PREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT,

Transkript

1 PREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT,

2 BIG DATA WAS PASSIERT 2016 IN EINER INTERNET MINUTE?

3 BIG DATA BELIEBTESTE APPS

4 Internet der Dinge

5 BIG DATA BITKOM DEFINITION

6 Wettbewerbsvorteil ANALYTICS Deskriptive Analytics 3 1 Standard -berichte 2 Ad hoc reports Drill down Was ist passiert? Was, wenn Trends fortbestehen? Warum passiert dies? 4 Alarme Was wäre das Beste, das passieren könnte? Was wird als Nächstes passieren? Welche Maßnahmen sind nötig? Wie lässt sich das Problem eingrenzen? Wie häufig, wann und wo ist es passiert? 5 Statistische Analyse 6 Forecasts 7 Predictive Modelling 8 Optimierung Proaktive Analytics Analytischer Reifegrad

7 ANALYTICS KLEINE ÜBUNG: WAS IST EIN VORHERSAGEMODELL? 0, 1, 2, 3, 4, 0, 1, 1, 2, 3, 5, 8, 13, 5, 6 (Reihe, n+ 1) 21, 34 (Summe der beiden Vorgänger)

8 ANALYTICS ZAHLEN BILDEN DIE WIRKLICHKEIT AB

9 ANALYTICS KLEINE ÜBUNG: WAS IST EIN VORHERSAGEMODELL? 0, 1, 2, 3, 4, 0, 1, 1, 2, 3, 5, 8, 13, 1, 2, 4, 8, 16, 1, 2, 4, 8, 16, 5, 6 (Reihe, n + 1) 21, 34 (Summe der beiden Vorgänger) 32, 64 (2 hoch n) 31, 57 (Kreissegmente)

10 ANALYTICS JE MEHR DATEN, DESTO BESSER DAS MODELL 1 1 Punkt 1 Segment 2 Punkte 2 Segmente 3 Punkte 4 Segmente 4 Punkte 8 Segmente 5 Punkte 16 Segmente 6 Punkte 31 Segmente

11 ANALYTICS KLEINE ÜBUNG: WAS IST EIN VORHERSAGEMODELL? 0, 1, 2, 3, 4, 0, 1, 1, 2, 3, 5, 8, 13, 1, 2, 4, 8, 16, 1, 2, 4, 8, 16, 5, 6 (Reihe, n + 1) 21, 34 (Summe der beiden Vorgänger) 32, 64 (2 hoch n) 31, 57 (Kreissegmente) deterministisch vs. probabilistisch Kausalität vs. Korrelation

12 ANALYTICS IN DER REALITÄT: KOMPLIZIERTER ;-) Trend V Historical Data t V V Seasons Influences (calender!) t t V t V noise t worldwide millions of items

13 SAS References Analytics / BI-Plattform Nestlé Eine Milliarde Produkte. Pro Tag mit Marken. Um sicherzustellen, dass von all diesen Produkten immer die richtige Menge im Handel verfügbar ist, setzt Nestlé auf Forecasting mit SAS.

14 VEREINTE NATIONEN VORHERSAGE VON ARBEITSLOSIGKEIT ZIEL HERAUSFORDERUNG ERGEBNIS Veränderungen der Arbeitslosigkeit vorhersehen, noch bevor sich diese in den offiziellen Statistiken niederschlagen Herausfinden, ob sich aus der Analyse von Diskussionen in sozialen Netzwerken hierfür verlässliche Erkenntnisse gewinnen lassen Mehr als Blogs, Foren und Webseiten untersuchen Inhalte und Stimmungen automatisiert erkennen und ordnen Relevante Äußerungen analysieren Für den Arbeitsmarkt relevante Zusammenhänge identifizieren Analyse unstrukturierter Daten durch Text Mining und Social Media Analytics Identifizierung von Frühindikatoren, die 3 Monate vorab zuverlässige Aussagen zur Arbeitslosigkeit liefern Stimmungsbarometer für politische Entscheidungsträger

15 VEREINTE NATIONEN VORHERSAGE VON ARBEITSLOSIGKEIT

16 Beispiel Telekommunikation Neue Daten Kampagnen gegen Wettbewerb zum Thema Netzqualität Flutprognosen dank Auswertung der regenabhängigen Sendeleistung Vorhandene Daten Wartungsoptimierung von Sendemasten Investitionsplan anhand von Kundenbindungskriterien Bestehendes Geschäft Neues Geschäft

17 SAS WORLDWIDE 3 $ 2 $ 1 $ 0 $ revenues 3.16 Billion US$ Fortune Global of the top 100 are SAS customers. since 1976 Re-investing in R&D software solutions installed 23% of revenues in148 countries SAS offices in 59 countries 14,000 employees

18 VIELEN DANK FÜR IHRE AUFMERKSAMKEIT! Dr. Thomas Keil Manager Field Marketing SAS Institute GmbH In der Neckarhelle Heidelberg Tel: Mobil: