IBM Business Analytics , München Alexander Richthammer

Transkript

1 IBM Business Analytics , München Alexander Richthammer

2 IBM Business Analytics Was ist passiert? Breite Nutzung (Konsumenten) Warum? Was wird passieren? Fokussierte Nutzung (Spezialisten) Analytisches Reporting Drill Trend Analyse Slice and Dice Scenario Modeling What-if Predictive Modeling Vorhersage Top down view Drillbare Reports Sortieren Review then query Frei Analyse Vergleichen Rotieren und Gruppieren Model- Szenarios Szenario-Vergleiche Speichern von Versionen Muster entdecken Algorithmen nutzen Ergebnisse prognositizieren Marktänderungen Produkt Rankings Absatztrends Marktanalyse Finanzanalyse Profitabilitätsanalyse CRM Analysen Umsatzprognosen IBM Cognos 10 BI IBM Cognos 10 BI IBM Cognos 10 TM1 IBM SPSS

3 Agenda 1 Was ist Predictive Analytics? 2 Predictive Analytics Anwendungsszenarien Customer Analytics Operational Analytics 3 Live Demo 4 Q & A 3

4 Was ist Predictive Analytics? IBM IBM Corporation

5 IBM SPSS Marktführer für Predictive Analytics Software 2009: Übernahme der SPSS Software GmbH durch IBM Seit 1968 fokussiert auf Predictive Analytics Weltweit führender Anbieter in den Bereichen Statistik, Analyse, Marktforschung, Data und Text Mining Mehr als Kunden mit ca. 3 Mio. Anwendern weltweit 80% der Fortune 500, 70% der Marktforschungsunternehmen nutzen IBM SPSS 45 Jahre Erfahrung in Statistik, Analyse und Data Mining

6 Was ist Predictive Analytics? Der Blick in die Zukunft...

7 Data Mining als Herzstück von Predictive Analytics Data Mining ist der Prozess, Daten aus verschiedenen Richtungen zu analysieren, um zukünftige Ereignisse zu prognostizieren und verlässliche Schlüsse zur aktuellen Situation zu treffen. Projektvorgehen nach CRISP-DM Cross Industry Standard Process for Data Mining

8 IDC Studie The Business Value of Predictive Analytics Return on Investment (ROI) von - Information Management Projekten ohne Predictive Analytics - Predictive Analytics Projekte 89% 250% Based on IDC research, the median ROI of predictive analytics projects is close to three times higher than that of nonpredictive projects Source: IDC, Predictive Analytics and ROI: Lessons from IDC s Financial Impact Study

9 Customer Analytics IBM IBM Corporation

10 Fähigkeiten Customer Analytics unterstützt Organisationen KUNDEN zu gewinnen, zu entwickeln und zu binden Customer Analytics Solutions Gewinnen Neue Kunden gewinnen Reduzierung der Akquisekosten durch verbesserte Segmentierung Die richtige Botschaft zum richtigen Zeitpunkt über den richtigen Kanal senden Bestehende Kunden entwickeln Analyse und Vorhersage von Kundenverhalten für Cross- und Up-Sell Sammlung aller Kundendaten zur Erstellung einer 360º Kundensicht Binden Entwickeln Wertvolle Kunden ans Unternehmen binden Identifizierung von abwanderungsgefährdeten Kunden und passender Angebote zur Bindung Ermittlung von Promotern und Entwicklung einer Kommunikationsstrategie zur Kundenpflege Reporting & Visualisierung Data & Text Mining Statistische Analyse Scorecards & Dashboards Vorhersagemodellierung Geschäftsregeln & Optimierung SentimentAnalyse Entscheidungen in Echtzeit Prognose & Simulation Social Media Analyse

11 Marketingoptimierung & Vertriebssteuerung "Ich weiss, dass die Hälfte meiner Werbeausgaben rausgeschmissenes Geld ist. Ich weiss nur nicht, welche Hälfte. Kaufhausgründer John Wanamaker

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

13 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. Ergebnisse 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 Selbst bei mehreren Millionen Kunden und entsprechend großen Datenmengen liefert IBM SPSS Prognoseergebnisse innerhalb weniger Augenblicke die Performance ist hervorragend Eugen Neigel Leiter Vertriebsorganisation und Head of BI

14 Praxisbeispiel: Schwab Versand Herausforderung Umfangreiches Produktsortiment und große Kundenanzahl Selektionen via Expertenregeln wurden großen Datenmengen nicht mehr gerecht Ziele Individuelle Kundenansprache Identifikation von interessanten und affinen Kundensegmenten für Marketingkampagnen Lösung Optimierung der Katalogselektion Identifikation von Antwort- und Kaufwahrscheinlichkeiten Entdeckung neuer rentabler Kundensegmente Unternehmen der Otto-Gruppe 2,5 Millionen Kunden Artikel im Sortiment Mode per Katalog

