Präsentation zur Diplomprüfung. Thema der Diplomarbeit:

Transkript

1 Präsentation zur Diplomprüfung Thema der Diplomarbeit: Analyse der Einsatzmöglichkeiten von Data Mining- Verfahren innerhalb einer Unternehmens - Balanced Scorecard und Entwicklung eines Empfehlungskatalogs. Tobias Memmler KPMG Global Solutions Delivery Berlin, März 2001 Mandantenlogo Hintergründe zur Wahl des Diplomarbeitsthemas Praktikantentätigkeit in der Line of Busieness (LOB) der KPMG GSD GmbH Consumer & Industrial Markets Spezialisierung auf Business Intelligence-Anwendungen, Unternehmensreporting, Balanced Scorecard und Data Warehousing insbesondere der SAP Data Warehousing-Lösung SAP BW Mitarbeit im Aufbau präsentationsfähiger Balanced Scorecard- Prototypen im SAP BW und im SAP SEM Recherche Auftrag zur Identifizierung intelligenter Software-Anwendungen als Erweiterung der bisherigen Beratungstätigkeit der KPMG GSD und Untersuchung ihrer Nutzenpotentiale innerhalb moderner Business Intelligence-Anwendungen Entwicklung des Diplomarbeitsthemas

2 Agenda Wesentliche Merkmale des Balanced Scorecard Konzepts Knowledge Discovery in Data Bases und Data Mining Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC Anwendungsbeispiel zur Kundenperspektive Ergebnisse Balanced Scorecard - ein Überblick Balanced Scorecard (BSC) ist ein in den USA entwickeltes Managementsystem zur Steuerung von Unternehmen oder Unternehmensbereichen Das Betrachten des zu steuernden Bereichs erfolgt über verschiedene Perspektiven Für die einzelnen Perspektiven werden aus der Unternehmensstrategie oder Bereichsstrategie strategische Ziele abgeleitet Über monetäre und nicht-monetäre Kennzahlen wird der Zielerreichungsgrad gemessen Die strategischen Ziele sind über Ursache-Wirkungsketten miteinander verknüpft Aktionsprogramme (Initiativen) unterstützen die Erreichung der strategischen Ziele

3 Die BSC betrachtet das Unternehmen aus 4 Perspektiven Wie präsentieren wir uns unseren Shareholdern um finanziell erfolgreich zu sein? Finanzperspektive Strategische Ziele Maßgrößen Zielgrößen Initiativen Wie erscheinen wir unseren Kunden, damit wir der Unternehmensvision gerecht werden? Kundenperspektive Strategische Ziele Maßgrößen Zielgrößen Initiativen Vision & Strategie Potentialperspektive In welchen Prozessen Strategische müssen wir Ziele uns auszeichnen um unsere Kunden zufrieden zu stellen? Prozeßperspektive Maßgrößen Zielgrößen Initiativen Welches Innovationspotential muß unser Unternehmen besitzen um die angestrebte Vision zu erreichen? Strategische Ziele Maßgrößen Zielgrößen Initiativen Einbindung der BSC in einen strategischen Lernprozeß Die Strategie Strategisches Feedback und Lernen Finanzen Aktualisierung der Strategie Verbesserungen input Finanzen Kunden Prozesse Potentiale Strategische Ziele Rentables Wachstum Zufriedenheit steigern Produktivität verbessern Personalkompetenzen erhöhen Kunden Prozesse Potentiale Strategische Lern-Kette Balanced Scorecard Initiativen und Programme Strategische Maßgrößen Eigenkapitalrendite Kundenakquisition/ -loyalität Verhältnis Aufwand/ Umsatzerlös Personalproduktivität Operationale Lern-Kette Performance Test der Hypothese Ergebnis output Das Feedbacksystem ermöglicht: die Rückmeldung über die der Strategie unterstellten Ursacheund Wirkungsprinzipien Ein Veränderungs- und Problemlösungslernen durch: Plausibilitätsprüfung der strategischen Ziele Test der Strategie-Prämissen auf ihre Gültigkeit und Wirksamkeit Anpassung des BSC an veränderte Umweltbedingungen

4 Agenda Wesentliche Merkmale des Balanced Scorecard Konzepts Knowledge Discovery in Data Bases und Data Mining Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC Anwendungsbeispiel zur Kundenperspektive Ergebnisse Knowledge Discovery in Databases und Data Mining Begriffsabgrenzung Knowledge Discovery in Databases (KDD) ist ein interaktiver und iterativer Prozeß zur Entdeckung interessanter Zusammenhänge in Datenbanken. Data Mining (DM) ist die Zusammenfassung der Methoden und Algorithmen, die im KDD-Prozeß Anwendung finden.

