Willkommen zu den IBM SPSS Data und Text Mining Tagen 2013

Transkript

1 Willkommen zu den IBM SPSS Data und Text Mining Tagen 2013 Hamburg, Berlin, Düsseldorf, Frankfurt a.m., München 2013 IBM Corporation 2012 IBM Corporation

2 Ihre Ansprechpartner heute Christian Dennerlein SPSS Solution Sales Representative Business Analytics IBM Deutschland GmbH Hollerithstraße München christian.dennerlein@de.ibm.com Tel: Florian Hanka SPSS Account Representative Business Analytics IBM Software Group Hollerithstraße München florian.hanka@de.ibm.com Tel: x5025 Dr. Christian Trippner Senior Technical Sales Professional PA Business Analytics IBM Deutschland GmbH Hollerithstraße München christian.trippner@de.ibm.com Tel: Jens Barthelmes Predictive Text Analytics Solution Architect Business Analytics IBM Deutschland GmbH Altrottstraße Walldorf jens.barthelmes@de.ibm.com Tel:

3 Agenda Uhr Registrierung & Frühstück Uhr Begrüßung & Vorstellung Uhr Mehrwert und konkreter Nutzen durch Data Mining Uhr Kaffeepause Uhr Wertvolle Textdaten erschließen mittels Text Mining Uhr Data und Text Mining live Ab Uhr Zusammenfassung, Diskussion und Fingerfood

4 Informationsflut contra Entscheidungen die immer schneller zu fällen sind Volumen digitaler Daten 59% CAGR* für Unternehmensdaten bis 2011 Technische Daten : Sensoren, RFID, GPS.. Vielfalt an Informationen 80 % der neuen Daten sind unstrukturiert s, Bilder, Audio, Video, Schnelle Entscheidungen Bedingungen und Anforderungen verändern sich z. T. rapide Proaktiv ist imperativ : Ereignisse vorhersagen und angehen, bevor sie zu Problemen werden *CAGR: Compound Annual Growth Rate, jährliche Wachstumsrate

5 Herausforderungen für Entscheider 1/3 aller Entscheider Fällen häufig kritische Entscheidung ohne die dafür notwendigen Informationen zur Verfügung zu haben Die Hälfte aller Entscheider hat keinen Zugriff auf in der Organisation vorhandene, für ihre Arbeit notwendige Information

6

7 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

8 Stellen Sie sich vor, Ihr Entscheider könnte Infektionen von Frühgeborenen 24 Stunden früher vorhersagen und behandeln Kreditlimitierungen unter Berücksichtigung des Zahlungsausfallrisikos vornehmen die Kunden mit der höchsten Kaufwahrscheinlichkeit, hinsichtlich eines Angebots identifizieren durch abgeleitete Maßnahmen Kundenabwanderungen verhindern Arzt Kreditsachbearbeiter Vertriebsmitarbeiter Call Center Agent jede Transaktion, jeden Prozess und jede Entscheidung hinsichtlich der aktuellen Situation optimieren ohne ein Analysespezialist zu sein

9 Wertbasierte Optimierung operativer Entscheidungen Kampagnenausführung A B C Beste Kampagne pro Kunde Mögliche Kampagnen A B C A B C %? 42? $? %?? $? %?? 87$? Durchsuchen der Datenbanken nach Events

10

11

12

13

14 Ergebnisse: Cross-Selling-Optimierung im Call Center eingehende Anrufe Cross-selling Vorschläge Angebote vom Agent ausgesprochen hochqualifizierte Leads Verkäufe Conversion rate von über 36% Über 30 Millionen Euro zusätzlicher Umsatz durch das Call Center!

15 Produktlebenszyklus

16 Einsatz von Predictive Analytics im gesamten Produktlebenszyklus Diagnose von Versuchsdaten Prognose von Serviceintervallen Entwicklung Identifikation verwandter Probleme, Ursachen und Maßnahmen Analyse von Händlerabrechnungen und daraus abgeleitete Maßnahmen Analyse von Händlerabrechnungen After Sales Garantie Frühe Baureihen Beschwerden analysieren Automatisierte Auswertung von Texten Produktempfehlungen am Point of Sales Produktionsoptimierung und -monitoring Automatisierte Befragungen und direkte Analyse der Antworten Marketing Sales Kundenbedarfsermittlungen durch Segmentierung Produktion Logistik Artikelmix und daraus abgeleitete Bevorratung

17 Kunden: eine Auswahl

18 Predictive Analytics Prozess

19 Mehrwert von Predictive Analytics ggü. BI Top-Down Abfragen: OLAP, BI Bottom-Up Data Mining Text Mining Mehrwert Wie viele Kunden haben wir verloren? Query & Reporting In welchen Stadtteilen? OLAP Data Mining Welche Kunden sind stark wechselgefährdet? Integrierte Analytics Lösungen Was sollten wir diesem Kunden heute anbieten?

