ÖBB - Bahnstrombedarfsprognose- mit Advanced Analytics mehrere hunderttausend Euro Energiekosten einsparen. In Kooperation mit ÖBB-Produktions GmbH und Cubido

2. Agenda
System und

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

9. Lineare Regression

10. Entscheidungsbäume

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

13. ÖBB Energiebedarfsprognose
 Ziel des Projektes:
konzernweit Stromkosten senken
 Projektvorgaben und
Anforderungen der ÖBB
 Herausforderungen
 Entscheidung für eine
individuelle Lösung

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“

17. Genauigkeit überwachen
 Daten leicht exportierbar
 jede Prognose einzeln einsehbar
 Güte überprüfbar
 versendete Daten gesammelt
exportierbar
 jederzeit neue Berechnung
und Versand

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

20. Aktiver Systemaufbau
Webapplikation
(mit mehreren Sessions)
Forecast-
Service
Trainings-
Service
Import-
Service
Microsoft R
Datenbank
(SQL 2014)

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

22. Aktiver Systemaufbau
Webapplikation
(mit mehreren Sessions)
Microsoft R
Datenbank
(SQL 2016)
Stored Procedures
Agent Jobs

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

26. Churn Analyse
Kunde
wechselt
Analyse
Identifikation
kritischer
Kunden Abgang
verhindern

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“

29. Fragen?

30. Haidfeldstraße 33
4060 Leonding
Wolfgang Ennikl
+43 732 67 11 55
w.ennikl@cubido.at
www.cubido.at
blog.cubido.at
cubido business solutions gmbh