Kurz erklärt – Process Mining

Was ist Process Mining small

Process Mining ist eine Methode des Prozessmanagements und wird auch manchmal als Automated Business Process Discovery (ABPD) bezeichnet. Als Grundlage werden reale Prozesse analysiert. Angenommene oder theoretische Prozesse werden nicht mit Process Mining betrachtet, da elektronische Ereignisprotokolle zum Funktionieren der Methode vorliegen müssen. Process Mining kombiniert Techniken aus den Bereichen des Data Minings, der Computional Intelligence, der Prozessmodellierung und -analyse.

Die Methode ist datengestützt und fokussiert auf die Analyse von Event-Logs. Event Logs sind Informationen zu einzelnen Schritten im Prozess, die in IT-Systemen gespeichert sind. Log Dateien geben Ereignisse in zeitlicher Ordnung wieder und lassen sich einem bestimmten Schritt oder einer bestimmten Person im Prozess zuordnen. Jeder Arbeitsschritt, der digital unterstütz wird, hinterlässt diese Spuren als Logs im IT-System, die dann zur Auswertung genutzt werden. So können Trends und Muster identifiziert werden, Schwachstellen aufgedeckt werden und typische Geschäftsprozesse besser verstanden werden. Das alles hilft, diese zu optimieren.

Außerdem ermöglicht Process Mining einen objektiven Blick auf die bestehenden Prozesse, den Sie beim „menschlichen“ Analysieren von Geschäftsprozessen nicht bekommen würden. Jeder Mitarbeiter hat wahrscheinlich unterschiedliche Vorstellungen davon, warum ein Prozess nicht reibungslos abläuft. Durch Process Mining können Sie auf Basis von Daten und Fakten optimieren und müssen nicht nur auf Grund von persönlicher Einschätzung handeln.

Beispiele für Prozesse, die durch Process Mining häufig analysiert werden, sind Vertriebsprozesse, Fertigungsprozesse, Logistikprozesse oder IT-Service Management-Prozesse. Einzige Voraussetzung ist das Vorliegen eines elektronischen Ereignisprotokolls, dass ausgewertet werden kann.

Process-Mining ist teilweise mit Data-Mining verwandt und die Begrifflichkeit auch davon geprägt. Eine sehr große Menge an Daten wird ausgewertet, um hilfreiche Einsichten zu gewinnen oder zu schöpfen. Im Gegensatz zu Data Mining, wird allerdings nicht ein spezifischer Vorfall oder eine definierte Herausforderung ausgewertet, sondern ein gesamter Geschäftsprozess.

Ein Nachteil von Process Mining ist, dass Schritte im Prozess, die ausschließlich analog stattfinden, nicht mit ausgewertet werden können. Ein Gefühl, das der Mitarbeiter bei der Ausführung eines Arbeitsschrittes hat oder der Gesichtsausdruck des Kunden bei der Interaktion mit dem Kundenservice, fehlen so zum Beispiel in der Analyse. Das sollte bei der Betrachtung der Ergebnisse aus dem Process Mining unbedingt im Hinterkopf behalten werden. Nichtsdestotrotz bietet Process Mining wertvolle Einblicke.

DARPA Open Catalog: DARPA goes Open Source

Die DARPA hat mit dem DARPA Open Catalog einen großen Teil ihrer nichtklassifizierten Forschungs- und Entwicklungssarbeit veröffentlicht. Sie verspricht sich davon, dass Wissenschaft und Forschung ihre Erkenntnisse evaluieren und die staatsfinanzierten Open Source-Programme wie etwa XDATA (ein Ansatz um Kampfpiloten die Datenmengen von Big Data übersichtlich zur Verfügung zu stellen) dadurch weiterbringen und will, falls das Konzept aufgeht, weitere Projekte online stellen. Der DARPA Open Catalog gliedert sich in zwei Kategorien: einerseits Publikationen, andererseits Software mit einem Link zu den entsprechenden Git Repositories.

| | |

Continue reading “DARPA Open Catalog: DARPA goes Open Source”

Kundenanalyse im E Commerce

Heutzutage kann BestandsManagement, Kundenbindung und Prognosefähigkeit längst nicht mehr mit Augenmaß oder Hausverstand umgesetzt werden. Nur wer seine Kunden kennt, kann gezieltes Online-Marketing betreiben und seinen Kunden auch etwas verkaufen. Mithilfe moderner software und komplexer Berechnungsmethoden können Kunden in ihrem Kaufverhalten mittlerweile gut analysiert werden, was eine gute Prognosefähigkeit nach sich zieht. Einer zielgerichteten Bedarfsanalyse steht damit nichts mehr im Wege – Lagerbestände werden in weiterer Folge optimiert und die Wettbewerbsfähigkeit wird gestärkt.

