ÖBB - Bahnstrombedarfsprognose- mit Advanced Analytics mehrere hunderttausend Euro Energiekosten einsparen.
In Kooperation mit ÖBB-Produktions GmbH und Cubido
4. About me – Mario Schnalzenberger
Informatiker, Statistiker und Volkswirt
Forscher (Uni Linz)
Forschung im Bereich Gesundheit, Alterung, Pensionen und vielem mehr
Veröffentlichungen in Klinischer Forschung, Economics und Econometrics
bei cubido unterstütze ich Kunden im Bereich
DWH und Business Intelligence
Predictives in Richtung Industrie 4.0 und Marketing Intelligence
Big Data und verwandten Themen
SQL Server, Cubes, MDX, R, C#, SAP Infinite Insights, MCSA, MCSE BI, uvm.
m.schnalzenberger@cubido.at
5. Mobile Solutions
zB. cubido Conference Guide
cubido business solutions gmbh
Business Intelligence
Damit Sie die richtigen Daten zur
richtigen Zeit am richtigen Ort haben
Individuelle Softwareentwicklung
Lösungen, die sich an Ihr Unternehmen
anpassen und nicht umgekehrt
6. Statistik
Machine Learning
R
Azure ML
Microsoft SQL Server 2016
Was ist was?
7. Der Ablauf in „Predictive“ Projekte
1. Daten sammeln
und aufbereiten
2. Daten analysieren
3. Verbesserungen
erarbeiten
4. „Besser werden“,
neue Abläufe etablieren
8. Wie kommt man zu einer Vorhersage?
Verschiedene Methoden testen
• Regression
• Entscheidungsbäume
• Support Vektor Maschinen
Methoden evaluieren
keine Interpretation der Zusammenhänge
nötig (sehr wohl aber möglich)
Methodik
11. Wie macht man das jetzt wirklich?
Wege zum Projekt
Daten
sammeln,
evaluieren,
Ideen
Tools und
Methoden
evaluieren
(lassen)
einen Teil der
Zieldaten
nicht
weitergeben
(Evaluierung
möglich)
Vorhersagen
machen
lassen
Vorgaben
machen und
Ziele klar
definieren
12.
13. ÖBB Energiebedarfsprognose
Ziel des Projektes:
konzernweit Stromkosten senken
Projektvorgaben und
Anforderungen der ÖBB
Herausforderungen
Entscheidung für eine
individuelle Lösung
14.
15. Was unterscheidet uns von anderen?
Versionierung
(Berücksichtigung
Planungshorizont)
Modelle einfach
bauen
Methoden selbst
definieren
einfach
kombinieren
Vorhersagen testen
und automatisieren
Genauigkeit
überwachen
16. Versionierung
Flexibilität in der Produktion
Flexibilität in der Planung
Modelle können die Unsicherheit
berücksichtigen
Modelle kennen das „Alter“ der
Planung während der „Lernphase“
und der „Vorhersage“
19. SQL Server 2014 ohne Integration von Analytics Engine
alle Aufrufe von R müssen extern gehandhabt werden
drei Services für die Automatismen im System
Vorhersage
Training
Import
die Web-Applikation als User-Interface
die Datenbank ohne Intelligenz (als Datenbewahrer und Vermittler)
Aktiver Systemaufbau
21. SQL Server 2016 mit Integration von Analytics Engine
alle Aufrufe von R können intern gehandhabt werden
Datenaustausch zwischen R und Datenbank sehr einfach
(viel einfachere Entwicklung)
es bleiben nur noch zwei (einhalb) Komponenten
die Web-Applikation als User-Interface
die Datenbank mit Intelligenz (als Datenbewahrer, Vermittler und
Analytics Engine mit Ressourcenüberwachung)
Möglicher Systemaufbau
24. Daten von bestehenden Kunden
(neuer)
Kunde kauft
Kundendaten
werden erfasst
Personen mit größtem
Potential ansprechen
neue Liste mit
potenziellen Kunden
25. Daten von neuen Kunden kombinieren
(neuer)
Kunde kauft
Events / Aktionen
(Medien)
Potentielle Kunden
werden aufmerksam
Personen mit größtem
Potential ansprechen
28. Personaleinsatzplanung
Aus der Abweichung von geplantem und echtem
Personaleinsatz lernen
Muster von Fehlzeiten erkennen (typische Krankenzeiten im
Winter „vorhersagen“ und einrechnen)
optimale Anwesenheit angeben (wie viele Personen müssen
geplant sein um alle Maschinen besetzen zu können), Warnung
bei „geplanter Unterbesetzung“
keine Verzögerungen mehr durch „Unterbesetzung“