Der Blick in die Kristallkugel

Transkript

1 Der Blick in die Kristallkugel Prädiktive Modellierung: Übersicht, Möglichkeiten und Grenzen Kai Brodmann Teamleiter, Senior Software- Ingenieur

2 Der Blick in die Kristallkugel Motivation 2

3 Agenda Was erwartet Sie Verständnisrahmen Business Analytics Beispiele Verständnisrahmen Management- und Projektleiterperspektive Business Analytics Erfolgsfaktoren 3

4 Agenda Was erwartet Sie Verständnisrahmen Business Analytics Beispiele Verständnisrahmen Management- und Projektleiterperspektive Business Analytics Erfolgsfaktoren 4

5 Definitionsvorschläge 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. 5

6 Verständnisrahmen Data Mining Maschinelles Lernen Nutzen Geschäftsprozesse Statistik 6

7 Verständnisrahmen Realität Daten Maschinelles Lernen Modell Zusammenhänge Domänenexperte Geschäftsprozesse Data Warehouse Business Intelligence Business Analytics 7

8 Agenda Was erwartet Sie Verständnisrahmen Business Analytics Beispiele Verständnisrahmen Management- und Projektleiterperspektive Business Analytics Erfolgsfaktoren 8

9 Elbe Pegelprognose Flusssystem des Amazonas im Vergleich zum Flusssystem der Elbe 9

10 Elbe Pegelprognose Ziel: Kurzfristprognose des Elbpegels Flusspegel hängen stark vom Niederschlag im gesamten Fluß- System vor dem Pegel ab Historische Pegelstände Historische Niederschläge Zeitreihenanalyse Multivariate Zeitreihe Backtesting 10

11 Beispiel Wassereimer Wasser zusammenschütten 11

12 Beispiel Wassereimer Wasser zusammenschütten Merkmale Eimer 1 Merkmale Eimer 2 Merkmale Zieleimer Masse M1 Temperatur T1 Masse M2 Temperatur T2 Masse M3 Temperatur T3 12

13 Beispiel Wassereimer Zielvariable M3 Neuronales Netz Zielvariable T3 1 M1 T1 M2 T2 M3 T M1 T1 M2 T2 M3 M1 T1 M2 T2 T3 20 M1 T1 M2 T2 M3 T M1 T1 M2 T2 M3 M1 T1 M2 T2 T

14 Beispiel Wassereimer Zielvariable M3 Lineare Regression Zielvariable T3 1 M1 T1 M2 T2 M3 T M1 T1 M2 T2 M3 T

15 Beispiel Wassereimer 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 15

16 Beispiel Lastprognosen zu wenig Bedarf zu viel Bedarf Szenario 1: zu wenig Bedarf Erhöhte Kosten durch Verkauf von Regelenergie Szenario 2: zu viel Bedarf Erhöhte Kosten durch Zukauf von Regelenergie Szenario 1 Ist-Bedarf Szenario 2 Es besteht eine permanente Herausforderung, die richtigen Lastmengen zu prognostizieren. 16

17 Beispiel Lastprognosen Feature Engineering Stunde Wochentag Feiertag 1 Feiertag Feiertag + 1 Quartal Monat Leistung

18 Agenda Was erwartet Sie Verständnisrahmen Business Analytics Beispiele Verständnisrahmen Management- und Projektleiterperspektive Business Analytics Erfolgsfaktoren 18

19 Management Perspektive Business Analytics Strategie Business Analytics Strategie Business Analytics Strategie Business Analytics 19

20 Beispiel Geschäftsprozessintegration Treiber Umsatz steigern Kosten senken Ziel Lagerhaltungskosten senken Effizienz von Direktmarketing steigern Verluste durch Betrug reduzieren Servicekosten minimieren Leistung am Kundenwert ausrichten Einkauf optimieren Maßnahme Teilebedarf prognostizieren Reaktionswahrschein -lichkeit berechnen Betrug rechtzeitig erkennen Maschinenausfälle vorhersagen Warenkörbe analysieren Customer Lifetime Value berechnen Cluster von Serviceanfragen identifizieren Kündigung vorhersehen Abnahmemuster erkennen Methoden & Daten Data Mining auf Kundenbasis- und Kampagnendaten Clustering & Segmentierung Assoziationen Umsetzung Empfängerkreis Kampagne wird gesteuert durch Prognose 20

21 Projektleiter Perspektive Business Analytics Analytische Projekte erfordern besondere PM-Skills und enge Abstimmung mit den analytischen Spezialisten benötigen in explorativen Phasen unbedingt ein agiles Projektvorgehensmodell. sind geprägt von Unsicherheit. Sorgen Sie für ein offenes Kommunikationsklima Innovation 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 - ganz besonders hier. Entwickeln Sie mit dem Management eine realistische Erwartungshaltung. 21

22 Agenda Was erwartet Sie Verständnisrahmen Business Analytics Beispiele Verständnisrahmen Management- und Projektleiterperspektive Business Analytics Erfolgsfaktoren 22

23 Erfolgsfaktoren Business Analytics 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. 23

24 Herzlichen Dank für Ihre Aufmerksamkeit! Kai Brodmann Teamleiter / Senior Software-Ingenieur kai.brodmann@analytical-software.de HMS Analytical Software GmbH Rohrbacher Str Heidelberg info@analytical-software.de HMS auf XING: 24