5 Knowledge Discovery in Databases ist ein mehrstufiger iterativer Prozeß Selektion Aufbereitung Die Phasen des KDD-Prozesses Fokussierung Analyse ca % des KDD- Aufwands!!! Interpretation und Evaluation Phasen Daten-Selektion Daten-Aufbereitung Fokussierung Daten-Analyse Interpretation und Evaluation Inhalt In Abhängigkeit zur KDD-Zielsetzung erfolgt hier die Daten-Auswahl aus dem Unternehmensdatenbestand. Optimierung der Datenqualität als Voraussetzung für qualitativ hochwertige Data Mining-Ergebnisse In Abhängigkeit von den Daten: Spezifikation des Data Mining-Ziels und des Analyse-Ansatzes Ermittlung der Muster und Beziehungen in den der Analyse zugrundeliegenden Daten Ableitung des explizierten Wissens aus den Ergebnissen der Analyse Derzeit gibt es 6 wesentliche Data Mining-Ziele Ziel Klassifizierung und Vorhersage Segmentierung Veränderung und Abweichung Verknüpfung Abhängigkeiten Sequenzen Inhalt Entwicklung eines Modells (Klassifikator), daß neue und bisher unbekannte Objekt der richtigen Klasse zuweist Aufteilung einer Menge von Objekten in Klassen (Cluster) Erklärung von Normwertabweichungen von Objekten Offenlegung von Objektbeziehungen und ihre Darstellung in Verknüpfungsmuster. Aufdeckung von Affinitäten(Assoziationsregeln) zwischen Merkmalswerten eines jeden Objekts in einer Menge von Objekten. Ermittlung von sequenziellen Mustern von Ereignissen über eine bestimmten Zeitraum Data Mining- Methoden (Beispiele) Entscheidungsbäume Entscheidungsregeln Neuronale Netze Clustermethoden Neuronale Netze Spezielle Heuristiken Regressionsanalysen Clusmin Visualisierungs-Methoden Heuristische Methoden zur Aufdeckung von Assoziativmustern Heuristische Methoden zur Aufdeckung von sequentiellen Mustern

6 Agenda Wesentliche Merkmale des Balanced Scorecard Konzepts Knowledge Discovery in Data Bases und Data Mining Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC Anwendungsbeispiel zur Kundenperspektive Ergebnisse Einsatzmöglichkeiten von Data Mining-Verfahren innerhalb der BSC-Perspektiven Wie erscheinen wir unseren Kunden, damit wir der Unternehmensvision gerecht werden? Kundenperspektive Strategische Ziele Maßgrößen Zielgrößen Initiativen Beispiel: Die Kundenperspektive I Strategisches Ziel der Kundenperspektive: Befriedigung der Kundenbedürfnisse Strategische Ziele Maßgrößen Initiativen Zielgrößen Identifizierung strategisch wichtiger Marktsegmente Unterstützende Methodik: Datenmustererkennung Segment A: Ziel Segment B: Ziel. Segment n: Ziel Identifizierung zur Strategieumsetzung wichtiger Faktoren in den Segmenten Unterstützende Methodik: Datenmustererkennung Segment A: Initiative 1 Segment A: Initiative 2. Segment A: Initiative n. Segment n: Initiative... Ableitung der mit den Initiativen zu erreichenden Zielgrößen

7 Einsatzmöglichkeiten von Data Mining-Verfahren innerhalb der BSC Perspektiven Beispiel: Die Kundenperspektive II Identifizierung strategisch wichtiger Kundensegmente Identifizierung zur Strategieumsetzung wichtiger Faktoren in den Segmenten Data Mining- Methoden Nutzung der Data Mining-Ergebnisse zur Strategiespezifikation im Innovationsprozeß Kunden- Segmentierung verhaltensorientierte Segment-Beschreibung inhaltlich orientierte Segment-Beschreibung Neuronale Netze Sequenz- Analysen Entscheidungsbäume Assoziativ- Regeln Entscheidungsregeln Cluster- Analysen Marktdurchdringung Angebotspersonalisierung durch Zusammenstellung von Produkt- und Dienstleistungskombinationen Markterschließung Erhöhung der Attraktivität vorhandener Produkte Produktentwicklung und Diversifikation Schaffung neuer Produkte und Dienstleistungen in Ausrichtung auf die Bedürfnisse eines Segments Einsatzmöglichkeiten für Data Mining-Verfahren in einer Balanced Scorecard Zur Unterstützung der BSC im Aufbau und im Betrieb Im Prozeß der strategischen Zielfindung Im Prozeß der Identifizierung der Maßnahmen zur Zielerreichung. Zur die Aufdeckung von neuen vorher unbekannten und strategische bedeutsamen Zusammenhängen Als Unterstützung des Managementsystems Balanced Scorecard im strategischen Feedback

