predictive analytics lösungen

Net Promoter Score, Contact Center Analysis, intelligentes Ticketsystem und Co.

Predictive Analytics LösungenAutomatisierung und Optimierung durch Vorhersagen

Agenda

Kurzvorstellung Infomotion

Predictive Analytics

Was ist Predictive Analytics?

Welche Einsatzgebiete gibt es?

Wie funktioniert Predictive Analytics?

Welche Tools sind am Markt verfügbar?

Lösungsbausteine

Net Promoter Score

Contact Center Analysis

IntelligentesTicketsystem

Recommender Systeme

Predictive Analytics in Ihrem Unternehmen

14.01.2016© Infomotion GmbH 2

INFOMOTION

14.01.2016 3© Infomotion GmbH

Business Intelligence, Big Data und Advanced Analytics

Infomotion –

Ihre Business Intelligence Experten


INFOMOTION gehört zu den führenden deutschen IT-Beratungsunternehmen für

Business Intelligence, Big Data und Advanced Analytics.

Wir realisieren maßgeschneiderte Lösungen in den Bereichen:

Data Warehousing, Enterprise Reporting, Data Mining und Planning.

Wir generieren entscheidungsrelevante Informationen zur

erfolgreichen Unternehmenssteuerung.

Unsere Leistungen beinhalten komplette Lösungen:

von der Entwicklung der BI-Strategie über die

Beratung bis hin zur Applikationsbetreuung.

Infomotion ist ein unabhängiges Beratungs-

unternehmen und vermeidet Abhängigkeiten

von Softwareherstellern und Technologien.

Advanced Analytics mit Infomotion


Umfangreiches Predictive

Analytics Know-how

8 Niederlassungen mit

Hauptsitz in Frankfurt

Spezialisiert auf

Business Intelligence

Erfolgreiche Business

Intelligence Projekte

190 BI-Spezialisten mit

Prince2-Zertifizierung

Expertise in zahlreichen

Branchen und Bereichen

Partnerschaften mit

führenden Anbietern

10 Predictive

Analytics Experten

BEST IN CLASS

Unser Dienstleistungsportfolio

für Advanced Analytics


Finanzreporting

Vertriebsreporting

Standardreporting

Ad-hoc Auswertungen

Dashboarding

Datenexploration

Visual Analytics

Optimierte

Planungsprozesse

Vorhersagenmodelle

Data Science

Affinitätsscoring

Churn-Analysen

Predictive Analytics

Big Data

Management

Enterprise Data

Management

Datenerwirtschaftung

Datenmodellierung

Data Warehousing

Data Management

Architektur

Softwareauswahl

Konzeptreview

Systemlandschaft

Business Intelligence

Competence Center

(BICC)

Strategie

Interims-

management

Programm-

management

Projektleitung

Teilprojektleitung

Management

360° Kundensicht

Data Governance

Security Konzepte

Data Quality

Datenanonymisierung

Sonstiges

Best Practices aus einer

Vielzahl an Kundenprojekten


Automobil Banken Logistik & Mail

Handel Versicherungen Medien & Telekommunikation

https://www.commerzbank.de/de/hauptnavigation/home/home.html

https://www.commerzbank.de/de/hauptnavigation/home/home.html

PREDICTIVE ANALYTICS

„Prediction is very difficult,

especially if it‘s about the future.“ (Bohr, Niels)


Aktuelle Entwicklung von Advanced Analytics


Descriptive

Analytics

Diagnostic

Analytics

Predictive

Analytics

Prescriptive

Analytics

WAS IST

PASSIERT?

WARUM IST ES

PASSIERT?

WAS WIRD

PASSIEREN?

WIE KÖNNEN

WIR STEUERN?

Mehrw

ert

Schwierigkeit Quelle: Gartner

Gründe für Entwicklung


Predictive

Analytics

Was ist Predictive Analytics


Predictive

Analytics…

Statistik Data Mining

…verbindet:

Machine Learning Datenbank-

management

Predictive Analytics vereinigt mehrere

Methoden um zukünftige Ereignisse

vorhersagen und steuern zu können.

Predictive Analytics im Alltag


Reise buchen

Predictive Analytics Prozess


Daten

Modellbildung

Prognosemodell Prognose

Schritt 1Modellbildung

Schritt 2Prognose

Methoden im Bereich Predictive Analytics


Klassifikation

Ursache-Wirkungsanalyse

Was sind bisher unbekannte Einflussfaktoren und wie groß sind diese?