15 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

16 Mainova AG Effektive und kostengünstige Kundenansprache mit Predictive Analytics Das Unternehmen Die Mainova AG ist der größte Energieversorger Hessens und die Nummer 10 in Deutschland. Das börsennotierte Unternehmen mit Sitz in Frankfurt am Main versorgt rund eine Million Menschen in Hessen und den angrenzenden Bundesländern täglich mit Strom, Erdgas, Wärme und Wasser Lösung Die Mainova ermittelt mit IBM SPSS regelmäßig für jeden Kunden - den Kundenwert als Prognose der zukünftigen Verbräuche und der sich daraus ergebenden Umsätze - den Kundentypus als Ausprägung der Interessenlagen - die Beziehungsphase im Rahmen des Kundenlebenszyklus - die Wechselwahrscheinlichkeit - Analyse von Kostentreiber für verschieden Marketinginstrumente - Wöchentliche, fein granulare Analyse aller Preise und Konditionen der Wettbewerber für den Vertrieb Beispiele Kosteneinsparungen für Druck und Versand der viermal jährlich erscheinenden Kundenzeitschrift ohne signifikante Verluste bei Bekanntheit und Akzeptanz. Identifikation desaktiven Leserkreises und Versand einer stark verkleinerten Auflage Senkung der Vertriebskosten um 95% bei einer Marketingkampagne zur Vermarktung spezieller Heizungspumpe durch die Identifikation der wenigen Tausend affinen Hauseigentümer Heute können wir die Streuverluste beim Einsatz von Instrumenten in Marketing und Vertrieb um bis zu 75 Prozent reduzieren. Andreas Hahne Sachgebietsleiter Marktforschung, Wettbewerbsbeobachtung und Data-Mining Ergebnisse Signifikante Reduktion der Abwanderungsrate durch die frühzeitige Identifizierung wechselwilliger Kunden Reduzierung der Streuverluste in Marketing und Vertrieb um bis zu 75 Prozent in manchen Projekten sogar bis zu 95%

17 Prozessmodell für Kundenbindung Schritt 1: Vorhersage des Kündigungsrisikos und des Kündigungszeitpunkts Vorhergesagtes Potential Schritt 2: Bestimmung des Kundenwerts (Customer Lifetime Value) Schritt 3: Auswahl der geeigneten Kundenbindungsmaßnahme - Wahrscheinlichkeit für Erfolg der Maßnahme - kundenindividuelle Optimierung der Incentivierungshöhe Kündigungsrisiko

18 Case Study: UPC UPC kombiniert Data Mining mit Text Analyse und Enterprise Feedback Management in einer ganzheitlichen Kundenbindungsstrategie Identifikation von über 100 Variablen, die Kündigungen treiben 100% Verbesserung bei der Identifizierung von potentiellen Kündigern Highlights Steigerung Senkung Steigerung 50% 17% 23% KUNDEN ZUFRIEDENHEIT KUNDEN KÜNDIGERRATE Unzufriedene Kunden zu Promotern Initiale Reduktion der Churn Rate von 19% auf 2% bei highly-risk Kunden In drei Monaten erhöhte sich die Kundenzufriedenzeit in über 50% aller Fälle

19 Operational Analytics IBM IBM Corporation

20 Einsatz von Preditive Analytics im gesamten Produktlebenszyklus Prognose von Serviceintervallen Diagnose von Versuchsdaten Entwicklung Identifikation verwandter Probleme, Ursachen und Maßnahmen Analyse von Händlerabrechnungen und daraus abgeleitete Massnahmen Vermeidung von Wiederholreparaturen After Sales Garantie Frühe Baureihen Recycling Beschwerden analysieren Automatisierte Auswertung von Texten n.i.o. Kühlstrecke Bearbeitung und Prüfung Prozessdaten i.o. Produktempfehlungen am Point of Sales Datenbank Online scoring Informationsfluss Kühlstrecke Bearbeitung Materialfluss Kunde Automatisierte Befragungen und direkte Analyse der Antworten Marketing Sales Produktion Logistik Produktionsoptimierung und -monitoring Kundenbedarfsermittlungen durch Segmentierung Artikelmix und daraus abgeleitete Bevorratung

21 Predictive Analytics in der Produktion Vorgehensmodell Produktionseigenschaften/-parameter Nr. Anlage Zeit Typ Temp Druck Füllstand Qualitätskennzahlen... Fehler Gütemaß :01 TN nein 10, :01 TO nein 10, :14 TSW ja 12, :15 TS nein 11, :29 TSW nein 12, :57 TO ja 11, :07 TSW nein 10, :09 TN ja 9, :11 TM ja 11, Data Mining Bei welchen Kombinationen tendieren die Qualitätskennzahlen zu gut/schlecht?

