Competing on Analytics or The era of reporting draws to a close

Transkript

1 Competing on Analytics or The era of reporting draws to a close Hans-Rainer Pauli Business Development Manager Technology SAS Switzerland hans-rainer.pauli@sch.sas.com

2 Inhalt Ausgangslage Kritische Faktoren Business Value Information Evolution Model

3 Was ist Business Intelligence? Das Wissen, welches man aus der Analyse firmeneigener Informationen gewinnt Ein von Howard Dresner von der Gartner Group 1989 eingeführter, populärer Oberbegriff für die Beschreibung einer Gruppe von Konzepten und Methoden, welche Geschäftsentscheidungen mit Hilfe faktenbasierter Entscheidungsfindungssysteme verbessern sollen. The telephone book is full of facts, but it doesn t contain a single idea. Mortimer J. Adler

4 Business Intelligence The Current (Old) Definition Business Value Reporting / OLAP Data Management Data Access How Much? How Many? What Happened? Intelligence

5 Einfache, aber nützliche Fragen Wieviel haben wir verkauft (pro Monat, Kanal, Region)? Welche Läden haben am meisten verkauft? Welches ist unser meistverkauftes Produkt? Welches ist unser profitabelstes Produkt? Haben wir unsere Ziele erreicht? SKU Brand Product Subcategory Category Year All Merchandise Location Month Week Time Company Country Region Zone Store

6 führen zu vielversprechenderen Fragen Wie viel werden wir nächsten Monat (Quartal, Jahr) verkaufen (pro Produkt, Niederlassung)? Wie stocken wir unsere Lagerbestände optimal wieder auf? Welche Kunden werden wahrscheinlich auf eine Werbeaktion reagieren und wieviel werden sie wahrscheinlich ausgeben? Wie bekommen und behalten wir profitable Kunden? Wie verwenden wir unser Marketingbudget um unseren Profit zu maximieren? Wo sollten wir neue Läden eröffnen um unseren Umsatz zu steigern?

7 Beyond Traditional BI to Business Analytics Optimization Business Value Reporting / OLAP Data Management Data Access Predictive Modeling Forecasting How Much? How Many? What Happened? What will happen next? What s the best that can happen? Intelligence

8 Keep in Mind This is what traditional BI looks like

9 This is what true analytics can do for you

10 "It is not necessary to change. Survival is not mandatory." W. Edwards Deming

11 Competing on analytics Organizations are competing on analytics not just because they can but also because they should. "After years of fitful progress, leading firms have begun basing their competitive strategies on the sophisticated analysis of business data." Thomas H. Davenport, President's Distinguished Professor & Director of Research Babson College Source: Harvard Business Review (January 2006)

12 Wettbewerb heute If you can build something, I can build something six months later. If you can buy it, I can buy it. What you do with your information is absolutely what differentiates you from your competitors Stephen Zander Director of Operations & Technology Enterprise Solutions & Services, McKesson

13 Wettbewerb morgen Competing on analytics Optimierung von Schlüsselprozessen Verkauf Kundenbeziehungsmanagement Produktion Logistik Erkennen von Zusammenhängen statt ex post facto Bereinigungen Wie beeinflussen nicht-finanzielle Faktoren ein optimales finanzielles Ergebnis? Akkurate Vorrausschätzungen Planung Pro-aktives und rechtzeitiges Handeln

14 Charakteristika analytisch orientierter Unternehmen Mitglieder der Geschäftsleitung, welche Analytik und faktenbasierte Entscheidungen befürworten und fördern Einsatz wirklich analytischer Werkzeuge und Verfahren Strategische Nutzung analytischer Verfahren in verschiedenen Geschäftsbereichen und prozessen Unternehmensweiter Ansatz für das Management analytischer Werkzeuge, Datenbestände und Fähigkeiten

15 Unternehmensweite Einsatzgebiete Management Marketing Verkauf Personal Finanzen Produktion Logistik

16 Business Analytics hat nichts zu tun mit Reporting Multidimensionale Analysen (OLAP) Deskriptive Statistik Dashboarding

17 sondern Business Analytics hat zu tun mit: Statistische Verfahren Regression, Korrelation, Varianzanalysen, Clusteranalysen Prediktives Data Mining Neuronale Netze Entscheidungsbaumverfahren Textmining Zeitreihenanalyse und Forecasting Komplexe Optimierungstechniken Lineare und nicht-lineare Programmierung

18 Einsatzgebiete für Statistik und Datamining Kunden Produkt Prozesse Umsatzsteigerung Cross-/Up-sell Potential Profitabilitätsanalyse Kundenretention Zielgruppenanalyse Kundensegmentierung Web Analytics Warenkorbanalysen Preisgestaltung Produktpromotionen Tarifberechnung Bedarfsplanung Kostenreduktion Credit scoring Betrugsentdeckung Geldwäsche Kostenanalyse Predictive maintenance Qualitätskontrolle Garantieanalysen Mitarbeiterretention Saläranalysen

19 Beispiel: Salärvergleich

20 Beispiel: Analytischer Salärvergleich

21 The Future Matters - Zeitreihenanalyse und Vorhersage Sales always promise more than we can produce We have many customers complaining as production does not deliver what we expected Where shall we open the next new store? Our profit is declining due to lost orders and large inventories Management Production Sales & Marketing Development Financial Purchasing It is impossible to make plans We always have emergency orders The sales forecast is unreliable and not binding What to develop when nobody knows what the customer really demands? How do we make agreements with suppliers when we do not know what to sell?