20 Abgrenzung zu IBM SPSS Statistics

21 Mehrwert von IBM SPSS Modeler ggü. Statistics: Datenaufbereitung Modeler Arbeitsweise ist ablauforientiert aufgebaut Statistics Arbeitsweise zielt auf Einzelergebnissen Einlesen von unterschiedlichen Datenquellen an verschiedenen Bereichen der Datenaufbereitung sehr einfach Kein Abspeichern von Zwischenergebnissen notwendig Externe Datenquellen müssen erst als sav Datei abgespeichert werden, um diese anschließend zusammenzufügen. Nur einzeln anfügbar. Zwischenergebnisse müssen immer als sav Datei abgespeichert werden. Falls sich Rohdaten ändern, braucht nur der Stream neu angestoßen zu werden Datentransformationen haben keine Auswirkungen auf die Originaldaten Falls sich Rohdaten ändern, muss der ganze Prozess neu gestartet werden (ohne Syntax bedeutet das: alles von Neu beginnen) Datentransformationen verändern sofort den Originaldatensatz Berechnungsformeln, Umkodierungen sind in den einzelnen Knoten dokumentiert und nachvollziehbar Berechnungsformeln, Umkodierungen sind nur über Syntax nachvollziehbar

22 Mehrwert von IBM SPSS Modeler ggü Statistics: Arbeitsweise Modeler Arbeitsweise Statistics Arbeitsweise

23 Mehrwert von IBM SPSS Modeler ggü Statistics: Modellierung Modeler Modelle zum Auffinden der relevanten Variablen Entscheidungsbäume mit interaktiven Aufbau Modellvergleich graphisch und tabellarisch möglich Statistics relevante Variablen schon bekannt und ausgewählt Entscheidungsbäume sind nur sehr vereinfacht vorhanden Modellvergleich nur sehr bedingt möglich Metamodelling wird unterstützt Metamodelling ist sehr kompliziert und fehleranfällig Modellparameter sind im Nugget vorhanden Modellparameter werden tabellarisch ausgegeben

24 CRISP-DM: Die Data Mining Methodologie Cross-Industry Standard Process for Data Mining

25 CRISP-DM Phasen Daten Geschäftsverständnis Datenverständnis Datenaufbereitung Verteilung der Ergebnisse 80-90% Projektzeit Modellbildung Modellbewertung

26 IBM SPSS Modeler - Einblick

27 Data Mining: Die Techniken Klassifikation Ursache-Wirkungsanalyse Treiberanalyse: z.b. Abweichungen, Abwanderer Entdecken von unbekannten Einflussfaktoren und Messung ihrer Stärke Assoziation Welche Merkmale oder Merkmalskombinationen treten häufig miteinander auf? Welche Events ereignen sich gleichzeitig? Erkennen von Mustern in sequenziellen bzw. zeitorientierten Daten 37 Segmentierung Bildung von homogenen Gruppen, die untereinander heterogen sind Gibt es Fälle, die inkonsistentes Verhalten hinsichtlich der Segmentzuordnung aufweisen? Anomaliedetektion, Betrug, Zeitreihen Umsatz, Absatz-Prognosen Vorhersage der Nachfrage pro Tag / pro Region: Wie entwickelt sich voraussichtlich die Nachfrage (je Standort/ Store)? Gibt es saisonale und/oder andere äußere Einflüsse (Sonderaktionen von Kunden)? Text Mining Welche Beiträge gibt es zu einer bestimmten Fragestellung (WWW, Dokumente, Paper, etc.)? Zusammenführung von Textinfos und numerischer Daten...

28 Arbeiten mit dem IBM SPSS Modeler Visuelles Programmieren analytische Streams Hohes Maß an Interaktivität und Benutzerfreundlichkeit Skalierbarkeit durch Client-/Server Architektur Nahtlose Zusammenarbeit mit allen gängigen Datenbanksystemen

29 Datenzugriff, -aufbereitung Datenzugriff ODBC Datenbanken, Flat Files, Datenmanipulation und aufbereitung Datenselektion & -transformation Bereinigung, Abfragen Transformationen für Visualisierung oder Modellierung Bearbeitung von Metadaten 'Outputs' von Modellen können auch als Daten weiterverarbeitet werden

30 Mächtige Modellierungsalgorithmen Klassifikation und Prognose Neuronale Netze, C5.0, C&RT, CHAID, Quest, Regression, GZLM, Zeitreihen, Decision List,... Clusterung Kohonennetze, K-Means, TwoStep, Anomalieerkennung Assoziationsregeln Apriori, CARMA, Sequenzanalyse Text Mining Sentimentanalyse, Kategorisierung, Erkennung von Beziehungsmustern... Meta-Modelling Automatische Modellselektion (binäre und numerische Zielgrößen, Cluster, Zeitreihenmodelle), Vergleich/ Kombination der Ergebnisse mehrerer Modelle In-Database Modelling Microsoft SQL Server Analysis Services, Netezza, InfoSphere, DB2, Oracle... Neutral Net C 5.0 C&R Tree Logistic Kohonen TwoStep Apriori Text Extraction Anomaly 40

