Smart Data bei der Berliner Sparkasse - Dr. Matthias Nolte Leiter Business Intelligence Services 25.02.2015
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Smart Data bei der Berliner Sparkasse Dr. Matthias Nolte Leiter Business Intelligence Services 25.02.2015
Inhalt
1 Begriffsabgrenzung SMART Data
2 Strategie als Startpunkt
3 Metriken und Daten
4 Aufbau von Analytik
5 Reporting Results
6 Transform Business
Smart Data in der Berliner Sparkasse 25.02.2015 -2-
BIG DATA – kein weiterer Versuch der Definition
Timo Elliot´s Opentracker
Business Analytics Blog
1 Definition 7 Definitionen 30+ Definitionen
Es gibt schlichtweg zu viele Definitionen und jeder hat wahrscheinlich Recht
http://en.wikipedia.org/wiki/Big_data http://www.opentracker.net/article/definitions-big-data
http://timoelliott.com/blog/2013/07/7-definitions-of-big-data-you-should-know-about.html
Smart Data in der Berliner Sparkasse 25.02.2015 -3-
„Smart“ als Vorgehensmodell unserer Analytischen Weiterentwicklung
Volume Datenmanagement
Variety
Datenintegration
Qualität
mart Data
S Start with Strategy
Velocity Anreicherung
Konkrete M Measure Metrics and Data
Adressierung
Governance der relevanten
A Apply Analytics
Veracity Facetten R Reporting Results
(Ad hoc) Analytics
T Transform Business
Visualisation Tools in loser Anlehnung an Bernhard Marr
Applikationen
Value
Smart Data in der Berliner Sparkasse 25.02.2015 -4-
Inhalt
1 Begriffsabgrenzung SMART Data
2 Strategie als Startpunkt
3 Metriken und Daten
4 Aufbau von Analytik
5 Reporting Results
6 Transform Business
Smart Data in der Berliner Sparkasse 25.02.2015 -5-
Strategie SMART
Vision? Mission?
Wie komme ich Was sind die theoretischen
zu einer Strategie? nächsten Entwicklungsschritte?
Wo stehen wir? Was sind die tatsächlichen
Entwicklungslinien?
Was tun wir NICHT?
Smart Data in der Berliner Sparkasse 25.02.2015 -6-
Maturity Assessments zur Standortbestimmung – die Qual der Wahl SMART
z.B. für BI TDWI Big Data Maturity Assessment Maturity Awareness
Steria Mummert biMA
• BI- Maturity
• Big Data &
Analytics Maturity
Andere Beratungsgesellschaften + jeder namhafte
Software-Hersteller, hier z.B. SAP
Ableitung der theoretischen
nächsten Entwicklungsschritte
Smart Data in der Berliner Sparkasse 25.02.2015 -7-
Tatsächliche Entwicklung ist häufig determiniert durch drei Faktoren SMART
Am Anfang steht üblicherweise ein Use Case !
Use Cases
In Kombination mit den
vorhandenen/aufzubauenden
• Skills
Skills Metriken/Daten/
• Technogien/Daten/Metriken
Technologien
ergeben sich dann die konkreten
Entwicklungslinien.
Shift nötig! Shift nötig!
Smart Data in der Berliner Sparkasse 25.02.2015 -8-
Inhalt
1 Begriffsabgrenzung SMART Data
2 Strategie als Startpunkt
3 Metriken und Daten
4 Aufbau von Analytik
5 Reporting Results
6 Transform Business
Smart Data in der Berliner Sparkasse 25.02.2015 -9-Aktueller Change-Auftrag Inhouse:
Optimierung der gesamten BI-Architektur, Reduktion der Komplexität S MART
Addressiert aktuell ausschließlich die Dimensionen Volume und Variety
Analytisches Ökosystem
BI-Nutzungsschicht
Daten-
Drehscheiben-
Funktion
BI-Funktionen
-Governance
Information
Datenvirtualisierung
Analy-
tisches
Labor
Komplexe
Event- DWH-Komponenten
Steuerung
Datenquellen
BI-Systeme vor Change
Vgl. Analytical Ecosystem of the Future, Steria Mummert Consulting
Horizontale und vertikale Integration
vorhandener BI-Lösungen sowie
Füllung der „weißen Flecken“
Smart Data in der Berliner Sparkasse 25.02.2015 - 10 -“Managed Data” bekommt unter Big-/Smart-Data-Gesichtspunkten
einen anderen Stellenwert S MART
Neue Fragestellung:
Tools für
Predictive Statistik Predictive Data
Predictive
Analytics Modeling Mining
Analytics Wenn insbes.
Velocity und Veracity
informationen
BI Suite
Mangement-
Business Metadaten-Ebene
Intelligence (alle Daten auswertbar) Analysen, Qualitätssicherung,
Redaktion, Reports, für uns ein Thema werden,
Dashboards müssen wir die Architektur
anpassen?
