CENIT EIM Innovationstag. Predictive Analytics als Wettbewerbsvorteil

Transkript

1 CENIT EIM Innovationstag Predictive Analytics als Wettbewerbsvorteil Motorworld Böblingen, 09. Juni 2015 Stephan Schnieber, IBM Analytics, Analytics Solution Architect

2 Daten sind die neue Basis für den Wettbewerbsvorteil Treiben das Geschäftsergebnis durch die Anwendung höherentwickelter Analysen über weitereichendere Datenquellen in allen Organisationsbereichen. Schaffung und Nutzung eines Zeitvorsprungs mittels speed of insight und speed of action als Hauptunterscheidungsmerkmale. Veränderungen im Markt, den Industrien und Berufen durch die Nutzung von analytischen Möglichkeiten in ALLEM. 2

3 Reifegrad der Informationslandschaft 3 Geschäftswert von Information Differenzierung Existenziell Transparenter Bedarf Einsatz Aufbau 1 2 Exzellenz Optimierung Information als Wettbewerbsvorteil Information als Innovationstreiber Information zur aktiven Geschäftssteuerung Information für die Geschäftskontrolle Daten für den Geschäftsbetrieb Informationen zur Weiterentwicklung der Unternehmensstrategie Erweiterung der Geschäftsmodelle Flexible & dynamische Architektur Informationen als strategisches Asset Innovation & Prognosen durch Daten Aktive Entscheidungsunterstützung Integrierte Auswertungen unter Nutzung von Echtzeitdaten Informationen werden portioniert an den Entscheidungspunkt geliefert Eine unternehmensweite Wahrheit Grundlegende Berichte und Analysen Teil-Automatisierung Existenz von Datensilos Elementares Berichtswesen Geringe Automatisierung Keine einheitliche Wahrheit Reifegrad der Informationsnutzung (Thomas H. Davenport)

4 Big Data & Analytics Startpunkt Existing Data New Data New Business Monetize Disruption Existing Business Optimization Leverage 4

5 Was ist Predictive Analytics? Predictive Analytics generiert aus Daten operative Aktionen, indem verlässliche Schlüsse zur aktuellen Situation und zukünftigen Ereignissen erkannt bzw. prognostiziert werden. Kundenanalyse gewinnen wachsen halten Prozeßanalyse managen warten maximieren Risiko- /Gefahrenanalyse überwachen erkennen kontrollieren 5

6 Predictive Analytics nutzt historische Daten (Blick nach Hinten) und Echzeitdaten (Seitenblick), um nach vorn zu schauen Predictive Analytics Blick nach Vorn Was könnte passieren? Was können wir tun, um uns darauf vorzubereiten??? Seitenblick Was passiert in diesem Moment Seitenblick Was passiert in diesem Moment 6 Dashboards, Sensoren, Berichte, Alarme Blick nach Hinten Was ist passiert?

7 Prediktive Analytik - Technologien Klassifikation Assoziation Segmentierung Forecast (Funktionen, Zeitreihe) Textmining 7

8 Anwendungsbereiche 360 SICHT AUF DEN KUNDEN 8

9 Daten als Grundlage zur Zielgruppenanalyse Wie? Hohe Werte, dynamischer Ansatz, Grundlage für Wettbewerbsdiffernzierung Warum? Interaktionsdaten / chat Mitschriften Call center Notizen Web-Clicks Datenströme Personendialoge Meinungs und Bedürfnisdaten Market Research Social Media Beschreibende Daten Attribute Characteristiken Self-veröffentlichte Info (Geo)demographics Verhaltensdaten Bestellungen Transaktionsdaten Bezahlungsvergangenheit Nutzenvergangenheit Wer? Traditioneller Ansatz Was? 9 9

