[email protected]. Agenda Daten -> Informationen -> Wissen (Status Quo) Intelligente...
-
Upload
gert-gloeckner -
Category
Documents
-
view
220 -
download
4
Transcript of [email protected]. Agenda Daten -> Informationen -> Wissen (Status Quo) Intelligente...
Agenda
Daten -> Informationen -> Wissen (Status Quo)
Intelligente Datenanalysen (Predictive Analytics,Unterschiede zu klassischen BI-Lösungen, Enterprise Performance Management)
KXEN Life-Demo
F & A(Proof-of-Value für IUG-Mitglieder )
Legacydata
web
DataWarehouse
RDBMSDataMart
We (take) care about yourINFORMATION!
Software Engineering (> 15 Jahre)
Daten-Management (> 10 Jahre)
Intelligente Datenanalysen (> 7 Jahre)
(Data Mining) Produkte seit 1998 im deutschsprachigen Raum eingeführt
(Deutsche Telekom, AOL Deutschland, ABB, Fraunhofer Institut, Gruner + Jahr ...)
Gründung im Juli 1998Gründung im Juli 1998Firmensitz in San Francisco, R&D in FrankreichFirmensitz in San Francisco, R&D in FrankreichErfahrenes Management TeamErfahrenes Management Team
R. Haddad (CEO), E. Marcade (CTO), M. Bera (CSO), J. Gerault (CFO)R. Haddad (CEO), E. Marcade (CTO), M. Bera (CSO), J. Gerault (CFO)
Aktiver wissenschaftlicher BeiratAktiver wissenschaftlicher Beirat Vladimir Vapnik, Gregory Piatetsky-Shapiro, Gilbert Saporta, Yann Le Cun, Bernhard Schölkopf u.a.Vladimir Vapnik, Gregory Piatetsky-Shapiro, Gilbert Saporta, Yann Le Cun, Bernhard Schölkopf u.a.
KXEN Analytic Framework in 3. VersionKXEN Analytic Framework in 3. Version 400+ Kunden setzen KXEN produktiv ein400+ Kunden setzen KXEN produktiv einPartner: SAP, Cognos, BO, Teradata, SPSS u.a.Partner: SAP, Cognos, BO, Teradata, SPSS u.a.
OperationalSystems
Break Even
RO
I (%
)
NegativeReturns
PositiveReturns
Time (Years)
Business Intelligence
Predictive Analytics
Cumulative
ROI
Source: Jack Noonan, 2002
3 komplementäre Bereiche eines modernen
analytischen Unternehmens
UNDERSTAND Customer Satisfaction Product Revenue Cost of Goods Sold HR Turnover
BusinessIntelligence
OLAP
DataQuality
Query/ReportData
Warehouse
PredictiveAnalytics
Recommendations
Scoring
Data Mining
OPTIMIZE ROI Analysis Customer Retention Promotions Demand Planning Quality Improvement
ENABLE Customer Interaction Inventory Control Supply Chain Mgmt Quality Measurement Employee Self Service
OperationalSystems
ERP
ERM
WEB
CRM
Source: Jack Noonan, 2002
Ein modernes analytisches Unternehmen entsteht aus 3 komplementären Bereichen
Intelligente Datenanalysen (1)
0%
2%
4%
6%
8%
10%K
ündi
gerr
ate
[pro
Jah
r]
Ost Süd West NordRegion
Intelligente Datenanalysen (2)
0%
2%
4%
6%
8%
10%K
ündi
gerr
ate
[pro
Jah
r]
Ost Süd West NordRegion
Intelligente Datenanalysen (3)
0%
2%
4%
6%
8%
10%
Kün
dige
rrat
e [p
ro J
ahr]
Q3 2003 Q4 2003 Q1 2004 Q2 2004 Q3 2004 Q4 2004
OstSüdWestNord
Intelligente Datenanalysen (4)
0
10
20
30
40
50
60
70
Kunden-jahre
Call CenterAnrufe
durchschn.Auftrag
Kunden-gruppe
Region
Kündiger-Indikatoren(nach Relevanz)
Customer Value / Alter
0123456789
10
18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
Intelligente Datenanalysen (5)
Intelligente Datenanalysen (6)
Customer Value / Alter
0
1
2
3
4
5
6
7
8
18 - 25 26 - 35 36 - 45
Customer Value / Alter
0123456789
18 - 28 29 - 39 40 - 45
Intelligente Datenanalysen (7)
Was sind Daten-Analysen?
