Wat is datamining? - Een handleiding voor bedrijven

Van toepassingsgebieden tot tools en methoden: ontdek meer over het potentieel van datamining voor uw bedrijf.

Data wordt ook wel beschouwd als de olie van de 21e eeuw. Omdat dataficatie sinds een jaar of 30 geleden steeds geavanceerder is geworden, is het belang van data steeds meer toegenomen. 

De handel in data heeft ervoor gezorgd dat er onderhand een volledige markt voor is ontwikkeld. Bedrijven die de beschikbare data optimaal benutten en toepassen, kunnen hun klanten en eigen processen beter begrijpen. Uiteindelijk kan dit hen een beslissend concurrentievoordeel geven in dit tijdperk van digitale transformatie.

In dit artikel behandelen wij het concept van datamining en laten wij zien welke rol dit kan spelen binnen uw ERP-software. Eerst moeten we echter ingaan op de definitie van het begrip.

Inhoudsopgave

• Wat is datamining?
• Toepassingsgebieden datamining
• Text-, web- en procesmining
• Algoritmen voor datamining
• Datamining-software
• De voorbereiding
• Datamining: methoden
• ERP-datamining
• Conclusie

Wat is datamining?

Datamining omschrijft het proces dat zich bezighoudt met het gebruik van statistische methoden om patronen en structuren in grote hoeveelheden data weer te geven. Het uiteindelijke doel is het achterhalen van nieuwe inzichten of trends. Grote hoeveelheden data kunnen talloze waardevolle inzichten opleveren over uw klanten en eigen processen.

De waarde van big data

Deze inzichten kunt u vervolgens gebruiken om strategisch onderbouwde beslissingen te nemen om uw eigen processen duurzaam te optimaliseren. Het is wel belangrijk om te vermelden dat dit geen eenvoudige taak is: om grote hoeveelheden gegevens (ook wel big data genoemd) te evalueren heeft u technische ondersteuning nodig. Dit is geen taak die u handmatig uit kan voeren.

Datamining binnen bedrijven

In essentie gaat datamining over het ontdekken van nieuwe, statisch geldige en potentieel bruikbare kennis uit bestaande gegevens binnen uw database. Er zijn veel verschillende manieren waarop u dit kan doen, hieronder zullen wij u voorzien van een aantal voorbeelden.

Kunstmatige intelligentie en machine learning

De technieken die gebruikt worden bij datamining zijn nauw verwant aan kunstmatige intelligentie (AI) en machinaal leren. In tegenstelling tot de traditionele AI gaat het in dit geval echter niet om het leren van bekende en veelvoorkomende patronen, maar om het identificeren van nieuwe patronen. Traditionele AI is veelal gewapend met kennis om veelvoorkomende vragen te beantwoorden, daar waar een machine voor datamining juist op zoek moet naar kennis waarover het nog niet beschikt.

Toepassingsgebieden datamining

Traditioneel wordt datamining voornamelijk gebruikt in de IT-sector, maar het begint steeds meer populariteit te winnen in andere sectoren. Steeds meer organisaties beginnen in te zien dat de vergaarde gegevens kunnen ondersteunen bij het nemen van data-onderbouwde beslissingen. 

Decision Support Systems (DSS)

Deze systemen bepalen informatie die relevant is voor operationele en strategische taken. Ze ondersteunen in de voorbereiding van dergelijke taken en zorgen ervoor dat deze duidelijk geformuleerd worden. Zo hebben degenen die de strategie bepalen/beslissingen nemen een goed beeld van de huidige stand van zaken.

Procesanalyse en optimalisatie

Datamining kan ook gebruikt worden om de bestaande processen te analyseren en optimaliseren. Zo kan het de verbanden tussen verschillende processen in kaart brengen, waardoor gebruikers deze kunnen analyseren en waar nodig beter in kunnen richten.

Marketing

Ook voor marketingdoeleinden kan de inzet van datamining van toegevoegde waarde zijn. Denk hierbij bijvoorbeeld aan het creëren van een marktsegmentatie/doelgroepselectie, het aanmaken van klantprofielen of het analyseren van de resultaten van e-commerce. 

Analyse van productgegevens

Het is altijd goed om regelmatig uw eigen product te analyseren. We zijn gewend om dingen te doen zoals dat ons is geleerd, maar misschien zijn er onderhand wel veel betere manieren ontwikkeld om dit te realiseren. Ook hier kan datamining een ondersteunende rol spelen. Zo kan u hierdoor de levenscyclus van producten in kaart brengen en deze bevindingen gebruiken om uw product verder te ontwikkelen. 

De financiële sector

Op financieel gebied kan datamining ingezet worden als onderdeel van bijvoorbeeld factuur controle. Het is met name populair om kredietscores te achterhalen om zodoende de kans op wanbetaling te bepalen.

Online mogelijkheden

Logischerwijs kan datamining in dit digitale tijdperk ingezet worden om online activiteiten te analyseren. Zo wordt het bijvoorbeeld gebruikt om cyberaanvallen te detecteren, het gedrag van websitebezoekers te analyseren, of het in kaart brengen van netwerken op social media.

Text-, web- en procesmining

Binnen het domein van datamining wordt er onderscheid gemaakt tussen twee vormen.

Textmining - Dit omvat het analyseren van grote hoeveelheden tekst. Zo wordt het in academische context bijvoorbeeld veelvuldig gebruikt om plagiaat te identificeren.

Webmining - Hier gaat het om het detecteren van clusters van- en naar uw netwerk. Hiervoor wordt niet enkel gekeken naar de website zelf, maar ook naar de onderlinge relaties (hyperlinks). Omdat de inhoud op websites doorgaans regelmatig wordt geüpdatet, staat webmining in principe nooit stil. 