Unternehmen im Bereich E Commerce können ihre Profitabilität nur dann steigern, wenn sie ihre Kunden gut einschätzen können. Kundenanalyse macht es dem Anbieter möglich, Verhaltensmuster zu analysieren und Prognosen abzuleiten. Zur Kundenanalyse zählt auch, dass seitens des Unternehmens auf Aktionen von Kunden reagiert wird. Internetauftritte werden verbessert und die Usability im elektronischen Bestellvorgang optimiert.BestandsManagement kann unter Zuhilfenahme sicherer HochRechnungen erfolgen und Kundenbeziehungen werden langfristig aufrechterhalten. Unlängst veröffentlichte der Versandhändler Mirapodo seine Pläne für mehr Transparenz durch Kundenanalysen (m.itmittelstand.de berichtete)

E Commerce, Customer Data Mining und Kundenanalyse


Der Begriff E Commerce, welcher auch mit „Elektronischer Markt“ oder „Elektronischer Handel“ übersetzt werden kann, wird in der Literatur unterschiedlich definiert. Zusammenfassend stellt Electronic Commerce die Gesamtheit aller Prozesse, Mechanismen und Bausteine dar, die zur informationstechnischen Unterstützung von Transaktionen im elektronischen Handel zwischen einzelnen Marktteilnehmern notwendig sind (Vgl: Merz, 1998, S 18.). Das „Customer Data Mining“ im E Commerce, wie zum Beispiel die Kundenanalyse und -prognose, bezeichnet das „Graben“ und „Schürfen“ nach wertvollen Kundeninformationen. Ursprünglich kam der Begriff „Mining“ aus dem Bergbau und bezog sich auf technologische Verfahren, die dazu dienten, inmitten von großen Gesteinsmengen Edelmetalle oder Edelsteine aufzuspüren. Heute werden durch Data Mining im E Commerce mithilfe von Algorithmen Verhaltensmuster in den kundendaten dargestellt. Hierbei kann zum Beispiel das Kundenverhalten analysiert und so die Kundenbeziehungspflege gefördert werden, da man die Vorlieben und Interessen der einzelnen Kundensegmente einschätzen kann.

Methoden und Bereiche des Data Mining


Die Kundenanalyse mithilfe von Data Mining kann zwei wichtige Bereiche erforschen: die Kundenanalyse selbst und die Prognose für das weitere Kaufverhalten der Kunden. Beide Teilbereiche für die Gewährleistung einer erfolgreichen Beziehungspflege zum Kunden und der daraus resultierenden, langfristigen Kundenbindung von Nutzen. Der Kunde kann zudem nicht nur in seinem Kaufverhalten sondern auch in seinem Engagement bezüglich der Kundenbeziehung analysiert werden.


Zur Erforschung beider Teilbereiche stehen beispielweise folgende Methoden zur Verfügung:

A) Kundenanalyse:


1. Assoziation: Zur Assoziation zählen zum Beispiel Analysen des „Warenkorbs“. Produkte werden evaluiert, es findet zudem eine Analyse auf Auffälligkeiten im Kauf von ähnliche Produkten, die in Kombination gekauft werden, statt. Produktkombinationen können nach dieser Analyse nahe gelegen oder weit entfernt voneinander abgebildet werden.


2. Generalisierung: Die Generalisierung beschreibt das Verallgemeinern vom Verhalten von Einzelkunden auf das Verhalten von ganzen Kundengruppen – dabei wird von Objekten auf Objektklassen abstrahiert.


3. Spezialisierung: In der Spezialisierung verhält es sich umgekehrt zur Generalisierung – anstelle auf das Verhalten der gesamten Kundengruppe wird (abgeleitet vom Verhalten des gesamten Kundengruppe) nur auf das Verhaltensmuster einer Teilgruppe oder eines Einzelkunden geschlossen. Somit befinden sich die Generalisierung und die Spezialisierung auf unterschiedlichen Aggregationsebenen.


