corporate ppt template - home: doag e.v. · faktoranalyse •attribute ... • data mining...

Jens SchmidtSenior MemberTechnical Staff

Oracle 9i Data MiningConnector 1.1für mySAP BW™

Agenda

• Data Mining Grundlagen• Der Data Mining Prozess• Oracle Data Mining Integration

mit mySAP BW• Oracle Data Mining im Vergleich

Agenda

• Data Mining Grundlagen• Der Data Mining Prozess• Oracle Data Mining Integration

mit mySAP BW• Oracle Data Mining im Vergleich

Data Mining – GrundlagenQuery und Reporting

Detaillierte, aggregierteInformation

Wer hat in den letzen 3 Jahren Produkt A ge-kauft?

OLAP

Aggregation,Trend,Prognose

Wie hoch ist das Einkommen der Käufer von A per Jahr und Region?

Data Mining

Neues Wissen durch Untersuchung verborgener Muster

Wer wird im nächsten halben Jahr Produkt A kaufen und warum?

Säuberlich, 2000

Data Mining – Verfahren

Abhängigkeits-entdeckung

Klassifikation/Vorhersage Segmentierung

•Assoziation•Sequentielle Muster

•Clusteranalyse•Kohonen SOM

•Diskriminanzanalyse•Entscheidungsbaum-verfahren•K-Nearest-Neighbor•Neuronale Netze•Regelbasierte Verfahren•Regression•Support Vector

Data Mining – Verfahren

Abhängigkeits-entdeckung

Klassifikation/Vorhersage Segmentierung

•Diskriminanzanalyse•Entscheidungsbaum-verfahren•K-Nearest-Neighbor•Neuronale Netze•Regelbasierte Verfahren•Regression•Support Vector

•Clusteranalyse•Kohonen SOM

•Assoziation•Sequentielle Muster

Faktoranalyse

•Attribute ImportanceOracle 9iR2

Data Mining – Verfahren

Abhängigkeits-entdeckung

Klassifikation/Vorhersage Segmentierung

•Assoziation•Sequentielle Muster

•Clusteranalyse•Kohonen SOM

Oracle 10gR2

•Diskriminanzanalyse•Entscheidungsbaum-verfahren•K-Nearest-Neighbor•Neuronale Netze•Regelbasierte Verfahren•Regression•Support Vector

Faktoranalyse

•Attribute Importance

AbhängigkeitsentdeckungWarenkorbanalyse

Segmentierung

IFX1 >= (0.2456) and X1 <= (0.4432) and X2 >= (0.2647) and X2 <= (0.5106)THENCLUSTER = (3)

IFX1 >= (0.6802) and X1 <= (0.7988) and X2 >= (0.4404) and X2 <= (0.5809)THENCLUSTER = (5)

Faktoranalyse

Welche Faktorenhaben einen großenEinfluß auf das Ant-wortverhalten beieiner Marketing-kampagne?

Klassifizierung/VorhersageChurn Management

Alter

MO

UM

O

20 30 40 50

<100

<500

<100

0

Zielfeld

Churner

Kein Churner

Klassifizierung/VorhersageChurn Management – Training

Alter

MO

UM

O

20 30 40 50

<100

<500

<100

0

Churner

Kein Churner

Wenn 30 < Alter < 45& MOUMO > 500 =>Churner (70%)

Wenn Alter > 45 & MOUMO > 500 => kein Churner (99%)

Klassifizierung/VorhersageChurn Management – Vorhersage

Alter

MO

UM

O

20 30 40 50

<100

<500

<100

0

Churner

Kein Churner

Klassifizierung/VorhersageChurn Management – Vorhersage

Alter

MO

UM

O

20 30 40 50

<100

<500

<100

0

Churner

Kein Churner

Churner (70%) Kein Churner (99%)

Agenda

• Data Mining Grundlagen• Der Data Mining Prozess• Oracle Data Mining Integration

mit mySAP BW• Oracle Data Mining im Vergleich

Data Mining ProzessModell nach CRISP (crisp-dm.org)

Data Mining Ergebnisse

nutzen

Analyse-tabelle erstellen

Data Mining Verfahren anwenden

Data Mining Prozessim SAP-Umfeld – best of breed

mySAP CRM

ETL und Daten-vorbereitung

Data MiningServer

SAP BW

SAP R/3

Data Mining Prozessim SAP-Umfeld – best of breed – Kosten

SAP R/3

ETL und Daten-vorbereitung

Data MiningServer

SAP BW

mySAP CRM

Analysetabelle erstellen

Ergebnisseanwenden

Kostenbeim Erstellen der Analysetabelle

• Kryptische Bezeichner erfordern technisches Wissen und Fachbereichswissen

• Nicht alle BW-Daten sind in Tabellen abgelegt• Beispiele: InfoSets, MultiProviders, Queries

