close

Anmelden

Neues Passwort anfordern?

Anmeldung mit OpenID

12.30 BDS15 Dr. Nolte Berliner Sparkasse (Prezi)

EinbettenHerunterladen
Smart Data bei der Berliner Sparkasse
Dr. Matthias Nolte
Leiter Business Intelligence Services
25.02.2015
Inhalt
1
Begriffsabgrenzung SMART Data
2
Strategie als Startpunkt
3
Metriken und Daten
4
Aufbau von Analytik
5
Reporting Results
6
Transform Business
Smart Data in der Berliner Sparkasse
25.02.2015
-2-
BIG DATA – kein weiterer Versuch der Definition
Timo Elliot´s
Business Analytics Blog
1 Definition
7 Definitionen
Opentracker
30+ Definitionen
Es gibt schlichtweg zu viele Definitionen und jeder hat wahrscheinlich Recht
http://en.wikipedia.org/wiki/Big_data
http://www.opentracker.net/article/definitions-big-data
http://timoelliott.com/blog/2013/07/7-definitions-of-big-data-you-should-know-about.html
Smart Data in der Berliner Sparkasse
25.02.2015
-3-
„Smart“ als Vorgehensmodell unserer Analytischen Weiterentwicklung
Volume
Datenmanagement
mart Data
Datenintegration
Variety
Qualität
Velocity
Anreicherung
Governance
Veracity
(Ad hoc) Analytics
Visualisation
Tools
Konkrete
Adressierung
der relevanten
Facetten
S
M
A
R
T
Start with Strategy
Measure Metrics and Data
Apply Analytics
Reporting Results
Transform Business
in loser Anlehnung an Bernhard Marr
Applikationen
Value
Smart Data in der Berliner Sparkasse
25.02.2015
-4-
Inhalt
1
Begriffsabgrenzung SMART Data
2
Strategie als Startpunkt
3
Metriken und Daten
4
Aufbau von Analytik
5
Reporting Results
6
Transform Business
Smart Data in der Berliner Sparkasse
25.02.2015
-5-
SMART
Strategie
Vision?
Wie komme ich
zu einer Strategie?
Wo stehen wir?
Mission?
Was sind die theoretischen
nächsten Entwicklungsschritte?
Was sind die tatsächlichen
Entwicklungslinien?
Was tun wir NICHT?
Smart Data in der Berliner Sparkasse
25.02.2015
-6-
SMART
Maturity Assessments zur Standortbestimmung – die Qual der Wahl
z.B. für BI
Steria Mummert biMA
Andere Beratungsgesellschaften
TDWI Big Data Maturity Assessment
Maturity Awareness
•
BI- Maturity
•
Big Data &
Analytics Maturity
+ jeder namhafte
Software-Hersteller, hier z.B. SAP
Ableitung der theoretischen
nächsten Entwicklungsschritte
Smart Data in der Berliner Sparkasse
25.02.2015
-7-
Tatsächliche Entwicklung ist häufig determiniert durch drei Faktoren
SMART
Am Anfang steht üblicherweise ein Use Case !
Use Cases
In Kombination mit den
vorhandenen/aufzubauenden
Skills
Metriken/Daten/
Technologien
•
Skills
•
Technogien/Daten/Metriken
ergeben sich dann die konkreten
Entwicklungslinien.
Shift nötig!
Shift nötig!