Konzept Technologie Beispiel
Manual DataExploration Data Cubes Kündiger-Historie
per Quartal und RegionOLAP
Data Aggregationand Summarization
SQL,Spreadsheets
Kündiger-Historie quartalsweise
Query undReporting
Data Prediction Classification,Regression
Kündigungs-Wahrscheinlichkeit
für jeden einzelnen Kunden und eine Erklärung “warum”
PredictiveModeling
Automated Data Exploration
Clustering,Associations
Charakteristika von “Kündigern” und
“Nicht-Kündigern”
DescriptiveModeling
Reporting OLAP Statistics PredictiveAnalytics
ProductionModeling
EmbeddedModeling
ExploratoryModeling
Cognos, BO, Hyperion
KXEN
SAS, SPSS u.a.
Anzahl Variablen
1 10 100 1000
AnalyticsKlassifikation von
Daten-Analysen
05
1015202530354045
MaritalStatus
Customervalue
Age
Marketing
Beispiel einer Cross-selling
Analyse
Transaktionen Q2-> Q3 2004
Q4 Kunden Informationen
Analyze
Mitarbeiter
APPLY
Komplexität (Komplexität (Guru Faktor)Guru Faktor) Traditionelle Statistik-/Data Mining Applikationen erfordern sehr hohen Skill-LevelTraditionelle Statistik-/Data Mining Applikationen erfordern sehr hohen Skill-Level (Vor-) Auswahl der Kriterien/Variablen ist sehr aufwendig und nicht trivial(Vor-) Auswahl der Kriterien/Variablen ist sehr aufwendig und nicht trivial Zuverlässigkeit der Ergebnisse bzgl. zukünftiger Daten/Vorgänge ist entscheidendZuverlässigkeit der Ergebnisse bzgl. zukünftiger Daten/Vorgänge ist entscheidend
Zeit und KostenZeit und Kosten Ergebnisse erzeugen mit traditionellen Verfahren/Tools beansprucht WochenErgebnisse erzeugen mit traditionellen Verfahren/Tools beansprucht Wochen Experten verwenden 60-90% ihrer Zeit für die Datenvorbereitung Experten verwenden 60-90% ihrer Zeit für die Datenvorbereitung Web logs (als Datengeneratoren) müssen evaluiert werden - real timeWeb logs (als Datengeneratoren) müssen evaluiert werden - real time
Geschwindigkeit (Umsetzung in Geschäftsprozesse)Geschwindigkeit (Umsetzung in Geschäftsprozesse) In kurzen Zyklen sich verändernde Daten erfordern zeitgerechte UmsetzungIn kurzen Zyklen sich verändernde Daten erfordern zeitgerechte Umsetzung Analytische Systeme duplizieren Daten, sind Resourcen-intensiv und schwer integrierbarAnalytische Systeme duplizieren Daten, sind Resourcen-intensiv und schwer integrierbar
Predictive Analytics für jedermann?
Nur wenige Projekte rechtfertigten Einsatz/Kosten von traditionellen Verfahren/ToolsOft wurden (wenige) Modelle umgesetzt und Jahre lang (unverändert) genutzt
Traditioneller Data Mining Ansatz
3 Weeks
Select Variables Understand
Bus
ines
s Q
uest
ion
Apply Prepare Data Build Model Test Model
Our company builds hundreds of predictive Our company builds hundreds of predictive models in the same time we used to build one.models in the same time we used to build one.
KXEN allows us to save millions of dollars KXEN allows us to save millions of dollars with more effective campaigns with more effective campaigns
Financial Industry CustomerFinancial Industry Customer
Traditionell
KXEN Ansatz
3 Hours
Bus
ines
s Q
uest
ion
Bui
ld M
odel
Und
erst
and
App
ly
mit KXEN
Was ist neu?