• Unterschiede in der Semantik der Datentypen• Beispiele: NUMC, TIMS, DATS

• Aufsetzen der Extraktionsprozesse und des automatischen Datentransfers (FTP)

• Datenextraktion aus BW u.U. lizenzpflichtig

Agenda

• Data Mining Grundlagen• Der Data Mining Prozess• Oracle Data Mining Integration

mit mySAP BW• Oracle Data Mining im Vergleich

Oracle Data Mining Integration

SAP BW

Data Prep

ODM

mySAP CRM

Argumentefür ODM und den ODM Connector• SAP Kunden bekommen ohne großen Aufwand eine

Integration mit Oracle Data Mining (ODM)• Nahtlose Integration mit SAP BW und CRM

• SAP-zertifizierte Lösung und Partner• Vermeiden von Datenbewegungen aus der Datenbank:

Sicherheit, Performance• Ergänzt SAPs Angebot in mehrerlei Hinsicht:

• Neue Algorithmen für unterschiedliche Problemklassen• Skalierbarkeit und Performance der Datenbank stehen

ODM voll zur Verfügung: RAC, Parallel Queries, ...• Neuentwicklungen in ODM stehen über den ODM

Connector auch in SAP BW zur Verfügung

Features

• Vollständige Integration• alle ODM-Algorithmen, -Tasks, -Parameter• alle SAP-Schnittstellen

• Transparente Integration• automatische Abbildung der SAP-Datentypen• automatisches Clean-up und Recovery

• Nahtlose, zertifizierte Integration von ODM in das BW DM Framework

Oracle Data Miningbei der VW Financial Services AG

• Installation der ODM Option und des ODM Connectors im Konsolidierungssystem

• Erfolgreicher Abschluß erster Funktionalitäts-und Lasttests

• Diskussion mit Fachabteilungen über mögliche Einsatzgebiete

Agenda

• Data Mining Grundlagen• Der Data Mining Prozess• Oracle Data Mining Integration

mit mySAP BW• Oracle Data Mining im Vergleich

Oracle Data Miningim Vergleich zu BW – Übersicht

Oracle 10gR2

ODM 9iR2 – 10gR2

Apriori

Decision TreeNaive BayesAdaptive Bayes NetworkSupport Vector Machines

Support Vector Machines

BW 3.1 – 7.0AbhängigkeitsentdeckungApriori

KlassifikationDecision Tree

RegressionLineare, Nichtlineare Regression

Oracle Data Miningim Vergleich zu BW – Übersicht

ODM 9iR2 – 10gR2

KMeansOCluster

Attribute ImportanceFeature ExtractionAnomaly Detection

BW 3.1 – 7.0SegmentierungKMeans

Andere VerfahrenWeighted Score TablesABC Klassifizierung

Oracle 10gR2

Oracle Data Miningim Vergleich zu BW – Allgemeines

•ODM•Algorithmen laufen im Datenbankserver. Die nötige Datenbewegung ist auf ein Minimum beschränkt.

•Nutzt vorhandene Skalierungs-features der Datenbank wie Parallel Queries und RAC aus

•BW•Algorithmen laufen im Applikationsserver. Die Daten müssen aus der Datenbank in den Applikationsspeicher gela-den werden.•Dadurch wird die Laufzeit beeinflusst und u.U. die Größe der lösbaren Probleme begenzt

Oracle Data Miningim Vergleich zu BW – Klassifikation

•ODM•Decision Tree erzeugt Regeln, die vom Benutzer direkt interpretiert werden können•Naive Bayes ist ein sehr schneller und gut skalierbarer Algorithmus•Adaptive Bayes Network ist am besten für große Datenmengen geeignet•SVM ist state-of-the-art Algorithmus, Präzision mit neuronalen Netzwerken vergleichbar•Algorithmen unterstützen zusätzliche Testmetriken: Lift- und ROC-Berechnung

•BW•Visualisierung der Regeln des Decision Tree in das SAP GUI integriert

•Algorithmus unerstützt nur Confusion Matrix als Testmetrik

Oracle Data Miningim Vergleich zu BW – Segmentierung

•ODM•OCluster ...

• unterstützt kategorische und numerische Attribute•ermittelt dynamisch sinnvolle Anzahl von Clustern•verarbeitet auch viele Attribute noch zuverlässig

•OCluster und KMeans unterstützen hierarchisches Clustering

•BW•KMeans ...

•ist nur für numerische Daten geeignet•findet nur vorgegebene Anzahl von Clustern•ist schlecht geeignet bei vielen Attributen

•Übersichtliche Visualisie-rung der Cluster und Histogramme im SAP GUI

Oracle Data Miningim Vergleich zum Markt

I M P R E S S I O N E N

Der Oracle 9i Data Mining Connector

Q U E S T I O N SQ U E S T I O N SA N S W E R SA N S W E R S