Smart Data in der Berliner Sparkasse
25.02.2015
-8-
Inhalt
1
Begriffsabgrenzung SMART Data
2
Strategie als Startpunkt
3
Metriken und Daten
4
Aufbau von Analytik
5
Reporting Results
6
Transform Business
Smart Data in der Berliner Sparkasse
25.02.2015
-9-
Aktueller Change-Auftrag Inhouse:
MART
S
Optimierung der gesamten BI-Architektur, Reduktion der Komplexität
Addressiert aktuell ausschließlich die Dimensionen Volume und Variety
Analytisches Ökosystem
Information
-Governance
DatenDrehscheibenFunktion
BI-Nutzungsschicht
BI-Funktionen
Datenvirtualisierung
Komplexe
EventSteuerung
Analytisches
Labor
DWH-Komponenten
Datenquellen
BI-Systeme vor Change
Vgl. Analytical Ecosystem of the Future, Steria Mummert Consulting
Horizontale und vertikale Integration
vorhandener BI-Lösungen sowie
Füllung der „weißen Flecken“
Smart Data in der Berliner Sparkasse
25.02.2015
- 10 -
“Managed Data” bekommt unter Big-/Smart-Data-Gesichtspunkten
einen anderen Stellenwert
MART
S
Neue Fragestellung:
Mangementinformationen
Predictive
Analytics
Business
Intelligence
Tools für
Predictive
Analytics
Predictive
Modeling
Statistik
Data
Mining
Wenn insbes.
Velocity und Veracity
BI Suite
Metadaten-Ebene
(alle Daten auswertbar)
Business
Warehouse
Analysen, Qualitätssicherung,
Redaktion, Reports,
Dashboards
Managed Data (100% korrekt)
kontinuierlich, “trusted”
für uns ein Thema werden,
müssen wir die Architektur
anpassen?
“trusted enough?”
Golden Source
Rohdaten
Relevante Rohdaten (100% vollständig)
Operative
Systeme
OSPlus
CRM
FIBU
...
Kosten
Risiko
Abwicklung
Smart Data in der Berliner Sparkasse
25.02.2015
- 11 -
Use Case: Prognose von Produktaffinitäten
Use Cases
Skills
Individual-Ansprache
Metriken/
Daten/
Technologie
Hebung von Cross-/Up-Selling - Potenzialen:
Im Zuge des telefonischen Kundenkontakts (In-/Outbound) soll der
Kundenbetreuer eine aktuellen Hinweis auf potentielle Cross-/Up-Selling
Produkte erhalten, für die der Kunde aufgrund seines Profils eine besonders
hohe Affinität aufweist und damit eine hohe Abschlusswahrscheinlichkeit
besteht.
Kampagnen-Ansprache
Optimierung von Produkt - Kampagnen:
Im Rahmen von Produktkampagnen sollen vorrangig Kunden mit einer
hohen Affinität zum Kampagnenprodukt angesprochen werden, um
einerseits den Ansprachefehler zu minimieren und andererseits bei
Kurzfristziel im Projekt (2014):
gleichzeitiger Reduktion des monetären und personellen
Kampagnenaufwandes den Kampagnenerfolg zu erhöhen.
Lauffähiger Prototyp für 10
priorisierte Verkaufsereignisse
Smart Data in der Berliner Sparkasse
25.02.2015
- 12 -
Zukunftsorientierte Prognosemodelle:
Weiterentwicklung der klassischen BI
Use Cases
Skills
Bis 2014 gab es keine vom BICC
zentral bereitgestellte Technologie
für Predictive Analytics.
Hoch
Metriken/
Daten/
Technologie
Komplexität
Shift nötig!
Analytische Komponente
Prognose
Monitoring
Analyse
Reporting
Warum
ist es
passiert?
Was könnte
passieren?
Predictive Analytics
Was
passiert
aktuell?
Dashboards,
Scorecards
Exploration,
Visualisierung
Queries,
Reportings
Was ist
passiert?
Niedrig
Business Value
Klassische
BI
Hoch
analog: TDWI
Smart Data in der Berliner Sparkasse
25.02.2015
- 13 -
Skills: It´s time we face reality…..
Use Cases
Skills
Metriken/
Daten/
Technologie
Skill-Shift nötig!
Aber wir zielen nicht auf den
„Modern Data Scientist“ ab!
vs.
Smart Data in der Berliner Sparkasse
25.02.2015
- 14 -
MART
Erweiterung des Analytischen Ökosystems
S
Notwendiger Shift wurde durch TechnologieInvestition eingeleitet.
