Datenschützer und Data-Warehouse: Möglichkeiten der Zusammenarbeit heute und morgen
Hr. Thilo Märtin, Rechtsanwalt, Märtin & Nitsch Gruppe,  www.daten-schuetzen.com

Abstrakt: Die wirtschaftliche Bedeutung von personenbezogenen Daten hat in den vergangenen Jahren enorm zugenommen. Entgegen früheren Zeiten bekommen die Prozess-Verantwortlichen für daten-intensive Prozesse in Unternehmen auf einmal einen aktiven Kontakt zum Datenschutzbeauftragten. Insbesondere die Verwendung großer Datenmengen für Marketingzwecke oder zur Risikoanalyse, z.B. im Rahmen von Data Mining oder neuen Big-Data-Algorithmen werfen nicht selten unüberbrückbar erscheinende Widersprüche zum Datenschutz auf. Der Vortrag soll aufzeigen, wie die Datenschützer „ticken“ und welche Maßnahmen für eine verbesserte Zusammenarbeit getroffen werden können.

Des Weiteren soll ein vorsichtiger Blick in die Zukunft geworfen werden, wie sich globales Datenschutzrecht wird ändern müssen, um ein zeitgemäßes Management des Persönlichkeitsrechts zu ermöglichen. Dabei sollen personenbezogene Daten als neuartiges Wirtschaftsgut betrachtet und Mittel und Wege skizziert werden, wie diese Daten frei und wertschöpfend fließen können, ohne dass dabei die Interessen der verschiedenen, beteiligten Akteure vernachlässigt werden.



Analyse personenbezogener Daten trotz enger Security-Vorschriften in Deutschland
Sven Andersen, accantec consulting AG & Dr. Anselm Schultze, DAK

Abstrakt: Data-Mining im Sozialversicherungsumfeld zieht die Notwendigkeit nach sich, personenbezogenen Daten einen besonderen Schutz zukommen zu lassen. Es wird ein Verfahren vorgestellt, den erhöhten Anforderungen des Datenschutzes gerecht zu werden und trotzdem auf Einzelsatzebene Auswertungen durchführen zu können. Hierbei bleibt die Möglichkeit erhalten, im Ausnahmefall den Rückbezug pseudonymisierter Daten zu der operativen Quelle wieder herzustellen.



Die Konsequenzen von schlechter Datenqualität auf die Modellgenauigkeit
Gerhard Svolba, SAS Austria

Abstrakt: Welche Datenqualitäts-Kriterien sind aus analytischer Sicht besonders wichtig? Wie kann ich mir schnell ein Bild über den Zustand der Datenqualität meiner Analysedaten machen?

Macht es Sinn Analysen auf Daten durchzuführen, wenn diese die Datenqualitätskriterien nicht erfüllen? Und wie ist der erwartete Genauigkeitsverlust, wenn solche Daten verwendet werden?

Fragen, die jeden Data Miner im Rahmen der Auswertung beschäftigen.

Dieser Vortrag illustriert anhand eines praktischen Beispiels wichtige Kriterien für analytische Datenqualität. Gleichzeitig wird auch gezeigt, dass Analytik nicht nur höhere Anforderungen hat, sondern auch gezielte Methoden bietet, die Datenqualität zu analysieren und zu verbessern. Z.B. beim Erkennen komplexer Muster in der Struktur fehlender Werte oder bei der Ermittlung repräsentativer Ersetzungswerte für fehlende Daten. Das SAS® System ist mit seinem Funktionsangebot perfekt geeignet, diese Aufgaben durchzuführen.

Da nicht alle Datenqualitätsprobleme korrigiert oder gelöst werden können, bzw. der dazu nötige Aufwand nicht vertretbar ist, fokussiert sich der Vortrag auch auf die Konsequenzen von schlechter Datenqualität. Basierend auf Simulationsstudien wird gezeigt, welche Konsequenzen schlechte Datenqualität (fehlerhafte Daten, zu wenige Daten, fehlende Daten) auf die Modelperformance hat.

Die Präsentation basiert auf dem Buch "Data Quality for Analytics Using SAS" von Dr. Gerhard Svolba. Mehr Details und Screenshots finden Sie unter www.sascommunity.org/wiki/Data_Quality_for_Analytics.



SAS Enterprise Miner – Aus dem Nähkästchen geplaudert
Tamara Fischer, SAS Institute GmbH

Abstrakt: Haben Sie sich auch schon immer gefragt, welche Funktion der „Meta"-Ordner innerhalb eines SAS Enterprise Miner Projektes hat? Erfahren Sie dieses Geheimnis und noch weitere Geheimnisse rund um den SAS Enterprise Miner, die Ihre Arbeit erleichtern werden und wie man mit dem SAS Enterprise Miner „um die Ecke" denken kann.


Praktische Anwendung des "Uplift-Modelling" in SAS – Hintergründe, Voraussetzungen, Tipps & Tricks
Udo Boehm, Telefónica Germany GmbH & Co. OHG

Abstrakt: "Uplift Modelling" (UM) ist eine Weiterentwicklung der prädiktiven Analyse für das Kundenverhalten im analytischen CRM.

Ziel des UM ist es, die Kunden zu identifizieren, bei denen der Effekt einer gegebenen CRM-Maßnahme maximal ist.

UM ist auch Voraussetzung für ein Kampagnen-Management-System (z.B. SAS Marketing Optimization), bei dem der Gesamt-Effekt der eingesetzten Maßnahmen optimiert werden soll.

Im Vortrag wird gezeigt, wie man Daten in SAS aufbereiten kann, um mit statistischen Standardverfahren sowohl aus SAS/STAT - als auch dem SAS Enterprise Miner - ein Uplift-Modell zu erstellen.

Anhand eines Beispiels wird auch gezeigt, wie sich das UM von bisherigen prädiktiven Analysen unterscheidet.
Ebenfalls wird darauf eingegangen, welche zusätzlichen Voraussetzung man erfüllen muss um brauchbare Daten für ein UM zu erhalten.

Weiterhin werden praktische Tipps im Umgang mit UM in SAS gegeben.



Wie lässt sich Kundenfeedback für eine Kündigungsprognose nutzen:
eine Text Mining Fallstudie
Dirk Petzoldt, Max Köhler, Ulrich Reincke, SAS Institute GmbH

Abstrakt: Kundenäußerungen beinhalten wertvolle Informationen um die Ursachen von Kündigungen zu untersuchen. Doch häufig werden sie nicht oder nur isoliert analysiert. Dabei können zusätzliche Informationen aus z.B. Call Centern oder dem Internet bestehenden Data Mining Modellen frischen Wind verleihen. Dieser Vortrag zeigt, wie man mit Text-Analytics-Methoden beide Welten zusammen bringen und das Mehrwertpotential einer holistischen Analyse realisieren kann.