Open Access

Das Aufdecken zeitabhängiger Änderungen in Datenstrukturen im Bereich der Marktforschung ist von grundlegender Bedeutung, um gezielt für die Zukunft planen zu können. Insbesondere die Veränderung einzelner Marktsegmente muss nachvollzogen werden, damit ein Unternehmen auf Entwicklungen reagieren und entsprechende Maßnahmen einleiten kann. Eine ausschließlich deskriptive Untersuchung der aufgetretenen Strukturänderungen ist jedoch nicht ausreichend; vielmehr müssen Trends in die Planung einbezogen werden, da nur so rechtzeitig eine Anpassung der Marketinginstrumente vorgenommen werden kann, um ggf. Entwicklungen zu fördern oder ihnen -- sofern möglich und sinnvoll -- entgegenzuwirken. Das Change Mining bietet Ansätze, Strukturen im dynamischen Kontext zu analysieren und so zeitabhängige Veränderungen frühzeitig aufzudecken. Zum automatischen Erkennen von Marktsegmenten ist die Clusteranalyse ein weit verbreitetes Verfahren; sie ermöglicht die Einteilung eines heterogenen Datensatzes, z.B. verschiedener Kundenverhaltensdaten, in homogene Teilgruppen. Bei der Analyse dynamischer Änderungen innerhalb der Daten ist außerdem das Aufdecken gradueller Unterschiede zwischen den einzelnen Untersuchungszeitpunkten von hoher Bedeutung, um zukünftige Entwicklungen und Trends prognostizieren zu können. Daher erscheint eine harte Clustereinteilung in diesem Kontext ungeeignet, vielmehr werden Zugehörigkeitsgrade benötigt. Aus diesem Grund empfiehlt sich die Fuzzy-Clusteranalyse als Grundlage für die dynamische Betrachtung von Marktsegmenten. In der vorliegenden Arbeit wird aufbauend auf einer allgemeinen Einführung in die Thematik des Data Minings und des Change Minings eine kurze Vorstellung von Ansätzen zur Untersuchung dynamischer Veränderungen unter Anwendung anderer, in der Marktforschung relevanter Data Mining-Verfahren vorgenommen, bevor eine Einführung in die Fuzzy-Clusteranalyse im Speziellen erfolgt. Aufgrund des Untersuchungsziels, dynamische Veränderungen innerhalb einer Clusterstruktur aufzudecken, werden neue Ansätze zur possibilistischen Fuzzy-Clusteranalyse erläutert, die auf Homogenität innerhalb einzelner Cluster ausgerichtet sind und unabhängig von möglichen zeitabhängigen Änderungen angewendet werden können. Zum Nachverfolgen aufgetretener Veränderungen und der Vorhersage möglicher Entwicklungen werden verschiedene Maße vorgestellt und genauer betrachtet, um den Prozess des Change Minings zu verdeutlichen. Dabei wird zwischen der Analyse gradueller Änderungen innerhalb einzelner Cluster und abrupter Veränderungen bzgl. der Gesamtstruktur und der darin vorhandenen Clusterzahl unterschieden. Die Ergebnisse der Untersuchung gradueller Änderungen bzgl. Größe, Dichte und Volumen der individuellen Cluster werden dabei zur Ermittlung abrupter Änderungen bzgl. der Clusterzahl, d.h. neu entstandener, zu elimierender, vereinigter oder geteilter Cluster hinzugezogen, da sie diese implizieren können. Das Vorgehen zur Analyse einzelner Veränderungsarten wird jeweils anhand detailliert dargestellter Experimente veranschaulicht, die mit Hilfe eines eigens für diesen Zweck entwickelten Java-Applets durchgeführt wurden.