T NSCHAULICHUNG BI VISUAL ANALYTICS LYSETECHNIK CIENCE V MODELLE EME IONEN DER IK ERKENNTNISSE WAHRNEHMUNG SIMULATION MENSCH + MASCHINE EFFIZIENT KOGNITION BUSINESS INTELLIGENCE HEAT MAP VERSICHERUNGEN PROBLEMSTELLUNG DATA MINING VISUALISIERUNGEN PROZESSE AUFBEREITUNG DATA ANALYTISCHE ARGUMENTATION FINANZWESEN STRÖMUNGSDIAGRAMM VORHERSAGE White Paper Data Science im Versicherungs- & Finanzwesen: neue Business-Potenziale aufdecken Data Science-Analysen schaffen datenbasierte Entscheidungsstärke
WIEDERANLA VERANSCHAULICHUNG Self-Service Fortgeschrittene Analytik für den Fachbereich Data Science Data Science stellt den Erkenntnisgewinn aus Daten in den Vordergrund und kombiniert Methoden z. B. aus den Bereichen maschinelles Lernen, statistische Modellierung und Mustererkennung. Eingebettet in eine Self-Analytic BI-Software ermöglicht Data Science noch stärker datengetriebene Entscheidungen durch jeden Endanwender. Denn Self-Service Data Science bewegt sich in einem Kontinuum zwischen dynamischem Reporting, Analyse und Data Science-Modulen: Data Science für Endanwender! Self-Service Data Science führt den Menschen, die Daten und die auf Wissenschaft basierten Algorithmen und Techniken zur performanten Datenverarbeitung in einer intuitiv nutzbaren BI-Umgebung und entsprechender Hardware zusammen. Der Fachanwender kann neue Erkenntnisse, hergeleitet aus einem signifikant besseren Verständnis der Daten, im operativen Geschäft umittelbar einsetzen. Im Gegensatz zu reinen Data-Mining-Tools bietet Self- Service Data Science die Kapselung von fertigen Algorithmen, statistischen Berechnungsformeln und verständlichen Visualisierungen in Modulen für eine BI-Software, damit jeder Endanwender sie flexibel und intuitiv bedienen kann. STRÖMUNGSDIAGRAMMFACHBEREICH AUTOMATISIERTE ANALYS MENSCH + MASCH STATISTIK DATA SCIENCE DAT KOGNITIVE WISS SIMULATION INTERAKT PROBLEMSTELLUNG SYSTEM ANWENDUNG 2
ETECHNIK INE A ENSCHAFT HEAT MAP E EN MINING VISUALISIERUNGEN IV EFFIZIENT PROZESSE DATA MODELLE ANALYTISCHE ARGUMENTATION INFORMATIONEN BUSINESS BIG DATA ERKENNTNISSE BUSINESS INTELLIGENCE WAHRNEHMUNG VORHERSAGE ENDANWENDER VISUAL ANALYTICS BI KOGNITION Was ist Data Science eigentlich? Data Science die Wissenschaft der Daten fokussiert auf die Extraktion von Erkenntnissen aus Daten: So angereichert ermöglicht eine Self-Analytic BI-Software den Anwendern noch stärker datengetriebene Entscheidungen. Dieses Konzept basiert auf Techniken und Methoden aus den verschiedensten wissenschaftlichen Anwendungsbereichen. Die Methodik der Data Science wird von einer noch recht neuen Berufsgruppe, den Data Scientists, betrieben: Sie haben Ihre Wurzeln im Bereich der Analytik, verfolgen aber eine starke Business-Ausrichtung. So können sie die IT und das Business zusammenführen, um strategische und wettbewerbsentscheidende Fragestellungen zu lösen. Data Scientists lösen komplexe Datenprobleme mit den unterschiedlichsten Fragestellungen durch die Anwendung ihrer tiefgehenden Expertise in verschiedenen Wissenschaften. Sie ergänzen die Kundenexpertise und fachliches Wissen, so dass nicht nur bekannte Herausforderungen gelöst, sondern auch neue und vorher schwer zugängliche Fragestellungen angegangen werden können. Data Science-Techniken beeinflussen unter Berücksichtigung verschiedenster Bereiche wie Biowissenschaft, medizinische Informatik, Wirtschaft- und Betriebswissenschaften, wie Fachanwender und Unternehmen auf Daten zugreifen und welche Erkenntnisse sie aus ihren Daten gewinnen können. 3