22 Identifikation von Fehlermustern und unbekannten Zusammenhängen mit Entscheidungsbaumverfahren 30 Regel: WENN Öffnungszeit > 1287 UND Heizkreis 12 <= 598,8 DANN wird zu 100% Ausschuss produziert

23 Präventiver Regelkreis: Proaktive dynamische Prüfung Kostenreduzierung durch Integration von Predictive Analytics in den Produktionsprozess Recycling n.i.o. Kühlstrecke Bearbeitung und Prüfung Prozessdaten i.o. Datenbank Kühlstrecke Bearbeitung Kunde Online scoring Informationsfluss Materialfluss

24 IBM SPSS wird von BMW in der Leichtmetallgiesserei genutzt um den Produktionsprozess besser zu verstehen und Probleme schneller zu eliminieren. Ergebnisse Reduktion der Ausschussrate um 80% in 12 Wochen! Adhoc-Analyse liefert ROI in 35 Minuten!

25 Automatisierte Qualitätssicherung in einer Fertigung bei einem Automobilhersteller Ausgangslage In der Fertigung werden pro Tag im Schnitt 2800 Zylinderköpfe hergestellt 600 Variablen werden im Produktions- und Qualitätssicherungsprozess erfasst Je später ein Qualitätsfehler auftritt, um so höher sind die anfallenden Kosten Hoher Bedarf an Regelreportings- und Analysen Einsatz von IBM SPSS Mit Data Mining wird die Transparenz in den Produktionsprozessen gesteigert Prozessoptimierung durch neue Erkenntnisse über Fehlermuster Fehlerquellen können tagesaktuell gefunden und behoben werden (Bsp: falsche Lagerung der Kerne führt zu Produktionsfehlern) Ergebnisse: Reduktion der Ausschussrate von 9% auf 1,5% Senkung der Qualitätssicherungskosten um 50% Verbesserung der Geradeaus-Produktion um 20% (von 80% auf 95%) 40% Arbeitszeitersparnis für die Erstellung von Regelanalysen und Fehlerreports ROI bereits nach 8 Wochen

26 Predictive Maintenance IBM IBM Corporation

27 Schritt 2: Vorauschauende Instandhaltung durch Vorhersage des optimalen Wartungszeitpunkts Ziele Prognose des idealen Zeitpunkts für den Teiletausch auf jeder Maschine Proaktive Steuerung der Wartungstrupps Forecasting von Reparaturkosten Von der reaktiven Wartung zur proaktiven Instandhaltung Mehrwert Steigerung der OEE Verringerte ungeplante Downtime von Maschinen (ungeplanter Stillstand wird zu geplantem Stillstand) höhere Durchlaufraten Verbesserung der Produktivität der Wartungsressourcen Vorausschauende Lagerhaltung führt zu einer Senkung der Lagerkosten

28 Case Study: DC Water. Automatisierte Routenplanung der Wartungstrupps auf Basis der Berechnung von sog. hot spots (Bereiche mit erhöhtem Ausfallrisiko) Our assets are talking to us, we are not listening Mujib Lodhi, CIO, DC Water

29 Case Study: DC Water DC Water verbessert Asset-Management durch Predictive Maintenance Das Unternehmen Die District of Columbia Water and Sewer Authority (DC Water) liefert Wasser, Kanäle und Abwasserentsorgung für über Einwohner, 1,6 Mio.. Besucher und Arbeiter im Bezirk Columbia und Teilen von Virginia und Maryland. Lösung DC Water implementierte die IBM Predictive Maintenance Lösung zur Vorhersage von kostenintensiven Ausfällen und Rohrbrüchen. Ein besseres Verständnis über den Zustand der einzelnen Assets ermöglicht DC Water eine gezielte Steuerung und tagesaktuelle Optimierung der Routenplanung der einzelnen Wartungsmitarbeiter im Stadtgebiet auf der Basis eines Priorisierungsmodells Key Benefits Reduktion der Kundenanrufe um 36% im Call Center durch verbesserte vorhersehende Wartung HUNA (High Utilization Notification Alerts) Benachrichtigungen verhindern Schäden von tausenden von Dollars für jeden Kunden Notfalluntersuchungen, die innerhalb von 10 Minuten abgeschlossen werden konnten, stiegen von 49% auf 93% Erstellung von Reports in Sekunden statt Tagen Our work with IBM has allowed our assets to communicate with us and we re doing more than just listening, we re taking action. Mujib U. Lodhi Chief Information Officer, DC Water Ergebnisse ROI: 629% Payback: 2 Monate Jährlicher Benefit: $ 6,559,000

30 IBM hat für Komatsu ein proaktives Monitoring- und Analyse-System implementiert, das eine Vielzahl von Parametern aus heterogenen Datenquellen analysiert um frühzeitig Qualitätsprobleme zu erkennen. 38 Vermeidung von Reparaturkosten von $1 M in unter 2 Wochen! 12-14x ROI (return on investment) in 4 Monaten!

31 Schritt 3: Early Warning & Alerting System Aufbau eines Frühwarnsystems durch Automatisierung der Analysen Modelle werden auf neue Daten angewendet und erzeugen sog. Risk Scores Monitoring der Fehlerwahrscheinlichkeiten und automatisches Alerting bei großen Veränderungen der Risikoscores ( Risk Rank Change ) Visualisierung der Ergebnisse und Integration in eine Reporting-Plattform

32 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