Assoziation

Erkennen von Mustern in sequentiellen bzw. zeitorientierten Daten

Welche Merkmalskombinationen treten häufig miteinander auf?

Segmentierung

Bildung von homogenen Gruppen, die untereinander heterogen sind

Gibt es Fälle mit inkonsistentem Verhalten der Segmentzuordnung?

Regression | Zeitreihenanalyse

Statistischer Zusammenhang zwischen unterschiedlichen Attributen

Prognose von fehlenden/zukünftigen Attributwerten

Text Mining

Verarbeitung von unstrukturierten Daten

Welche Beiträge finden sich zu einer bestimmten Fragestellung?

Einsatzgebiete für Predictive Analytics


Churn-Analyse: Welcher Kunde hat Kündigungspotential?

Fraud-Detection: (automatisierte) Erkennung von ungewöhnlichem Kaufverhalten

Warenkorbanalyse: Welche Produkte werden zusammen gekauft?

Webseitenoptimierung: Welche Seitennavigation nimmt mein Kunde auf dem Weg zur gewünschten Aktion (z.B. Kauf eines Produktes)

Kundentargeting: Ableiten von individuellen Kaufempfehlungen für

Kundengruppen

Social Network Analyse: Erkennen von Communities

Absatzprognose: Wie viele l Bier werde wir im Sommer 2014 verkaufen?

Schadensprognose: Welche Schadenshöhe wird der Versicherungsnehmer in Zukunft voraussichtlich geltend machen?

Textlinkanalyse: häufige Begriffe im Zusammenhang mit meinem Produkt

Sentiment-Analyse: Gibt es mehr positive oder mehr negative Meinungen

zu meinem Produkt im Web?

CRISP-DM

Cross Industry Standard Process for Data Mining


Geschäfts-verständnis

Daten-verständnis

Daten-aufbereitung

Modell-bildung

Modell-bewertung

Einsatz derErgebnisse

Business Analysten /

Fachabteilung

Data Miner /StatistikerBusiness Manager

Daten

Erforderliche Fähigkeiten für Predictive Analytics

Business Analysten / Fachabteilung

Formulierung Fragestellung

Sammlung der relevanten Daten

Verständnis der Daten

Data Miner / Statistiker

Analytische Methoden

Mathematische Kenntnisse

IT-Kenntnisse

Fachliches Verständnis

Business Manager

Verständnis der Daten

Ableitung von Handlungsempfehlungen aus den Ergebnissen

Berücksichtigung der Unternehmensstrategie


Daten visuell

explorieren, schnell

Erkenntnisse gelangen

Detailanalyse der in

Stufe 1 gewonnenen

Erkenntnisse

Individuelle Geschäfts-

prozesse operativ

steuern

Operative Steuerung durch

Analytics automatisieren

und industrialisieren

Schneller und

intuitiver Zugang zu

Predective Analytics

Analytische

Erkenntnisse einfach

teilen

Anwendung von

statistischen

Modellen, um die

Geschäftsprozesse

zu verstehen

Grafische

Exploration und

Modellbildung

Komplexe und

optimierte

analytische Modelle

erstellen

Modellanwendung

automatisieren

Umfangreiche

Fachwerkzeuge für

Statistiker / Data

Miner

Viele Modelle

managen und

optimieren

Erkenntnisse schnell

in Produktion

bringen

Qualität prozess-

gestützt und

automatisiert

sichern

unterschiedliche Anwender =

unterschiedliche Anwendungen?


Anwender aus dem

Fachbereich ohne

statistische Ausbildung

Quantitativer Analyst mit

statistischen Kenntnissen

Data Mining

AnwenderData Mining Experte

Stufe 1

Stufe 2

Stufe 3

+

+

+

Stufe 4

Data Mining Einordnung INFOMOTION


Fachanwender

Data

Scientist

Basis Experte

SAP Predictive Analysis

SAS EnterpriseMiner

IBM SPSS Modeler

RapidMiner

KNIME

SAP InfiniteInsight (KXEN)

Benutz

erf

reundlic

hke

it

Funktionalität

Data Mining Einordnung INFOMOTION


SAS EnterpriseMiner

IBM SPSS Modeler

RapidMiner

KNIME

SAP InfiniteInsight (KXEN)

SAP Predictive Analysis mit

R Integration

Fachanwender

Data

Scientist

Basis Experte

Benutz

erf

reundlic

hke

it

Funktionalität

Alternative Technologien

Verwendete Berechnungsgrundlage

Natural Language Processing ( NLP )

Statistische Methoden

Data Mining Methoden

Lizenzmodelle

Kommerziell

Open Source

Art der Software

ETL Tools

Advanced Analytics Tools

Data Mining Tools


?

!

NET PROMOTER SCORE

Ein Lösungsbaustein…


Der Net Promoter Score


Wiederkaufs-absicht

Erwartungen

tatsächliche Weiter-

empfehlungen

Einblick in Ausdrucksweise

des Kunden

Bedürfnisse

&

Erfahrungen

Kunden-zufriedenheit

&

KundenloyalitätFrage 1 / RatingWeiterempfehlungsfrage

Frage 2 / FreitextBegründung

„Auf einer Skala von 0 bis 10, wie wahrscheinlich

ist es, dass Sie dieses Unternehmen (oder Produkt/

Dienstleistung/Marke) einem Freund

oder Kollegen weiterempfehlen?“

10 9 8 7 6 … 0

% Promotoren % Kritiker-Net Promoter Score

„Was ist der Hauptgrund

für Ihre Bewertung?“


OPERATIV

„Stimme des Kunden“

„Momente der

Wahrheit“

Wahrgenommene

Leistungen & Service

Emotional und rational

verstehen binden wachsen

Aus Kundenbegeisterung wird Kundenloyalität

TAKTISCH

Kunden-Feedback-

Schleife

Verbesserte Service

Leistungen

Treiber für Vertrauen

& Begeisterung

STRATEGISCH

Mobilisierung

Wachstumsinitiativen

Wert-Innovationen

Veränderung der

Einstellung/Haltung

CONTACT CENTER ANALYSIS



Contact Center Analysis:

Verschlagwortung (Beispielarchitektur)


Transkription

Kunde Unternehmen

Bestands

system

CRM

360° DWH

E-Mail/Formular Extraktion

„Text“-DB) ) )


OPERATIV

Forecasting

Verschlagwortung

Sentimentanalyse

Meinungsmacher-

Analyse

effektivere

Ressourcenplanung

manuellen Aufwand

reduzieren

Kundenbeziehung

verbessern

Aus Reagieren wird Agieren

TAKTISCH

Automatische

Kategorisierung

Automatische

Priorisierung

Automatische

Lösungsvorschläge

STRATEGISCH

„Next-Best-Action“

Integration in

Geschäftsprozesse

Qualitätssicherung in

Form eines KVP

unterstützen

INTELLIGENTES TICKETSYSTEM




Wie viele Tickets gab es in einem bestimmten Zeitraum?

Aus welcher Kategorie stammen die meisten Ticket?

Wie lange ist die durchschnittliche

Bearbeitungszeit eines Tickets?

Welche Begriffe werden häufig in den Tickets genannt?

Wie viele Tickets werden morgen zum Thema xy

voraussichtlich eingestellt werden?

Wie wird sich die Anzahl der Tickets bis zum

Ende des Jahres entwickeln?

Gab es ein ähnliches Ticket schon mal?

Welche Lösung könnte die richtige sein?

Zu welcher Kategorie gehört das Ticket?

Mit welcher Priorität sollte das Ticket bearbeitet

werden?

Phase 1:

Verstehen

Phase 2:

Vorhersagen

Phase 3:

Verbessern

iTS 0.1

Der Weg zum intelligenten Ticketsystem

iTS 0.7

iTS 1.0


OPERATIV

Erweiterung des

klassischen Ticket-

reportings

Verschlagwortung

Forecasting

effektivere

Ressourcenplanung

manuellen Aufwand

reduzieren

Kundenbeziehung

verbessern

Aus Effektivität wird Effizienz

TAKTISCH

Automatische

Kategorisierung

Automatische

Priorisierung

Automatische

Lösungsvorschläge

STRATEGISCH

Automatische

Ticketdeeskalation

Automatisierte

Ticketbearbeitung

RECOMMENDER SYSTEME



Möglichkeiten von Recommender Systemen


1 2

3

Content based FilteringIdee: Empfehle Items, die ähnlichen zu denen

sind, an denen der User interessiert ist/war.

