Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO

Transkript

1 Zukunftsträchtige Potentiale: Predictive Analysis mit SAP HANA & SAP BO thinkbetter AG Florian Moosmann 8. Mai

2 Agenda Prädiktive Analyse Begriffsdefinition Herausforderungen Schwerpunktbereiche Technologischer Fortschritt in Business Intelligence SAP NetWeaver BW 7.3 powered by HANA SAP HANA Predictive Analysis Library (PAL) SAP BO Predictive Analysis Technologiebezogene Potentiale EDWH-Architektur Agiles BI und Standard BI Zusammenfassung 2

3 The Data Warehouse Institute...prediction provides the most business value Among business intelligence disciplines, prediction provides the most business value but is also the most complex (TDWI.org) 3

4 Prädiktive Analyse Begriffsdefinition Was ist die prädiktive Analyse? Fülle an Analysetechniken Mischung aus der statistischen Analyse und Data Mining das Extrahieren von nützlichen Informationen auf Basis grosser Datenmengen D. Hand et al. der Prozess über den Datenzugriff, Datenerforschung, Datenaufbereitung, Modellierung, Modellbereitstellung und Modellüberwachung J. Elder / R.Nisbet / G. Miner 4

5 Prädiktive Analyse Herausforderungen Identifizierung von Auffälligkeiten / Abweichungen von der Norm Wurde ein Schaden an ein und demselben Haushaltsgerät möglicherweise ein zweites Mal eingereicht? Prognose Prognosen über die zukünftige Entwicklung auf Basis historischen Datenmaterials Wie wird sich der Verkauf von Vers.- Policen in Zukunft entwickeln? Anomalien Prädiktive Analyse Schlüsseleinflussnehmer Identifizierung der Schlüsseleinflussnehmer, die sich auf den Erfolg auswirken Was beeinflusst die Zufriedenheit meiner Kunden am meisten? 5 Identifizierung von Zusammenhängen im Datenmaterial Lassen sich meine Kunden auf Basis bestimmter Kriterien gruppieren? Beziehungen Trends Identifizierung von Trends (kurz- und langfristig) die das Geschäft beeinflussen Wie wirkt sich der demographische Wandel auf das Versicherungsangebot / Zielgruppen etc. aus?

6 Datenaufbereitung Datenmodellierung Ableitung Prädiktive Analyse Schwerpunktbereiche Know-How Identifizierung relevanter Datenquellen Definition der Werkzeuge (Algorithmen) Bereitstellung / Verteilung der Ergebnisse Zugriff auf Datenquellen Aufbau Datenmodelle Ableitung von Entscheidungen Zusammenführung und Integration Interpretation und Visualisierung Ergreifen von Massnahmen Technologie 6

7 Technologischer Fortschritt in Business Intelligence SAP NetWeaver BW 7.3 powered by HANA SAP HANA Predictive Analysis Library (PAL) SAP BO Predictive Analysis 7

9 Technologischer Fortschritt in Business Intelligence SAP NetWeaver BW 7.3 powered by HANA In-memory optimierter InfoCube Nutzen Vereinfachung der Datenmodellierung Schnelleres Daten laden Quelle: SAP In-memory optimiertes DataStore Objekt Reduzierung von Aktivierungszeiten Reduzierung der gesamten Ladezeit Generelle Performance-Vorteile Reduzierung der Berechnungszeiten (DB + OLAP) 9 Quelle: SAP Potential: Nutzung virtueller statt persistentem Data Mart bei best. Szenarien

10 SAP HANA Plattform Technologischer Fortschritt in Business Intelligence SAP NetWeaver BW 7.3 powered by HANA Interoperabilität BW auf HANA - HANA BW org. Bereich HANA org. Bereich Nutzen Hervorragende Flexibität in der agilen Modellierung Schwerpunkte: Operationales Reporting (Echtzeit), Agile Datenmodelle etc. SAP Extraktoren etc. Quelle: SAP SLT (Echtzeitreplikation) Data Integrator Kombinationsmöglichkeit BW org. Daten mit HANA org. Daten 10

12 Technologischer Fortschritt in Business Intelligence SAP HANA Predictive Analysis Library (PAL) Vordefinierte PAbezogene Methoden: Umgesetzt in HANA Architektur (C++) Ausführung erfolgt innerhalb der HANA DB Methoden parametrisiert aufrufen Quelle: SAP 12

13 Technologischer Fortschritt in Business Intelligence SAP HANA PAL Algorithmen (SPS 5) 13 Quelle: SAP

14 Technologischer Fortschritt in Business Intelligence SAP HANA Predictive Analysis Library (PAL) Vordefinierte PAbezogene Methoden: Umgesetzt in HANA Architektur (C++) Ausführung erfolgt innerhalb der HANA DB Methoden parametrisiert aufrufen Aufbau von Informationsmodellen mit SAP HANA Modelers Nutzung von PAL-Methoden durch SQLScript Unterstützung: R Quelle: SAP 14

15 Technologischer Fortschritt in Business Intelligence Nutzung PAL-Methoden in SAP HANA Modellierung Zugriff auf verschiedene Datentöpfe Zugriff auf validierte und integrierten Datenquellen wie (SAPBW) Nutzung weiterer Quellen Quelle: SAP Modellierung auf Basis verschiedener Ebenen Calculation View: Nutzung SQL Script Aufruf und param. PAL-Methoden, Nutzung R Analytic View Attribute View 15

17 Technologischer Fortschritt in Business Intelligence SAP BO Predictive Analysis ist...ein Werkzeug zur statistischen Datenanalyse und Data Mining Aufbau PA Modelle Assistent-geführter Aufbau von PA-Modellen Zugriff auf verschiedene Datenquellen Lokale Integration R Parametrisierter Zugriff auf PAL- Algorithmen der HANA DB Integrierte Werkzeuge wie bspw. Filtern, Sampling etc. Interaktive Analyse und Visualisierung Interaktive Analyse der dem PA- Modell zugrundeliegenden Daten (Visual Intelligence) Breite Auswahl an statistischen Visualisierungsmöglichkeiten (abhängig von verwendetem Algorithmus) Zurückschreiben der Ergebnisse 17

18 Technologischer Fortschritt in Business Intelligence Demo: SAP BO Predictive Analysis 18

19 Technologischer Fortschritt in Business Intelligence Demo: Predictive Analysis Datenquelle auswählen 19

20 Technologischer Fortschritt in Business Intelligence Demo: Predictive Analysis Prüfen der Beispieldaten 20

21 Technologischer Fortschritt in Business Intelligence Demo: Predictive Analysis Erforschen des Datenmaterials 21

22 Technologischer Fortschritt in Business Intelligence Demo: Predictive Analysis Aufbau PA-Modell 22

23 Technologischer Fortschritt in Business Intelligence Demo: Predictive Analysis Spezifikation CnR Algorithmus Wahl: Für Klassifikation relevante Spalten (Eingabeparameter für Algorithmus) Wahl: Wahl der abhängigen Spalte (Ausgabeparameter) 23

24 Technologischer Fortschritt in Business Intelligence Demo: Predictive Analysis Auszug aus der Interpretation Personen mit einem Einkommen >= CHF , haben zu 86.49% eine Lebensversicherung Personen mit Einkommen >= CHF und Kindern, haben sogar zu 100% eine Lebensversicherung 24