Von der Datenqualität über Mustererkennung bis zu Self-Service Data Science Data Scientists sind in der Lage, ihre analytischen Fähigkeiten in Kombination mit ihrem Fachwissen zur Lösung eines breiten Spektrums an Kundenfragen einzusetzen. Dies beinhaltet: Den einfachen Import und neuen Blick auf die eigenen Daten (inkl. Bewertung der Datenqualität: Füllstand, Ausreißer) Das Analysieren/Explorieren und anschließende Interpretieren reichhaltiger Datenquellen Das Aufdecken unerwarteter Datenmuster und Auffälligkeiten durch Datenexploration und somit die Bereitstellung eines Anfangspunktes für Analyse-Fragestellungen Die Erstellung von Visualisierungen für ein besseres Verständnis der Daten Die Präsentation und Kommunikation der Datenerkenntnisse im Zusammenspiel von fachlichem Wissen des Kunden und methodischem Know-how des Anbieters Die Formulierung von Fragestellungen für datengetriebene Entscheidungen Data Scientists sind ein integraler Teil der wettbewerbsentscheidenden Intelligenz, zu der auch Data Mining, Text Mining bzw. Sentimentanalysen, Simulation und Prognosen sowie Analysen gehören. 4 So werden nicht nur wichtige Erkenntnisse gewonnen, sondern auch wirtschaftliche Unternehmensentscheidungen vorangetrieben. Die Facetten von Data Science sind dabei vielfältig: Von analytisch, approximativ oder iterativ reicht die Vorgehensweise über deterministisch bzw. stochastisch hin zu geometrisch oder probalistisch. Dabei werden unterschiedlichste Verfahren und Algorithmen zur Lösung der Fragestellungen verwendet: Dimensions-Reduktion, Regression, Clustering oder Klassifikation. Im Sinne von Self-Service Data Science setzen Unternehmen interne Data Scientists ein, die mit einem Business-Mindset konkrete Probleme oder spezielle Fragestellungen angehen. Durch den dauerhaften Ressourceneinsatz für Datenanalyse können Unternehmen gleichzeitig eine Kostenkontrolle betreiben. Der Unternehmensnutzen liegt in der Erhöhung des Business-Verständnisses, Erfolgskontrollen von Maßnahmen, einer Effizienzsteigerung, der Eröffnung von Wachstumspotentialen, dem Gewinn von Wettbewerbsvorteilen durch Innovation und der Optimierung von betriebsinternen Prozessen.
Service Checkliste Was sollte eine qualitative BI-basierte Lösung im Kontext von Data Science leisten? Die folgende Service-Checkliste gibt Ihnen einen Überblick über die wichtigsten Punkte. Sind diese Teil der Lösung, die Sie ausgewählt haben? Dann wird Ihnen diese Check-Liste sicher einen wertvollen Beitrag für mehr Effizienz und verlässlichere Aussagen in Ihrem täglichen Business liefern. Die Lösung bietet Die Lösung ermöglicht eine schnelle und übersichtliche Visualisierung von Datenmustern und -Trends, Schnelligkeit und Performance bei gleichzeitig hoher Zuverlässigkeit, interaktive Visualisierungen, mittels derer der Nutzer den Analyseprozess steuern kann, Fachfunktionen für die schnelle out-of-the-box - Nutzung, einfache Publikation und schnelles Teilen der Ergebnisse, z. B. Export in PowerPoint und Teilen über Microsoft SharePoint oder mobile Endgeräte. eine intuitive Bedienbarkeit ohne zusätzliche IT- oder Statistikkenntnisse, Einbindung sämtlicher relevanten Datenquellen und Datentypen (intern, extern, eigene Daten), mittels Mustererkennung Hinweise auf unzureichende Datenqualität, mobilen Zugriff, eine Ad-hoc-Beantwortung von Fragen. Der Anbieter ist Sicherheit und Kontrolle hohe Datensicherheit (Berechtigungskonzepte, physische Speicherung der Daten) Verwendung von immer geeigneten und passgenauen Methoden und Verfahren für verschiedenste Fachanwendungen und Fragestellungen ein innovativer Partner, der die Lösung im Sinne der Markttrends weiterentwickelt und den Kunden durch spezielle Consulting-Angebote unterstützt. nicht nur Provider der Data Science-Lösung, sondern ermöglicht auch eine individuelle und situative Anpassung des Produkts an Kundenanforderungen. 5
In der Praxis Data Science wird nicht nur im Unternehmensmanagement, sondern auch zunehmend in Fachbereichen wie Marketing, Vertrieb, Personalwesen oder Controlling eingesetzt. Dabei werden, je nach Anforderung, moderne Verfahren und Algorithmen zur Lösung der Fragestellungen verwendet, z. B. aus den Bereichen Klassifikation, Regression, Dimensions-Reduktion oder Zeitreihen-Analyse. Typische Fragestellungen von Data Science Kunden sind: Welche Bestandskunden haben die höchste Affinität für ein bestimmtes Produkt? Welche Kunden-/Marktsegmente gibt es überhaupt? Welche Treiber sind für die zeitlichen Schwankungen von Verkaufszahlen verantwortlich? Welche Waren werden zusammen gekauft?» Customer Insight Analytics Weniger Zeit, engere Budgets und weniger Ressourcen: Diesem Szenario steht bei vielen Banken und Finanzdienstleistern eine enorme Menge von (oftmals ungenutzten) Daten gegenüber. Data Science-Analysen ermöglichen Unternehmen, die wachsenden Mengen an demographischen, Transaktions- und Präferenzdaten von Kunden und Interessenten auszuwerten um aus diesen wachsenden Datenmenge auch tatsächlich mehr Erkenntnisse zu gewinnen.» Digitale Wertautomatik Trotz Niedrigzinsniveau können Banken ihren Kunden einen besonderen Service anbieten, der für den Kunden eine Komfortfunktion bedeutet und somit für die Bank eine bessere Kundenbindung ermöglicht: das automatische Sparen von voraussichtlich überschüssigem Geld auf dem Girokonto zum Monatsende auf einem Tagesgeldkonto des Kunden. Data Science-Modelle im Kontext Digitale Wertautomatik unterstützen Banken bei diesem Angebot. Data Science setzt an diesem Punkt mit Regression auf historischen Kundendaten (strukturiert & unstrukturiert) an. Eine Kombinatorik aus: Analytik & Prädiktion des Finanzverhaltens Regeln für Abbuchung sorgt für eine erfolgreiche digitale Wertautomatik mit einem Plus in Höhe von 10% im Vergleich zum Abschöpfungsauftrag. Die größten Herausforderungen in diesem Kontext stellen der abnehmende Kundenkontakt und eine Verbesserung des Kundenverständnisses aus Transaktionsdaten dar. Durch eine Beobachtung des Transaktionsverhaltens der Konten und die Ableitung von relevanten Ereignissen können die Steuerung von Vertrieb optimiert und die Kundenbetreuung verbessert werden. Ohne Abschöpfungsauftrag Digitale Wertautomatik Abnehmender Kontostand Veränderte Situation; andere Kundenanforderungen Sonderzahlung + Gehaltserhöhung 6
» Wiederanlage Versicherungen stehen heutzutage oftmals vor der selben Herausforderung: Besonders viele kapitalbildende Lebensversicherungen laufen bald aus. Mithilfe von Software-gestützter Datenanalyse können Gesellschaften ihr Wiederanlagemanagement entscheidend optimieren, um einen möglichst großen Teil des freiwerdenden Kapitals zu binden. Das Ziel: den betroffenen Kunden zum richtigen Zeitpunkt das richtige Wiederanlageprodukt anzubieten. Die Herausforderungen für Versicherungsunternehmen: technologischer Wandel zunehmende Prozessautomatisierung Kundengewinnung und -bindung Die Data Scientists gehen in diesem Fall folgenden Fragen auf den Grund: Welches Volumen entgeht uns? Wann? Wieviel? Wohin? Welche systemischen Faktoren bestimmen die Anlage-Quote? Welche Ressourcen müssen wir wann und worauf ansetzen? Wie setzen wir die erkannten Potentiale in der Organisation um? Wie steuern wir den Erfolg? Was lernen wir? Was kann man automatisieren? Der Data Science-Lösungsansatz konzentriert sich auf drei Themengebiete und bietet: Informationen und Daten Prüfung und Sicherung von Qualität und Konsistenz der Daten Heterogene Datenlage Normalisierte Datenräume Organisation Verfügbarkeit von Datenkennern und Fachexperten Iterative, Feedback-getriebene und prototypische Zusammenarbeit» Marketing- und Vertriebsanalysen für den Blick nach vorn Unternehmen setzen Data Science für die Kampagneneffektmessung ein, um unmittelbar den Erfolg ihrer Marketingkampagnen zu bewerten: Wie schneiden im Vergleich Print-, Online- oder Telefon-Kampagnen ab? Haben Marketingkampagnen direkte Einflüsse auf die Vertriebsabschlüsse? Multi-step-Kampagnen werden mit Data Science im Zeitverlauf nach ihren individuellen Schritten z. B. unterteilt in Maßnahmenkanäle wie Telemarketing, postalischer Versand oder E-Mailing zerlegt und mit den Vertriebsumsätzen des Unternehmens korreliert. So können Fachanwender ablesen, welche Maßnahmen ihre Vertriebskurve am effizientesten beeinflusst haben und welche Schritte weniger Spuren hinterlassen. Jetzt wissen Anwender zwar, welche Kampagnenschritte am effektivsten wirken doch lohnt sich die Kampagne im Ganzen überhaupt? Data Science-Methoden helfen bei der Berechnung der Kosten pro Lead in Relation zu den Kampagnenkosten sowie dem generierten Umsatz. So gewinnen Nutzer schnell einen Einblick in die Erfüllung ihrer Konversionsgrößen, den generierten Umsatz pro Kampagne oder die Relation von eingesetztem Marketingbudget für einzelne Produktsparten bezüglich des Ertrags. Technologie Analyse großer Kunden- und Vertragsdatenvolumina bei schneller Reaktionszeit Möglichkeit zur explorativen Datenanalyse Erweiterung der Datenräume 7
In der Praxis» Zeitreihenanalyse Im heutigen, stark umkämpften Wettbewerbsumfeld ist einer der wichtigsten Faktoren für Unternehmen der Blick nach vorn. Das Reporting auf Daten der Vergangenheit und Gegenwart ebnet den Weg in die Zukunft: Denn die Analysen zeigen Muster, Auffälligkeiten und Trends. So können Unternehmen ihr Business schnell und flexibel ausrichten, ihre Kunden gezielter ansprechen und jederzeit wettbewerbsfähig bleiben. Prognosen bieten eine fundierte Basis für Kundenwertsegmentierungen und ermöglichen Entscheidungshilfen für die Ausrichtung von Unternehmensstrategien z. B. hinsichtlich der Marketing- und Vertriebsaufstellung. Selbst schwach ausgeprägte Auffälligkeiten und Trends werden mittels der Zeitreihenanalyse in einer BI-Software offensichtlich. So haben Unternehmen die Möglichkeit, unmittelbar zu reagieren und einen zeitlichen Wettbewerbsvorteil zu erwirtschaften. Veränderungen im Unternehmensportfolio und die Reaktion der Kunden darauf sind auf einen Blick detailliert ersichtlich. So können Unternehmen ihr Angebot an die Nachfrage flexibel anpassen.» Treiberanalysen Das Monitoring der Geschäftsentwicklung erfordert angesichts immer komplexer werdender Wirkungszusammenhänge in modernen Dienstleistungsunternehmen hohe Aufwände in den Fachbereichen. Viele Treiber für beispielsweise Umsatzeffekte werden jedoch zu spät oder gar nicht erkannt, da nicht alle Dimensionen im Regel- Reporting heruntergebrochen werden können, Wechselwirkungen nicht sichtbar sind und Effekte sich gegenseitig