10 Die Qualität der Analysen kann durch zusätzliche interne & externe Daten deutlich gesteigert werden Mögliche zusätzliche beschreibende Daten - Zeit (Jahresvergleiche, Saisonvergleich, Tageszeiten, ) - Wetter (Sonnenschein bringt ein geändertes Verhalten gegenüber Regenwetter) - Ereignisse (Ferien / Schulbeginn / Weihnachten / Messen /.) - Geographie (Käufer in Berlin verhalten sich anders als z.b. Käufer in Bayern) - Soziodemographische Fakten (Einkommensstrukturen wirken sich auf das Kaufverhalten aus) - weitere Fakten wie zum Beispiel Wahlergebnisse,. 10

11 Customer Analytics unterstützt Organisationen KUNDEN zu gewinnen, zu entwickeln und zu binden Neue Kunden gewinnen Reduzierung der Akquisekosten durch verbesserte Segmentierung Die richtige Botschaft zum richtigen Zeitpunkt über den richtigen Kanal senden Binden Gewinnen Entwickeln Bestehende Kunden entwickeln Identifikation von Cross- und Up-Sell-Potentialen Ermittlung des Kundenwertes (CLVT) Sammlung aller Daten zur Erstellung einer 360º Kundensicht Wertvolle Kunden ans Unternehmen binden Identifizierung von abwanderungsgefährdeten Kunden und Auswahl der besten Kundenbindungsmaßnahme pro Kunde Ermittlung der Loyalitätsfaktoren und der Treiber für Unzufriedenheit Entwicklung einer Kommunikationsstrategie zur Kundenbindung 360 Grad Kundensicht Analytisches Kampagnenmanagement Warenkorbanalyse Kündigerprävention Text Mining Enterprise Feedback Management Real Time Decisioning im Call Center Next Best Action Referenzen Analystenreport 11

12 Grundlegendes einfache erste Erfolge! AUSWERTUNGEN & STATISTIKEN ALS BASIS 12

13 Erste Auswertungen & Statistiken als Basis Beispiel RFM Analyse (Recency, Frequency, Monetary Value) 13

14 Anwendungsbereiche ERWEITERTE ANALYSEN / ASSOZIATIONEN 14

15 Erweiterte Analysen / Assoziationen Warenkorbanalysen à Ermittlung von typischen Kaufkombinationen pro Kunde» fokussierte Werbemaßnahmen» Cross- / Upsell-Potential durch neues Store-Layout / Rabattierungen / Kundenansprache Warenkorbanalysen à Ermittlung von typischen Kaufkombinationen pro Kundensegment» fokussierte Ansprache der Kunden» Hinweise auf produktbezogene Absatzpotentiale 15

16 Detailierung WARENKORBANALYSE 16

17 Vorgehensmodell einer Warenkorbanalyse Produkt-Bundles Identifikation von Cross-Selling Potentiellen in den Warenkorbdaten. 1. Assoziation: Welche Produkte werden zusammen gekauft? 2. Sequenz: Welche Produkte werden hintereinander gekauft. Gibt es ein Muster hinsichtlich des Zeitverlaufs Kunden-Segmentierung auf Basis von Warenkorben Aufspüren wichtiger, bisher unbekannter Kundengruppen, die für ein bestimmtes Produktbundle affin sind - Innerhalb der Segmente: hohe Ähnlichkeit - Zwischen den Segmenten: möglichst unterschiedlich 17

18 Advance Auto Parts Mehrumsatz durch Bundeling Hintergrund Zweitgrösster Händler in den USA von Fahrzeugteilen, Batterien und Serviceleistungen rund um das Auto Händler in über 40 Ländern. Zielsetzung Mehrumsatz durch besseres Verständnis profitabler Produktsegmente / Kategorien Mehrumsatz durch vertieftes Verständnis von Beziehungsgeflechten einzelner Kategorien Lösung Assoziationsanalysen, Warenkorbanalysen und Clusteranalysen zur Analyse der POS Daten von 300 Stores Integration von deskriptiven Daten der Stores sowie Wetterdaten Ergebnisse ROI für initiale Investitionen in SPSS Predictive Analytics Software in 13 Monaten Entwicklung von insgesamt 95 Produktbundles in insgesamt 9 Categories Implementierung von 6 Empfehlungen (Produktbundles) führte innerhalb von 2 Jahren zu einem Mehrumsatz von insgesamt 21 Mio. USD 18

