Workshop Predictive Analytics am Beispiel von ITSM

Transkript

1 SMART. PRAGMATIC. PREDICTABLE. Workshop Predictive Analytics am Beispiel von ITSM Hans Sieder Geschäftsführer Fabian Shirokov Manager Data Science

2 Über SIEGER Ergebnisse zählen. Die SIEGER Consulting liefert seit 10 Jahren zuverlässige Leistungen in Kombination mit innovativen Ideen. Wir begleiten und beraten unsere Kunden in den Bereichen Web-Technologien und moderne Analyseverfahren. Wir wissen, dass es am Ende um das Resultat geht. Bei unserer Tätigkeit gehen wir daher nach einer definierten Maxime vor. Wir suchen zunächst den "relevanten Kern". Wir fragen uns: Worauf kommt es an? Was ist wichtig, um das Ziel schnell und wirksam zu erreichen? Bei unserem Vorgehen lassen wir uns von den Erkenntnissen des italienischen Ingenieurs und Ökonomen Vilfredo Pareto leiten. Die "Pareto-Verteilung" (oder "80/20-Regel") ist bei unserer Arbeit ein ständiger Begleiter und wichtiger Filter, um sehr schnell die wichtigen und wirksamen Hebel von den weniger wichtigen zu unterscheiden. Das SIEGER Leistungsspektrum ergänzen wir durch strategische Partnerschaften. Unsere Lösungen helfen Kunden auf der ganzen Welt durch starke Ergebnisse. Unsere Beratung geht über Technologie hinaus und konzentriert sich auf den Unternehmenswachstum unserer Kunden. Ausgesuchte Beispielkunden: Deutsche Bank, Commerzbank, Universal Music, Marché, Mövenpick, COOP, Deutsche Telekom, Manpower 2

3 SIEGER Leistungen Wir lieben Daten. Erfassung Harmonisierung Anreicherung Analyse / Extraktion Visualisierung 3

4 Angebot Data Discovery Session Hands-on Einsichten gewinnen. In einem gemeinsamen Workshop nehmen wir eine konkrete Fragestellung auf und beantworten diese mittels Machine Learning. Zwei Data Scientists von SIEGER Lösung mittels Machine Learning (AzureML) 8 Stunden Data Discovery mit IT (und Fachabteilung) Visualisierung hands-on mittels Tableau oder Power BI Für Teilnehmer des IHK Events zum Vorzugspreis von 990,--. Bitte kommen Sie nach der Veranstaltung/in der Pause auf mich zu. 4

5 Unternehmenskompass 2.0 Von Opinion based zu Data Driven. Meinungsbasiert Konventionell Selbständig Datengesteuert Wollen Können 8% Menschen Wollen Können 80% Höherer Profit 6% Höhere Produktivität 5% Talente anwerben und erhalten Verlorene Zeit Teure Entscheidungen Verlorene Talente Report Factory App Erlebnis 5 Geschwindigkeit zur Meinung (Tage/ Wochen/ Monate) Zeit Geschwindigkeit zum Insight (Sekunden/ Minuten)

6 6 Zauberei? Voodoo? Ist doch alles ganz einfach! Software-Entwickler vs Data Scientists 6

7 7 Benötigtes Vorwissen Müssen Sie wissen, wie Kühlschränke funktionieren? Wie es früher war Tiefes Verständnis der Algorithmen wurde benötigt Algorithmen wurden in Skriptsprachen gehackt => Großer Aufwand bis zum Produktivcode Viel weniger Daten vorhanden Wie es heute ist Kenntnis der richtigen Vorgehensweise reicht aus Öffentliche Web Services mit Drag & Drop-Oberfläche Datenmenge verdoppelt sich alle 2 Jahre Öffentlich verfügbare trainierte Modelle mit konkreten Anwendungsfällen (z.b. Textanalyse, Web-Crawler mit Inhaltsextraktion) 7

8 Alles nur Hype? A breakthrough in ML would be worth ten Microsofts (Bill Gates) 8

9 9 Experiment oder Softwareprojekt? Besonderheiten von Predictive-Analytics-Projekten Customizing der Modelle Jede Umgebung ist anders: Training der Modelle mit Daten aus der Welt des Kunden. Algorithmus = Gene Daten = Erziehung Beispiel Textanalyse: Nachrichtentext vs Internet-Foren Viele Unbekannte Am Anfang eines Projektes gibt es folgende Unbekannte: Kann der gewünschte Effekt überhaupt erzielt werden? Welche Daten, und wie viele Datensätze werden benötigt? Welche externen Daten sind nützlich? Sind meine Daten sauber genug? 9

