Quantitative Konsumentenbewertung

Unternehmen sammeln Kundeninformationen. Große Datenspeicherkapazitäten und ausgefeilte Algorithmen locken mit der Aussicht auf automatisierbare und objektive Allwissenheit. Immer mehr Unternehmen versuchen darüber strategisch relevante Korrelationen im Kundenverhalten abzubilden. Data-Mining heißt dieses Suchen nach interessanten und nützlichen Mustern.

Auf den zweiten Blick zeigen sich in den rechnergestützten Ergebnissen immer wieder fragwürdige Zusammenhänge. Data-Mining ist eine „Nachhinein-Analyse“. Die erhaltenen Ergebnisse beschreiben den IST-Zustand. Die Erkenntnisse bleiben wichtige Antworten schuldig: Warum bestehen diese Fakten? Welche Entwicklungen könnten eintreten?

Viele Daten bergen auch viele Fehler. Sie entstehen aus der Art wie großangelegte und elektronisch gestützte Datenerhebungen und Datenauswertungen ablaufen. Die Wahl begrenzt aussagefähiger oder schönender Stichprobengrößen, Zufallsmuster und Variablencrunching verzerren das Kundenbild. Auch aus Datenschutzperspektive <> sind diese Verfahren grenzwertig. Denn, nicht alles was sichtbar wäre, darf auch sichtbar werden. Grundsätzlich geht mit standardisierten Prozessen die Gefahr einher, für weiterführende Fragestellungen blind zu werden. Unternehmen droht die bloße Verwaltung fehlerbehafteter Daten.