TDWI Konferenz mit BARC@TDWI Track 2014 München, 23. 25. Juni 2014 Anwendung der Predictive Analytics Prof. Dr. Carsten Felden Dipl. Wirt. Inf. Claudia Koschtial Technische Universität Bergakademie Freiberg (Sachsen) Institut für Wirtschaftsinformatik Silbermannstraße 2, 09599 Freiberg (Sachsen), Deutschland
Die Dozenten Univ. Prof. Dr. rer. oec. Carsten Felden Dekan Fakultät für Wirtschaftswissenschaften, insbes. Internationale Ressourcenwirtschaft Institut für Wirtschaftsinformatik an der Technischen Universität Bergakademie Freiberg (Sachsen). Geschäftsführer der Marmeladenbaum GmbH (www.marmeladenbaum.de) Dipl. Wirt. Inf. Claudia Koschtial Leitung des Projektcluster ebusiness (escience Sachsen) Geschäftsführerin der Marmeladenbaum GmbH Carsten Felden Claudia Koschtial 2
Agenda Einführung und Einordnung Business Analytics Begriffe Analytische Fähigkeiten Hype Cycle Analytischer Prozess Praktischer Teil Carsten Felden Claudia Koschtial 3
Eine kurze Geschichte der Business Analytics Business Analytics beschreibt den Prozess der so genannten Datenveredelung. Es ist ein strategisches Werkzeug für Entscheidungsträger in Unternehmen. Analyticslösungen kommen branchenübergreifend zum Einsatz. Ziel ist es, Antworten nicht nur auf die Frage: Was war?, sondern auch: Was wird sein? zu finden. [Felden, 2009] Carsten Felden Claudia Koschtial 4
Rollen der Predictive Analytics in der Wissenschaft Generierung neuer Theorien. Maßnahmenentwicklung. Vergleich konkurrierender Theorien. Verbesserung existierender Modelle. Untersuchung von Relevanz. Untersuchung der Vorhersagbarkeit eines empirischen Phänomens. Carsten Felden Claudia Koschtial 5
Vier Typen der analytischen Fähigkeit nach Gartner Carsten Felden Claudia Koschtial 6
Hype Cycle für Business Intelligence (2007) http://www.gartner.com/id=509936 Carsten Felden Claudia Koschtial 7
Hype Cycle für Business Intelligence (2011) http://softwarestrategiesblog.com/2011/08/13/saas based analytics and business intelligence marketupdate august 2011/ Carsten Felden Claudia Koschtial 8
Hype Cycle für Business Intelligence (2013) http://www.google.de/url?sa=t&rct=j&q=&esrc=s&source=web&cd=13&cad=rja&uact=8&ved=0cjmbebywda &url=http%3a%2f%2fbayanbox.ir%2fid%2f4317909388777822441%3fdownload&ei=fgknu83kcqnk0awi_o DAAg&usg=AFQjCNHm3Dkv GWKz8DwaSK83TMeGWHvNQ&bvm=bv.68191837,d.d2k Carsten Felden Claudia Koschtial 9
Hype Cycle für Emerging Technologies (2014) http://speckund.ch/2/wp content/uploads/hype cycle pr.pngpv4a3db6f9c029a4db.png Carsten Felden Claudia Koschtial 10
Statistische Grundlagen Maschinelles Lernen und Data Mining Knowledge Discovery in Databases (KDD) beschreibt den.. non trivial process of identifying valid, novel, potentially useful, and ultimately understandable patterns in data.. [Fayyad et al. 1996] Prozess, umfangreiche Datenbestände implizit vorhandenes Wissen entdecken Knowledge Extraction Data Archaeology Data Analysis Carsten Felden Claudia Koschtial 11
Statistische Grundlagen Prozessmodelle Knowledge Discovery in Databases Data Mining Interpretation Wissen Transformation Muster Vorverarbeitung Auswahl Transformierte Daten Vorverarbeitete Daten Datenbank Zieldatenbestand Carsten Felden Claudia Koschtial 12
Statistische Grundlagen Klassische Aufgabenstellungen Aufgaben Verfahren Klassifikation/ Regression Clusterung Künstliche Neuronale Netze Clusterverfahren Abhängigkeitsanalyse Entscheidungsbäume Assoziationsanalyse Carsten Felden Claudia Koschtial 13
Agenda Einführung und Einordnung Business Analytics Begriffe Analytische Fähigkeiten Hype Cycle Analytischer Prozess Praktischer Teil Carsten Felden Claudia Koschtial 14
