planning, analytics und reporting … analytics und... · planning, analytics und reporting –...
TRANSCRIPT
PLANNING, ANALYTICS UND REPORTING –LÖSUNGSBEISPIELE AUS DER PRAXIS AUF
BASIS DER IBM BI PRODUKTPALETTE
STUTTGART, 9. JUNI 2016
DIRK ZAYKO, DIREKTOR BUSINESS INTELLIGENCE
AGENDA1. EINLEITUNG• 1.1 KURZVORSTELLUNG
2. PRAXISBEISPIELE BI• 2.1 HR• 2.2 TELEKOMMUNIKATION• 2.3 PRODUKTBESTAND• 2.4 WERBEKOSTEN• 2.5 FINANZBERICHT• 2.6 PERSONALBESCHAFFUNG• 2.7 EINNAHMEN
3. PRAXISBEISPIELE SPSS MODELER• 3.1 CROSS SELLING• 3.2 PREISDEFINITION AUF BASIS VON
WETTBEWERBSDATEN• KÜNDIGUNGSPROGNOSE• ZEITREIHE AUTOUNFÄLLE
4. FRAGEN & FEEDBACK
1.1 KURZVORSTELLUNG
NATALIYA DOLOKA –CONSULTANT BUSINESS INTELLIGENCE
Alter 30 Jahre
MBA Marketing Managenent
2014 - 2015
Vivaki – Projektmanegerin BI
Seit 2015
CENIT AG – Consultant Business Intelligence
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 3
1.1 KURZVORSTELLUNG
DIRK ZAYKO –DIREKTOR BUSINESS INTELLIGENCE
Alter 50 Jahre
Dipl.-Ing. (Univ.) Maschinenbau
1998 – 2007
MIS / INFOR – Leiter Consulting
2007 – 2011
Braincourt GmbH – Niederlassungsleiter
2011 – 2014
avantum consult AG – Senior Manager
Seit 2014
CENIT AG – Direktor Business Intelligence
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 4
IBM COGNOS PRODUKTPALETTE
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 5
Finden Sie Anregungen für Ihre Reports aus unseren Praxisbeispielen!
2.1.1 HR – KÜNDIGUNGSPROGNOSE STARTSEITE
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 6
2.1.2 HR – AUSWIRKUNG HARTER FAKTOREN AUF KÜNDIGUNG
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 7
2.1.3 HR – 1.2 ZUSAMMENHANG ARBEITSERFAHRUNG KÜNDIGUNG
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 8
2.2.1 CRM – DASHBOARD TELEKOMMUNIKATION
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 9
2.2.2 CRM – DASHBOARD TELEKOMMUNIKATION KÜNDIGUNG
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 10
2.2.3 CRM – DASHBOARD CROSS SELLING
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 11
2.3.1 PRODUKTBESTAND (1)
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 12
2.3.2 PRODUKTBESTAND (2)
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 13
2.4 WERBEKOSTEN VS. EINNAHMEN
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 14
2.5.1 FINANZBERICHT STARTSEITE
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 15
2.5.2 FINANZBERICHT BILANZ
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 16
2.5.3 FINANZBERICHT GUV
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 17
2.6 PERSONALBESCHAFFUNG
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 18
2.7 EINNAHMEN
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 19
Fallbeispiel 1:
Cross-Selling
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 20
FALLBEISPIEL 1
Ziel: Analyse von Cross-Selling-Möglichkeiten für verschiedene Zielgruppen
Fragen:
• Welche Produkte werden am häufigsten zusammen verkauft?
• Welche Kundentypen kaufen bestimmte Produktkombinationen am häufigsten?
• Wie hoch ist die Wahrscheinlichkeit, dass ein bestimmter Kunde das Produkt B kauft, wenn er das Produkt A gekauft hat?
Fachbereiche: Produkt- (Bohrmaschine + Schleifer), Key-Account-Management, CRM, Marketing und Kommunikation (Operngänger, Weinverprobung), Vertrieb
Anwendungsbranchen: stationärer Einzelhandel (Rewe), Online-Handel, FMCG (Windeln), Telekommunikation, Bankwesen (Kredite)
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 21
AUSGANGSSITUATION
Datenquelle im Beispiel:
Lebensmitteleinzelhandel, Warenkorbanalyse
Dateninhalt:
• Kundendaten (z.B. Kunden-ID, Alter, Einkommen)
• Daten für bestimmte Warenkategorien (z.B. Wein, Tiefkühlprodukte)
Datenaufbau: 18 Felder, 1000 Datensätze
Datenformat: Textdatei
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 22
MODELLIERUNGSSCHRITTE
Den Daten wird eine Rolle zugewiesen.
