Data-Mining-Tools

Im Vergleich der Anbieter klingt vieles gleich. Im Alltag entscheiden ein paar Funktionen darüber, ob das Tool benutzt wird oder im Regal verstaubt.

Datenanbindung

Die erste Frage ist immer: Kommt das Tool an deine Daten heran? Prüfe, ob es die Quellen anbinden kann, die du wirklich nutzt: deine Datenbank, deine Tabellen, deine Warenwirtschaft, dein CRM. Achte darauf, ob die Anbindung dauerhaft läuft oder ob du bei jeder Analyse Daten von Hand exportieren und importieren musst. Der manuelle Weg funktioniert am Anfang und nervt nach zwei Wochen.

Datenaufbereitung

Der größte Teil der Arbeit ist nicht die Analyse, sondern das Saubermachen der Daten. Fehlende Werte, doppelte Einträge, unterschiedliche Schreibweisen. Ein gutes Tool bietet dir Funktionen, um Daten zu bereinigen, zusammenzuführen und umzuformen, ohne dass du für jeden Schritt ein Skript schreiben musst. Lass dir in der Demo zeigen, wie das Tool mit einer echten, unsauberen Datei umgeht, nicht mit dem gepflegten Beispieldatensatz des Anbieters.

Verfahren und Modelle

Die eigentlichen Data-Mining-Verfahren: Gruppierung (Clustering), Klassifikation, Vorhersage, Warenkorbanalyse. Du musst nicht jedes Verfahren im Detail verstehen, aber das Tool sollte dir erklären, was ein Verfahren tut und wofür es geeignet ist. Manche Tools verstecken das hinter Fachbegriffen, andere führen dich durch. Für einen Betrieb ohne eigenes Analystenteam ist die Führung Gold wert.

Nachvollziehbarkeit

Ein Ergebnis, das du niemandem erklären kannst, ist im Betrieb wertlos. Achte darauf, ob das Tool dir zeigt, wie ein Ergebnis zustande kommt, welche Faktoren es gewichtet und wie sicher es ist. Wenn du deinem Vertriebsleiter sagen musst, warum das Tool bestimmte Kunden markiert hat, brauchst du eine Antwort.

Automatisierung und Wiederholbarkeit

Eine einmalige Analyse ist selten das Ziel. Meist willst du einen Ablauf, den du monatlich wiederholst. Prüfe, ob du einen Analyseprozess einmal baust und dann automatisch laufen lässt, wenn neue Daten kommen. Ohne diese Wiederholbarkeit baust du jedes Mal alles neu.

Wer bedient das Tool wirklich

Die wichtigste Frage zuerst: Wer sitzt später davor? Lass die Software in der Demo von der Person bedienen, die später damit arbeitet, nicht vom Chef und nicht vom Vertriebsmitarbeiter des Anbieters. Wenn deine Sachbearbeiterin nach zehn Minuten nicht weiterkommt, ist das Tool für deinen Betrieb zu komplex, egal wie gut es in der Präsentation aussah.

Passt der Funktionsumfang zum Bedarf

Viele Betriebe kaufen zu groß. Sie zahlen für Verfahren und Skalierung, die sie nie brauchen. Überlege dir zwei oder drei konkrete Fragen, die du beantwortet haben willst, und prüfe, ob das Tool genau diese Fragen beantwortet. Alles andere ist zunächst zweitrangig.

Lernkurve und Support

Frag, wie lange die Einarbeitung dauert und in welcher Sprache der Support antwortet. Ein Support, der nur auf Englisch und nur zu amerikanischen Zeiten erreichbar ist, hilft dir am Dienstagmorgen in Leipzig wenig. Kläre auch, ob Schulungen im Preis enthalten sind oder extra kosten.

Ausstieg mitdenken

Bevor du einsteigst, denk an den Ausstieg. Kommst du an deine aufbereiteten Daten und deine gebauten Analysen wieder heran, wenn du das Tool wechselst? Ein Format, aus dem du nicht mehr herauskommst, bindet dich stärker als jeder Vertrag.

