Data-Mining findet Muster in großen Datensätzen. Es nutzt Statistik, maschinelles Lernen und Datenbanktechniken, um Zusammenhänge aufzudecken, die nicht offensichtlich sind. Ein Einzelhändler entdeckt beispielsweise, dass Kunden, die Windeln kaufen, freitagabends auch Bier kaufen. Eine Bank findet heraus, dass bestimmte Transaktionsmuster Betrug vorhersagen. Ein Krankenhaus identifiziert Risikofaktoren für Wiedereinweisungen. Die Muster sind real. Ob sie nützlich sind, hängt davon ab, wie man sie nutzt.

Data Mining ist nicht dasselbe wie Datenanalyse. Die Analyse testet Hypothesen, das Mining generiert sie. Man weiß nicht, wonach man sucht. Der Algorithmus findet Korrelationen und Anomalien. Dann entscheidet ein Mensch, welche davon relevant sind. Dieser letzte Schritt ist entscheidend. Korrelation ist nicht gleich Kausalität. Ein Muster kann trügerisch sein, eine Störvariable widerspiegeln oder ein Datenartefakt sein. Mining liefert Kandidaten, keine endgültigen Schlussfolgerungen. Zu den Techniken gehören Clustering, Klassifizierung, Regression, Assoziationsregeln und Anomalieerkennung. Jede eignet sich für unterschiedliche Probleme. Die Tools sind leicht zugänglich geworden. Python-Bibliotheken und Cloud-Dienste ermöglichen es Analysten, komplexe Algorithmen ohne tiefgreifende Fachkenntnisse auszuführen. Die Gefahr besteht im Missbrauch. Tausend Modelle zu testen und das mit dem besten Ergebnis auszuwählen, ist keine Entdeckung, sondern Überanpassung. Das Muster muss auch in neuen Daten Bestand haben, um relevant zu sein.

Data-Mining-Techniken

• Clustering – Gruppierung ähnlicher Datensätze
• Klassifizierung – Datensätze Kategorien zuordnen
• Assoziationsregeln – Elemente finden, die gemeinsam vorkommen
• Regression – Modellierung von Beziehungen zwischen Variablen
• Anomalieerkennung – Identifizierung ungewöhnlicher Datensätze

Data-Mining findet Muster. Menschen entscheiden, was diese bedeuten. Der Algorithmus ist ein Werkzeug, kein Orakel.