4. Abweichanalyse und Clusterbildung: Im Rahmen der Clusterbildung werden Kundengruppen nachKundenverhalten und -profil „geclustert“, d.h. zusammengefügt. Die Veränderung von Verhaltens- undEntwicklungsmustern wird dann in der Abweichanalyse dargestellt und verhilft dazu, Ausreißer aufzufinden. Mithilfe dieser zwei Methoden kann das Verhalten bestimmter Kundengruppen besser verstanden und der Kundenstamm betreffend unterschiedliche Kriterien bewertet werden.

B) Kundenprognose


1. Klassifikation: Eine Klassifikation ist das Zuordnen eines Kunden in eine durch Merkmalseigenschaftenfestgesetzte Klasse. Versicherungsinstitute wenden dieses Verfahren zum Beispiel bei der Risikoprüfung an, um die Kunden in risikoreiche oder risikoarme zu unterteilen. In der Methode der Klassifikation kommen Entscheidungsbäume, genetische Algorithmen und neuronale Netze zur Anwendung.


2. Wirkungsprognose: Spezifische Merkmalsausprägungen von Kunden, wie beispielsweise das Auftragsvolumen basierend auf dem Kaufverhalten, können durch ein Prognoseverfahren geschätzt werden. Prognoseverfahren machen sich statistische Rechenmethoden (z.B. Regressionsanalyse), aber auch genetische Algorithmen und neuronale Netze zunutze.

Nützliche Daten der Verbraucher


Wer seine Kunden nicht vor Augen hat, ist umso mehr auf gute Informationen der Webseiten-Besucher und ihr Verhalten angewiesen. Mithilfe gesammelter Daten aus der Kundenanalyse kann über unterschiedliche Komponenten Auskunft erlangt werden: dazu zählen beispielsweise die Effizienz einer Marketingkampagne, die Usability der Website oder die Anforderungen der Zielgruppen. Wertvolle Kundenanalyse kann verdeutlichen, wo Nachholbedarf besteht oder wie bestehende Kundensegmente gebunden werden können. Sie gibt auch Aufschluss darüber, wie effektiv die Webseite das Vertriebsziel eines Unternehmens unterstützt.

Erfolg des Internetauftritts mit gewinnbringender Kundenanalyse


Ein Internetauftritt ist dann erfolgreich, wenn es zu zahlreichen „Page Views“ kommt, wenn die Konversionsratezufriedenstellend ist und wenn die Pfade, in denen sich die Nutzer bewegen, zu häufigen Kaufabschlüssen führen. Mittels Pfadanalysen werden die Pfade der Kunden dargelegt: sie zeigen, wo sich bewegen Nutzer, was sie anklicken und welche Konversionspfade zu stark frequentierten Kauf- sowie Transaktionsabschlüssen führen.

Durch Kundenanalysen und den daraus hervorgehenden (aggregierten) Daten, können ebenso Verhaltensmuster abgeleitet werden, anhand derer es möglich ist, die Nutzer in Segmente zu unterteilen. Dadurch wird eine Klassifikation der Kundensegmente für spätere Marketingkampagnen möglich. Anschaulich aufbereitete Reports, Grafiken und Diagramme vermitteln den Verantwortlichen (z.B. Geschäftsführung) den Erfolg oder Misserfolg ihrer Kampagnen, wodurch die langwierige Auseinandersetzung mit komplizierten Excel-Tabellen und statistischen Auswertungen obsolet wird.

Kundenbindung dank Kundenanalyse


Jede einzelne Aktion eines Kunden sollte in die Analyse mit einfließen. Schon hinter „harmlosen“ Handlungen kann das Vorhaben stehen, in Kürze den Anbieter zu wechseln. Selbstverständlich sind Nachfragen, Reklamationen sowie jegliche Formen der Kontaktaufnahme von Seiten der Kunden mit dem Unternehmen, in der Kundenanalyse zu berücksichtigen. Erkennt das Unternehmen, dass der Kunde möglicherweise vor hat den Anbieter zu wechseln, kann durch das Zurückgreifen auf vergangene Erfahrungswerte, wirksam gegengesteuertwerden. Diese Maßnahmen erhöhen nachhaltig die Wettbewerbsfähigkeit, da sie den Fortbestand langjähriger Kundenbeziehungen sichern.

Einen Überblick über des Konzept des Data Mining findet sich hier.

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información.

ACEPTAR
Aviso de cookies