Microsoft Azure Deutschland ist jetzt verfügbar -

Transkript

1

2

3 MANAGEMENT = intuitives Bedienen von Stellschrauben? Betriebswirtschaftliches Optimum Lieber: MANAGEMENT = systematisches Bedienen von Stellschrauben unter Nutzung von Hilfsmitteln. Stellschraube 1

4

5 S C O R E

6 Business Analytics Maschinelles Lernen Data Mining Statistik = eine Form der Datenauswertung zur operativen und strategischen Unternehmenssteuerung. = ein Forschungsgebiet, das sich mit der computergestützten Modellierung und Realisierung von Lernphänomenen beschäftigt. = ein computergestützer Prozess, der das Ziel hat verwertbare Muster in großen Datenmengen zu finden und nutzbar zu machen. = ein Teilbereich der Mathematik, der sich mit dem Sammeln, der Analyse, der Interpretation und der Präsentation von Daten beschäftigt.

7 Maschinelles Lernen Data Mining Nutzen Geschäftsprozesse Statistik

8 Realität Daten Maschinelles Lernen Modell Zusammenhänge Domänenexperte Geschäftsprozesse Data Warehouse Business Intelligence Business Analytics

9

10

11 ELBE AMAZONAS

12

13 Flusspegel hängen stark vom Niederschlag im gesamten Fluß-System vor dem Pegel ab. Historische Pegelstände Historische Niederschläge Zeitreihenanalyse Multivariate Zeitreihe Backtesting

14

15 Wasser zusammenschütten

16 Wasser zusammenschütten Merkmale Eimer 1 Merkmale Eimer 2 Merkmale Zieleimer Masse M1 Temperatur T1 Masse M2 Temperatur T2 Masse M3 Temperatur T3

17 Neuronales Netz Zielvariable M3 Zielvariable T3 1 M1 T1 M2 T2 M3 T M1 T1 M2 T2 M3 M1 T1 M2 T2 T3 20 M1 T1 M2 T2 M 3 T M1 T1 M2 T2 M3 M1 T1 M2 T2 T3

18 Lineare Regression Zielvariable M3 Zielvariable T3 1 M1 T1 M2 T2 M3 T M1 T1 M2 T2 M 3 T

19 Korrekte physikalische Formeln: m3 = m1 + m2 t3 = m1 t1 + m2 t2 m1 + m2 Lernalgorithmus Lernerfolg Masse Lernerfolg Temperatur Neuronales Netz Sehr gut Sehr gut Lineare Regression Perfekt Gar nicht

20 Praxisbeispiel 1

21 Fehlern

22 Fehlern

23 Praxisbeispiel 2

24

25 Praxisbeispiel 3

26 In einem Produktionsprozess durchläuft ein Teil mehrere Schritte Am Ende jedes Schrittes werden einige Qualitätsparameter des Teils und produktionsrelevante Umgebungsvariablen überprüft Falls nötig, kann ein Teil einzelne Produktionsschritte mehrfach durchlaufen Am Ende des Prozesses wird entschieden ob ein Teil gut oder schlecht ist Möglichst frühzeitige Erkennung von schlechten Teilen Klassifizierung der Teile nach jedem Produktionsschritt innerhalb von 500ms

27

28 Neue Datei erkennen Datei lesen, XML parsen, Datei schreiben 1ms 50 ms 5 ms Klassifizierung eines Events DeployR (Kommunikation, Authentifizierung, ): 60 ms 200 ms

29 erfordern besondere PM-Skills und enge Abstimmung mit den analytischen Experten.... benötigen in explorativen Phasen unbedingt ein agiles Projektvorgehensmodell. sind geprägt von Unsicherheit. Sorgen Sie für ein offenes Kommunikationsklima Entwickeln Sie mit dem Management eine realistische Erwartungshaltung. Experten im Elfenbeinturm brauchen Führung. Wie aber führen, wenn man die Tiefen nicht versteht? eigenen Verständnisrahmen entwickeln. A fool with a tool is still a fool

30 Business- Analytics-affine/s Projektleiter und Management Eingliederung des Projektes in die Aufbauorganisation Domänenexperten Angst nehmen und ins Projekt einbinden Gemeinsame Identifikation der Ansatzpunkte durch Domänenexperten, operative Entscheidungsträger und Analysten Technische und methodische Religiosität vermeiden Ergebnisse der Analysen wirken über die operativen Entscheidungsträger am Geschäftsprozess Business Analytics Initiativen müssen hinterher auch gelebt werden.

31