substituieren. Durch die intelligente Analyse aller relevanten Daten zur Umsatzveränderung, wie bspw. Kundenmerkmale, Produktgruppen oder Vertriebskanäle kann mit dem Regel- Reporting zugleich eine datengetriebene Ursachenanalyse stattfinden. Der Gesamteffekt wird in die relevanten Bestandteile zerlegt und auf deren Einfluss auf das Gesamtergebnis untersucht. Business-Analysten und das Management erhalten sofort Hinweise auf relevante Umsatztreiber und entstehende Umsatzlücken. Mit Data Science verbinden Unternehmen ihr interaktives Umsatz-Reporting mit der Insight-Generierung durch moderne Analysealgorithmen. Große Datenmengen werden automatisch verknüpft und die relevanten Zusammenhänge extrahiert. Eine Effektzerlegung analysiert die Veränderungen zentraler KPIs wie Umsatz, Absatz oder Deckungsbeitrag durch Verknüpfung mit allen relevanten Kunden-, Produkt- oder Vertriebsmerkmalen. Die auffälligsten und einflussreichsten Ursachen und Effekte werden als Ergebnis präsentiert, liefern Interpretationshilfen zum Verständnis der Kennzahlenentwicklung und Ableitung von Handlungsempfehlungen.» Steigerung der Innendienstproduktivität Innendienstproduktivität wird in vielen Unternehmen an den Faktoren Kundenzuwachs und Kundenbindung gemessen. Doch sind dies nur Endergebnisse; auf dem Weg dahin ist es entscheidend zu verstehen, wie z. B. Kundenbindung entsteht. Für die Bindung bzw. Loyalität ist vor allem die Kundenzufriedenheit ausschlaggebend. Diese wird im Allgemeinen durch Kennzahlen wie Anzahl der Beschwerden, Kontaktfrequenz oder die Bearbeitungsdauer der Kontaktaufnahme bzw. Änderungs-/Beschwerdemeldung bestimmt. Eine Optimierung der Innendienstproduktivität wirkt sich nicht nur positiv auf die Effizienz des eigenen Unternehmens aus, sondern wird oft auch durch das Kundenverhalten reflektiert: Erhöhung der Marktdurchdringung: Eine aktivere Marktbearbeitung ermöglicht gleichzeitig auch eine höhere Marktdurchdringung und das Erreichen einer gesteigerten Anzahl von potentiellen Interessenten. Data Science ermöglicht dafür volle Transparenz und eine ganzheitliche Sicht auf die Kunden. 8
Erhöhung der Kontaktqualität: Die Produktivität des Vertriebs kann auch durch die Erhöhung der Kontaktqualität gesteigert werden. Hierfür bietet Data Science Analysemöglichkeiten, um einem bestimmten Kunden das passende Produkt zu dem für ihn passenden Preis anbieten zu können. Gleichzeitig kann auch der interne Prozess so darauf abgestimmt werden, dass sich nur der Mitarbeiter mit der höchsten Expertise auf diesem bestimmten Gebiet mit dem Ausbau dieses Kundenkontakts beschäftigt. Qualifizierte Aussagen über Kundenerwartung gewinnen: Je besser angepasst die Aktivitäten des Kundeninnendienstes an die tatsächlichen Ansprüche der Kunden sind, desto wahrscheinlicher wird die Auftragswahrscheinlichkeit bzw. die Kundenbindung über einen längeren Zeitraum. Weitere Möglichkeiten zur Optimierung der Innendienstproduktivität mit Data Science sind: Analysen der Struktur und der Lebenszyklen der Kunden sowie der Vertriebsgebiete Vernetzte Performance-Analysen hinsichtlich möglicher Zusammenhänge zwischen dem zuständigen Vertriebsmanager, dem Vertriebskanal, dem Produktsortiment, der Zielgruppe und dem Vertriebsgebiet zu jedem gewünschten Zeitpunkt des Vertriebsprozesses Einflussidentifikation und -analysen für Optimierungsvorschläge der relevanten Parameter (Produktportfolio, Vertriebsgebiete, Coaching etc.) Analyse von Kundendaten und Kaufverhalten für potenzielle Cross- und