Business
Warehouse Managed Data (100% korrekt)
kontinuierlich, “trusted” “trusted enough?”
Golden Source
Relevante Rohdaten (100% vollständig)
daten
Roh-
Operative Abwick-
OSPlus CRM FIBU Kosten Risiko
Systeme ... lung
Smart Data in der Berliner Sparkasse 25.02.2015 - 11 -Use Case: Prognose von Produktaffinitäten Use Cases
Metriken/
Skills Daten/
Individual-Ansprache Technologie
Hebung von Cross-/Up-Selling - Potenzialen:
Im Zuge des telefonischen Kundenkontakts (In-/Outbound) soll der
Kundenbetreuer eine aktuellen Hinweis auf potentielle Cross-/Up-Selling
Produkte erhalten, für die der Kunde aufgrund seines Profils eine besonders
hohe Affinität aufweist und damit eine hohe Abschlusswahrscheinlichkeit
besteht.
Kampagnen-Ansprache
Optimierung von Produkt - Kampagnen:
Im Rahmen von Produktkampagnen sollen vorrangig Kunden mit einer
hohen Affinität zum Kampagnenprodukt angesprochen werden, um
einerseits den Ansprachefehler zu minimieren und andererseits bei
Kurzfristziel im Projekt (2014):
gleichzeitiger Reduktion des monetären und personellen
Kampagnenaufwandes den Kampagnenerfolg zu erhöhen. Lauffähiger Prototyp für 10
priorisierte Verkaufsereignisse
Smart Data in der Berliner Sparkasse 25.02.2015 - 12 -Zukunftsorientierte Prognosemodelle: Use Cases
Weiterentwicklung der klassischen BI
Metriken/
Skills Daten/
Technologie
Bis 2014 gab es keine vom BICC
Hoch
zentral bereitgestellte Technologie
für Predictive Analytics.
Shift nötig!
Komplexität
Prognose
Analytische Komponente
Was könnte
Monitoring passieren? Predictive Analytics
Was
Analyse passiert
aktuell? Dashboards,
Warum
ist es
Scorecards
Exploration, Klassische
passiert?
Reporting Visualisierung BI
Was ist Queries,
passiert? Reportings
Niedrig Business Value Hoch
analog: TDWI
Smart Data in der Berliner Sparkasse 25.02.2015 - 13 -Skills: It´s time we face reality….. Use Cases
Metriken/
Skills Daten/
Technologie
Skill-Shift nötig!
Aber wir zielen nicht auf den
„Modern Data Scientist“ ab!
vs.
Smart Data in der Berliner Sparkasse 25.02.2015 - 14 -Erweiterung des Analytischen Ökosystems S MART
Notwendiger Shift wurde durch Technologie-
Investition eingeleitet.
Use Cases
1. Toolevaluierung
2. Auswahl von SAP InfiniteInsight Ende
2013
3. Technischer POC
4. Fachlicher POC unter „Livebedingungen“
Anfang
Skills Metriken/Daten/ 5. Investitionsentscheidung 2014
Technologien 6. Prototypische Modellierung anhand Herbst
2014
erster Testkampagne
7. Produktion in Linie 2015
Smart Data in der Berliner Sparkasse 25.02.2015 - 15 -Was war für uns bei SAP Infinite Insight entscheidend? S MART
Einfache Bedienung Gute Visualisierung
• Drag & drop für Datenselektion, • Vielfältige Visualisierungsmöglichkeiten
Anreicherung, Processing • Drillbar
• Fördert kollaboratives Modelling • LUMIRA Library
• Geeignet für Business
Analysten
Support für R
• Problemlose Einbindung
• 12 R Algorithmen bereits beinhaltet
Umfangreiche • Breite Community: 3,500+ R Libraries
im Netz
Modellierungs-Funktionen
• Classification
• Regression
• Anomaly Detection
Integration
• Attribute Importance • Sybase IQ - DB
• Association Rules • Einfache Kommunikation mit
• Clustering SAP BO-Content
• Feature extraction
Smart Data in der Berliner Sparkasse 25.02.2015 - 16 -Inhalt
1 Begriffsabgrenzung SMART Data
2 Strategie als Startpunkt
3 Metriken und Daten
4 Aufbau von Analytik
5 Reporting Results
6 Transform Business
Smart Data in der Berliner Sparkasse 25.02.2015 - 17 -Modellierung mit InfiniteInsight SM ART
Modellentwicklung (Vertriebs-)
DWH
SAP InfiniteInsight
Modelle werden iterative erstellt, ohne dass der User
statistisches Spezialwissen besitzen muss ->
Toolunterstützter, automatisierter Prozess
Zur Validierung der Modell-Güte und –Robustheit
werden die Kennziffern KI und KR herangezogen.
