H E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z

Transkript

1 H E R Z L I C H W I L L K O M M E N Z U R D O A G K O N F E R E N Z

2 A D V A N C E D A N A L Y T I C S : V O N S E M I - S T R U K T U R I E R T E N D A T E N Z U W I S S E N T O M S E I D E L & A N T O N T H O M E O RACLE. EXPERTISE. PASSION.

3 v i r t u a l 7 G m b H Consulting- und Softwarepartner Unternehmergeführt 1996 gegründet 80 Mitarbeiter 1 Team aus Spezialisten W E R W I R S I N D

4 W A S W I R M A C H E N

5 I M 4. J A H R B E I V I R T U A L 7 G M B H A K T U E L L E P R O J E K T E R E T A I L C H E M I S T R Y B U S I N E S S I N T E L L I G E N C E D A T A W A R E H O U S I N G D A T A I N T E G R A T O R T O M S E I D E L / B I & D W H C O N S U L T A N T

6 I M 3. J A H R B E I V I R T U A L 7 G M B H A K T U E L L E P R O J E K T E P U B L I C S E C T O R F I N A N C E B U S I N E S S I N T E L L I G E N C E D A T A B A S E T O M S E I D E L / B I & D W H C O N S U L T A N T

7 PROJEKTVORBEREITUNG UND -ZIELE DATEN TRANSFORMIEREN UND MODELL ERSTELLEN BRAINSTORMEN UND IDEEN SAMMELN MODELL VALIDIEREN UND ANPASSEN DATEN VERSTEHEN UND ANALYSIEREN MANAGEMENT SUMMARY UND RETROSPEKTIVE A G E N D A L I E B E S T A G E B U C H,

8 PROJEKTVORBEREITUNG UND -ZIELE Kontext Technologiewahl Data Dictionary Vorgehen Teilnehmer und Rollen

9 F A H R P L A N D E S K U N D E N Sammlung der relevanten Daten und Dokumentation der Daten Analyse bestehender Datenbank und Identifikation Business und Use Cases Integration der Daten in die Cloud und Start Nutzung Data Mining Integration von IoT-Diensten und -Daten sowie produktive Anwendung von Advanced Analytics

10 T E I L N E H M E R IT Projektleiter Tom Consultant Referent Marketing Analyst Anton Consultant Senior Consultant

11 O R A C L E D A T A M I N I N G

12 O R A C L E D A T A M I N I N G ORACLE Database Enterprise Edition mit Option ORACLE Advanced Analytics B E N E F I T S o ORACLE Database integriert o Basiert auf SQL und PL/SQL, auch die Ablaufsteuerung und Algorithmen o Nutzt die Performance und Skalierbarkeit der DB o Grafischer Drag-&-Drop Workflow GUI o In der Cloud verfügbar o Durch R auch auf Hadoop migrierbar

13 O R A C L E D A T A M I N I N G ORACLE Data Miner GUI im SQL Developer ORACLE Data Mining (PL/SQL Packages) ORACLE R (R Skripte) Data Mining Repository (Schema) Third Party R Skripte (Integration)

14 O R A C L E D A T A M I N I N G F U N K T I O N E N & A L G O R I T H M E N

15 O R A C L E D A T A M I N I N G E L E M E N T E I N D E R D B

16 BRAINSTORMEN UND IDEEN SAMMELN Ideensammlung Analysen & Schätze Komplexitätsreduktion der Daten

17 t4 I D E E N I Ideen für Analysen sammeln o Forecast Interessenten o Newsletter Zielgruppen o Evaluationskriterien o Benötigte Daten o Komplexität o Wert o Score

18 Folie 17 t4 Kurze Erklärung der Ideen

19 I D E E N I I Ideen für Analysen sammeln ANALYSE DATEN AUFWAND WERT SCORE o Forecast Interessenten o Newsletter Zielgruppen o Evaluation o Benötigte Daten o Komplexität o Wert o Score Newsletter-Erfolg - Newsletter - Kunden - Umsätze Campagnen- Steuerung - Kampagnen - Umsätze - Produkte ABC-Kunden - Kunden - Umsätze Mittel Mittel 50 Mittel Hoch 80 Gering Gering

