Startseite > Lexikon > Tracking & Analytics > Data Mining

Bleistiftskizze: Bergmann mit Helmlampe siebt in einer Höhle Kiesel, im Sieb bilden orange markierte Steine ein Dreieck, als Bild für Muster in Daten
Tracking & Analytics

Data Mining

In deinem Shop-Export stecken Kundengruppen, die du noch nie gesehen hast. Data Mining ist das Werkzeug, sie zu finden — wenn du vorher weißt, was du suchst.

Auch bekannt alsDatenschürfung

6 Min

Lesezeit

15.11.2026

Letzte Aktualisierung

Was ist Data Mining?

Data Mining heißt wörtlich „Daten schürfen“. Der Name führt ein bisschen in die Irre: Geschürft werden nicht Daten, sondern Muster in Daten, die du schon hast. Ein Algorithmus sucht in Tausenden Zeilen nach Gruppen, Regeln und Ausreißern, die du von Hand nie finden würdest.

Data Mining ist dabei nur ein Schritt in einem größeren Ablauf. Vorher musst du die Daten auswählen und aufbereiten, hinterher die Ergebnisse prüfen und deuten. Das bekannteste Vorgehensmodell dafür heißt CRISP-DM. Es hat sechs Phasen und beginnt nicht mit den Daten, sondern mit der Frage, was das Geschäft eigentlich wissen will.

Die wichtigsten Methoden im Marketing

Hinter Data Mining stecken eine Handvoll Grundverfahren. Für jedes gibt es eine typische Marketing-Frage:

Methode

Typische Frage

Clustering

Welche Kundengruppen gibt es?

Klassifikation

Wer springt bald ab?

Assoziation

Was wird zusammen gekauft?

Anomalien

Wo stimmt etwas nicht?

Clustering teilt Kunden nach Ähnlichkeit in Gruppen, ohne dass du die Gruppen vorgibst — die Dokumentation von scikit-learn nennt Kundensegmentierung ausdrücklich als Beispiel. Klassifikation lernt aus der Vergangenheit, etwa welche Merkmale Kunden hatten, die gekündigt haben. Die Assoziationsanalyse geht auf ein Papier von IBM-Forschern aus dem Jahr 1993 zurück, das Kassendaten eines Händlers auswertete. Und die Anomalieerkennung meldet Ausreißer, zum Beispiel einen plötzlichen Einbruch im Tracking oder verdächtige Klickmuster.

Wo deutsche Unternehmen stehen

Viele Firmen sitzen auf Daten, die sie kaum auswerten. Das zeigen Zahlen aus Deutschland:

Case A · Amtliche Statistik

KI in Unternehmen 2025

26 %

nutzen KI (ab 10 Beschäftigte)

23 %

bei 10 bis 49 Beschäftigten

Ab 250 Beschäftigten sind es 57 % — kleine Firmen hängen hinterher

Statistisches Bundesamt, Berichtsjahr 2025. Wegen neuer Zählweise nur eingeschränkt mit den Vorjahren vergleichbar.

Case B · Selbsteinschätzung

Wie gut Firmen ihre Daten nutzen

7 %

schöpfen das Potenzial voll aus

43 %

nutzen es eher wenig

Gut jedes fünfte Unternehmen fürchtet, es gar nicht zu nutzen

Bitkom-Umfrage 2023 unter 602 Unternehmen ab 20 Beschäftigten.

Bitkom kommt 2026 auf deutlich höhere KI-Werte: 57 Prozent der Unternehmen ab 20 Beschäftigten setzen KI ein, und davon 54 Prozent im Marketing. Der Unterschied zu Destatis liegt an anderer Grundgesamtheit und anderer Frage. Beide Zahlen nicht vermischen.

Data Mining und Datenschutz

Sobald du Daten über echte Menschen auswertest, gilt die DSGVO. Wer mit Algorithmen persönliche Merkmale wie Vorlieben, Interessen oder Verhalten bewertet oder vorhersagt, betreibt Profiling im Sinne von Art. 4 Nr. 4 DSGVO.

Profiling ist nicht verboten. Heikel wird es nach Art. 22 DSGVO erst, wenn darauf eine rein automatische Entscheidung folgt, die jemanden rechtlich oder ähnlich erheblich trifft — etwa automatisch schlechtere Konditionen. Eine Segmentierung, welcher Kunde welchen Newsletter-Inhalt bekommt, ist in aller Regel etwas anderes. Im Zweifel frag deinen Datenschutzbeauftragten.

Häufige Fehler

Fehler 1 · Ohne Frage losrechnen

Wer einfach alle Daten durch einen Algorithmus jagt, findet immer irgendwas — oft Zufallsmuster ohne Bedeutung. CRISP-DM fängt nicht ohne Grund mit dem Geschäftsverständnis an. Schreib vorher auf, welche Entscheidung das Ergebnis verbessern soll.

Fehler 2 · Die Aufbereitung unterschätzen

Doppelte Kunden, fehlende Felder, drei Schreibweisen für denselben Ort: Das eigentliche Mining ist schnell, das Aufräumen davor dauert. Plan dafür ausreichend Zeit ein.

Fehler 3 · Data Mining mit Datensammeln verwechseln

Data Mining wertet aus, was da ist. Wer stattdessen massenhaft fremde Seiten ausliest, macht Web Scraping — ein anderes Thema mit eigenen rechtlichen Fragen.

Womit du anfängst

  • KNIME Analytics Platform: kostenlos und quelloffen, Abläufe per Drag-and-drop statt Code.
  • Python mit scikit-learn: Standard für alle, die programmieren; Clustering, Klassifikation und mehr.
  • BigQuery ML: Modelle wie K-Means oder Prognosen direkt per SQL im Data Warehouse, ohne Python.
  • RapidMiner: kommerzielles Werkzeug mit grafischer Oberfläche.

Häufige Fragen

Was ist der Unterschied zwischen Data Mining und Machine Learning?

Machine Learning ist ein Werkzeugkasten von Lernverfahren. Data Mining nutzt diese Verfahren und klassische Statistik, um in Daten neues Wissen zu finden.

Was ist ein Beispiel für Data Mining im Marketing?

Kunden per Clustering in Gruppen einteilen, vorhersagen, wer bald abspringt, oder herausfinden, welche Produkte oft zusammen gekauft werden.

Ist Data Mining nach der DSGVO erlaubt?

Ja, wenn du eine Rechtsgrundlage hast. Profiling ist erlaubt. Streng wird es erst bei rein automatischen Entscheidungen mit erheblicher Wirkung für die Betroffenen (Art. 22 DSGVO).

Welche Data-Mining-Tools sind kostenlos?

KNIME Analytics Platform und die Python-Bibliothek scikit-learn sind kostenlos und quelloffen. Für den Einstieg reicht oft auch eine Tabellenkalkulation mit RFM-Analyse.

Was ist der Unterschied zwischen Data Mining und Big Data?

Big Data beschreibt große, schnelle und vielfältige Datenmengen und die Technik dafür. Data Mining ist die Auswertung — und funktioniert auch mit einem kleinen Shop-Export.

Begriff teilenHat dir die Definition geholfen? Schick sie weiter.