KI (KXEN Information Indicator)
misst den Erklärungsgehalt der Inputvariablen
in Bezug auf die Zielvariable
Werte von 0 (kein Einfluss) to 1 (ideales Modell)
KR (KXEN Robustness Indicator)
misst die Fähigkeit des Modells dieselbe Prognosegüte
bei neuen Daten wie im Trainings-Set zu erreichen
Werte liegen zwischen 0 und 1,
Modellgüten über 0.95 werden als “gut” eingestuft
Smart Data in der Berliner Sparkasse 25.02.2015 - 18 -Ergebnis: Kunden-Produkt-Matrix SM ART
Kunde 4713 hat für das
Produkt-Kampagne Verkaufsereignis (VE) 4 in
Im Rahmen der den nächsten 3 Monaten einen
Kampagne für P-Score von 0,46
Produkt (VE) 2 (nicht zu verwechseln
werden die Kunden
mit den höchsten mit Abschlusswahrscheinlichkeit !)
P-Scores
angesprochen.
P-Scores VE 1 VE 2 VE 3 VE 4 VE 5 … VE 10
Kunde 4711 0,085 0,047 0,023 0,077 Nutzer 0,216
Kunde 4712 0,321 0,462 Nutzer 0,184 0,114 0,512
Kunde 4713 Nutzer 0,147 0,731 0,460 0,657 0,302
Kunde 4714 0,315 Nutzer 0,788 0,268 0,199 0,001
Kunde 4715 Nutzer 0,24 0,055 Nutzer 1,132 0,479
Im In-/Outbound-
Gespräch wird der Kunde 4716 0,68 0,017 0,671 0,148 0,628 Nutzer
Ansprache
Ad-hoc-
Kunde 4717 auf
das/die Produkt/e Kunde 4717 0,34 0,083 0,440 0,287 Nutzer 0,075
(VE) mit den
höchsten P-Scores Kunde 4718 0,54 0,97 0,267 0,050 0,128 0,241
angesprochen.
Kunde 4719 1,92 1,72 Nutzer 0,096 0,771 0,610
Kunde 4720 0,82 0,55 0,312 0,145 0,009 0,263
VE = Verkaufsereignis
Smart Data in der Berliner Sparkasse 25.02.2015 - 19 -Analyse-Prozess und fachliche Folgeprozesse SM ART
Sparkassenindividuelle BI Sparkassen-Standard
ERP CRM
BI Dashboards Applikationen Kontaktdaten
(Vertriebs-)
oCRM DWH
Kunden,
Konten, Marketing
WEB SAP InfiniteInsight Automation
Trans- Kontaktdaten
aktionen SAP Predictive Analysis
… Predictive Analytics
Closed loop
• Analytische Unterstützung des operativen Vertriebs
• Systematische Analyse der Vertriebsereignisse
• Rückspielen der Kontaktdaten in das Vertriebs-DHW
zur verbesserten Analyse und Optimierung der Modelle
Steigerung von
Vertriebseffizienz und Profitabilität
Smart Data in der Berliner Sparkasse 25.02.2015 - 20 -Inhalt
1 Begriffsabgrenzung SMART Data
2 Strategie als Startpunkt
3 Metriken und Daten
4 Aufbau von Analytik
5 Reporting Results
6 Transform Business
Smart Data in der Berliner Sparkasse 25.02.2015 - 21 -„Report the Results“ SMA RT
466 63 Kunden mit Abschluss
Kunden ( = 13,5 %)
ohne
Produkt-
affinitäts-
403 Kunden ohne Abschluss
2.017 Score
( = 86,5 %)
Kunden
ange- Grundgesamtheit der Analyse
sprochen 1.551 306 Kunden mit Abschluss
Kunden ( = 19,7 %) Im Durchschnitt ist bei jedem
5. Kampagnenkunden (19,7%)
mit
ein Abschluss erfolgt (Random).
Produkt-
affinitäts- 1.245 Kunden ohne Abschluss
Score ( = 80,3 %)
Smart Data in der Berliner Sparkasse 25.02.2015 - 22 -„Kumulierte Abschlußquoten vs. Random“ SMA RT
60%
Kumulierte Abschluss-Quote
50%
39,6%
40%
30% Kampagne
20% Random
„Top 122-Kunden“
10%
0%
0 200 400 600 800 1000 1200 1400 1600
Anzahl Kampagnenkunden
Smart Data in der Berliner Sparkasse 25.02.2015 - 23 -Gain-Chart zur Abbildung der Prognosegüte SMA RT
Kumulierte Abschluss-Quote 350
300
100%
250
200
40%
150
100
50
0
0 200 400 600 800 1000 1200 1400 1600
Anzahl Kampagnenkunden
Wizard (grüne Linie) entspricht einem „optimalen Modell“. Der Informationsgewinn des Wizards
ggü. dem Zufall (rote Linie) ist maximal (100%). Der Informationsgehalt des tatsächlichen
Modells (blaue Linie) ggü. dem Zufall liegt bei 40%.