Procesmining - Dit is een techniek waarbij bedrijfsprocessen worden gereconstrueerd en geëvalueerd op basis van de bestaande gegevens. Hiervoor maakt het systeem gebruik van de data binnen de bestaande IT-infrastructuur. Het is dus een zeer bruikbare techniek om de processen in kaart te brengen en op basis hiervan de koers (indien nodig) te wijzigen.

Algoritmen voor datamining

Datamining biedt verschillende algoritmen aan bedrijven die hiervan willen profiteren. Een algoritme bestaat uit een reeks berekeningen waarmee het een model creëert. Om dit te kunnen doen, analyseert het algoritme eerst de bestaande gegevens om hierin trends en patronen te herkennen. 

Vervolgens gebruikt het algoritme deze resultaten om richtlijnen op te stellen voor het datamining-model. Hierdoor zoekt het model namelijk enkel naar relevante, betekenisvolle statistieken en patronen (Microsoft Learn, 2023). 

Datamining-software

U heeft uiteraard ook de mogelijkheid om bestaande software voor datamining aan te schaffen. Er zijn zowel betaalde, als gratis open source-oplossingen op de markt. Enkele voorbeelden hiervan zijn RapidMiner Studio, Teradata, KNIME, Orange of SAS Enterprise Miner. Gebruikers van de software van Oracle hebben ook de mogelijkheid om gebruik te maken van de datamining-functionaliteit binnen de bestaande database.

De voorbereiding

Voordat u daadwerkelijk aan datamining kan beginnen, zijn bepaalde voorbereidingsstappen vereist. Allereerst moet u de gegevens selecteren die u uiteindelijk wilt analyseren. Het is aan te raden om uw bestaande ERP- of CRM-systeem te gebruiken als uitgangspunt. Deze systemen bevatten namelijk alle relevante gegevens over uw bestaande bedrijfsprocessen.

Knowledge Discovery in Databases

De termen datamining en Knowledge Discovery in Databases (KDD) worden vaak door elkaar gehaald. Het grote verschil is dat de laatstgenoemde in principe alleen de voorbereidende stappen ondersteunt. Datamining heeft enkel te maken met de analyse van de geselecteerde data.

KDD kan worden onderverdeeld in de volgende fasen:

1. Het verstrekken van achtergrondkennis voor het betreffende vakgebied.
2. Formulering en definitie van de werkelijke doelen van de datamining.
3. Selectie van gegevens (u kan bijvoorbeeld kiezen dat slechts één afdeling geanalyseerd moet worden).
4. Het opschonen van gegevens.
5. Datareductie.
6. Selectie van een model waarin de gevonden kennis moet worden weergegeven.
7. De daadwerkelijke datamining.
8. De interpretatie van de opgedane kennis.

Datamining: methoden

Voordat u begint aan stap 7, de daadwerkelijke datamining, is er dus nog wat werk te verzetten. Zodra deze gegevens zijn geselecteerd, opgeschoond, getransformeerd en er een model is geselecteerd, kan het proces van datamining beginnen. Er zijn hierin verschillende methoden toe te passen, waarvan wij er een aantal uitlichten.

Prognose

Bij een prognose gaat het om het zoeken naar patronen in een numerieke doelvariabele. Prognoses worden bijvoorbeeld gebruikt om toekomstige verkopen te voorspellen.

Classificatie

Classificatie is het zoeken naar patronen op basis van een classificatie kenmerk. Een voorbeeld hiervan is het modelleren van product affiniteit.

Associatie en volgorde

Deze methode omvat een zoektocht waarin het systeem op zoek gaat naar allerlei individuele elementen en achterhaalt of deze gerelateerd of afhankelijk van elkaar zijn. Een voorbeeld hiervan is winkelwagen analyse, om hierin te achterhalen welke producten vaak samen gekocht worden.

Segmentatie en clustering

Voor deze methode is het de essentie om segmenten/groepen te vinden binnen een bepaalde dataset. Een klassiek voorbeeld hiervan zien we bijvoorbeeld terug op het gebied van CRM, of specifieker in marketing: klantsegmentatie. Hiermee is de organisatie in staat om campagnes te optimaliseren omdat ze weten uit wat voor groepen hun gehele doelgroep bestaat. Hierdoor kunnen ze klanten gerichter en dus effectiever benaderen (Laurenz Wuttke, datasolut.com, 13 maart 2023).

ERP-datamining

De basis voor ieder datamining project is een solide database. Om dit te realiseren kan u gebruik maken van ERP-software die de gegevens van verschillende afdelingen en bedrijfsgebieden samenbrengt. Met behulp van een uniforme softwareoplossing voor ERP, CRM en nog vele andere afdelingen creëert u een uniforme database.

Een laatste voorbeeld

De verkoopafdeling kan enorm veel profijt hebben van datamining. Door het verzamelen en analyseren van gegevens binnen de database kunnen verkopers onbenut potentieel, verkooptrends of het risico van klantverloop naar de concurrentie in kaart brengen. Het is dus duidelijk hoe datamining bedrijfsbreed een belangrijke rol kan spelen in het optimaliseren van uw processen. 

Conclusie

In combinatie met kunstmatige intelligentie en machine learning biedt datamining bedrijven een grote kans om de potentie van bestaande data optimaal te benutten. Het kan op het gebied van Business Intelligence (BI) worden ingezet om de eigen processen te optimaliseren, maar ook op het gebied van klantrelatiebeheer (CRM) voor verbeterde en winstgevendere klantcommunicatie.