Auswahl: nur Produkte
Die Daten werden aus einer Flatfile
geladen und gefiltert
1. Modell zeigt Zusammenhang zw.
Produkten
Nach der Erstellung des
1. Modells wird eine neue Spalte berechnet
Die Daten werden neu gefiltert und es werden neue Rollen zugewiesen
2. Modell definiert den Kundentypen, der eine
bestimmte Produktkombination
regelmäßig kauft
Grafische Unterstützung des 1.
Modells
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 23
ERGEBNIS 1: CA. 17% DER KUNDEN KAUFEN BIER ZUSAMMEN MIT TIEFKÜHL- ODER DOSENPRODUKTEN
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 24
ERGEBNIS 2: 83% DER MÄNNER MIT EINKOMMEN UNTER 16.100€KAUFEN BIER, DOSEN-, TIEFKÜHLPRODUKTE ZUSAMMEN
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 25
Fallbeispiel 2:
Wettbewerbsanalyse, Preissetzung
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 26
FALLBEISPIEL 2
Ziele: Preisdefinition auf Basis vorhandener Wettbewerbsdaten
Fragen:
• Welche Wettbewerbsprodukte sind einem bestimmten Produkt am ähnlichsten?
• Welche Kriterien sind am stärksten mit dem Preis verbunden?
• Welchen Preis kann ich für mein Produkt verlangen?
Fachbereiche: Produktmanagement, Preismanagement, Controlling (z.B. Umsatzplanung)
Anwendungsbranchen: herstellende Industrie
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 27
AUSGANGSSITUATION
Datenquelle im Beispiel:
PKW-Wettbewerbsdaten
Dateninhalt:
• PKW-Daten (Marke, Modell)
• Technische Features (PS, Breite, Motor-Größe, Kraftstoffmenge)
• Umsatz, Preis
Datenaufbau: 22 Felder, 159 Datensätze
Datenformat: SPSS-Statistics-Datei
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 28
MODELLIERUNGSSCHRITTE FÜR DIE PREISPROGNOSE
Preis wird als Zielwert definiert. Technische Features
- Prädikatoren
Daten werden aus einer SPSS-Datei
geladen
Der erwartete Preis wird zusätzlich zum
bekannten Preis berechnet
Es werden die Zahl der Nachbarn,
Berechnungswerte definiert
Daten ohne Preis werden geladen
Der erwartete Preis wird berechnet
Preis wird als Zielwert definiert. Technische Features
- Prädikatoren
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 29
Ansichtsmöglichkeiten im Nugget
DatensätzePKW-Bezeichnungen
ERGEBNIS 1: DEM NEUEN MODELL SIND SC, SL UND CIVIC AM ÄHNLICHSTEN
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 30
ERGEBNIS 2: PS-ZAHL HAT MIT ABSTANDDEN GRÖßTEN EINFLUSS AUF DEN PREIS
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 31
ERGEBNIS 3: AUF BASIS DER PRÄDIKATOREN UND DER PREISSETZUNG DER WETTBEWERBER SOLLTE DER PREIS FÜR EIN NEUES MODELL BEI 14.907 EURO LIEGEN
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 32
Fallbeispiel 3:
Kündigungsprognose
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 33
FALLBEISPIEL 3
Ziele: Kündigung für das aktuelle Halbjahr vorhersagen
Fragen:
• Wieviele Kunden werden in diesem Halbjahr insgesamt kündigen?
• Wer sind die Kündigungskandidaten?
• In wievielen Monaten wird ein Kunde kündigen?
