Die großen Datenmengen des Big-Data Zeitalters bilden zunehmend die Grundlage für daten-getriebene Forschung und Entwicklung. Dabei werden neue Erkenntnisse und Zusammenhänge nicht durch die Analyse bestehender Theorien gewonnen, sondern durch die Extraktion von Wissen und Strukturen aus gesammelten Daten. Diese Art der Forschung führt momentan eher ein Nischendasein, was vor allem durch ihre sehr anspruchsvolle Durchführung begründet werden kann. Eine der bekanntesten Techniken zur Extraktion von unbekanntem Wissen aus Daten ist Clustering. Diese Technik faßt ähnliche Datenobjekte in Gruppen, den sogenannten Clustern, zusammen und identifiziert dadurch Strukturen innerhalb des Datensatzes, die bestimmte Zusammenhänge ausdrücken und Wissen abbilden.
Clustering ist schon seit Jahren Bestandteil der Forschung und bietet eine Vielzahl von Algorithmen. Allerdings sind diese meist hochspezialisiert und erfordern Expertenwissen um eine sinnvolle Anwendung zu ermöglichen. Das Erstellen eines Clusterings birgt zwei große Herausforderungen. Zum einen Benutzerfreundlichkeit bzw. Usability und zum anderen die Anwendbarkeit für vielfältige und große Datenmengen. Im Allgemeinen werden diese von bestehenden Verfahren nicht explizit adressiert. Dadurch sind Analysen mittels Clustering effektiv nur von Experten aus dem Bereich der Datenanalyse ausführbar.
Das Ziel des Augur Projektes ist es, einen allgemein einsetzbaren und nutzerfreundlichen Prozess- Rahmen bereitzustellen, der auch unerfahrenen Anwendern die einfache Durchführung von Clusteranalysen ermöglicht. Dazu stellt Augur eine Algorithmische Plattform bereit, welche die Konfiguration und Ausführung verschiedenster Algorithmen orchestriert und die erzeugten Ergebnisse zusammenfasst. Nutzer interagieren mit dieser Plattform über eine visuell-interaktive Schnittstelle, die sowohl Ergebnisse kommuniziert als auch deren intuitive Anpassung ermöglicht.