22 Zeitreihenanalyse und Vorhersage Allgemein Bedarfsplanung für Produkte und Dienstleistungen Vorhersage für Langzeitplanung Financial forecasts Standortauswahl Vorhersage von Personalbedarf Finanzwesen Cash Management (ATMs und Zweigstellen) Risiko Management Monte Carlo Simulations Input für Basel 2 Modellierungen Forschung Equity / Bond Analysen Einzelhandel Bedarfsplanung Güterauswahl Promotiosanalyse Energie Bedarfsvorhersage

23 Operations Research Antworten auf die entscheidenden Fragen Wie sieht die optimale Lösung aus? there is always a well-known solution to every human problem - neat, plausible, and wrong. H.L. Mencken ( ) editor, critic, curmudgeon

24 Operations Research - Optimierung Operations Research (OR) befasst sich mit der optimalen Lösung von Planungsaufgaben in Technik, Wirtschaft und Verwaltung. Netzplantechnik: Planung des zeitlichen und logischen Ablauf von Großprojekten Linearoptimierung: Mengenplanung für Absatz und Produktion, sowie für Transport-, Netzfluss- oder Maschinenbelegungs-Probleme Simulation: Lösung von Warteschlangenproblemen oder Optimierung von Online-Systemen

25 Operations Research Optimierung: Einige Anwendungsbeispiele Standortsuche Verkaufsoptimierung Kampagnenoptimierung Produktionsplanung Materialbedarfsplanung Personalplanung Verteilung Netzwerk-Routing Ablaufplanung Lieferantenauswahl und - bewertung Lageroptimierung Lieferkettenoptimierung

26 Ein einfaches Beispiel Green Diamond A product mix problem: The Green Diamond Snack Company has available 410 pounds of peanuts, 140 pounds of cashews, 210 pounds of almonds, and 80 pounds of Brazil nuts. The company produces one-pound cans of the following nut mixes: Mix Peanuts Cashews Almonds Brazil Nuts Price Fancy Peanuts 100% $2.50 Savoy Mix Waldorf Mix 50% - 15% 40% 30% 45% 5% 15% $6.00 $7.50 London * How many cans of each mix should be produced Honoluluin order to produce the greatest revenue? *

27 Lohnt sich der Einsatz von Analytics? Gaming by customers who use their Total Rewards cards increased 5.6 percent, and the amount of gaming revenue generated by customers outside their home markets rose 15.6 percent. More targeted campaigns based on customer needs Improved ROI from 2x to 10x Average campaign lead time cut by 9 weeks 400 automated campaigns per year 3-400% increase in response rates better targeting Greater profitability through better X and up-sell Measure ROI of each campaign Umsatz Umsatz Umsatz

28 Lohnt sich der Einsatz von Analytics? One-to-one customer contacts Consistent pan-european processes and procedures 2% reduction in 400M Euro marketing spend 8M cost saving Accurately predicting product demand and customer behavior. Each 1% reduction in forecast variance = $200K reduced expenses Q US$15M from lead-generation activities Significant uplift in credit card sales Behaviour-triggered activities up to 25% response rates Kosten Kosten Umsatz

29 Lohnt sich der Einsatz von Analytics? a payback of more than $6 million to date (Alcon) savings potential of at least 8.5 million (Europay) impact has to be in the millions (Salt River Project) reduced costs by up to 50 percent (Copenhagen Energy) 1% reduction in forecasting error can save a electricity supplier 2 million to 3 million per year (CGE&Y) predicted a saving of 400,000 per year (CartaSí )

30 Was ist Information Evolution? Survival of the fittest Permanenter Prozess ohne finales Ziel Schrittweise Veränderung hin zu optimaler Anpassung Gesteuerte Mutation und Auslese

31 Information Evolution Model Description 5 Stufen Stufe 5: Stufe 4: Stufe 3: Stufe 2: Stufe 1: 4 kritische Dimensionen Menschen Prozesse Kultur Infrastruktur Innovate Optimize Integrate Consolidate Operate

32 Stufe 5: Innovate Proactive, innovative thinkers with multiple roles Extensive use of analytics to predict future outcomes and minimize risk, continuous innovation Focus outside the box, interdisciplinary teams, change is the norm Adaptive information infrastructure, flexible and extensible

33 Validation IEM By using the Information Evolution Model that SAS is pioneering, enterprises can make more incisive and strategic decisions about their information investments. A structured approach such as IEM allows CIOs and their staffs to come up with an investment strategy that can mobilize the entire organization and improve communication with business stakeholders. Doug Busch CIO, Intel

34 SAS Enterprise Intelligence Platform

35 Analytics drive the Power of Information Industry Expertise Optimization Business Value Reporting / OLAP Data Management Data Access Predictive Modeling Forecasting How Much? How Many? What Happened? What will happen next? What s the best that can happen? Intelligence

36 Analyst Validation When it comes to knowledge generation, SAS is clearly one of the leading lights in the space and intends to remain so for the foreseeable future. The software created by SAS has been designed from the ground up to address the needs of data analysis, and the 28 years of its development really shows. Source: Bloor Research (September 13, 2005) In the short term IDC does not see any serious challenge to SAS' dominance of the advanced analytics market and expects the company to continue to experience above market growth rates for query, reporting and analysis -IDC, Worldwide Business Intelligence Tools 2005 Vendor Shares, Doc # , Dan Vesset, July 2006

37