31 Nucleus Research ROI Report über SPSS 94% aller Projekte mit positivem ROI 10,7 Monate für die Erreichung des ROI (im Ø) 81% der Projekte im Zeitplan 75% der Projekte im oder unter Budget Das ist einer der höchsten ROI Werte, der im Laufe unserer Evaluierungen erreicht wurde. Rebecca Wettemann, Vice President of Research at Nucleus Research

32 IDC Studie: The Business Value of Predictive Analytics Return on Investment (ROI) von - Projekten ohne Predictive Analytics: - Predictive Analytics Projekten: Median von 89% Median von 250% Based on IDC research, the median ROI of predictive analytics projects is close to three times higher than that of non-predictive projects Source: IDC, The Business Value of Predictive Analytics 07/2011

33 Data Mining - Einsatzgebiete Controlling & Produktion Analyse von Fehlerquellen Ausschussminimierung Intelligente Wartung Umsatzprognosen Standortanalysen und -planung Lagerbestandsanalysen und Prognosen Risikoanalyse Abweichungsanalyse: Ursache - Wirkung Einkaufsoptimierung Ressourceneinsatzplanung Marketing Analytisches Customer Relationship Management Kampagnenoptimierung / Zielgruppensegmentierung Kundenbindungsmanagement Kundenwertanalyse Warenkorbanalysen Cross-/Upsell Verhaltensanalyse / Clickstream-Analyse Sentimentanalyse Abwanderungsanalyse

34 Data Mining - Einsatzgebiete Vertrieb und Service RFM-Analyse Next-Best-Action Ersatzteilprognose und versorgung Präventiver Austausch von fehlerhaften Teilen im Kundendienst Optimierung von Rückrufaktionen Gewährleistungsanalyse 44 Öffentlicher Bereich und Healthcare Erkennung ungewöhnlicher Fälle (Steuerbetrug, Sozialbetrug, Geldwäsche, EU-Fördermittel) Vorhersage der Bevölkerungswanderung Stadt/Land Stauprognose, intelligente Verkehrsflussleitung Verkehrsmittelplanung im ÖPNV, Auslastung Wahl der passenden Therapieform durch Wirksamkeitsvorhersagen Polizei: Personaleinsatzplanung, Vorhersage von Hotspots Import- / Export-Kontrollen Justiz-Psychologie, Wirksamkeitsvorhersage der Behandlungskonzepte, Vorhersage Rückfallwahrscheinlichkeit

35 IBM SPSS Collaboration and Deployment Services Integration der Analytik in bestehende Business- und IT-Prozesse Flexible SOA Plattform für das unternehmensweite Management von Predictive Analytics Automatisierung analytischer Jobs sowie abhängiger Prozesse Deployment von Predictive Analytics in der bestehenden IT Infrastruktur 45 45

36 Collaboration and Deployment Services: Collaboration Management der analytischen Assets Share Arbeitsteilige Umgebungen IdR mehrere Personen sind beteiligt Bedarf, analytische Assets zu zentralisieren und zu teilen Protect Schutz des intellektuellen Kapitals Automatisches Tracking und Auditing von Änderungen Corporate governance und Compliance- Anforderungen 46 Publish Ergebnispublikation innerhalb des Unternehmens Ermöglicht den Konsumenten, einfach auf die analytischen Ergebnisse zuzugreifen

37 Collaboration and Deployment Services: Automation Kontrolle und Disziplin für analytische Prozesse Konzeption Steuerung auch komplexer Analysejobs, Szenarien, auch externer Tools Analysten wissen, was zu tun ist Strukturierte, dokumentierte Prozesse Operationalisieren Jobs zum richtigen Zeitpunkt ausführen lassen Ergebnisse überwachen Integration mit anderen Prozessen Steuern Durchgängiger, strukturierter Prozess Nachverfolgbare Änderungen Audit ready 47 47

38 Collaboration and Deployment Services: Deployment Integration der Analytik in zentrale Unternehmensprozesse für bessere Entscheidungen Generieren von Scores Zum Zeitpunkt der Entscheidung Optimiert für Echtzeitentscheidungen Berücksichtigung der Echtzeitdaten und weiterer, historischer Datenquellen Integration Non-intrusive integration in existierende Systeme Offene Architektur basierend auf Industriestandards Schnittstellen in die operativen Systeme 48 Enterprise ready Bedeutsam für die Integration in kritische Unternehmensprozesse Skalierbarkeit, Wiederholbarkeit, Sicherheit 48

39 Agenda Uhr Registrierung & Frühstück Uhr Begrüßung & Vorstellung Uhr Mehrwert und konkreter Nutzen durch Data Mining Uhr Kaffeepause Uhr Wertvolle Textdaten erschließen mittels Text Mining Uhr Data und Text Mining live Ab Uhr Zusammenfassung, Diskussion und Fingerfood