podpora predaja a logistiky pokročilými analytickými nástrojmi podpora predaja a...

SALES&MARKETING, LOGISTIKA

Podpora predaja a logistiky pokročilými analytickými nástrojmi

2© 2015 SAP SE or an SAP affiliate company. All rights reserved.

“Sense & respond” už nestačíPrediktívne analýzy sú ďalším článkom v evolúcii

Ko

nk

ure

nč

ná

vý

ho

da

Analytická vyspelosť

Sense & respond Predict & act

Rawdáta

“Čisté”dáta

Štandardnéreporty

Ad hoc reportya OLAP

Generic predictive analytics

Prediktívnemodelovanie

Optimalizácia

Čo sa stalo?

Prečo sa to stalo?

Čo sa stane?

Ktorá možnosť je najlepšia?

Kľúčom je využitie dát na predchod od “sense and respond” k “predict and act”

2


Čo sú prediktívne analýzy? Aké otázky umožňujú zodpovedať prediktívne analýzy?

KlasifikáciaĽúbi / neľúbi budúci (týždeň | deň)?

PredikciaAká bude hodnota (KPI) budúci (týždeň | deň)?

ForecastingAké hodnoty nadobudne (KPI) počas budúcich X (dní | týždňov | mesiacov)

ClusteringIdentifikácia skupín (entít | udalostí| …) s podobným (profilom | správaním)?

Associačné pravidláAnalýza transakcií s cieľom identifikovať udalosti, ktoré pravdebodobne nastané súčasne

Link/Social Network analýzaAnalýza interakcií s cieľom identifikovať (komunity | clustre | geo-dlaždice)


Vytváranie predikcií

Prediktívnemodelovanie

Správaprediktív.modelov

Aktuálne dáta Transakcie, DWH, senzory,...

Historické dátaTransakcie, DWH, senzory,...


Predikcie&

Forecasting

Kľúčovéprediktory

Trendy

Anomálie

Vzťahy

Ako sa história predaja, nákladovalebo iných KPI premietne do budúcnosti? Aký je vzťah medzipredikovanými výsledkami a cieľmi?

Aké sú kľúčové faktoryovplyvňujúce spokojnosť zákazníka, výskyt poruchy/nekvality, prognózu dopytu/zásob a pod.? Aký to mý vplyv na celkovýúúspešnosť firmy?

Aké sú historické/budúcetrendy, náhle zmeny resp. nezvyčajné hodnotyparametrov/KPI, ktoréovplyvňujú biznis?

Aké sú korelácie v dátach?Aké sú interakcie medzimedzi

entitami resp. ich clustrami?

Aké anomálie môžu existovať, resp. naopak – aké clustre

existujú pre dané dáta?

Príklady využitia prediktívnych analýz


Podpora predaja a logistiky prediktívnymi analýzamiPríklady scénarov

Prediktívna údržbaEffektívnosť výroby

Forecasting dopytu & zásob

Optimalizáciavýťažnosti

Analýza

reklamácií/záruk

Optimalizácianáhradných dielov

Optimalizácia úzkychmiest

Plánovanie objemuprepráv

Next-best action / Real-time offers Optimalizácia

mkt.kampaní

Churn / propensity modeling

Prediktívna segmentácia

Forecasting & pipeline analysis

Customer sentiment & social media analysis

Predikcia variantovkonfigurácie

Identifikácia anomálií

Big Data / IoT

Telco Big Data Positioning_L1_rev1.2_2Oct14.pptx#26. SAP as supplier for IoT a broad range of capabilities


Podpora predaja prediktívnymi aplikáciamiSAP Cloud for Sales

Dynamic Playbook

Návrh produktov, ľudí a partnerov pre maximalizáciu pravdepodobnostizískania obchodnej príležitosti

Influence Map

Identifikácia interných/externýchkontaktov, ktoré môžu ovplyvniťobchodný prípad – kontakt a/alebozahrnutie do predajného tímu

Deal Finder

Identifikácia nových obchodnýchpríležitostí u existujúcich zákazníkov– OneSource a textové analýzy


IoT… Big Data …Úlohu mozogu majú… prediktívne algoritmy

SAP Predictive

Maintenance &

Service

SAP Connected

LogisticsSAP Connected

Manufacturing

(Industry 4.0)