19 Anwendungsbereiche KLASSIFIKATIONSMERKMALE ANALYSE VON SEGMENTEN 19

20 Klassifikationsmerkmale / Analyse von Segmenten Analyse von Kundensegmenten» Kundensegmente à Analytische Segmente vs. kaufmännische Segmente (A, B, C,.)» Veränderungen im Kaufverhalten 20

21 Anwendungsbereiche TREIBERANALYSEN / ERMITTLUNG SIGNIFIKANTER WERTTREIBER 21

22 Ermittlung signifikanter Werttreiber Was sind die Treiber für viel und für wenig Umsatz?» Sortimentsanpassungen» Standortoptimierung Was sind die Treiber einzelner Produkte?» Angebotssteuerung Was sind die Treiber für Zahlverhalten im Echtzeit-Online-Vertrieb?» Liquiditätssteuerung /-optimierung Überprüfung der Wirksamkeit von Marketingmaßnahmen (Rabatte vs. Lieferzeit)» Marketingoptimierung» Optimierung der Auftragseinlastung Angebotsoptimierung» Fokussierung Was sind die Treiber für umsatzstarke / umsatzschwache Kunden?» Anpassung der Kundenansprache 22

23 Anwendungsbereiche VORHERSAGEN 23

24 Was wird wahrscheinlich eintreffen? Umsatzprognose» Liquiditätsoptimierung Produktabsatz» Angepasste Produktion» Optimierte Logistik Zahlungausfallwahrscheinlichkeiten» Risikosteuerung Kampagnenoptimierung» optimale Kunden für eine Kampagne» optimale Kampagne für einen Kunden» Steigerung der Conversion-Rate Welche Kunden sollten mit welchen Themen wie angesprochen werden?» Vertriebsoptimierung / Next best Action 24

25 Detailierung KAMPAGNENOPTIMIERUNG 25

26 Analytisches Kampagnenmanagement Schritt 1: Von der Gießkanne zur zielgruppenorientierten Ansprache Welche Kunden/ Prospects sind für eine bestimmte Vertriebs- oder Marketingaktion affin? 26

27 Next Best Action Schritt 2 Vom besten Kunden pro Kampagne zur besten Kampagne für einen Kunden Potentielle Kampagnen Eligibel Marge Antwortwahrscheinlichkeit Erwarteter Value A No B Yes 90 65% 59 Yes % 64 C 27

28 Cewe Color: Ein gestochen scharfes Bild des Kunden Lösung Fundierte Prognosemodelle zeichnen ein Kundenbild. IBM SPSS verarbeitet Kundendaten wie Name, Wohnort, Geschlecht und Alter des Kunden sowie Registrierungsweg oder Bestellhistorie. Nutzung der Newsletter liefert neue Erkenntnisse: Welchen Newsletter hat ein Kunde geöffnet, welche Links hat er geklickt? Anhand dieser Attribute erstellt die SPSS Lösung Scoring-Modelle, die Kunden in verschiedene Segmentgruppen unterteilen: Top-Kunden, durchschnittliche Kunden, abwanderungsgefährdete Kunden. Kooperation mit Handelspartner: Einblicke in Kundenpräferenzen und Produktaffinitäten unterstützen Drogeriemärkte, Internethändler oder Fachmärkte dabei, CEWE COLOR-Produkte in der richtigen Menge einzukaufen und profitabel zu platzieren. Business Results. 10%ige Steigerung der Conversion Rate von passiven zu aktiven Kunden Steigerung der durchschnittlichen Responserate aus den Newslettern um 10% durch das erworbene Wissen über die jeweiligen Kundenbedürfnisse und die Umsetzung in Content Steigerung der Cross- and up-sell Opportunities um mehr als 20% Zeiteinsparungen von mehr als 50% bei der Kampagnenerstellung 28

