predictive analytics: use-cases -...
TRANSCRIPT
Predictive Analytics: Use-Cases
Никита Исерсон, SAP Consulting (Data Science Team)
© 2014 SAP SE or an SAP affiliate company. All rights reserved. 2 Public
Содержание
Применение статистических моделей
Использованные данные
Возможные сценарии применения SAP Infiniteinsight Retail
Banking
Mining
Procurement
Интеграция процесса принятия решения в бизнес-
процессы компании
© 2014 SAP SE or an SAP affiliate company. All rights reserved. 3 Public
Внедрение статистических моделей – зачем?
• Например…
• Цены и предложения
• Магазины и размещения
• Продукты и категории
• Цена, эластичность
• Качество, оборот
Данные бизнеса
«ХОРОШО» «ПЛОХО»
SHOP SALESSQM2 LATITUDE LONGTITUDE SIZE DISTRICT AREA DENSPOPUL DENSWRK DIST_CENT_KM SHOP_MONEY_TOTAL AVG_CHECK
77249 272.2 55.755606 37.681441 A1 район Лефортово Юго-Восточный административный округ 0.0958736 0.0440825 4.5249886 2,214,007.12 152.55337421621994
77261 339.89 55.8681422 37.5391123 B2 район Западное Дегунино Северный административный округ 0.0904564 0.0485632 13.4730511 7,532,548.160000001 208.78508121292757
77087 188.2 55.812754 37.71673 X0 район Богородское Восточный административный округ 0.0887932 0.0443584 9.4083493 6,343,694.62 246.42406168667213
77109 310.77 55.878395 37.630589 B2 район Южное Медведково Северо-Восточный административный округ0.084042 0.0395752 13.9451929 6,917,022.41 265.8552698132063
77014 376.49 55.862261 37.666521 B2 Бабушкинский район Северо-Восточный административный округ0.1122893 0.0482406 12.6063492 8,701,019.780000001 271.8219237738207
77257 610.08 55.825829 37.567694 C3 Тимирязевский район Северный административный округ 0.0834785 0.0384998 8.4449556 17,961,424.080000002 307.8432811161005
77025 506.06 55.893325 37.529012 C3 Дмитровский район Северный административный округ 0.0898967 0.0461247 16.3288182 15,715,622.420000002 344.41425421871577
© 2014 SAP SE or an SAP affiliate company. All rights reserved. 4 Public
Представление
и использование
Исторические данные Обучающие
данные Извест.
результат
_______________________________________
1,26 0,19 3,02
Обучение
модели 0
0,05
0,1
0,15
0,2
0,25
Val
ue
_1
32
Pre
ss_
49
Fix_
02
Описание
Новые данные
Данные Неизв. результат
____________________________________
? ? ?
Предсказ. результат
2,19 0,85 1,07
Моделирование
Задача аналитика:
По историческим данным связать
известные параметры магазина с
уровнем среднего чека
По новым данным о магазинах
сделать прогноз уровня среднего
чека
Внедрение статистических моделей – зачем?
© 2014 SAP SE or an SAP affiliate company. All rights reserved. 5 Public
Retail: оптимизация размещения
Кластеризация магазинов позволяет:
Оптимально размещать новые магазины
Подбирать ассортимент под предпочтения
Управлять факторами, влияющими на продажи
Эффективно планировать продажи и запас
Экономические выгоды:
Продажи в убыточных магазинах: +37%
Общие продажи: +17%
Снижение запасов: -17%
Эффективность промо: +35%
Средний чек: + 12%
SIZE DENSPOPUL DENSWRK DIST_CENT_KM SHOP_MONEY_TOTAL AVG_CHECK
A1 0.0958736 0.0440825 4.5249886 2,214,007.12 152.55337421621994
B2 0.0904564 0.0485632 13.4730511 7,532,548.160000001 208.78508121292757
X0 0.0887932 0.0443584 9.4083493 6,343,694.62 246.42406168667213
B2 0.084042 0.0395752 13.9451929 6,917,022.41 265.8552698132063
B2 0.1122893 0.0482406 12.6063492 8,701,019.780000001 271.8219237738207
C3 0.0834785 0.0384998 8.4449556 17,961,424.080000002 307.8432811161005
C3 0.0898967 0.0461247 16.3288182 15,715,622.420000002 344.41425421871577
© 2014 SAP SE or an SAP affiliate company. All rights reserved. 6 Public
Retail: оптимизация размещения
Кластеризация магазинов:
Какие факторы в большей степени влияют на продажи в каждом кластере?
Какие продажи будут в планируемом к открытию магазине?
Какого размера открывать магазин для достижения наилучших продаж?
© 2014 SAP SE or an SAP affiliate company. All rights reserved. 7 Public
Retail: оптимизация размещения
Обогащение данных и
GIS-визуализация:
функциональные зоны
плотность населения
(занятого, по возрасту)
торговля и торговые центры
доступность станций метро
транспортные потоки
рельеф местности
Результат: прогноз продаж для
каждой точки – высокомаржинальный
выбор для новых магазинов!
© 2014 SAP SE or an SAP affiliate company. All rights reserved. 8 Public
Banking: планирование пополнения ATM
Возможности
Построение системы оптимального планирования пополнения
наличных средств в банкоматах на заданный период.
Выгоды для бизнеса:
- Быстрое и точное построение прогноза
по каждому банкомату Как?
Наличие необходимых сумм в банкоматах ведет к
повышению удовлетворенности клиентов
- Оптимизация расходов Как?
Снижение количества выездов, необходимых для пополнений, до минимально возможного.
- Сохранение ликвидных средств Как?
Определение минимально необходимой суммы наличных средств для каждого банкомата на месяц.
- Оперативная реакция на изменения Как?
Быстрое принятие решение о значимости отклонения от прогноза и необходимости его корректировки.
DATE MONTH DAY_OF_MONTH HOUR_OF_DAY ATM_ID TXN_AMOUNT Balance Before Transaction Requested Amount Amount above Limit? Requested Amount Zero? ATM has enough funds?
01.03.2013 3 1 1 ATM1 10800 500000 10800 N N Y
01.03.2013 3 1 2 ATM1 5500 489200 5500 N N Y
01.03.2013 3 1 3 ATM1 36600 483700 36600 Y N Y
01.03.2013 3 1 4 ATM1 0 483700 0 N Y Y
01.03.2013 3 1 5 ATM1 39400 483700 39400 Y N Y
01.03.2013 3 1 6 ATM1 14400 483700 14400 N N Y
01.03.2013 3 1 7 ATM1 7600 469300 7600 N N Y
01.03.2013 3 1 8 ATM1 34200 461700 34200 Y N Y
01.03.2013 3 1 9 ATM1 15200 461700 15200 N N Y
© 2014 SAP SE or an SAP affiliate company. All rights reserved. 9 Public
Mining: прогнозирование при геологоразведке
Данные о местности:
• Геофизические факторы
• Анализ спектра, радиометрическая
съемка
• Геохимические методы
• Литологические, структурные и
топографические карты,
аэромагнитные и гравитационные
• Интерполяция и поиск аномалий
Задача регрессии/классификации:
По историческим данным связать
известные параметры местности с
фактом нахождения полезных
ископаемых
По новым данным о местности
сделать прогноз нахождения
Определить важность факторов с
помощью дерева решений
© 2014 SAP SE or an SAP affiliate company. All rights reserved. 10 Public
Procurement: Выбор поставщиков
Как определить, будут ли новые поставщики удовлетворять
заявленному Уровню Сервиса? Использовать исторические
данные о поставщиках:
Затраты и стоимость (трансакционные, стоимость сервиса, задержек,
переработок, инспекций, приемок, инженеров, рабочих)
Цены на продукты
Издержки обращения и каналов сбыта
Техническая база, масштабы производства
Показатели качества (количеств., качественные)
Организационные (цели, персонал) и юридические показатели
Условия по Уровню Сервиса
Показатели снабжения и доставки
Время цикла заказа
Удобство сотрудничества и переговоров
Финансовое состояние и его история
Производительность и ее история
Специфически риски (domestic vs international)
Географическое положение
Политическая стабильность
Интеграция моделей в бизнес-процессы:
проще и быстрее с SAP HANA
Как встроить полученные Модели в бизнес-процессы, позволяя клиентам и
сотрудникам принимать решения в режиме реального времени?
Архитектура: Predictive Analysis on HANA
SAP HANA Platform
Data Pre-Processing and Loading
SAP Data Services, SRS, SLT, DXC, Hadoop
Predictive &
Infiniteinsight
Library (APL)
HTML5 + REST WS
R Integration for
SAP HANA
Business
Intelligence
Clients
SAP Predictive
Analysis
XS Engine
Optimization
Function Library
(OFL)
Supply Chain
Library (SCAL)
Forecasting &
Replenishment
(UDF AL)
© 2014 SAP SE or an SAP affiliate company. All rights reserved.
Вопросы и ответы
Контакты:
Nikita Iserson
SAP DW&R/Data Science
+7(903)-133-6214