Experte für explorative Datenanalyse bei mayato. Er beschäftigt sich seit vielen Jahren in zahlreichen Projekten mit komplexen Data-Mining-Analysen und deren effizienter Nutzung in der Praxis, insbesondere im Banken- und Versicherungsumfeld. Seine Spezialgebiete sind die Entwicklung und der Einsatz von Scoringmodellen sowie die Analyse sozialer Netzwerke (Social Network Analysis). Patrick Bottelberger ist Assistent im Bereich Business Analytics und Data Mining bei mayato. In seinem Studium der Wirtschaftsinformatik verfolgt er die Schwerpunkte Business Intelligence und Business Process Management. Im Rahmen der Data Mining Studie ist er für vielfältige Rechercheaufgaben zuständig und unterstützt die Analysten in einzelnen Testszenarien. Armin Kita berät Kunden für mayato in BI-Fragen. In seiner Rolle als Business Analytics Experte konzipiert und implementiert er intelligente Prozesse und hilft, aus Massendaten entscheidungsrelevantes Wissen zu generieren. Im Rahmen der Data Mining Studien testet er aktuelle Softwarelösungen, insbesondere deren Data Mining Funktionalität. Duy Florent Pham-Anh ist seit 2008 Berater bei mayato. Seine Tätigkeit umfasst das Konzipieren und Implementieren von Data-Warehouse-Lösungen für Versicherungen und öffentliche Einrichtungen. Aufgrund seines statistischen Wissens und seiner Erfahrungen mit Statistiksoftware aus dem Open- Source-Bereich war er bereits bei der ersten Data Mining Studie als Analyst tätig. Dr. Marcus Dill ist Mitgründer und Geschäftsführer von mayato. Er hat mehr als 13 Jahre Erfahrung im Design und der Realisierung von analytischer Standard- und Spezialsoftware und gilt als ausgewiesener Experte für CRM Analytics und Data Mining. Als Berater unterstützt er große internationale Konzerne bei Entwurf und Umsetzung ihrer BI- und CRM-Strategie. Seite 90 mayato GmbH T F info@mayato.com

9 Data Mining Studie 2012 Praxistest & Benchmarking Über mayato Die mayato GmbH unterstützt Unternehmen, den optimalen Nutzen aus verfügbaren Informationen zu ziehen. Gemeinsam mit seinen Kunden entwickelt und realisiert mayato Strategien und Architekturen für Business Intelligence und Business Analytics, die Unternehmen oder Organisationen zu langfristigem Erfolg verhelfen. Alle Dienstleistungen von mayato verfolgen das Ziel, Entscheider auf den verschiedenen Unternehmensebenen mit den notwendigen Informationen sowie den richtigen Analysenwerkzeugen und Prognoseverfahren auszurüsten, damit sie eine sichere, perfekte Entscheidung treffen können. mayato ist als Analysten- und Beraterhaus spezialisiert auf Business Intelligence. In diesen Bereichen deckt ein Team von erfahrenen IT- und BI-Architekten, Statistikern, Analysten und fachlichen Experten das komplette Spektrum an Dienstleistungen ab: mayato untersucht und evaluiert Technologien, Tools und Trends, erstellt fachliche Konzeptionen und Vorschläge für die Optimierung von Prozessen, entwirft und realisiert BI-Infrastrukturen zu deren Umsetzung und hilft bei der Analyse von Daten, insbesondere dort, wo komplexe statistische Verfahren oder Data Mining ins Spiel kommen. Technische Expertise wird ergänzt durch fachliches Knowhow in vielen Spezialgebieten wie beispielsweise Betrugserkennung oder Analytisches CRM. Die mayato GmbH hat ihren Sitz in Berlin und mehrere Niederlassungen deutschlandweit. Zu den Kunden von mayato zählen namhafte große und mittelständische Unternehmen aus unterschiedlichen Branchen. Als Partner mehrerer Softwareanbieter ist mayato grundsätzlich der Neutralität und in erster Linie der Qualität seiner eigenen Dienstleistungen verpflichtet. Nähere Infos unter Kontakt: mayato GmbH Am Borsigturm 9 D Berlin Ansprechpartner: Georg Heeren Tel georg.heeren@mayato.com mayato GmbH Alle Rechte vorbehalten. Seite 91

10

11

12 mayato GmbH Am Borsigturm Berlin T info@mayato.com