Data driven. AI based. People minded - pmOne
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Data driven. AI based. People minded.
PMONE
Dr.-Ing. Stefan Balke Norman Hofer
Team Lead Senior Data Scientist
Data Science Community
stefan.balke@pmone.com norman.hofer@pmone.com
2
DATAdriven.AIbased.PEOPLEminded.
Ihr Data & Analytics Partner
in Deutschland, Österreich und der Schweiz
Hamburg
Berlin
Paderborn
Chemnitz
Gegründet 2007 130 Mitarbeiter 9 Standorte Köln
600+ München
Full-Stack MS Worldwide Wien
Data & Analytics Partner of the Year
Partner Kunden 2018
Zürich
Sofia
3
WE ARE BIG IN DATA
World Class Enterprise Data Management & Analytics
Wie können wir unterstützen? Cross Functional Teams
Consulting Data Engineers
Coaching Data Scientists
Managed Services Data Analysts
4
DAS PMONE OFFERING!
Full-Stack Data & Analytics Partner
Überall wo Daten sind, unterstützen wir Sie!
Customer Analytics | Industrial Analytics | Finance Analytics
Data Data Data CPM
Management Visualization Science
▪ Modern DWH ▪ Custom BI ▪ Advanced Analytics ▪ Finance Close &
▪ Analytics Platform ▪ Reporting ▪ Predictive Analytics Disclosure Process
▪ Data Governance ▪ Self-Service BI ▪ Prescriptive Analytics ▪ Group Consolidation
▪ Master Data Mgmt. ▪ Dashboarding ▪ Machine Learning ▪ Corporate Planning
▪ Data Architecture & ▪ Visualization ▪ Artificial Intelligence ▪ Driver Analysis &
Integration Simulation
Data & IT Strategie
5
5
ANALYTICS ON MSFT AZURE ADVANCED SPECIALIZATION
#analyticsfirst
"Die Auszeichnung „Analytics on Microsoft Azure Advanced Specialization“ ehrt Partner mit der höchsten
Qualifikation für den Aufbau von transformativen und sicheren Analytics-Lösungen auf Azure. Die pmOne Group
hat uns deutlich gezeigt, dass sie sowohl die Fähigkeiten als auch die Erfahrung hat, unsere Kunden mit einer
skalierbaren, sicheren und kostengünstigen Lösung bei der Transformation zu unterstützen, damit sie wertvolle
Erkenntnisse aus ihren Daten gewinnen können“.
Gabriella Schuster, Corporate Vice President, One Commercial Partner (OCP) at Microsoft Corp 6
MICROSOFT EXPERTISE @ PMONE >70 Zertifikate
seit 2020
Lebenslanges Lernen!
Als Dienstleister sind wir uns darüber bewusst, immer am Puls der Zeit sein zu müssen.
Deswegen arbeiten wir eng mit Microsoft zusammen, nutzen stets die neusten
7
Technologien und fördern unsere Berater beim Erwerb von Schlüsselqualifikationen.
NEUKUNDENGEWINNUNG
Mit Künstlicher Intelligenz Neukunden gewinnen
8
NEUKUNDENGEWINNUNG
Aller Anfang ist schwer, oder?
• Akquise von neuen, branchenrelevanten Kunden
ist ein mühseliger Prozess
• Salesteam sollte eher beim Kunden sein, als neue
ausfindig mach zu müssen!
Idee:
• Relevante Informationen sind meistens auf den
Firmenwebsites zu finden:
→ Gestützt durch maschinelles Lernen potenzielle
Kunden anhand ihrer Website identifizieren!
Methode:
Natural Language Processing (NLP)
9
SCHRITT 1: WEBSITE CRAWLING
www.website1.co.uk
www.website2.com
www.website3.de
…
Crawling
DB
10NLP SCHRITTE
Vorverarbeitung
The quick brown Fox jumps over the lazy Dog
11NLP SCHRITTE
Lowercasing
the quick brown fox jumps over the lazy dog
12NLP SCHRITTE
Stopwörter ersetzen
Ersetze „the“ durch „W“ (oder komplett löschen)
W quick brown fox jumps over W lazy dog
13MASCHINELLES LERNEN
Excel
Crawling
NLP
DB
14
NLP = Natural Language ProcessingMASCHINELLES LERNEN
Wortvektor erstellen
W quick brown fox jumps over W lazy dog
W→0
dog → 1
over → 2
lazy → 3
brown → 4
jumps → 5
fox → 6 15
Dictionary (e.g., word2vec) quick → 7MASCHINELLES LERNEN
Wortvektor erstellen
W quick brown fox jumps over W lazy dog
0 7 4 6 5 2 0 3 1
W→0
dog → 1
over → 2
lazy → 3
brown → 4
jumps → 5
fox → 6 16
Dictionary (e.g., word2vec) quick → 7MASCHINELLES LERNEN
Use Cases
0 6 2 0 6 0 0
7
4
3
4
1
0
2
3
3
4
7
4
2
3 • Sentiment analysis
6
5
6
2
6
0
1
4
6
2
6
5
1
4
• News Retrieval
2 3 3 5
3
3
4
2 5 • Topic Modelling
0 4 4 0 3
3 5 5 6 5 3 6 • Relevance Rating
1 6 3 5 6 1 5
NLP
17MASCHINELLES LERNEN
• Der ML Algorithmus benötigt nun die Information, welche Samples gut und schlecht sind.
• Supervised ML (ähnlich wie Regression, nun aber mit 2 Klassen) wird verwendet.
• Einmal trainiert kann das Modell auf unbekannte Daten angewandt werden.