SRM = Qualität + Zuverlässigkeit + Geschwindigkeit
SRM erspart 3 entscheidende SchritteSRM erspart 3 entscheidende Schritte Nutzung aller verfügbaren VariablenNutzung aller verfügbaren Variablen Automatisierte DatenvorbereitungAutomatisierte Datenvorbereitung
Variablen-Decodierung – Variablen-Decodierung – Nominal, Ordinal, ContinuousNominal, Ordinal, Continuous
Handling von FehlwertenHandling von Fehlwerten Erkennen von AusreisserwertenErkennen von Ausreisserwerten Zieloptimierte Gruppierung – Zieloptimierte Gruppierung – Sinnvolle WertebereicheSinnvolle Wertebereiche Ereignisbezogene Aggregation – Ereignisbezogene Aggregation – Zeit, Wert, SequenzZeit, Wert, Sequenz
Automatisierter Modell-TestAutomatisierter Modell-Test
Select Variables Prepare Data Build Model Test Model
Die analytische Lücke
ModelingData Prediction
5 Statisticians 10 Questions
OLAP Manual Data Exploration
Query & ReportingData Aggregation and Summarization
10,000’s Business Users 10,000’s Questions
KXEN-Integration ins gesamte Unternehmen
Kiosk Web Phone POS Call Center Email Mail
ExploratoryModels
Production Models
OutboundProductRecom-
mendationCross-sell
Up-sellCampaign Managem.
Feedback
Order
ChurnPrevention
FraudDetection
RiskAnalysis
DemandForecast
ChannelOptimizat.
Inbound
Data Warehouse
ExternalData
Offer
LifestyleLife-stage
Segmen-tation
Lifetime Valuation
CustomerTouch-Points
Example: CRM
KXENAnalytic
Framework
Data Manipulation
DataPreparation
DataModeling
ModelDeployment ProductionData
Access
ConsistentCoderK2C
Event LogKEL
SequenceCoderKSC
Time SeriesKTS
RobustRegression
K2RSmart
SegmenterK2S Model
ExportKMX
Scoring Scoring C, JAVA, VB, SAS, HTML, XML …
SQLUDFPMMLJAVA …
37383940414243444546
price promo place product
455 23456 13457 235458 38
REPORT
Exploration
Association RulesKAR
RDBMS Oracle, Teradata, DB/2, MS, IBM Informix ...
Text Filescsv, txt, tab …
NativeSAP BW, SAS, SPSS, Excel …
LIFE DEMO - American Census
Business Case:Business Case: Who in my dB is earning more than $50K and what are the important criteria?
Available Information:Available Information:– UCI UniversityUCI University– International BenchmarkInternational Benchmark
Dataset:Dataset:– 4848 000 Records 000 Records– 1155 attributes attributes– 24% of responders24% of responders
SearsSearsWal-MartWal-MartBottega VerdeBottega VerdeAC NielsenAC NielsenMicrosoft EuropeMicrosoft EuropeID AnalyticsID AnalyticsEarthlinkEarthlinkLa PosteLa PostePowerGenPowerGenPfizerPfizerVeolia WatersVeolia WatersebayebayNFONFO
Handel u.a.Handel u.a.
E*TradeE*TradeWashington MutualWashington MutualJP Morgan ChaseJP Morgan ChaseFidelityFidelityBarclaysBarclaysLloyds TSBLloyds TSBSociété GénéraleSociété GénéraleSocredoSocredoBank Austria Bank Austria DisbankDisbankCrédit LyonnaisCrédit LyonnaisGreat Eastern LifeGreat Eastern LifeInsuranceInsurance
FinanzwesenFinanzwesen
AT&TAT&TBell CanadaBell CanadaCingularCingularChina TelecomChina TelecomMCIMCICox Com.Cox Com.PCSPCSFrance TelecomFrance TelecomOrangeOrangeSwisscomSwisscomBelgacomBelgacomVodafone D2 Vodafone D2 WanadooWanadoo
TelekommunikationTelekommunikation
KXEN-Referenzen
F & A
Proof of Value (PoV) für IUG-Mitglieder
Aufgabenstellung definierenTermin vereinbaren
PoV durchführenkostenfrei
Aufwand: 3 - 4 Std.
Anruf (+49-40-2388 1740) odereMail ([email protected]) genügt