20 O R A C L E D A T A M I N I N G F U N K T I O N E N & A L G O R I T H M E N

21 I D E E N V A L I D I E R E N I

22 I D E E N V A L I D I E R E N I I

23 DATEN VERSTEHEN UND ANALYSIEREN Datenüberführung Workflow-Erstellung Exploration Datenverständnis Qualitätsmessung

24 D A T E N Q U E L L E N Individellues CRM

25 D A T E N Ü B E R F Ü H R U N G CRM ANALYITCAL DB MAILCHIMP REST API {JSON}

26 D A T A E X P L O R A T I O N Aufgaben Statistiken über o Null Values o Distinct Values o Standardverteillung o Durchschnitt

27 D A T A E X P L O R A T I O N

28 S E M I S T R U K T U R I E R T E D A T E N STUKTUR UNSTRUKTURIERT SEMI-STRRUKTURIERT STRUKTURIERT Beispiel { } "id": "42694e9e57", "title : Harry Potter, "price : 20,99, "authors :["Joanne. K. Rowling" ], Besipiele Bilder, Video, Bücher, Rohdaten XML, JSON Relationale Tabellen

29 DATEN TRANSFORMIEREN UND MODELL ERSTELLEN Reduktion Data Set JSON-Behandlung Klassifikation

30 T R A N S F O R M A T I O N E N Aufgaben o Data Sets reduzieren o Daten transformieren (flache Tabelle) o Unwichtiges eliminieren o JSON-Newsletter behandeln

31 T H E O R I E K L A S S I F I K A T I O N M E T H O D E : K L A S S I F I K A T I O N Bei der Klassifizierung (classification) werden Daten bereits existierenden Klassen automatisch zugeordnet und die dazu notwendigen Entscheidungsregeln automatisch hergeleitet. A L G O R I T H M E N o Support Vector Machine o Naive Bayes o Decision Tree

32 t3 S E M I S T R U K T U R I E R T E D A T E N JSON IN DER DATENBANK { "id": "42694e9e57", "campaign_title": "New Features", "type": "regular", " s_sent": 200, "unsubscribed": 2, "send_time": " T19:05:51+00:00", "bounces": { }, "hard_bounces": 0, "soft_bounces": 2, "syntax_errors": 0 "opens " : {[ SELECT campaign.opens. as FROM newsletter_json; user1@test.com user2@test.com

33 Folie 31 Kannst du das SELECT erklären? Versteh

34 I N T E G R A T I O N J S O N I N O R A C L E D B CRM ANALYTICAL DB MAILCHIMP REST API {JSON} NEWSL_JSON NEWSL_SUCCESS

35 MODELL VALIDIEREN UND ANPASSEN Validierung Anpassen

36 V A L I D I E R U N G An Tagen an denen es zu Vorwahlen in den US kam, fiel in China ein Sack Reis um. Abhängig / Zufall? KREUZVALIDIERUNG o Testverfahren der Statistik VALIDIERUNG DURCH EXPERTEN o Gültig aus fachlicher Sicht?

37 DEMO

38 MANAGEMENT SUMMARY UND RETROSPEKTIVE Management-Präsentation Konseviergung Erfahrung Fahrplan für weitere Entwicklung

39 M A N A G E M E N T S U M M A R Y o Ergebnisse der Modelle werden auf Bestands- und Stammdaten angewendet o In der Datenbank verfügbar, einfachste Anbindung in BICS möglich Up in die Cloud

40 M A N A G E M E N T S U M M A R Y I N D E R B I C S

41 R E T R O S P E K T I V E I

42 R E T R O S P E K T I V E I V

43 R E T R O S P E K T I V E I TIPPS o Verringere die Datenattribute und -menge soviel wie möglich o Begleitende und nützliche Hilfe (F1) im Oracle Data Miner D A T A M I N I N G o Garbage in, garbage out - Saubere Datenerhebung ist von großer Wichtigkeit o Sonst systematischer Fehler, die im Data-Mining-Schritt gefunden werden

44 R E T R O S P E K T I V E I I I FAZIT o Start smart, think big! - Beginne mit simplen Use Case / Gebiet o Einfache Nutzung von ORACLE Data Miner Workflow GUI Leistungsstark und erweiterbar

45 F R A G E N A N T W O R T E N