IoT Big Data


Príklad: SAP Connected ManufacturingAplikácie využívajúce (resp. s potenciálom využívať) prediktívne analýzy

Product Networks

Manufacturing Performance

Production Traceability

Process Optimization

Production Enforcement and Execution

Energy Monitoring & Analytics

Product Quality

Overall Equipment Effectiveness


Maximalizácia strojnej kapacityCommon Rail Diesel Pump Generation 4 (CP4)


Bottleneck

PoC – Pracovisko 140

Ciele:

Redukcia neplánovaných porúch

Status quo:

“Klasické” prístupy k zvyšovaniu produktivityboli (značne) vyčerpané

Hypotéza:

Ďalšie zvýšenie produktivity pomocou data miningu / prediktívnej údržbynapr. predikcia neplánovanej údržby a jej presun do časového okna pre plánovanú údržbu


Prediktívna údržbaRiadenie dostupnosti a výkonnosti zdrojov/vybavenia a kvality procesov počas celého životného cyklu

PM dáta

Výroba

Nákup

Vývoj

Technické dáta

Environment / Sensor Data

Údržba


Vstupné dáta

Parametre

pumpy

Zákazkyúdržby

Udalostizo

zariadenia

2012 - 2014

44tis. varovaní

192 PM01 záznamov28 PM02 záznamov

711 parameterov

2.3mld hodnôt


Príklad: Rule mining

Prediktívne modelovanie – klasifikácia

Decision tree (rozhodovací strom)

Aternatívny výstup klasifikačnej/regresnej predikciek skóre resp. scoringovej funkcii

Interpretovateľnosť každej jednej vetvy –základ pre vyttváranie pravidiel

Príklad pravidla:

Čas od odvorenie ventilu po dosiahnutie min. predpísaného tlaku…

Potenciál pre Condition based maintenance


Doporučenia z projektu

Optimalizácie:

Expertné pravidlá sú príliš jednoduché:– Kombinácia expertných znalostí a prediktívnych modelov

– Metodické vyhodnocovanie prediktívnych modelov: A/B testovanie, prototypová implementácia & monitoring

Ďalší potenciál pre prediktívne analýzy:– Root cause analýza výrobných časov

– Posúdenie prechodu od plánovanej externej údržby na Condition based maintenance

– Kontrolovaný expeeriment, či sa oplatí nedeľná výmena fitrov

Zlepšneie technickej pripravenosť na Prediktívnu údržbu Komplexný zber dát o výrobných agregátoch (techn.zmeny, servis, …)

Získanie ďalších senzorových dát napr. vibrácie


Prediktívna údržbaRiadenie dostupnosti a výkonnosti zdrojov/vybavenia a kvality procesov počas celého životného cyklu

PM dáta

Výroba

Nákup

Vývoj

Technické dáta

Environment / Sensor Data

Údržba


Prediktívne riadenie kvalityRiadenie kvality produktu a procesov počas celého životného cyklu

QM Data

Výroba

Nákup

Vývoj

Technical Data

Environmental Data

Predaj

Zákazník


PoC

Ciele:

Redukcia nekvality

Prístup:

Prediktívne modelovanie:

– (min.) 1 klasifikačý/regresný model na pracovisko

– Rastúca šírka datasetu – parametre/údaje predch. kroku môžu ovplyvňovať aj nasled.krok(y)

Trvanie PoC: 2 dni on-site (pripravené dáta)Ilustratívna schéma výr.procesu


Využitie Predictive Maintenance & Service pre analýzu spoľahlivosti

Medzinárodný výrobca a predajcapetrochemickýcj výrobkov a energie.

• 15 rafinérií

• 11 závodov na výrobu etanolu

• Veterná farma

• 7,400+ predajných miest


Analýza dát zo senzorovCieľ: Pumpy výrobnej jednotky hydrokrak

Hydrokraker bol zvolený, lebo mal dostatočnýpočet púmp, ktoré mali dostatočný počet porúch.

Zdrojové dáta – čistenie, normalizácia a obohatenie (agregácie, pivoting,….)