Use Cases
Skills
Metriken/Daten/
Technologien
1.
Toolevaluierung
2.
Auswahl von SAP InfiniteInsight
3.
Technischer POC
4.
Fachlicher POC unter „Livebedingungen“
5.
Investitionsentscheidung
Anfang
2014
6.
Prototypische Modellierung anhand
erster Testkampagne
Herbst
2014
7.
Produktion in Linie
2015
Smart Data in der Berliner Sparkasse
Ende
2013
25.02.2015
- 15 -
MART
Was war für uns bei SAP Infinite Insight entscheidend?
Einfache Bedienung
•
•
Drag & drop für Datenselektion,
Anreicherung, Processing
Fördert kollaboratives Modelling
S
Gute Visualisierung
•
•
•
Vielfältige Visualisierungsmöglichkeiten
Drillbar
LUMIRA Library
• Geeignet für Business
Analysten
Support für R
•
•
•
Umfangreiche
Modellierungs-Funktionen
•
•
•
•
•
•
•
Classification
Regression
Anomaly Detection
Attribute Importance
Association Rules
Clustering
Feature extraction
Problemlose Einbindung
12 R Algorithmen bereits beinhaltet
Breite Community: 3,500+ R Libraries
im Netz
Integration
•
Sybase IQ - DB
•
Einfache Kommunikation mit
SAP BO-Content
Smart Data in der Berliner Sparkasse
25.02.2015
- 16 -
Inhalt
1
Begriffsabgrenzung SMART Data
2
Strategie als Startpunkt
3
Metriken und Daten
4
Aufbau von Analytik
5
Reporting Results
6
Transform Business
Smart Data in der Berliner Sparkasse
25.02.2015
- 17 -
Modellierung mit InfiniteInsight
Modellentwicklung
 Modelle werden iterative erstellt, ohne dass der User
statistisches Spezialwissen besitzen muss ->
Toolunterstützter, automatisierter Prozess
 Zur Validierung der Modell-Güte und –Robustheit
werden die Kennziffern KI und KR herangezogen.
SM
(Vertriebs-)
DWH
ART
SAP InfiniteInsight
KI (KXEN Information Indicator)
 misst den Erklärungsgehalt der Inputvariablen
in Bezug auf die Zielvariable
 Werte von 0 (kein Einfluss) to 1 (ideales Modell)
KR (KXEN Robustness Indicator)
 misst die Fähigkeit des Modells dieselbe Prognosegüte
bei neuen Daten wie im Trainings-Set zu erreichen
 Werte liegen zwischen 0 und 1,
Modellgüten über 0.95 werden als “gut” eingestuft
Smart Data in der Berliner Sparkasse
25.02.2015
- 18 -
Ergebnis: Kunden-Produkt-Matrix
SM
Kunde 4713 hat für das
Verkaufsereignis (VE) 4 in
den nächsten 3 Monaten einen
P-Score von 0,46
(nicht zu verwechseln
mit Abschlusswahrscheinlichkeit !)
Produkt-Kampagne
Ad-hocAnsprache
Im Rahmen der
Kampagne für
Produkt (VE) 2
werden die Kunden
mit den höchsten
P-Scores
angesprochen.
Im In-/OutboundGespräch wird der
Kunde 4717 auf
das/die Produkt/e
(VE) mit den
höchsten P-Scores
angesprochen.