18NEUKUNDENGEWINNUNG FÜR EINEN MARKTFÜHRER
Erfolgreiche Identifikation von 4.600 potenziellen Neukunden in 10 Projettagen!
Der Kunde:
Ein Marktführer im Bereich erneuerbare Energien und Gebäude Services
19DIE LÖSUNG
Eine Kombination aus Machine Learning & AI + interaktivem Dashboard
Anzahl identifizierter Individuell gestaltbare,
potentieller Neukunden interaktive Filter-Optionen
Möglichkeit der
Kartendarstellung für
Wie interessant sind die operative Betrachtung
potentiellen Neukunden?
Kundenliste mit einem
per AI generierten KPI,
der ausdrückt, wie
interessant ein jeder
potentieller Neukunde ist
20QICK FACTS & BENEFITS
Kurze Projektlaufzeit & schnelle Amortisation
Quick Facts & Benefits:
• Wir stecken gemeinsam potenziell interessante
Datenquellen ab
• Wir bauen und trainieren ein Machine Learning Modell,
das potentiell interessante Kunden „erlernt“ zu erkennen
• Wir erzielen schnelle Ergebnisse und nehmen Sie
in iterativen Zyklen stets mit ins Boot
• Kurze Projektlaufzeit durch unseren fundierten
Erfahrungsschatz auf diesem Gebiet
• Schnelle Rentabilität des Projektes:
Realisieren Sie eine Hand voll Kunden und das Projekt
hat sich amortisiert
Die Datengrundlage:
per Webcrawling automatisiert extrahierte
Inhalte von tausenden von Webseiten
21WAS KOMMT DANACH?
22NEUKUNDENVERFEINERUNG
Vorgehen
• Aktuelle Stände werden von den Neukundenwebseiten zwischengespeichert
• Zwei Ansätze werden für die Verfeinerung verfolgt:
• Neutrainieren des Modells:
Modell wird mit neuer Positivkundenliste trainiert und somit der Trainingsdatenbestand erweitert.
• Verfeinerung durch Suchvergleiche:
In der Liste der Neukunden werden Kunden gesucht, die zur Positivliste ähnlich sind.
Zusammen mit der Modellprognose können somit vormals “uninteressante” Kunden weiter nach
oben in der Liste rücken.
• Die Erweiterung mittels einer Kundensegmentierung der Bestandskunden wäre der nächste Schritt,
weitere Daten mit in die Vergleiche einzubeziehen und die Ergebnisse besser zu machen.
23NEUKUNDENVERFEINERUNG
Positivkunden Neukunden
Vergleichen
PK A NK A
NK A
NK B
PK B PK A NK B
NK C
PK C NK C
24BESTANDSKUNDENSEGMENTIERUNG
Die eigene Kundenbasis besser verstehen!
• Bestandskunden werden in bspw. 5 ähnliche Kundensegmente geteilt
• Jedes Segment kann semantisch beschrieben werden (z.B. Vielkäufer, Saisonkäufer, etc.)
• Dadurch wird eine große Kundenbasis “greifbarer” für Marketing- und Vertriebskampagnen 26BESTANDSKUNDENSEGMENTIERUNG
S1 Segmentzuordnung
NK A
S2
NK B
S3
NK C
S4 Neukunden werden den
Bestandskundensegmente
n S1-S4 zugeordnet.
27VERGLEICH
Semantisch
• Vergleich von Neukunden zu Bestandskunden:
• Vertrieb bekommt lediglich gerankte Liste pro Kunde
• Mitunter sehr unübersichtlich
• Vergleich Neukunden zu Segmenten:
• Vertrieb bekommt ähnliches Segment
• Zum Segment existiert Beschreibung (z.B. Segment 1 sind A-Kunden)
• Gezieltere Ansprache des potenziellen Neukunden möglich
28ZUSAMMENFASSUNG
Weitere Termine
Quick Facts & Benefits:
23.04.2021: Webinar
• Wir stecken gemeinsam potenziell interessante Planung mit Power BI
Datenquellen ab 28.04.2021: Online Schulung
Analytics in a Day (Azure Cloud)
• Wir bauen und trainieren ein Machine Learning Modell, 30.04.2021: Webinar
das potentiell interessante Kunden „erlernt“ zu erkennen Digital Shopfloor Mgmt.
• Wir erzielen schnelle Ergebnisse und nehmen Sie 05.05.2021: Online Schulung
Dashboard in a Day (Power BI)
in iterativen Zyklen stets mit ins Boot
06.05.2021: Webinar
• Kurze Projektlaufzeit durch unseren fundierten KI im Marketing
Erfahrungsschatz auf diesem Gebiet 06.05.2021: Vortrag
Azure Percept @ Telekom CSP
• Schnelle Rentabilität des Projektes:
07.05.2021: Webinar
Realisieren Sie eine Hand voll Kunden und das Projekt RPA Robotic Process Automation
hat sich amortisiert
12.05.2021: Webinar
MDM in der Cloud
29ZUM NACHLESEN
Für Sie auf den Punkt gebracht.
https://www.pmone.com/pmone-magazin- https://www.pmone.com/pmone-magazin-
beitraege/customer-mining/ beitraege/customer-analytics/
30IHRE ANSPRECHPARTNER
Kommen Sie gerne auf uns zu!
Dr. Stefan Balke
Team Lead Data Science
Stefan.Balke@pmOne.com
+49 1514 6467022
Norman Hofer
Senior Data Scientist
Norman.Hofer@pmOne.com
+49 1511 5143414
31
pmOne GmbH • Barthstr. 2-10 • D – 80339 MünchenSie können auch lesen