Testphase ernst nehmen

Nutze eine Testphase mit deinen echten Daten, nicht mit Demodaten. Definiere vorher, was am Ende der Testphase funktionieren muss, damit du zusagst. Ohne dieses Kriterium wird die Testphase zu einem netten Herumklicken ohne Ergebnis.

Der Lizenzpreis ist selten der ganze Preis. Die eigentlichen Kosten stecken oft daneben. Ich nenne dir bewusst keine Zahlen, weil sie je nach Anbieter und Betriebsgröße stark schwanken. Wichtiger ist, dass du die Kostenblöcke kennst und danach fragst.

Übliche Modelle

Es gibt grob drei Muster. Erstens die Lizenz pro Nutzer, meist monatlich oder jährlich. Zweitens Modelle, die sich nach Datenmenge oder Rechenaufwand richten, häufig bei Lösungen in der Cloud. Drittens eine einmalige Lizenz mit laufender Wartungsgebühr, eher bei Software, die du selbst betreibst. Jedes Modell hat eine Falle: Bei Nutzerlizenzen wird es teuer, wenn viele mitarbeiten sollen. Bei mengenbasierten Modellen wird es teuer, wenn deine Daten wachsen, und Daten wachsen fast immer.

Versteckte Kosten

Rechne folgende Posten ein, auch wenn sie im Angebot nicht auftauchen. Die Einarbeitungszeit deiner Leute, die in dieser Zeit ihre eigentliche Arbeit weniger machen. Schulungen, die oft extra berechnet werden. Die Anbindung an deine Datenquellen, die je nach System aufwendig sein kann. Interne Betreuung, weil jemand das Tool pflegen und Fragen beantworten muss. Und bei selbst betriebener Software die Serverkosten.

Die eine Frage, die du stellen solltest

Frag den Anbieter: Was kostet mich das Tool im dritten Jahr, wenn doppelt so viele Leute damit arbeiten und die Datenmenge deutlich gestiegen ist? Wer darauf keine klare Antwort gibt, versteckt entweder etwas oder weiß es selbst nicht. Beides ist ein Warnzeichen.

Das Tool vor der Frage

Der häufigste Fehler: Ein Betrieb kauft ein Tool, weil es beeindruckend wirkt, und sucht danach nach einer Aufgabe dafür. Das läuft nie gut. Erst kommt die Frage, die du beantworten willst, dann das Werkzeug.

Schlechte Daten, schöne Ergebnisse

Ein Tool liefert immer ein Ergebnis, auch aus schlechten Daten. Das ist die Gefahr. Ich habe erlebt, dass ein Betrieb auf Basis einer Analyse Entscheidungen traf, obwohl die zugrunde liegenden Daten voller doppelter Kundeneinträge waren. Das Ergebnis sah sauber aus und war falsch. Prüfe die Datenqualität, bevor du den Ergebnissen glaubst.

Niemand ist zuständig

Das Tool wird gekauft, eingerichtet, und dann kümmert sich niemand darum. Nach drei Monaten kann keiner mehr sagen, wie die Analysen gebaut wurden. Bestimme von Anfang an eine Person, die verantwortlich ist, und plan ihr Zeit dafür ein.

Ergebnisse landen in der Schublade

Eine Analyse ist erst dann etwas wert, wenn sie eine Handlung auslöst. Oft entstehen aufwendige Auswertungen, die niemand nutzt, weil sie nicht in den Arbeitsalltag eingebunden sind. Kläre vorher, wer mit den Ergebnissen was tun soll.

Überschätzte Genauigkeit

Eine Vorhersage ist eine Wahrscheinlichkeit, keine Garantie. Wer ein Modell behandelt, als wäre es die Wahrheit, trifft irgendwann eine teure Fehlentscheidung. Die Ergebnisse sind eine Grundlage für dein Urteil, kein Ersatz dafür.

Sobald du personenbezogene Daten analysierst, und das tust du oft schneller als gedacht, gilt die Datenschutz-Grundverordnung. In der Schweiz greift zusätzlich das dortige Datenschutzgesetz, in Österreich ergänzt das nationale Datenschutzgesetz die DSGVO. Ich bin kein Anwalt, und dieser Abschnitt ersetzt keine Rechtsberatung. Ein paar Punkte solltest du trotzdem kennen.