10 10 Projektvorgehen für Predictive Analytics Schritte zum Ziel Frage stellen Zielgröße definieren Einflussgrößen- Brainstorming Vorbereiten der Daten Experimentieren Wertschöpfung umsetzen 10

11 11 Projektvorgehen für Predictive Analytics Schritt 1: Die richtigen Fragen stellen Welches Ziel möchte ich erreichen? Welche Prozesse möchte ich automatisieren / semi-automatisieren? Frage stellen Welche Fehler erlaube ich? Wer sind meine Fachexperten? => benennen 11

12 12 Projektvorgehen für Predictive Analytics Schritt 2: Zielgröße definieren Teilnehmer Fachexperte + Data Scientist Zielgröße definieren Verschiedene Arten Beispiele Ja/nein Wahrscheinlichkeit (z.b. 70%) Künstlicher Score (z.b. 42) Zahl (z.b EUR) Die CPU-Auslastung in den nächsten 2 Stunden Teil ist defekt oder nicht defekt Die Wahrscheinlichkeit, dass das Teil defekt ist Ein künstlicher Score für die Wahrscheinlichkeit, dass das Teil defekt ist. 12

13 13 Projektvorgehen für Predictive Analytics Schritt 3: Brainstorming - Was könnte Einfluss haben? Teilnehmer Fachexperte + Data Scientist Einflussgrößen- Brainstorming Feature Engineering Beispiele Auflistung aller theoretisch möglichen Einflussfaktoren Wichtig: Fach-Know-How, Kreativität Entweder Zahlen oder Faktoren mit einer endlichen Zahl von Ausprägungen Die Temperatur des Teils beträgt 80 Grad Celsius Temperaturanstieg im Vergleich zum Vortag in Grad Celsius Die Zeitspanne zwischen zwei Ereignissen in Minuten Der Rechner ist von HP (oder DELL, IBM ) Es schneit draußen / es schneit nicht. 13

14 14 Projektvorgehen für Predictive Analytics Schritt 4: Vorbereiten der Daten Teilnehmer Fachexperte + Data Scientist + IT Aufgabe Vorbereitung der Daten als eine große Tabelle Jedes Feature hat eine Spalte Eine zusätzliche Spalte mit der Zielgröße Vorbereiten der Daten Beispiele 14

15 15 Projektvorgehen für Predictive Analytics Schritt 5: Experimentieren und Auswerten Teilnehmer Data Scientist Experimentieren Aufgabe Den besten Algorithmus finden Die besten Konfigurationen finden Die Anzahl der Datensätze herausfinden Die wichtigen Features herausfinden, unwichtige eliminieren Ergebnis Ein fertiges Modul. Statistiken über die Genauigkeit der Vorhersagen 15

16 16 Projektvorgehen für Predictive Analytics Schritt 6: Wertschöpfung umsetzen Teilnehmer IT + Business (+ Data Scientist) Aufgabe Hier erst beginnt das traditionelle Softwareprojekt Automatisierung/Unterstützung von Prozessen mit Hilfe des fertigen Predictive-Analytics-Moduls Wertschöpfung umsetzen Beispiele Automatische Incident-Tickets erstellen bei möglichem Server-Ausfall Automatische Aussortierung defekter Teile in der Produktion Bestellungen initiieren anhand von Forecasts (z.b. für Hardware) Dynamisches Anpassen von RAM/HD/CPU in virtuellen Umgebungen 16

17 17 Anwendungsfälle ITSM Festlegen von Wartungsintervallen Corrective maintenance Eingreifen erst, wenn es zum Ausfall kommt. Preventative maintenance Eingreifen in vorgegebenen Wartungsintervallen Predictive maintenance Eingreifen anhand von Vorhersagemodellen Automatisierte Hardware-Bestellungen Quelle: FIELDVUE Solutions 17

18 18 Hands-on Experience Predictive Analytics: In 10 Minuten zum Produktivcode 18

19 19 Gerne für Sie da! 19