Barrieren bei der Nutzung Komplexität. Unternehmerische Daten. Intensiver Verarbeitungsaufwand. Expertise der Anwender. Interoperabilität. Preis der Software Carsten Felden Claudia Koschtial 15
Unterschiede und Gemeinsamkeiten Unterschiede Grafische Modellierung der Prozessschritte Parallele Bildung und Bewertung von Modellen Umfang der möglichen Datenvorverarbeitung Anzahl der möglichen Modelle Gemeinsamkeiten Keine Programmierkenntnisse mehr notwendig Vorgefertigte Lösungen, die direkt auf Daten anwendbar sind Viele Inputformate Carsten Felden Claudia Koschtial 16
Predictive Analytics in der Praxis Marktdateninformationssystem Break up Analysis Kundendatenanalyse Carsten Felden Claudia Koschtial 17
Marktdateninformationssystem Carsten Felden Claudia Koschtial 18
Marktdateninformationssystem Carsten Felden Claudia Koschtial 19
ETL Prozess Carsten Felden Claudia Koschtial 20
Analytics Carsten Felden Claudia Koschtial 21
Predictive Analytics in der Praxis Marktdateninformationssystem Break up Analysis Kundendatenanalyse Carsten Felden Claudia Koschtial 22
Grundlagen Relevante Positionen Anhang: für detaillierte Werte Cut off Elemente Forderungen gegen Gesellschafter Immaterielles Anlagevermögen (AV) Materielles AV: Anlagevermögen im assets in process of formation and advances Finanzielles AV: Eigenkapitalinvestitionen in Tochter, verbundenen oder Elternunternehmen Finanzielles AV: Forderungen gegen Tochter, verbundenen oder Elternunternehmen Finanzielles AV: Forderungen gegen Dritte: andere verbundene Unternehmen, andere Anzahlungen für Aktiva Finanzielles AV: eigene Aktien Umlaufvermögen (UV) Bestände: laufende Verträge, offene Vorauszahlungen Forderungen (UV): Forderungen gegen Tochterunternehmen, verbundenen oder Elternunternehmen Forderungen (UV): Vorauszahlungen an Steuerzahlungen Forderungen (UV): Forderungen gegen Dritte: Forderungen von anderen verbundenen Unternehmen, vorausbezahlte DL Forderungen (UV): Noch nicht gestellte Rechnungen Kurzfristiges UV: Investitionen in Tochterunternehmen, verbundenen und Elternunternehmen Kurzfristiges UV: eigene Aktien Vorauszahlungen und amortisierbare Disagio auf ausgegebene Verbindlichkeiten Zu zahlende Dividenden Risiken: Verbindlichkeiten aus Bürgschaften, Wechsel und Scheckbürgschaften (bspw. Bankkredite und Tochtergesellschaften), Haftungsverhältnisse aus der Bestellung von Sicherheiten für fremde Verbindlichkeiten, Forderungen für Kredite von Tochterunternehmen Bericht Bilanz Bilanz Bilanz Bilanz Bilanz Anhang Bilanz Bilanz Bilanz Bilanz Anhang Anhang Bilanz Bilanz Bilanz, Anhang Register of shareholders resolutions Anhang Carsten Felden Claudia Koschtial 23
Grundlagen Ergebnis: Break Up Value Der resultierende Break Up Wert ist: positiv, wenn das Unternehmen noch all seine Verbindlichkeiten erfüllen kann. Negativ, wenn das Unternehmen nicht mehr all seine Verbindlichkeiten erfüllen kann. Carsten Felden Claudia Koschtial 24
1046 Firmen. Projekt Datengrundlage 204 Firmen wurden gelöscht, da die Bilanzdaten nicht verfügbar waren: Einzelunternehmen oder Firmen ohne Daten. 842 Firmen wurden untersucht. 229 Firmen bei denen die detaillierte Aussage #NA oder leer war > kein Benchmark möglich (BUV: 151 nicht Bankrott, 78 Bankrott; Altmann: 115 nicht bankrott, 48 grey zone, 66 Bankrott). Carsten Felden Claudia Koschtial 25
Predictive Analytics in der Praxis Marktdateninformationssystem Break up Analysis Kundendatenanalyse Carsten Felden Claudia Koschtial 26
Datenaufbereitung / ETL Carsten Felden Claudia Koschtial 27
Mustersuche und Vorhersage Carsten Felden Claudia Koschtial 28
Vielen Dank! Fragen? carsten.felden@bwl.tu freiberg.de claudia.koschtial@bwl.tu freiberg.de Carsten Felden Claudia Koschtial 29