Personenbezug erkennen

Kundendaten, Mitarbeiterdaten, alles, was sich einer Person zuordnen lässt, fällt unter den Datenschutz. Auch wenn du meinst, du analysierst nur Zahlen: Sobald ein Kundenname oder eine Kundennummer dranhängt, bist du im Anwendungsbereich. Prüfe, ob du für deine Analyse überhaupt Personenbezug brauchst. Oft reichen anonymisierte oder aggregierte Daten.

Zweckbindung und Rechtsgrundlage

Du darfst Daten nur für Zwecke nutzen, für die du eine Rechtsgrundlage hast. Wenn du Kundendaten für eine Vorhersage nutzt, die über den ursprünglichen Zweck der Erhebung hinausgeht, brauchst du dafür eine Grundlage. Das ist kein Detail, das ist der Kern.

Auftragsverarbeitung

Nutzt du ein Tool in der Cloud, verarbeitet der Anbieter deine Daten in deinem Auftrag. Dafür brauchst du einen Vertrag zur Auftragsverarbeitung. Kläre auch, wo die Daten liegen. Ein Serverstandort außerhalb der EU wirft zusätzliche Fragen auf, die du vorher klären solltest, nicht nachher.

Automatisierte Entscheidungen

Wenn eine Analyse zu einer Entscheidung führt, die eine Person erheblich betrifft, gibt es besondere Regeln für automatisierte Einzelentscheidungen. Ein Mensch sollte am Ende entscheiden, nicht allein das Modell. Dokumentiere, wie deine Entscheidungen zustande kommen.

Dokumentation

Führe ein Verzeichnis der Verarbeitungstätigkeiten und halte fest, welche Daten du wofür verarbeitest. Das klingt nach Bürokratie, hilft dir aber, wenn eine Aufsichtsbehörde oder ein Kunde nachfragt. Sprich im Zweifel mit deinem Datenschutzbeauftragten, bevor du ein Tool produktiv nutzt.

Schritt eins: Frage aufschreiben

Schreib in einem Satz auf, welche Frage du beantwortet haben willst. Zum Beispiel: Welche Kunden kaufen im nächsten Quartal wahrscheinlich nicht mehr? Ohne diesen Satz kaufst du ins Blaue.

Schritt zwei: Daten prüfen

Schau nach, ob du die Daten überhaupt hast, um die Frage zu beantworten, und in welchem Zustand sie sind. Oft merkst du hier, dass du erst deine Daten in Ordnung bringen musst, bevor ein Tool sinnvoll ist.

Schritt drei: Anforderungen festhalten

Notiere, wer das Tool bedienen soll, welche Datenquellen angebunden werden müssen und welches Budget realistisch ist. Halte fest, welche Verfahren du brauchst und welche du getrost ignorieren kannst.

Schritt vier: Anbieter eingrenzen

Wähle zwei oder drei Kandidaten aus, nicht zehn. Bei mehr verlierst du den Überblick und triffst am Ende nach Bauchgefühl. Nutze den Vergleich oben auf dieser Seite, um vorzusortieren.

Schritt fünf: Testen mit echten Daten

Vereinbare eine Testphase und lege vorher fest, was am Ende funktionieren muss. Lass die Person testen, die später damit arbeitet. Nimm deine echten, unsauberen Daten, nicht das saubere Beispiel des Anbieters.

Schritt sechs: Kosten über drei Jahre rechnen

Addiere Lizenz, Einarbeitung, Schulung, Anbindung und Betreuung über drei Jahre. Vergleiche die Kandidaten auf dieser Basis, nicht nach dem Monatspreis auf der ersten Seite.

Schritt sieben: Verantwortung klären

Bevor du zusagst, bestimme, wer im Betrieb für das Tool zuständig ist und wie viel Zeit diese Person dafür bekommt. Ein Tool ohne festen Verantwortlichen wird nicht genutzt, egal wie gut es ist.

Wenn du diese sieben Schritte durchgehst, triffst du keine perfekte Entscheidung, aber eine, die du begründen kannst. Und das ist mehr, als die meisten Betriebe von sich behaupten können.