Predictive Analysis und Data Mining die Kristallkugel und Ihr Business Value [Session C2] Uetliberg,

Größe: px

Ab Seite anzeigen:

Download "Predictive Analysis und Data Mining die Kristallkugel und Ihr Business Value [Session C2] Uetliberg, 16.09.2014 www.boak.ch"

Falko Kästner
vor 8 Jahren
Abrufe

1 Predictive Analysis und Data Mining die Kristallkugel und Ihr Business Value [Session C2] Uetliberg,

2 it

3 Diese Session gibt einen Überblick über Predictive und Data Mining, die Value-Proposition der «Demoktratisierung» von Predictive und eine praxisorientierte Betrachtung der Möglichkeiten, welche sich uns bieten, um Predictive auf breiter Ebene nutzenstiftend einzusetzen. AGENDA Einführung Vorstellung Etablierung gemeinsames Verständnis Herstellung Realitätsbezug Use Cases Nutzenerwartung / Positionierung Technische Aspekte Zusammenfassung und Ausblick Slide 3

Vorhandenes Wissen kombiniert mit sich rasant entwickelnder Technologie, zunehmender Digitalisierung der Information (und Prozesse) und steigendem Wettbewerbsdruck durch die Globalisierung schaffen

4 Vorhandenes Wissen kombiniert mit sich rasant entwickelnder Technologie, zunehmender Digitalisierung der Information (und Prozesse) und steigendem Wettbewerbsdruck durch die Globalisierung schaffen starken Anreiz («Motiv und Gelegenheit»), das meist im Unternehmen vorhandene Wissen zu nutzen. EINFÜHRUNG / VORSTELLUNG Predictive the next big thing? Statistisches Wissen + Globalisierung Digitalisierung Technologie «Motiv und Gelegenheit» Slide 4

5 Zur Etablierung eines gemeinsamen Verständnisses sei ein kurzer Ausflug in die Welt der Statistik und der Definitionen erlaubt AUSFLUG IN DIE STATISTIK Statistik: Lehre von Methoden zum Umgang mit quantitativen Informationen. Möglichkeit, eine systematische Verbindung zwischen Erfahrung (Empirie) und Theorie herzustellen. Zusammenfassung bestimmter Methoden, um empirische Daten zu analysieren. Gebiete der Statistik: Deskriptiv: Beschreibung Verteilung eines Merkmals Induktiv: Aus Stichproben Eigenschaften einer Grundgesamtheit ableiten (incl. Wahrscheinlichkeitstheorie für Schätz- & Testverfahren) Explorativ / Data Mining: auch hypothesen-generierende Statistik, analytische Statistik Slide 5

6 Data Mining generiert Hypothesen bezüglich Mustern in Datenhaufen. Wir suchen in einem Datenberg nach wertvollem Wissen und bewerten die gefundenen Kandidaten nach Stärke und Ergebnissicherheit DATA MINING Methodisch: Zwischenform von deskriptiv und induktiv Mittels deskriptiver Verfahren und induktiver Testmethoden sucht Data Mining systematisch mögliche Zusammenhänge (oder Unterschiede) zwischen Daten in vorhandenen Datenbeständen und will sie zugleich in ihrer Stärke und Ergebnissicherheit bewerten. Die so gefundenen Ergebnisse lassen sich als Hypothesen verstehen, die erst, nachdem darauf aufbauende, induktive Testverfahren mit entsprechenden (prospektiven) Versuchsplanungen sie bestätigten, als statistisch gesichert gelten können Slide 6

7 Mit den heute bestehenden BI- und DWH-Lösungen ist in vielen Fällen der Grundstein für erfolgreiche Predictive-Vorhaben bereits gelegt. Voraussetzung ist, dass der potentielle Wert erkannt und abgeschöpft wird. DER PROZESS DES DATA MINING / TASKS Fokussieren Bestimmen bereits vorhandenen Wissens Datenerhebung Selektion Vorverarbeiten Datenintegration Bereinigung Transformieren In passende Form bringen für Analyseschritt Selektion von Attributen Diskretisierung Data Mining Evaluation Beurteilung der Findings durch Experten > nächste Iteration? Ausreisser Anomalien, Fehler, Änderungen Cluster Gruppieren von Ähnlichem Klassifikation Zuordnung zu bestehenden Klassen Regression Identifikation von Beziehzungen Assoziation Identifikation von Zusammenhängen A+B->C Slide 7