ART
…
P-Scores
VE 1
VE 2
VE 3
VE 4
VE 5
VE 10
Kunde 4711
0,085
0,047
0,023
0,077
Nutzer
0,216
Kunde 4712
0,321
0,462
Nutzer
0,184
0,114
0,512
Kunde 4713
Nutzer
0,147
0,731
0,460
0,657
0,302
Kunde 4714
0,315
Nutzer
0,788
0,268
0,199
0,001
Kunde 4715
Nutzer
0,24
0,055
Nutzer
1,132
0,479
Kunde 4716
0,68
0,017
0,671
0,148
0,628
Nutzer
Kunde 4717
0,34
0,083
0,440
0,287
Nutzer
0,075
Kunde 4718
0,54
0,97
0,267
0,050
0,128
0,241
Kunde 4719
1,92
1,72
Nutzer
0,096
0,771
0,610
Kunde 4720
0,82
0,55
0,312
0,145
0,009
0,263
VE = Verkaufsereignis
Smart Data in der Berliner Sparkasse
25.02.2015
- 19 -
Analyse-Prozess und fachliche Folgeprozesse
SM
Sparkassenindividuelle BI
ERP
oCRM
WEB
BI Dashboards
Sparkassen-Standard
CRM
Applikationen
(Vertriebs-)
DWH
Kunden,
Konten,
Transaktionen
…
ART
Marketing
Automation
SAP InfiniteInsight
SAP Predictive Analysis
Kontaktdaten
Kontaktdaten
Predictive Analytics
Closed loop
•
Analytische Unterstützung des operativen Vertriebs
•
Systematische Analyse der Vertriebsereignisse
•
Rückspielen der Kontaktdaten in das Vertriebs-DHW
zur verbesserten Analyse und Optimierung der Modelle
Steigerung von
Vertriebseffizienz und Profitabilität
Smart Data in der Berliner Sparkasse
25.02.2015
- 20 -
Inhalt
1
Begriffsabgrenzung SMART Data
2
Strategie als Startpunkt
3
Metriken und Daten
4
Aufbau von Analytik
5
Reporting Results
6
Transform Business
Smart Data in der Berliner Sparkasse
25.02.2015
- 21 -
RT
„Report the Results“
2.017
Kunden
angesprochen
466
Kunden
ohne
ProduktaffinitätsScore
SMA
63 Kunden mit Abschluss
( = 13,5 %)
403 Kunden ohne Abschluss
( = 86,5 %)
Grundgesamtheit der Analyse
1.551
Kunden
mit
ProduktaffinitätsScore
306 Kunden mit Abschluss
( = 19,7 %)
Im Durchschnitt ist bei jedem
5. Kampagnenkunden (19,7%)
ein Abschluss erfolgt (Random).
1.245 Kunden ohne Abschluss
( = 80,3 %)
Smart Data in der Berliner Sparkasse
25.02.2015
- 22 -
RT
„Kumulierte Abschlußquoten vs. Random“
SMA
Kumulierte Abschluss-Quote
60%
50%
39,6%
40%
30%
Kampagne
Random
20%
„Top 122-Kunden“
10%
0%
0
200
400
600
800
1000
1200
1400
1600
Anzahl Kampagnenkunden
Smart Data in der Berliner Sparkasse
25.02.2015
- 23 -
RT
Gain-Chart zur Abbildung der Prognosegüte
SMA
Kumulierte Abschluss-Quote
350
300
100%
250
200
40%
150
100
50
0
0
200
400
600
800
1000
1200
1400
1600
Anzahl Kampagnenkunden
Wizard (grüne Linie) entspricht einem „optimalen Modell“. Der Informationsgewinn des Wizards
ggü. dem Zufall (rote Linie) ist maximal (100%). Der Informationsgehalt des tatsächlichen
Modells (blaue Linie) ggü. dem Zufall liegt bei 40%.
Smart Data in der Berliner Sparkasse
25.02.2015
- 24 -
Inhalt
1
Begriffsabgrenzung SMART Data
2
Strategie als Startpunkt
3
Metriken und Daten
4
Aufbau von Analytik
5
Reporting Results
6
Transform Business
Smart Data in der Berliner Sparkasse
25.02.2015
- 25 -
Leistet Predictive Analytics einen Beitrag zur Business Transformation?
Analytische Untestützung
ist im Vertrieb gut angekommen
T
SMAR
“Sinnvolle Unterstützung der Saleseinheit” ,
“Können wir die einzelnen Treibergrößen sehen?”,
“In den kommenden Kampagnen beschränken wir
uns auf hohe P-Scores”
Reorganisation des bisherigen
Kampagnenprozesses denkbar.