Smart Data in der Berliner Sparkasse 25.02.2015 - 24 -Inhalt
1 Begriffsabgrenzung SMART Data
2 Strategie als Startpunkt
3 Metriken und Daten
4 Aufbau von Analytik
5 Reporting Results
6 Transform Business
Smart Data in der Berliner Sparkasse 25.02.2015 - 25 -Leistet Predictive Analytics einen Beitrag zur Business Transformation? SMAR T
Analytische Untestützung “Sinnvolle Unterstützung der Saleseinheit” ,
ist im Vertrieb gut angekommen “Können wir die einzelnen Treibergrößen sehen?”,
“In den kommenden Kampagnen beschränken wir
uns auf hohe P-Scores”
Reorganisation des bisherigen
Kampagnenprozesses denkbar.
Zukünftige Kundensegmentierung
nach Produktaffinitäten(Cluster)?
Ausweitung des Verfahrens auf weitere
Unternehmeneinheiten und Kundengruppen.
Einfache Antwort: Ja !
Smart Data in der Berliner Sparkasse 25.02.2015 - 26 -Kampagnen können hinsichtlich Vertriebszeit effizienter und hinsichtlich
des Kampagnenerfolges effektiver gestaltet werden. SMAR T
Bei gleicher Vertriebszeit können 70% mehr
Kampagnen-Abschlüsse generiert werden
(z.B. durch 3 parallele, gleichartige Kampagnen)
Bei gleicher Vertriebszeit können 50% mehr
Kampagnen-Abschlüsse generiert werden
(z.B. durch 2 parallele, gleichartige Kampagnen)
350
Kumulierte Abschluss-Quote
300
250
200
Mit der Hälfte der Vertriebszeit können 75% der
150 Kampagnen-Abschlüsse generiert werden.
100
Mit einem Drittel der Vertriebszeit können 50% der
50 Kampagnen-Abschlüsse generiert werden.
0
0 200 400 600 800 1000 1200 1400 1600
Anzahl Kampagnenkunden
Smart Data in der Berliner Sparkasse 25.02.2015 - 27 -Good Practice SMAR T
Was ist das Ziel von Predictive Häufig wird behauptet, dass mittels PA unbekannte
Analytics? Zusammenhänge aufgedeckt werden sollen. M.E. geht es primär
darum, bekannte Zusammenhänge präziser zu quantifizieren, als
dass über “Expertenschätzungen” gemacht werden kann.
-> Zuerst das Bekannte, danach das Unbekannte!
Vorhersagen für das Entwickeln Sie Modelle für vorhersagbare Phänomene!
Vorhersagbare ! Predictive Analysis sollte die “signal-to-noise-ratio” verbessern,
dennoch braucht man ein “Signal”.
Experientieren Sie! Wenn Sie noch nie gescheitert sind, haben Sie zu wenig
experimentiert! Verbessern Sie permanent Ihre Modelle.
A/B Tests sind lediglich der Start.
Stellen Sie den Value Added Im CRM zählt der “uplift”:
sicher! Abschlussquote der Kampagne minus Abschlussquote der
Kontrollgruppe.
Smart Data in der Berliner Sparkasse 25.02.2015 - 28 -Good Practice SMAR T
Vermeiden Sie Auch die beste Analyse eliminiert nicht das Risiko von
“Paralyse durch Analyse” Fehlentscheidungen.
Bauen Sie CRM erfordert häufig schnelle Lösungen.
Langfristlösungen! Arbeiten Sie aber frühzeitig an einer Langfristlösung.
Automatisieren Sie! Viele Dinge können und sollten automatisiert werden.
Balancieren Sie die Trusted Data ist die Basis guter Analytik. Bleiben Sie pragmatisch.
Datenqualität aus 100%-ige Datenqualität kann “teuer” sein.
Keep It Simple Starten Sie mit 100 Variablen, die Ihnen am wichtigsten erscheinen.
Wählen Sie Variablen aus, die für die meisten Datensätze vorliegen..
Liefern Sie regelmäßig Entwickeln Sie Ihre Modelle in verlässlichen Entwicklungszyklen.
Liefern Sie stets verbesserte neue Versionen aus:
Neue Modelle, Inputvariablen, Targets.
„Next best Question“? Finden und beantworten Sie die nächste geschäftsrelevante
Fragestellung.
Smart Data in der Berliner Sparkasse 25.02.2015 - 29 -Sie können auch lesen