Lernt ein Profil der Benutzer-Interessen

basierend auf den Features seiner gekauften /

positiv bewerteten Items

Collaborative FilteringPersonen mit ähnlichen Profilen treffen ähnliche

Entscheidungen

• aktiv: direkte Empfehlung an ‘Freunde’

• passiv: Empfehlung durch Vergleich mit anderen

Benutzern oder Produkten

• User-based: Korrelationen zwischen Usern

Annahme: User, die bestimmte Items ähnlich

bewertet haben, sind ähnlich

• Item-based: Korrelationen zwischen Items

Items an sich sind nicht entscheidend, sondern

deren Bewertung!Demographic Filtering

Benutzer mit ähnlichen demografischem Hintergrund

(Alter, Geschlecht, Beruf, …) haben ähnliche Interessen

• Bewertung der Ähnlichkeiten zwischen Usern

aufgrund demografischer und gruppenbezogener

Daten

• Für den Benutzer werden Benutzer mit ähnlichen

demographischen Daten gefunden


OPERATIV

Deskriptive

Ermittlung von

Verhaltensmustern

Pauschale Produkt-

empfehlungen

Verständnis Einsicht Erkenntnis

Aus Verständnis wird Erkenntnis

TAKTISCH

Prediktive Ermittlung

der Verhaltensmuster

Verbessertes

Portfoliomanagement

Individuelle

Produktempfehlungen

Höhere Zufriedenheit

STRATEGISCH

Preskriptive

Verhaltensmuster

Portfoliooptimierung

Individuelle

Produktkreationen

Kostenreduktion

Gewinnmaximierung

UMSETZUNG VON LÖSUNGSBAUSTEINEN

Der Weg zum Entscheidungsunterstützungssystem



Analyse Geschäftsprozesse und BI-Landschaft

Evaluierung und Ergänzung der Datengrundlage

Definition ROI und Zielkenngrößen, Zeitplan

Auswahl der geeigneten Plattform für das EUS

Umsetzung einzelner Lösungsbausteine

Ausführung erster Modelle

Nutzung des Erkenntnisgewinn für individuelle

Modelloptimierungen

Ermittlung von konkreten Handlungs-

empfehlungen

Integration Modelle in die Geschäftsprozesse

und –applikationen (z.B. in die Call-Center)

Einführung eines KVP

(Kontinuierlicher Verbesserungsprozess)

Permanentes Monitoring der Zielkenngrößen zur

Erfolgsmessung

Phase 1:

Fundament

Phase 2:

Erkenntnis

Phase 3:

Integration

EUS 0.1

EUS 0.7

EUS 1.0

Mögliche Umsetzungsschritte bis zum

Entscheidungsunterstützungssystems (EUS)

Ihr Entscheidungsunterstützungssystem…


Alle Aspekte stehen zur

Verfügung (Beispiel: 360°

Kundensicht)

Hochgradige

Automatisierung der

benötigten analytischen

Prozesse

Nutzenorientiert und

Integriert

Integriert in Ihre

Architektur und Prozesse

Jedes Modul ist

nutzenorientiert designed

und wird anhand von

Erfolgs-KPI‘s gemonitored

Schnelle Reaktion auf sich

verändernde Märkte und

Kundeninteressen

Modularer Aufbau Hohe Flexibilität

Vorhersagen sind nicht an

feste Muster gebunden,

sondern orientieren sich an

den „echten“ Welt

Erweiterungen in weitere

Richtungen wie Kampagnen,

Social Media, etc. sind

problemlos möglich

… einfach umsetzbar in ihrer Umgebung


Phase 1:Verstehen

Phase 2:Vorhersagen

Phase 3:Verbessern

PAS 0.1

PAS 0.7

PAS 1.0

?

Diskussion: Was sind die nächsten Schritte?


Ihr Kontakt für Fragen


JÖRG THIEMANNDiplom Wirtschaftsmathematiker

Business Unit Manager

INFOMOTION GMBH

GEREONSTR. 18-32 50670 KÖLN

T: +49 (0)221 120697-0 F: +49 (0)221 120697-29

[email protected] www.infomotion.de

DR. KATRIN ZAIßMaster of Science Informatik

Professional Consultant

INFOMOTION GMBH

GEREONSTR. 18-32 50670 KÖLN

T: +49 (0)221 120697-0 F: +49 (0)221 120697-29

[email protected] www.infomotion.de

predictive analytics lösungen

Documents