Analytical cycle fallbeispiele max-con

343 Aufrufe

Veröffentlicht am

Fallbeispiele Advanced Analytics - Sortimentsoptimierung & Energiemengenprognose

Veröffentlicht in: Daten & Analysen
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
343
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
3
Aktionen
Geteilt
0
Downloads
1
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Analytical cycle fallbeispiele max-con

  1. 1. Der Analytical Cycle - Fallbeispiel Sortimentsanalyse & Energieprognose Optimierung von Business-Entscheidungen
  2. 2. Inhalt - Was bedeutet Analyse? - Ansatzpunkte fortgeschrittener Analyse – MAX-CON Kernkompetenz - Von Aufgabe und Daten zum Ergebnis - Analytical Cycle - Projektbeispiel: Sortimentsoptimierung im Handel - Projektbeispiel: Mengenprognose im Handel
  3. 3. Was ist Analyse? Quelle: BARC
  4. 4. Zunehmende Bedeutung analytischer Verfahren Marktreife und Wettbewerbsdruck erhöhen die Nachfrage nach analytischen Verfahren: - Einsatz von BI-Werkzeugen in Unternehmen ist selbstverständlicher geworden, die Akzeptanz der Entscheidungsfundierung durch Daten wächst und ist auch wesentlicher Bestandteil von Digitalisierungsinitiativen. - Big Data fokussiert gerade das Thema Datenanalyse und bringt neue Aspekte in die Diskussion – vom Top Management („wie werden wir ein datengetriebenes Unternehmen?“) bis hin zur IT („kann Hadoop meine Kosten für Speicherung und Analyse von Sensor- und Log-Daten reduzieren?“) „Mehrwert durch Analyse statt nur Reporting“
  5. 5. Von Aufgabe und Daten zum Ergebnis Quelle: BARC
  6. 6. Analyse Ihrer Data Value Chain - Bereitstellung, Bereinigung und Vorbereitung der Daten - Pre-Processing von Zeitreihen -Analyse der Datenlandschaft - Identifikation geeigneter Werte und Parameter und Bündelung von relevanten Daten - Erst nach Integration Ergebnisse für Entschei- dungsfindung nutzbar - Ableitung von Handlungsan- weisungen Kernkompetenz Data Mining, Operations Research, Zeitreihen- analyse - Darstellung und Kommunikation der Ergebnisse - Verdeutlichung des Nutzens der Integration
  7. 7. Ansatzpunkte fortgeschrittener Analyse
  8. 8. Inhalt - Was bedeutet Analyse? - Ansatzpunkte fortgeschrittener Analyse – MAX-CON Kernkompetenz - Von Aufgabe und Daten zum Ergebnis - Analytical Cycle - Projektbeispiel: Sortimentsoptimierung im Handel - Projektbeispiel: Mengenprognose im Handel
  9. 9. Analytical Cycle bzw. Projektvorgehen Projektauftrag Aufgabenverständnis Fortlaufende Bewertung der Güte des Modells Operationalisierung (Integration operative Prozesse) Ergebnisevaluation/ Gütebewertung Abbruch der Bewertung Einmalige Erkenntnis- anwendung Modellierung & Modellvalidierung Datenverständnis, Selektion, Integration & Aufbereitung Typische Aufwandsverteilung 50 % 5 % 15 % 20 % 10 %
  10. 10. Bsp. Warenkorbanalyse Gefahr: Eliminierung unprofitabler Produkte ohne Berücksichtigung von Verbundeffekten Eliminierung unprofitabler Produkte Attraktivität des Produktportfolios sinkt Anzahl unprofitabler Produkte steigt Kundenzahl sinkt Profite sinken
  11. 11. Definition Verbundeffekte Abverkäufe Blumen Abverkäufe Werkzeuge Abverkäufe Blumen Werkzeuge Finden von Assoziationsregeln = Produktbeziehungen im Sortiment – Weshalb kommt der Kunde?