29 Detailierung PREDICTIVE FORECASTING 29

30 Aktuelle Kundensituation: Getränkehersteller Herausforderungen 30 Zu ungenaue Vorhersage für den Absatz Bei Aktionen steigt der Absatz um bis zu 700% Bestellungen für Vorprodukte generell 10% über der Vorhersage, um Out-Of-Stocks zu vermeiden Rezepturen benötigen teilweise einen Bestell-Vorlauf von 6 Monaten Benötigt wird eine kurzfristig genaue Vorhersage mit 6 Monaten Reichweite (??)

31 Mögliche Sicht des Endanwenders Obere und untere Konfidenz zeigen die Genauigkeit der Vorhersage und setzen dem Benutzer Schranken Benutzer kann den FC ad-hoc laden => alle Eingaben und die aktuellste Situation werden im FC berücksichtigt IstVJ, Errechneter FC, bisheriges Ist und Plan können angezeigt werden incl Abweichungen 31 Abweichungen werden visualisiert Benutzer sieht, wenn der Forecast von den Erwartungen abweicht

32 Anwendungsbereiche TEXTANALYSE 32

33 3. Textanalyse von Fehlerprotokollen à Begriffsextraktion und Bildung von Kategorien 33

34 Anwendungsbereiche PREDICTIVE MAINTENANCE AND QUALITY 34

35 Welche Werte lassen sich im bzgl. vorausschauender Wartung und Qualitätssteigerungen erzielen: 35 Produktion» Steigerung der Stückzahl» Reduktion von Ausfallzeiten» Steigerung der Effizienz» Verbesserte Qualitätsprozesse» Steigerung der Effizienz» Reduktion von Ausschuss» Inventaroptimierung» Steigerung der Mitarbeitereffizienz Assets» Steigerung der Lebensdauer» Optimierung des Risikomanagements» Transparenz der Fehlerkosten» Transparenz bzgl.. Garantiefällen Prozessqualität» Steigerung des Performance Managements» Wettbewerbsvorteil Steigerung des Umsatzes durch Steigerung der Kundenzufriedenheit

36 Wünschenswerte Funktionalitäten zur operationellen Nutzung von Asset-Daten asset + instrumentation + data + connectivity + analytics + monitoring + reporting Echtzeit, faktenbasiertes Verständnis von Performance und Nutzung 36 reduced unplanned downtime lower maintenance costs fewer warranty claims lower parts and inventory costs extended asset life improved product quality improved production yield optimized maintenance schedule

37 Zusammenfassung Existing Data New Data New Business Monetize Disruption Was ist nun zu tun? Existing Business Optimization Leverage 37

38 Action speaks louder than words! Keep it simple Beginnen sie mit der Nutzung der vorhandenen Daten. - Zum Beispiel mit Schnellstart mit Lizenz und einem 25 PT Services Kontingent inkl.: Beratung/Services zur Einführung in IBM Predictive Analytics Installationsunterstützung, Anbindung an Datenbanken, Konfiguration und Performance-Tests Ersteinweisung: initiales Training zu den Grundlagen der Software, Datenintegration und -Aufbereitung, Data Mining Methoden und Verfahren sowie Modellierung und Modellbewertung Projektarbeit & Coaching nach CRISP DM am Beispiel von 1-2 ausgewählten konkreten Use Cases (z.b. Kundensegmentierung, Warenkorb-Analyse) Projektkoordination ODER à Watson Analytics erlaubt einfache Self-Service Untersuchungen und Validierungen der Anwendungsfälle 38

39 39 39 IBM Stephan Schnieber - Business Development for Smarter Analytics

40 Kontaktdaten Stephan Schnieber IBM Deutschland GmbH Nahmitzer Damm 12 D Berlin Foto Telefon: Mobil: Mail: 40

41 41