8 REALITÄTSBEZUG / USE CASES

9 Use Cases aus der Praxis zwecks Illustration der Möglichkeiten für Predictive / Data Mining. EINIGE USE-CASES Ein TelCo Unternehmen 1: Kundensegmentierung / Verhalten Eine Versicherung: Verkaufschancen (Kundensegmentierung) Eine Hochschule: Identifikation von Hi-Potentials (indiv. Förderung) Infrastruktur-Intensives Unternehmen: Predictive Maintenance / Economies of Scope & Scale Ein TelCo Unternehmen 2: Hotline (Know-Your-Customer) Ein TelCo Unternehmen 3: Churn-Analyse (Influencer / Influencees) Debitoren-Klassifizierung und Mahnung (Indiv. Mahnwesen) TelCo: Geo-Information Slide 9

10 Während Data Scientists (rare Spezies) und Data / Business Analysten Modelle erstellen, sind es v.a. die Fachanwender, welche von diesen Modellen profitieren (bewusst und unbewusst). Das gibt ein enormes «Hebel»-Potential im Unternehmen. PREDICTIVE: NUR FÜR DATA SCIENTISTS? Data Scientist (0.001%) Komplexe Modelle und Simulationen erstellen Data Analyst (3%) Transformieren und Anreichern von Daten Einfache Modelle und Simulationen erstellen Visualisieren der Resultate und Publikation Executives / Business Users (97%) Interaktion mit Publikation Use-Case-Kontext Zusammenarbeit mit Kollegen (Act) Slide 10

11 Für den Einsatz von Predictive / Data Mining eigen sich eine Vielzahl von Szenarien ANWENDUNGSMÖGLICHKEITEN :-) Brand Sentiment Predictive Maintenance Network Optimization Insider Threats Asset Tracking Personalized Care Product Recommendation Risk Mitigation, Real-time Propensity to Churn Real-time Demand/ Supply Forecast 360 O Customer View Fraud Detection Quelle: In Anlehnung an SAP Slide 11

12 Predictive-Projekte sind gegenüber dem Fach in der Regel einfach zu positionieren, da einfach nachvollziehbar was Vorgehen und erwarteter Nutzen angeht. INTERNE POSITIONIERUNG: EINFACH / EINLEUCHTEND Zu erwartende Resultate aus einem Predictive / Data Mining Vorhaben sind nach der Planungsphase (PDCA), sicher aber nach der Check-Phase (also vor dem in der Regel aufwändigeren «Act»): klar quantifiziert: E(x) in der Regel einfach logisch nachvollziehbar für Fachentscheider Sind gegenüber E(x) messbar im Verlauf der Umsetzung Mit «kleinen» Vorhaben starten, um das Konzept zu verinnerlichen Automatisierung = Demokratisierung. Wenige Spezialisten können viele Modelle in unterschiedlichste Prozesse einbinden und Administrieren (Economies of Scope) Verbesserung der Modelle im Laufe der Zeit (Learning) Gewisses statistisches KnowHow ist erforderlich Slide 20

13 TECHNISCHE ASPEKTE

14 Mit der Akquise von KXEN (SAP Infinite Insight), Predictive Analysis (in Lumira) und HANA (PAL) sowie «R» Integration kann quasi jedes erdenkliche Szenario abgebildet werden. SAP TOOLS FÜR PREDICTIVE / DATA MINING Quelle: SAP Slide 22

15 ZUSAMMENFASSUNG / FRAGERUNDE

16 ZUSAMMENFASSUNG / Q&A Sie alle haben die aufwändigsten ersten Schritte des Data Mining Prozesses bereits hinter sich (Daten weitgehend vorhanden und anbindbar (EDWH?), via Hadoop auch Big Data anbindbar) Predictive Projekte sind dem Fachbereich einfach schmackhaft zu machen, da der Nutzen klar verständlich und quantifizierbar ist Mit IT-Logix steht Ihnen ein diesbezüglich proaktiver, erfahrener Partner zur Seite, um in dieses Gebiet einzusteigen Nebst den Corporate-Nutzen investieren Sie mit dem Erfahrungsaufbau in Ihre eigenen Karriere, da gemäss Gartner BI Themen immer häufiger von Marketing / Sales finanziert werden, Trend ungebrochen Slide 24

17 Bitte beachten Sie die Thementische während dem Mittagessen! Ich freue mich auf angeregte Gespräche mit Ihnen Samuel Rentsch CEO / Partner / Fachgruppenleiter Predictive Follow

Ähnliche Dokumente

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener