Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Erfahrungsbericht: Nachfrageoptimierung mittels Predictive Analytics

364 views

Published on

Inhalt:
Alle reden von Predictive Analytics, wir haben die Erfahrung in diesem zukunftsträchtigen Bereich und zeigen Ihnen ein konkretes Business Szenario in Form einer Verkaufsanalyse mittels Predictive Analytics. Wir geben Ihnen Einblick in die methodische und technische Umsetzung und machen auf einige typische Probleme in Projekten aufmerksam.

Dieses Webinar eignet sich für:
- Alle, die sich für das Thema Data Mining interessieren.
- Diejenigen, die sich die Möglichkeiten von SAP Predictive Analytics aufzeigen lassen wollen.

In diesem Webinar lernen Sie:
- Die Analyse der historischen Daten mit Hilfe von Data Mining Algorithmen.
- Die Identifikation von Abhängigkeiten mittels Predictive Analytics und Schlussfolgerungen daraus.

Agenda:
1. Business Szenario
2. Methodische und Technische Umsetzung
3. Typische Probleme in Projekten

Published in: Technology
  • Login to see the comments

Erfahrungsbericht: Nachfrageoptimierung mittels Predictive Analytics

  1. 1. Erfahrungsbericht Berlin, 6. Februar 2018 Nachfrageoptimierung mittels Predictive Analytics
  2. 2. Seite 2 Sprecher Martin Verleger Denis TithoChristian Goebel
  3. 3. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 3 Agenda
  4. 4. Seite 4 CONOGY Key Facts 10 Jahre etablierter und geschätzter SAP Beratungspartner 60+ leidenschaftliche Mitarbeiter 92% Weiterempfehlung bei Kununu 50+ Zertifikate ISO 9001 Projektmanagement SAP (Mitarbeiter / Firma) 100+ Erfolgreiche Projekte 50+ Zufriedene Kunden 20+ Direktkunden in 2017 2 Standorte Berlin Düsseldorf
  5. 5. Seite 5 CONOGY Kompetenzfelder Toolauswahl Architektur Schulungen Governance BI Strategie Embedded Planning S/4HANA Analytics S/4HANA Migration Fiori S/4HANA Datenmodellierung HANA (BW/4HANA, Native, …) Dynamic Tiering Basis Administration Data Warehousing 2nd & 3rd Level Support Hotline / Service Desk Monitoring Pflege / Wartung Application Management Data Science Methodologie Predictive Analytics Big Data Szenarien Datengetriebene Planung Data Science UI5 / Web Dynpro BusinessObjects Planung BO Cloud / Mobile Analytics Reporting & Planung
  6. 6. Motor Entertainment GmbH ▪ Motor Entertainment GmbH vermarktet neue Künstler ▪ Bietet seinen Künstlern Label, Verlag und Management in einem ▪ Veröffentlicht jeden Künstler, der bestimmte, allgemein kompatible Standards erfüllt ▪ Benutzt u.a. Radiosender als eine Form der Musikvermarktung ▪ Hilft den Künstler beim Verkaufsmanagement ihrer Produkte Seite 6 Hintergrund & Ziel Übersicht Motor Entertainment
  7. 7. Alice Phoebe Lou ▪ Alice Phoebe Lou – berühmte Straßenmusikerin Berlins ▪ Hit: „Walking In The Garden“ ▪ Seit dem 01.03.2016 im Verkauf ▪ Tägliches Abspielen in diversen Radiosendern Seite 7 Hintergrund & Ziel Künstlerin
  8. 8. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 8 Agenda
  9. 9. Ausgangslage ▪ Das Lied wurde täglich in verschieden Radiosendern abgespielt ▪ Daten von einem guten halben Jahr ▪ Verkaufszahlen pro Tag liegen vor Problem ▪ Einige der Radiosender steigern nicht zwangsläufig den Verkauf Ziel ▪ Historische Daten mit Hilfe von Data Mining Algorithmen analysieren ▪ Abhängigkeiten zwischen Radiosender und den Verkaufszahlen identifizieren ▪ Die Radiosender mit dem positiven Einfluss auf die Verkäufe identifizieren Seite 9 Hintergrund & Ziel Projektziel
  10. 10. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 10 Agenda