Zukünftige Kundensegmentierung
nach Produktaffinitäten(Cluster)?
Ausweitung des Verfahrens auf weitere
Unternehmeneinheiten und Kundengruppen.
Einfache Antwort: Ja !
Smart Data in der Berliner Sparkasse
25.02.2015
- 26 -
Kampagnen können hinsichtlich Vertriebszeit effizienter und hinsichtlich
des Kampagnenerfolges effektiver gestaltet werden.
T
SMAR
Bei gleicher Vertriebszeit können 70% mehr
Kampagnen-Abschlüsse generiert werden
(z.B. durch 3 parallele, gleichartige Kampagnen)
Kumulierte Abschluss-Quote
Bei gleicher Vertriebszeit können 50% mehr
Kampagnen-Abschlüsse generiert werden
(z.B. durch 2 parallele, gleichartige Kampagnen)
350
300
250
200
Mit der Hälfte der Vertriebszeit können 75% der
Kampagnen-Abschlüsse generiert werden.
150
100
Mit einem Drittel der Vertriebszeit können 50% der
Kampagnen-Abschlüsse generiert werden.
50
0
0
200
400
600
800
1000 1200
Anzahl Kampagnenkunden
1400
1600
Smart Data in der Berliner Sparkasse
25.02.2015
- 27 -
T
Good Practice
Was ist das Ziel von Predictive
Analytics?
SMAR
Häufig wird behauptet, dass mittels PA unbekannte
Zusammenhänge aufgedeckt werden sollen. M.E. geht es primär
darum, bekannte Zusammenhänge präziser zu quantifizieren, als
dass über “Expertenschätzungen” gemacht werden kann.
-> Zuerst das Bekannte, danach das Unbekannte!
Vorhersagen für das
Vorhersagbare !
Entwickeln Sie Modelle für vorhersagbare Phänomene!
Predictive Analysis sollte die “signal-to-noise-ratio” verbessern,
dennoch braucht man ein “Signal”.
Experientieren Sie!
Wenn Sie noch nie gescheitert sind, haben Sie zu wenig
experimentiert! Verbessern Sie permanent Ihre Modelle.
A/B Tests sind lediglich der Start.
Stellen Sie den Value Added
sicher!
Im CRM zählt der “uplift”:
Abschlussquote der Kampagne minus Abschlussquote der
Kontrollgruppe.
Smart Data in der Berliner Sparkasse
25.02.2015
- 28 -
T
Good Practice
SMAR
Vermeiden Sie
“Paralyse durch Analyse”
Auch die beste Analyse eliminiert nicht das Risiko von
Fehlentscheidungen.
Bauen Sie
Langfristlösungen!
CRM erfordert häufig schnelle Lösungen.
Arbeiten Sie aber frühzeitig an einer Langfristlösung.
Automatisieren Sie!
Viele Dinge können und sollten automatisiert werden.
Balancieren Sie die
Datenqualität aus
Trusted Data ist die Basis guter Analytik. Bleiben Sie pragmatisch.
100%-ige Datenqualität kann “teuer” sein.
Keep It Simple
Starten Sie mit 100 Variablen, die Ihnen am wichtigsten erscheinen.
Wählen Sie Variablen aus, die für die meisten Datensätze vorliegen..
Liefern Sie regelmäßig
Entwickeln Sie Ihre Modelle in verlässlichen Entwicklungszyklen.
Liefern Sie stets verbesserte neue Versionen aus:
Neue Modelle, Inputvariablen, Targets.
„Next best Question“?
Finden und beantworten Sie die nächste geschäftsrelevante
Fragestellung.
Smart Data in der Berliner Sparkasse
25.02.2015
- 29 -
Autor
Document
Kategorie
Uncategorized
Seitenansichten
8
Dateigröße
1 372 KB
Tags
1/--Seiten
melden