25 Technologiebezogene Potentiale EDWH-Architektur Agiles BI und Standard BI Zusammenfassung 25

27 SAP HANA Technologiebezogene Potentiale EDWH-Architektur BW org. Bereich HANA org. Bereich 27

28 Technologiebezogene Potentiale EDWH-Architektur BW org. Bereich 28

29 Technologiebezogene Potentiale EDWH-Architektur BW org. Bereich (1) (2) (3) 29

31 SAP HANA Technologiebezogene Potentiale Agiles und Standard BI Design Studio Analysis Office CR Enterprise Predictive Analysis BEx Query HANA Modeler BW org. Bereich HANA org. Bereich HANA Modelle Tabellen 31 Zusatzdaten Real-time Datentransfer mit SAP SLT ETL basierter Datentransfer mit SAP BO Data Integrator

32 Technologiebezogene Potentiale Agiles und Standard BI BW org. Bereich HANA org. Bereich Composite P. Transient P. Virtual P. 1 2 Generiert HANA Modelle Nutzung HANA-Informationsmodelle in BW Nutzung BW-Informationsmodelle in HANA Modellierung 32

33 SAP HANA Plattform Technologiebezogene Potentiale Agiles und Standard BI Standard BI BI Konsument BI St. user BI-Poweruser BI-Analytiker Agiles BI Standard BI BI Konsument BI St. user BI-Poweruser BI-Analytiker Agiles BI BW org. Bereich HANA org. Bereich Datentransfer (Data Integrator) (Virtual) Data Mart Layer Marketing Daten Propagation Layer Basisdaten Zusatz-& Ad-hoc Daten Analysen (HANA Modelle) Zusatz-& Ad-hoc Daten Prädiktive Analyse Analysen (HANA Modelle) Acquisition Layer Quelldaten Marketing Daten PAL-Algorithmen 33 Zusatzdaten Feeder-Systeme

35 Zusammenfassung Zukünftige Anforderungen & neue Herausforderungen Lösungen durch SAP BI Nutzung +Ad Hoc Reporting +Dashboards +Datenvisualisierung +Office Integration +Agilität und Verlässlichkeit BI Inhalt Transversale Analysen Berechnung und Erzeugung neuer Zahlen, Grafiken und Sichten BI Datenkombination Datenkombination aus mehreren Quellen Datensilos Datenkonsistenz Systemperformance BI Applikationen Betriebsaufwände Implementierungsaufwände Abhängigkeiten Fazit 35

36 Zusammenfassung Zukünftige Anforderungen & neue Herausforderungen BI Nutzung +Ad Hoc Reporting +Dashboards +Datenvisualisierung +Office Integration +Agilität und Verlässlichkeit BI Datenkombination Datenkombination aus mehreren Quellen Datensilos Datenkonsistenz BI Inhalt Transversale Analysen Berechnung und Erzeugung neuer Zahlen, Grafiken und Sichten Systemperformance BI Applikationen Betriebsaufwände Implementierungsaufwände Abhängigkeiten Lösungen durch SAP SAP BW powered by HANA Zusätzliche Flexiblität auch in der integrierten und validierten Sicht auf alle Unternehmensdaten Potential zum Aufbau kombinierter (virtueller) Datenmodelle (BW-basierte und HANA-basierte Inhalte) SAP HANA Modeler: HANA organisierte Datenbereiche und Modellierungsmöglichkeiten Flexible Integration neuer Daten und darauf aufbauende Modellierungsmöglichkeiten Nutzung in HANA integrierter PAL-Algorithmen SAP BI 4.0 Werkzeuge Zugriff auf BW-basierte und HANA-basierte Inhalte für versch. BI Benutzer SAP BO Predictive Analysis Konsum der BW-basierten- und HANA-basierten Informationsmodelle Assistent-basierter Aufbau von PA-Modellen und Visualisierungsmöglichkeiten Fazit Technologische Innovationen im Bereich HANA stärken bestehende Architektur und ergänzen die Modellierungsmöglichkeiten in SAP BW um eine flexible und agile Datenmodellierung. 36

37 Herzlichen Dank für Ihre Aufmerksamkeit! Florian Moosmann Consultant Manager CFC thinkbetter AG Espenstrasse 9 CH-8274 Gottlieben florian.moosmann@thinkbetter.ch 37