• Časový interval: 2011-2014

• 50 púmp

• ca.280M záznamov

• 55M záznamov z HCU942


Analýza dát údržby

ETL SAP HANA Text Analysis

Data mash-upv SAP HANA

Data Discovery& Analsysis

14

SAP ERP dáta (17 rokov)

SAP HANA Rules Framework

Zákazkyúdržby

2.9 mil.

Hlásenia Rafinérie

1.2 mil.3.8 mil. 33tis.

PumpyTechn.miestaa vybavenia


Prediktívne modelovanie:

• Analýza časových radov (forecasting) a predikcia anomálií

• Klasifikácia

Ktorá pumpa bude opravovaná na budúci deň?

resp.

Aká je pravdepodobnosť, že pri aktuálnych hodnotách senzorových dát, bude v čase T

agregát X v oprave?

Prediktívne modelovanie


Opravy vs. hodnota tagu (dát zo senzora)

Dve za sebou nasledujúce opravy nastali, keďhodnota tagu (dát zo senzora) bola v intervale XY. Je to a problém alebo normálna situácia?

Analýza časových radov a anomálií

Forecast hodnoty tagu a anomálií

Extra prediktory: hodnoty ďalších tagov/dát zosenzorov hydrokrakera

Analýza/modelovanie anomálií

Legenda

Skutočnosť

Predikcia

Anomália


KlasifikáciaDôležitosť kľúčových prediktorov (tagy a odvodené hodnoty) a ich hodnôt 1 deň pred opravou

• Prediktívna funkcia: Klasifikácia

• Otázka:

Ktorá pumpa bude opravovaná na budúcideň?

• Dataset:

- História dát zo senzorov

- Odvodené atribúty

• Príklady výstupov:

• Predikcia opravy (vrátane pravdepodobnosti a chyby predikcie)

• Indentifikácia kľúčových prediktorov budúcejporuchy a ich vplyvu


Decision tree & pravidlá

Decision tree (rozhodovací strom)

• Alternatívny výstup klasifikácie/regresievoči targetu (oprava na ďalší deň)

… k skóre resp. scoringovej funkcii

• Interpretovateľnosť

… každej jednej vetvy

• Použiteľnosť pre definovanie pravidiel (rules)

• Organizačné pokyny, procesné inštrukcie…

• Rules engine, event stream processing, …


SAP Predictive Maintenance and Service

Predict Act (príklady)

Senzorové dáta

Biznis dáta(ne)štruktúrované

OLTP/OLAP/noSQL

Externé dáta(prostredie, sentiment, …)

Data mining

Relationships Patterns

RulesOutliers

SPC Root Causes Predictions

Vytvorenie hlásenia

Zmena plánu údržby

Forecasting náhradných dielov

Identifikácia“zlých”dodávateľov

Zmena špecifikácie výrobku

Plánovanie servisu

Odporúčané služby

…

Sense

IoT M2M

IT/OT


Rekapitulácia: IoT… Big Data …Úlohu mozogu majú… (aj) prediktívne algoritmy

SAP Predictive

Maintenance &

Service

SAP Connected

LogisticsSAP Connected

Manufacturing

(Industry 4.0)

IoT Big Data


Predictive Analytics Solutions from SAP

SAP Predictive Analytics 2.x

Data Preparation

Expert Analysis

Automated AnalysisVisualization

RecommendationScoring Social

SDK/API Model Management

Connectors

Cloud / On-Premise

Predictive Analysis Library

Automated Predictive

LibraryR-Scripts

In-Memory Processing Engine

Manufacturing/Logistics

O&G & Utilities

Public Sector & Healthcare

Financial & Insurance Services

TelecommunicationsRetail & Consumer Products

Predictive Applications (Industry/LoB)

SAP HANA

Relational Databases

Big Data Sources Cloud Services

Applications

Any Data Source

R


Záver

• Prediktívne analýzy = efektívna podpora pre zlepšovania výrobkov, služieb a procesov aj v svete logistiky (predaj, výroba, údržba, kvalita, …)

• Je to “digitální zvíře”

• potrebuje (ne)štruktúrované dáta

Viac dát, lepšie a robustnejšie modely…

• IoT/M2M nie je nutné, môže mať zmysel

• Je to iteratívny proces (aj napriek automatizácii v SAP Predictive Analytics Automated mode)

• Ingrediencie sú k dispozícií

• Základ je začať.