  12. 12. Inhalt - Was bedeutet Analyse? - Ansatzpunkte fortgeschrittener Analyse – MAX-CON Kernkompetenz - Von Aufgabe und Daten zum Ergebnis - Analytical Cycle - Projektbeispiel: Sortimentsoptimierung im Handel - Projektbeispiel: Mengenprognose im Handel
  13. 13. Vorgehen im Projekt – Bsp. Sortimentsoptimierung Projektauftrag und Aufgabenverständnis - Bestimmung des optimalen (Umsatz/Profitabilität) Sortimentes bzgl. Filiale & Zeitpunkt unter Berücksichtigung von Verbundeffekten Daten: Verständnis, Selektion, Integration & Aufbereitung - Kassendaten (POS): Artikelnummer, Menge, Umsatz - weitere (Meta-)Informationen – Warengruppen, Module, NOS Sortiment, Layout, Deckungsbeitrag, Aktionsartikel, etc. - Verwerfen von Filialen ohne Aussagewert (unterjährig geschlossen/geöffnet, missing values, Bons defekter Kassen, etc.) - Akkumulation von Artikeln die mehrfach auf dem Bon vorkommen - Auswahl eines Analyse-Zeitraumes (KW) - Aggregation auf Warengruppen – Module, Elimination von best. Artikeln (Pfand, Taschen, etc.)
  14. 14. Vorgehen im Projekt – Bsp. Sortimentsoptimierung Modellierung & Modellvalidierung - Entfernen von Rauschen (z.B. Artikel nur 1 Mal verkauft) - Identifikation der signifikanten Verbünde (über Verkaufshäufigkeit) - Bestimmen der mittleren Verkaufshäufigkeit (alle Filialen/ganz D) - Berechnung der Verbundhäufigkeit für Artikelpaare Ergebnisvalidierung - Bestimmen der mittleren Verkaufshäufigkeit (alle Filialen/ganz D) - Konsistenzchecks (Summen über verschiedene Teilanalysen bilden, Betrachtung intuitiver Verbünde) 63% 25%
  15. 15. Vorgehen im Projekt – Bsp. Sortimentsoptimierung Operationalisierung - Dashboard zur Visualisierung, - Erarbeitung der Strategie zur Sortimentsoptimierung - Entscheidungsfindung – weitere Analyse über BI-Tool oder weitere Modelle - Umsetzung: Sortiment verändern, Artikel-Platzierung, Werbung Fortlaufende Bewertung der Modellgüte - Controlling - Definieren von Testfilialen bzw. eines statistisch validen Testverfahrens
  16. 16. Dashboard Visualisierung Visualisierung mehrdimensionaler Daten
  17. 17. Inhalt - Was bedeutet Analyse? - Ansatzpunkte fortgeschrittener Analyse – MAX-CON Kernkompetenz - Von Aufgabe und Daten zum Ergebnis - Analytical Cycle - Projektbeispiel: Sortimentsoptimierung im Handel - Projektbeispiel: Mengenprognose im Handel
  18. 18. Vorgehen im Projekt – Bsp. Mengenprognose Projektauftrag und Aufgabenverständnis - Minimierung des Allokationsrisiko für den kommenden Tag Daten: Verständnis, Selektion, Integration & Aufbereitung - Kundengruppen - Verbrauchshistorie der Kunden - Kovariaten (Temperatur, Differenz zum Vortag, etc) - Bestehende Prognosemethoden - Akkumulation von Kunden - Auswahl eine Prognose-Zeitraumes - Gesonderte Behandlung irregulärer Verbauchsmuster
  19. 19. Vorgehen im Projekt – Bsp. Mengenprognose Modellierung & Modellvalidierung - Untersuchung der Güte verschiedener Modellansätze zur Zeitreihenanalyse Ergebnisvalidierung - Backtest - Residuentests Operationalisierung - Dashboard zur Visualisierung, - Integration in die Entscheidungsprozesse Fortlaufende Bewertung der Modellgüte

×