8 Agenda Wesentliche Merkmale des Balanced Scorecard Konzepts Knowledge Discovery in Data Bases und Data Mining Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC Anwendungsbeispiel zur Kundenperspektive Ergebnisse Ausgangssituation des Partnerunternehmens und Anforderungen an den Data Mining-Prototypen IST-SITUATION ca aktive Kunden weltweit Unterschiedliches Kundenprofil (Großund Kleinkunden) Unterschiedliche Herkunft Unterschiedliches Kaufverhalten Unterschiedliche Pflegeintensität ca. 400 Produkte für die Umsatz produziert wurde Regionale Differenzierung der Produkte Differenzierung nach Produktmarken ANFORDERUNGEN Kundensegmentierung in heterogene Kundengruppen Zuordnung aller Kunden zu entsprechenden Kundengruppen Verwendung aggregierter Kunden- Buchungsdaten in Verbindung zu bevorzugten Produktgruppen Verwendung der Kundensegmentierungsergebnisse Analyse des Kaufverhaltens einzelner Kundengruppen durch Warenkorbanalysen

9 Das logische Systemkonzept zur Umsetzung der Anforderungen an den DM-Prototypen Data Warehouse Datenhaltung, Datenaufbereitung Datenbereinigung Ergebnisauswertung SAP Business Information Warehouse (BW) SAP BW 2.0B Ergebnisse: Kundensegmentierung Data Mining-System Analysedaten: Kunden Datenbereinigung Datenanalyse Ergebnisauswertung IBM DB2 Intelligent Miner Kundensegmentierung Datenextraktion Analysedaten: Warenkörbe Kundensegment X IBM DB2 Intelligent Miner SAP LIS OLTP-System Warenkorbanalyse SAP Logistik Informationssystem (LIS) Ergebnisauswertung im BW KIS: Erlöse pro Kundensegment Kennzahlen Kundensegment Kundensegment Nettoerlös Transaktionszähler Segmentgröße Kundensegment 6 32,536 % 17,271 % 4,0 % Kundensegment 4 24,487 % 7,103 % 4,0 % Kundensegment 1 19,798 % 26,920 % 3,0 % Kundensegment 5 8,830 % 12,483 % 10,0 % Kundensegment 7 6,493 % 15,476 % 6,0 % Kundensegment 2 3,996 % 2,806 % 4,0 % Kundensegment 8 2,049 % 10,728 % 4,0 % Kundensegment 0 1,806 % 5,781 % 55,0 % Kundensegment 3 0,005 % 1,431 % 10,0 % Kundensegment 3 Kundensegment 0 Kundensegment 8 Durch Drill-Down können die Zusammensetzungen der Kundengruppen analysiert werden. Die Zugehörigkeit der Kunden zu einer Kundengruppe ist als Attribut zur Kundennummer definiert. Kundensegment 2 Kundensegment 7 Kundensegment 5 Kundensegment 1 Kundensegment 4 Kundensegment 6 Segmentgröße Transaktionszähler Nettoerlös Die Datenübertragung der Analyseergebnisse aus dem IM in das BW erfolgt über den Funktionsbaustein RSDTM_DATAMINING 0 % 10 % 20 % 30 % 40 % 50 % 60 %

10 Der IM ermöglicht die detaillierte Betrachtung komplexer Verbundstrukturen Ausschnitt aus dem Ergebnis der Warenkorbanalyse aus Segment 4 Relevanz(%) Konfidenz(%) Typ Regelrumpf Regelkopf 7,1 62,5 + [ 17] ==> [ 91] 7,1 71,4 + [ 91] ==> [ 17] Detailbetrachtung einzelner Assoziationsregeln Materialnummer Bedeutung 17 Produkt A 91 Produkt B Agenda Wesentliche Merkmale des Balanced Scorecard Konzepts Knowledge Discovery in Data Bases und Data Mining Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC Anwendungsbeispiel zur Kundenperspektive Ergebnisse

11 Ergebnisse Die KDD-Methodik eignet sich zur Unterstützung einer BSC, indem sie versteckte Informationen zur Entscheidungsfindung und zur Handlungskontrolle erschließt Nutzung der dieser Informationen zur Entwicklung und Konkretisierung von BSC-Strategien und Initiativen Ermöglichung eines Feedbacks über die Effektivität einzelner BSC- Initiativen hinsichtlich ihres Erfolgspotentials Das SAP BW und der IBM Intelligent Miner eignen sich als IT-Werkzeuge, um den Voraussetzung für die erfolgreiche Durchführung des KDD- Prozesses gerecht zu werden. Integration einer Data Warehouse Lösung mit einem Data Mining-System in einer Systemlandschaft Möglichkeit zur vertieften Analyse der generierten Kundensegmente im SAP BW sowie im IBM Intelligent Miner Kommunikation der Analyseergebnisse im SAP BW