  11. 11. Business Understanding ▪ Welche Frage soll beantwortet werden? ▪ Welche Parameter (Daten) sind relevant? Data Understanding ▪ Was sind die Datenquellen? ▪ Wie hoch ist die Datenqualität? ▪ Gibt es systematische Fehler? Data Preparation ▪ Daten in auswertbares Format bringen / transformieren ▪ Z. B. Ausreißer oder überflüssige Daten eliminieren Modeling ▪ Methoden/Techniken anwenden und Ergebnisse auswertbar machen Evaluation ▪ Güte/Verlässlichkeit des Modells testen Deployment Seite 11 Projektvorgehen Cross-Industry Standard Process for Data Mining (CRISP-DM) Business Understanding Data Understanding Data Preparation ModelingEvaluation Deployment DATA
  12. 12. Business Understanding ▪ Was erhofft sich die Firma durch den Einsatz von Data Mining? ▪ Unternehmens- & Projektziel bestimmen Data Understanding ▪ Datenanalyse ▪ Prüfung der Datenqualität ▪ Sind die Daten für die Anwendung von Data Mining valide? Datenvorbereitung ▪ Datenselektion, -transformation, -aggregation etc. ▪ Sind fehlende Werte oder auch Ausreißer vorhanden? Seite 12 Projektvorgehen CRISP-DM Schritte 1-3
  13. 13. Nach Abschluss der Datenvorbereitung liegt die folgende transformierte Tabelle mit entsprechender Information vor ▪ Zeitreihe 01.03.2016 – 30.09.2016 ▪ Anzahl der Abspiele in 80 Radiosender ▪ Verkaufszahlen pro Tag ▪ Kumulierte Verkaufszahlen für zwei bis sieben Tage Seite 13 Projektvorgehen Datenvorbereitung Zeitvariable Erklärende Variablen (80 Variablen) Zielvariablen
  14. 14. Häufige genutzte Methoden ▪ Regressionsanalyse ▪ Zeitreihenanalyse ▪ Klassifikation ▪ Clustering ▪ Assoziationsanalyse ▪ Entscheidungsbäume Weitere Methoden ▪ Simulation ▪ Ausreißer-Analyse ▪ Netzwerkanalyse ▪ Lineare & Dynamische Optimierungen ▪ Text Mining ▪ Social und Web Mining ▪ … Seite 14 Kurzeinführung Predictive Analytics Wichtige Data Mining-Techniken Regression Zeitreihen Klassifikation Clustering Ausreißer Neuronale Netze Entscheidungs- bäume Assoziation
  15. 15. Projektvorgehen Zeitreihenanalyse Seite 16 Ziel - Sales (1 Tag) Modell Performance Indikator MAPE = 0,377 ▪ MAPE - Mittlerer absoluter prozentualer Fehler - misst die Genauigkeit der Prognosen des Modells und zeigt an, wie groß die Differenz zwischen den Prognosen und dem tatsächlichen Signalwert ist ▪ 0 - perfektes Modell ▪ 1 - schlechtes Modell ▪ Grüne Kurve – die aktuellen Daten ▪ Blaue Kurve – Prognose des Generierten Modells ▪ Blaue Fläche – mögliche Abweichung des Modells ▪ Rotes Quadrat - Ausreißer
  16. 16. Projektvorgehen Simulation der Sonderfälle Seite 17 ▪ Es können userspezifische Simulationen erstellt werden (Was wäre, wenn…?) ▪ Basierend auf den Modellergebnissen bewertet das Modell die neuen Einträge und schätzt automatisch die Verkaufszahlen ▪ Der User kann selbst die gewünschten Variablenkombinationen ausprobieren und die optimale Variante herausfinden
  17. 17. Projektvorgehen Prognoseerstellung für Zukunftsdaten Seite 18 Geplante Radiostreams für Oktober (Zukunftsdaten, die Verkaufszahlen sind noch nicht bekannt) Verkaufsprognose für Oktober (Automatisch durch das Model erstellt) Modellanwendung ▪ Das Modell kann auf ein neues Datenset angewendet werden ▪ Der Plan der Radiostreams für Oktober ist bereits vorhanden ▪ Basierend auf den Modellergebnissen bewertet das Modell die neuen Einträge und schätzt automatisch die Verkaufszahlen ▪ Eine Vorhersage der Verkaufszahlen für die Zukunftsdaten ist möglich
  18. 18. Bewertung des Modells mittels KI und KR ▪ KI: Prognostische Trennschärfe ▪ Informationsanteil der Zielvariable, den die erklärenden Variablen im Modell beschreiben können (Prognosegenauigkeit) ▪ 0 ≙ rein zufälliges Modell, 1 ≙ perfektes Modell ▪ KR: Prognosekonfidenz ▪ Kennzahl bezüglich der Wiederverwendbarkeit des Modells für neue Datensets (Robustheit) ▪ 0 ≙ Modell nicht auf neuen Daten verwendbar, 1 ≙ robustes Modell ▪ Empfehlung der SAP KR > 0,95 Erklärung zur Performance Grafik ▪ Grüner Graph: Ideales Modell (Ist ≙ Prognostiziert) ▪ Blauer Graph: Prognose des Modells auf Validierungsdaten ▪ Blauer Bereich: Mögliche Abweichung des Modells Seite 19 Projektvorgehen Regressionsanalyse Ziel - Sales (1 Tag)
  19. 19. Seite 20 Projektvorgehen Regressionsanalyse Ziel - Sales (6 Tage)Ziel - Sales (1 Tag)
  20. 20. Seite 21 Projektvorgehen Regressionsanalyse Ziel - Sales (6 Tage) ▪ Modellvorhersage für einen Verkaufstag ► geringe Trennschärfe (KI = 0,745) und Robustheit (KR = 0,883) ▪ Mögliche Ursache für geringen KR: zu wenig Datensätze ▪ Geringer Impact der Radiosendern auf den Verkauf am darauffolgendem Tag ▪ Modell für die kumulierten Verkaufszahlen nach 6 Tagen ► KI und KR sind hinreichend groß ▪ Möglicher Grund: Zuhörer kaufen i.d.R. nicht am Folgetag nachdem das Lied im Radiosender abgespielt wird ein ▪ D.h. Impact der Radiosender ist nach einigen Tagen in den kumulierten Verkaufszahlen messbar Ziel - Sales (1 Tag)
  21. 21. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 22 Agenda
  22. 22. Systemdemo Seite 23 Systemdemo
  23. 23. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 24 Agenda
  24. 24. Projektergebnis & Fazit Zusammenfassung Seite 27 ▪ „EgoFM Soul“ hat die meisten Abspiele, ist aber laut dem Modell nicht der beste ▪ „EgoFM Raw“ ist fast zwei Mal besser als „EgoFM Soul“ und sollte somit die meisten Abspiele haben ▪ „Flux FM“ hat eine sehr große Auswirkung auf die Verkäufe, obwohl er nur 33 Abspiele hat ▪ Die Sender mit dem KI=0 haben keinen Einfluss auf die Verkäufe und können laut dem Modell durch die anderen Sender ersetzt werden Nr. Meistbenutzte Radiosender Abspiele (Total) 1 egoFM Soul 402 2 egoFM Raw 156 3 Radius 92.1 107 4 ego FM 95 5 Hertz 87.9 82 6 LUniCo 60 7 HoRadS 99.2 FM 53 8 Flux FM 33 9 CT das Radio 96.9 FM 25 10 bit eXpress 19 Nr. Wichtigste Radiosender Prognosestärke (KI) 1 egoFM Raw 0,27 2 Flux FM 0,16 3 egoFM Soul 0,15 4 Radius 92.1 0,15 5 ego FM 0,06 6 Radio Okerwelle 0,05 7 HoRadS 99.2 FM 0,04 8 bit eXpress 0,02 9 Hertz 87.9 0,01 10 103.7 UnserDing 0,00 Aktuelle Daten Generierte Daten Übersicht der Radiosender nach ihrer Wichtigkeit Vergleich der aktuellen Gesamtabspiele pro Radiosender mit den vom Modell empfohlenen Radiosender
  25. 25. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 28 Agenda
  26. 26. Fragen & Antworten
  27. 27. Übersicht zum Buch ▪ Unser SAPPRESS-Buch zum Thema Predictive Analytics ▪ Mit diesem Buch lernen Sie, wie Sie Ihre Daten mit SAP Predictive Analytics analysieren, um bisher unentdeckte Zusammenhänge aufzuspüren und Trends vorhersagen zu können. Inhalte ▪ Einführung und Mehrwerte von SAP Predictive Analytics ▪ Einführung in SAP Predictive Analytics ▪ Automated vs. Expert Analytics Mode ▪ Daten vorbereiten, auswerten und visualisieren ▪ Integration mit SAP Predictive Analysis Library, SAP HANA und R SAP Predictive Analytics Buchdaten ▪ 440 Seiten, gebunden, erschienen Juli 2017 ▪ Buch | E-Book | Bundle ▪ ISBN 978-3-8362-4415-2 ▪ Buchansicht und Leseprobe beim Rheinwerk Verlag ▪ Buchansicht und Leseprobe bei Amazon SAP Predictive Analytics Buchvorstellung
  28. 28. Fragen & Antworten
  29. 29. Seite 32 Ausblick Webinare Folgende Webinare sind in der Zusammenarbeit zwischen CONOGY und IBsolution geplant ▪ 10.04.2018: Thema S/4HANA ▪ 12.06.2018: Thema Advanced Analytics / Predictive Bitte entnehmen Sie den Veröffentlichungen vorab die detaillierten Inhalte. Wir freuen uns, wenn Sie auch hier teilnehmen!
  30. 30. CONOGY GmbH Martin Verleger E-Mail: verleger@conogy.de Tel: 030 - 488 289 801 Seite 33 Ihr Kontakt für mehr Predictive Analytics Die Unterlagen finden Sie nach dem Webinar unter: https://www.youtube.com/CONOGYGmbH https://www.slideshare.net/CONOGY Alice Phoebe Lou – She (live) https://www.youtube.com/watch?v=NPH9j0qVM3A
  31. 31. Vielen Dank für Ihre Aufmerksamkeit!
  32. 32. Die in dieser Publikation enthaltene Information ist Eigentum der CONOGY GmbH. Weitergabe und Vervielfältigung dieser Publikation oder von Teilen daraus sind – zu welchem Zweck und in welcher Form auch immer – nur mit ausdrücklicher schriftlicher Genehmigung durch die CONOGY GmbH gestattet. Die Angaben im Text sind unverbindlich und dienen lediglich zu Informationszwecken. CONOGY übernimmt keine Haftung für Fehler oder Auslassungen in dieser Publikation. Des Weiteren übernimmt CONOGY keine Garantie für die Exaktheit oder Vollständigkeit der Informationen, Texte, Grafiken, Links und sonstigen in dieser Publikation enthaltenen Elementen. Diese Publikation wird ohne jegliche Gewähr, weder ausdrücklich noch stillschweigend, bereitgestellt. Dies gilt u. a., aber nicht ausschließlich, hinsichtlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck sowie für die Gewährleistung der Nichtverletzung geltenden Rechts. CONOGY haftet nicht für entstandene Schäden. Dies gilt u. a. und uneingeschränkt für konkrete, besondere und mittelbare Schäden oder Folgeschäden, die aus der Nutzung dieser Materialien entstehen können. Diese Einschränkung gilt nicht bei Vorsatz oder grober Fahrlässigkeit. Die gesetzliche Haftung bei Personenschäden oder Produkthaftung bleibt unberührt. Die Informationen, auf die Sie möglicherweise über die in diesem Material enthaltenen Links zugreifen, unterliegen nicht dem Einfluss von CONOGY, und CONOGY unterstützt nicht die Nutzung von Internetseiten Dritter durch Sie und gibt keinerlei Gewährleistungen oder Zusagen über Internetseiten Dritter ab. Microsoft®, WINDOWS®, NT®, EXCEL®, Word®, PowerPoint® und SQL Server® sind eingetragene Marken der Microsoft Corporation. IBM, DB2, DB2 Universal Database, Informix und PowerPC sind Marken oder eingetragene Marken der IBM Corporation. Adobe, das Adobe Logo, Acrobat, PostScript und Reader sind Marken oder eingetragene Marken von Adobe Systems Inc. in den USA und/oder anderen Ländern. ORACLE® ist eine eingetragene Marke der ORACLE Corporation. UNIX®, X/Open®, OSF/1® und Motif® sind eingetragene Marken der Open Group. Citrix®, das Citrix-Logo, ICA®, Program Neighborhood®, MetaFrame®, WinFrame®, VideoFrame®, MultiWin® und andere hier erwähnte Namen von Citrix- Produkten sind Marken von Citrix Systems, Inc. HTML, DHTML, XML, XHTML sind Marken oder eingetragene Marken des W3C®, World WideWeb Consortium, Massachusetts Institute of Technology. JAVA® ist eine eingetragene Marke der Sun Microsystems, Inc. JAVASCRIPT® ist eine eingetragene Marke der Sun Microsystems, Inc., verwendet unter der Lizenz der von Netscape entwickelten und implementierten Technologie. MaxDB ist eine Marke von MySQL AB, Schweden. SAP, HANA, BusinessObjects, R/3, mySAP, mySAP.com, xApps, xApp, SAP NetWeaver, und weitere im Text erwähnte SAP-Produkte und -Dienstleistungen sowie die entsprechenden Logos sind Marken oder eingetragene Marken der SAP AG in Deutschland und anderen Ländern weltweit. Alle anderen Namen von Produkten und Dienstleistungen sind Marken der jeweiligen Firmen. Copyright 2018 CONOGY GmbH Alle Rechte vorbehalten Seite 35

×