Fachbereiche: CRM, Vertrieb, Key-Account-Management
Anwendungsbranchen: Telekommunikation, Banken (Kreditinteresse), herstellende Industrie
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 34
AUSGANGSSITUATION
Datenquelle im Beispiel:
Kundendaten eines Telefonanbieters
Dateninhalt:
Kundendaten (z.B. Alter, Einkommen)
Tarifdaten (z.B. kostenloser Anruf auf drei Nummern Ja/Nein)
Datenaufbau: 30 Felder, 1000 Datensätze
Datenformat: SPSS-Datei
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 35
MODELLIERUNGSSCHRITTE, BASIS
Daten aus SPSS geladen und Kündigung als Ziel
definiert
Monate seit dem Vertragsabschluss als Zeitvariable definiert
Sechs Monate als Prognosezeit eingestellt -> neue Spalten mit
Kündig. in jedem Monat entstanden
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 36
=S. 31
Beobachtungs-raum
Unbekannte Kündigungswerte auf 1
gesetzt
Positiv: Berechnet die Zahl der Kündigungen bei automatischer
Einstellung auf 0
Negativ: Berechnet die Zahl der Kündigungen bei Einstellung auf
1
Verbildet Datensätze
Wandelt die Spaltennamen in Monatszahlen um
Wandelt Monatszeilen zu
Spalten um
Bennen die neuen Spalten
Berechnet den Anteil der Werte, die nicht
vorhergesagt wurden an den Gesamtwerten
MODELLIERUNGSSCHRITTE. NICHT VORHERSAGBARE WERTE
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 37
Wählt die Daten aus, in denen die
Kündigungswahr-scheinlichkeit über 65% ist
Zählt Kunden mit hoher
Kündigungswahr-scheinlichkeit
MODELLIERUNGSSCHRITTE. VORHERSAGBARE WERTE
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 38
ERGEBNISSE: IN DIESEM JAHR WERDEN 103 VON 1000 KUNDEN MIT P>65% KÜNDIGEN
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 39
Fallbeispiel 4:
Zeitreihen, Autounfälle
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 40
FALLBEISPIEL 4
Ziele: Autounfälle zu prognostizieren
Fragen:
• Gibt es saisonale Schwankungen bei der Zahl der Autounfälle?
• Wie genau kann man die Zahl der Autounfälle in einem Zeitabschnitt prognostizieren?
• Welche sonstigen Einflussfaktoren führen zu einem Unfall?
Anwendungsbranchen: Versicherungen, Handel, Finanzbranche, herstellende Industrie
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 41
AUSGANGSSITUATION
Datenquelle im Beispiel:
ADAC
Dateninhalt:
• Kundendaten (Führerschein)
• PKW-Daten (TÜV-Prüfung, Alter)
• Unfalldaten (Zeitpunkt)
Datenaufbau: 8 Felder, 120 Datensätze
Datenformat: SPSS-Datei
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 42
MODELLIERUNGSSCHRITTE FÜR DIE UNFALLPROGNOSE
Weitere Zusammenhänge
Zeitverlauf-Analyse
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 43
ERGEBNIS 1: DIE ZEITREIHENPROGNOSE WEIST 85% GENAUIGKEIT AUF
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 44
ERGEBNIS 2: DIE UNFALLZAHL HÄNGT INSBESONDERE VON DER ERFAHRUNG DES FAHRERS AB
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 45
WARUM NICHT?
CENIT - Ihr Partner für die erfolgreiche Digitale Transformation
LASSEN SICH ALL IHRE UNTERNEHMENSDATENAUSSAGEKRÄFTIG DARSTELLEN?
WARUMNICHT?
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 46
DANKE
DIRK ZAYKODirektor BI
+49 2102 / 55 [email protected]
CENIT AGKaiserswerther Straße 115 40880 Ratingen www.cenit.com
This document may contain forward-looking statements regarding the business, financialand earnings situation of the CENIT corporation as well as earnings estimates. Forward-looking statements are characterised by such phrases and expressions as "the companymay", or "the company will", "expects", "anticipates", "is considering", "is intending", "isplanning", "believes", "continues to", "estimates" and other similar phrases andexpressions.Such statements entail no assurance that anticipated events will transpire. On the contrary,such statements involve risks, uncertainty and contingencies that are difficult to predict andare furthermore based on assumptions regarding future events that may prove inaccurate.Actual outcomes may thus deviate substantially from expectations thereby expressed.Forward-looking statements made by CENIT representing expectations or projections offuture events are made in good faith and may be presumed to be adequately grounded infact; no assurance however can be provided that such statements, expectations orprojections will be borne out/fulfilled/ achieved.Actual operating results may vary substantially from those projected in forward-lookingstatements and are subject to specific risks - please consult the CENIT AG managementreport.
DISCLAIMER
08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 48