Predictive Use Cases By Industry and LoB

• Customer Churn/ Retention

• Cross-Sell/Upsell

• CampaignManagement

• Lifetime Value• Pricing Optimization• Product Launch

Success• Brand Sentiment and

Sales Analytics• Cross/Up Sell

• Product Launch Success

• Brand Sentiment and Sales Analytics

• Regional Forecasting


• Next Best Activity• Cross Sell/Upsell• Churn Reduction• Customer

Segmentation• Brand Sentiment

and Sales Analytics


• Credit Risk• Fraud

Management and Prevention

• Credit Scoring• Fraud Management

and Prevention• Optimizing Product

Quality

• Credit Scoring• Compliance• Retail Outlier• Fraud Management

and Prevention• Optimizing Product

Quality

• Credit Scoring• Compliance• Fraud

Management and Prevention

• OptimizingProduct Quality

• Credit Scoring• Underwriting• Default/bankruptc

y Risk• Tax Fraud• Credit Card Fraud• Insurance Fraud

• Predictive Asset Maintenance

• Fraud Management and Prevention

• Optimizing Product Quality

• Anomaly Detection

• Usage Forecasting

• KPI Forecasting• Anomaly Detection• Usage Forecasting• Store Segmentation• In-Store Workforce

Optimization• Size and Zone

Optimization• Market Share

Prediction

• KPI Forecasting• Anomaly Detection• Usage Forecasting

• KPIForecasting

• Anomaly Detection

• Usage Forecasting

• KPI Forecasting• Anomaly

Detection• Usage Forecasting

• KPI Forecasting• Anomaly Detection• Usage Forecasting• Variable Margin Analysis• Yield Management• Equipment Effectiveness• Labor Utilization

• Out of Stock Prediction• Demand Forecasting• Inventory and

Logistics Planning

• Out of Stock Prediction

• Inventory and Logistics Planning

• Out of Stock Prediction

• Inventory and Logistics Planning

• Predictive Commodity Management

• Improving Demand Planning and Inventory Management

Retail CPG Financial Services ManufacturingTelecom E-Business

Customer/ Marketing

Fraud/ Risk

Operations

SupplyChain

© 2015 SAP SE or an SAP affiliate company. All rights reserved. 32

© 2015 SAP SE or an SAP affiliate company. All rights reserved.

No part of this publication may be reproduced or transmitted in any form or for any purpose without the express permission of SAP SE or an SAP affiliate company.

SAP and other SAP products and services mentioned herein as well as their respective logos are trademarks or registered trademarks of SAP SE (or an SAP affiliate

company) in Germany and other countries. Please see http://global12.sap.com/corporate-en/legal/copyright/index.epx for additional trademark information and notices.

Some software products marketed by SAP SE and its distributors contain proprietary software components of other software vendors.

National product specifications may vary.

These materials are provided by SAP SE or an SAP affiliate company for informational purposes only, without representation or warranty of any kind, and SAP SE or its

affiliated companies shall not be liable for errors or omissions with respect to the materials. The only warranties for SAP SE or SAP affiliate company products and

services are those that are set forth in the express warranty statements accompanying such products and services, if any. Nothing herein should be construed as

constituting an additional warranty.

In particular, SAP SE or its affiliated companies have no obligation to pursue any course of business outlined in this document or any related presentation, or to develop

or release any functionality mentioned therein. This document, or any related presentation, and SAP SE’s or its affiliated companies’ strategy and possible future

developments, products, and/or platform directions and functionality are all subject to change and may be changed by SAP SE or its affiliated companies at any time

for any reason without notice. The information in this document is not a commitment, promise, or legal obligation to deliver any material, code, or functionality. All forward-

looking statements are subject to various risks and uncertainties that could cause actual results to differ materially from expectations. Readers are cautioned not to place

undue reliance on these forward-looking statements, which speak only as of their dates, and they should not be relied upon in making purchasing decisions.

http://global12.sap.com/corporate-en/legal/copyright/index.epx

podpora predaja a logistiky pokročilými analytickými nástrojmi podpora predaja a...

Documents