Der Kern des Data Mining ist das Gewinnen von Wissen aus gigantischen Datenmengen. Dies findet heutzutage immer mehr Anwendung und spielt eine zunehmende Rolle. Bekannt sind Anwendungen von Data Mining Verfahren berwiegend aus dem Marketing Bereich. Zum gr ten Teil wird das Kaufverhalten der Kunden analysiert und passende Werbung geschaltet. Jedoch finden Data Mining Algorithmen seit einigen Jahren auch in der Politik Einsatz, genauer gesagt bei Wahlk mpfen. Das angestrebte Ziel dahinter ist es, W hler durch gezieltes Ansprechen zu verunsichern. Der erste Einsatz kam 2008 bei den US-Pr sidentschaftswahlen in die Schlagzeilen. Dabei wurden erstmals nur mit demografischen Daten ber Wahlberechtigte gearbeitet. Bis heute wurden immense Fortschritte gemacht, sodass nun auch psychologische Daten erhoben werden. Um W hler gezielt ansprechen zu k nnen, m ssen im ersten Schritt ihre Interessen sowie ihr Charakter analysiert und anschlie end sich hnelnde Personen in Gruppen zusammengefasst werden. An der Stelle wird das Clustering des Data Mining eingesetzt. In dieser Thesis wird anhand von personenbezogenen Daten, die von Facebook Profilen erhoben werden, eine beispielhafte Clusteranalyse mit RapidMiner Studio durchgef hrt. Um das Problem und die geschichtliche Entwicklung darzustellen, wird auf diverse Zeitungs -und Zeitschriftenartikel bezogen. Die Theorie zu Data Mining, der Clusteranalyse und zum Microtargeting beschr nkt sich auf die Bereiche, die f r die praktische Analyse von Bedeutung sind. F r das Data Mining wird haupts chlich das Buch Data Mining von Cleve und L mmel genutzt. F r das Anwendungsszenario werden zun chst die Art und Weise der Datenerhebung sowie die Daten an sich detailliert beschrieben und anschlie end der Analyseprozess im RapidMiner Studio mit Screenshots erkl rt und die Ergebnisse mit Diagrammen visualisiert. Das Besondere an dieser Untersuchung ist es, dass Daten ber politische Ansichten der Personen zwar erhoben werden aber nicht in die A