Upselling-Maßnahmen» Typische Fragestellungen und Methoden für Data-Science- Anwendungen Vorhersage von kontinuierlichen Werten: Was ist die zu erwartende Schadenshöhe eines Neukunden? Was ist der zu erwartende Ertrag im nächsten Jahr? Vorhersage von diskreten Werten (Kategorien): Wird ein Kunde kaufen? Oder kündigen? Wird ein bestimmtes Ereignis innerhalb eines Jahres eintreffen? Gruppierung von Datensätzen: Welche Kunden-/Marktsegmente gibt es überhaupt? Wie stehen Marken/Modelle zueinander in Beziehung? Gibt es Ausreißer, die zu keiner bekannten Gruppe passen? Portfolioanalysen zur Zusammensetzung und dem Stellenwert von einzelnen Produkten Vorschlag von ähnlichen Produkten Erkennen von wichtigen Faktoren: Welche Faktoren sind wichtig, um Gruppen voneinander zu unterscheiden? Erstellung von Kundenprofilen Verbesserung der Datenqualität durch schnelle Transparenz von Datenqualitätsproblemen Zerlegen von kontinuierlichen Daten in Komponenten: Worauf gehen die Schwankungen in den Verkaufszahlen zurück? Wie kann man die Struktur in hochdimensionalen Daten visualisieren? Anomalien und Ausreißer: Ist Verhalten betrügerisch? Wurde ein Server gehackt? Wurden neue Daten falsch eingegeben? Warenkorbanalyse: Generierung des next best offer" Welche Waren werden zusammen gekauft? Bei gegebener Historie von Versicherungskäufen: Wie hoch ist die Wahrscheinlichkeit für das nächste Produkt? Sequenz-Clustering: Finden von Kundengruppen, die beim Webseite- Surfen ähnliche Klick-Reihen aufweisen Welche Event-Reihen führen zur Vertrags-Kündigung? 9
Über Comma Soft Comma Soft AG, 1989 gegründet, zählt zu den Innovationsführern für Business und IT in Deutschland. Das Unternehmen betreut mit über 135 Mitarbeitern in interdisziplinären Teams aus Business-IT-Strategie, Prozesse & Organisation, Technologie & Infrastruktur, Data Analytics, Data Science und Security zahlreiche Unternehmen, darunter viele DAX-Konzerne. Als Pionier der In-Memory-Technologie und Wegbereiter aktueller, auf die schnelle Verarbeitung großer Datenmengen ausgelegter Big Data Technologien verschafft die Comma Soft AG ihren Kunden Wettbewerbsvorteile - mit neuen Ansätzen für die digitale Transformation, innovativer IT-Architektur und Cutting-Edge- Technologien wie der Self-Service Data Science-Lösung INFONEA, geschäftsrelevanten Data-Science-Analysen sowie der Implementierung von neuen Sicherheitsstandards. Seit 1995 wird INFONEA transact als Wissensmanagement-Lösung zum Erfassen, Recherchieren und Vernetzen von Daten und Wissen realisiert. Zudem wird seit 2005 INFONEA als Analytik- und Business-Intelligence-Lösung mit Methoden aus der Teilchenphysik und der Hirnforschung von Naturwissenschaftlern der Comma Soft permanent weiterentwickelt. Im Sinne von Self- Service und Self-Analytic BI kann mit INFONEA jeder Nutzer intuitiv und selbstständig Unternehmensdaten bis ins Detail analysieren, in Dashboards visualisieren und Erkenntnisse teilen: INFONEA bewegt sich in einem Kontinuum zwischen interaktivem Reporting, Analytics für Fachanwender und Self-Service Data Science. Konzerne und Mittelstand nutzen INFONEA, um schnell Nutzen aus den Unternehmensdaten und Quellen im Internet zu ziehen und die Kosten pro Erkenntnis zu senken. BIG DATA KOGNITIVE WISSENSCHAF VERA AUTOMATISIERTE ANA FACHBEREICH STATIST INTERAKTI SYST INFORMAT BUSINESS DATA S ENDANWEN Comma Soft AG Pützchens Chaussee 202-204a 53229 Bonn Anja Hoffmann Tel. +49 228 97 70-159 Fax +49 228 97 70-200 E-Mail infonea@comma-soft.com www.infonea.com