SlideShare ist ein Scribd-Unternehmen logo
Der Analytical Cycle - Fallbeispiel
Sortimentsanalyse &
Energieprognose
Optimierung von Business-Entscheidungen
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
Was ist Analyse?
Quelle: BARC
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“
Von Aufgabe und Daten zum Ergebnis
Quelle: BARC
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
Ansatzpunkte fortgeschrittener Analyse
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
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 %
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
Definition Verbundeffekte
Abverkäufe
Blumen
Abverkäufe
Werkzeuge
Abverkäufe
Blumen
Werkzeuge
Finden von Assoziationsregeln =
Produktbeziehungen im Sortiment – Weshalb kommt der Kunde?
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
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.)
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%
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
Dashboard Visualisierung
Visualisierung mehrdimensionaler Daten
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
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
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
Analytical cycle   fallbeispiele max-con

Weitere ähnliche Inhalte

Ähnlich wie Analytical cycle fallbeispiele max-con

Christian Kruse: Integrierte Planung – von der Marktplanung über die Absatzpl...
Christian Kruse: Integrierte Planung – von der Marktplanung über die Absatzpl...Christian Kruse: Integrierte Planung – von der Marktplanung über die Absatzpl...
Christian Kruse: Integrierte Planung – von der Marktplanung über die Absatzpl...
InboundLabs (ex mon.ki inc)
 
Gruppenarbeitsergebnisse
GruppenarbeitsergebnisseGruppenarbeitsergebnisse
Gruppenarbeitsergebnisse
ICV_eV
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
DataValueTalk
 
CPX 2016 Vortrag | Automation-Driven Product-Data Marketing
CPX 2016 Vortrag | Automation-Driven Product-Data MarketingCPX 2016 Vortrag | Automation-Driven Product-Data Marketing
CPX 2016 Vortrag | Automation-Driven Product-Data Marketing
norisk
 
Wie Sie bei A-Lieferanten versteckte Gewinne aufdecken
Wie Sie bei A-Lieferanten versteckte Gewinne aufdeckenWie Sie bei A-Lieferanten versteckte Gewinne aufdecken
Wie Sie bei A-Lieferanten versteckte Gewinne aufdecken
costdata GmbH
 
Web Analytics Leitfaden Bitkom
Web Analytics Leitfaden BitkomWeb Analytics Leitfaden Bitkom
Web Analytics Leitfaden Bitkom
Ralf Haberich
 
Unic Analytics-Breakfast - Webanalyse bei Thieme
Unic Analytics-Breakfast - Webanalyse bei ThiemeUnic Analytics-Breakfast - Webanalyse bei Thieme
Unic Analytics-Breakfast - Webanalyse bei Thieme
Unic
 
Kennen wir unseren (potentiellen) Kunden? - Vernetzung von BI und CRM Systemen
Kennen wir unseren (potentiellen) Kunden? - Vernetzung von BI und CRM SystemenKennen wir unseren (potentiellen) Kunden? - Vernetzung von BI und CRM Systemen
Kennen wir unseren (potentiellen) Kunden? - Vernetzung von BI und CRM Systemen
Norbert Engelhardt
 
Oliver Krizek (NAVAX | 4relation)
Oliver Krizek (NAVAX | 4relation)Oliver Krizek (NAVAX | 4relation)
Oliver Krizek (NAVAX | 4relation)
Praxistage
 
Webinarunterlagen: Datenvorbereitung für erfolgreiche Analysen mit SAP Predic...
Webinarunterlagen: Datenvorbereitung für erfolgreiche Analysen mit SAP Predic...Webinarunterlagen: Datenvorbereitung für erfolgreiche Analysen mit SAP Predic...
Webinarunterlagen: Datenvorbereitung für erfolgreiche Analysen mit SAP Predic...
CONOGY GmbH
 
Funktionshierarchiebaum 200409
Funktionshierarchiebaum 200409Funktionshierarchiebaum 200409
Funktionshierarchiebaum 200409
Claus Brell
 
Asset-Management als Add-on oder Custom Object in SAP MDG
Asset-Management als Add-on oder Custom Object in SAP MDGAsset-Management als Add-on oder Custom Object in SAP MDG
Asset-Management als Add-on oder Custom Object in SAP MDG
IBsolution GmbH
 
Analytics Hacks II SEAcamp 2019
Analytics Hacks II SEAcamp 2019Analytics Hacks II SEAcamp 2019
Analytics Hacks II SEAcamp 2019
📊 Markus Baersch
 
Analytics für Einsteiger
Analytics für EinsteigerAnalytics für Einsteiger
Datenanalyse in der Praxis
Datenanalyse in der PraxisDatenanalyse in der Praxis
Datenanalyse in der Praxis
Yvette Teiken
 
Wettbewerbsanalyse alle an Bord beim Relaunch
Wettbewerbsanalyse alle an Bord beim RelaunchWettbewerbsanalyse alle an Bord beim Relaunch
Wettbewerbsanalyse alle an Bord beim Relaunch
Alexander Keller
 
Business Model Course Day 3 (in German)
Business Model Course Day 3 (in German)Business Model Course Day 3 (in German)
Business Model Course Day 3 (in German)
Alexander Osterwalder
 
Bank und Zukunft: Ergebnisse einer Studie
Bank und Zukunft: Ergebnisse einer StudieBank und Zukunft: Ergebnisse einer Studie
Bank und Zukunft: Ergebnisse einer Studie
Martina Goehring
 
Wie baue ich ein DataWarehouse auf Basis Hadoop
Wie baue ich ein DataWarehouse auf Basis HadoopWie baue ich ein DataWarehouse auf Basis Hadoop
Wie baue ich ein DataWarehouse auf Basis Hadoop
Gerd König
 

Ähnlich wie Analytical cycle fallbeispiele max-con (20)

Christian Kruse: Integrierte Planung – von der Marktplanung über die Absatzpl...
Christian Kruse: Integrierte Planung – von der Marktplanung über die Absatzpl...Christian Kruse: Integrierte Planung – von der Marktplanung über die Absatzpl...
Christian Kruse: Integrierte Planung – von der Marktplanung über die Absatzpl...
 
Gruppenarbeitsergebnisse
GruppenarbeitsergebnisseGruppenarbeitsergebnisse
Gruppenarbeitsergebnisse
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
 
CPX 2016 Vortrag | Automation-Driven Product-Data Marketing
CPX 2016 Vortrag | Automation-Driven Product-Data MarketingCPX 2016 Vortrag | Automation-Driven Product-Data Marketing
CPX 2016 Vortrag | Automation-Driven Product-Data Marketing
 
Wie Sie bei A-Lieferanten versteckte Gewinne aufdecken
Wie Sie bei A-Lieferanten versteckte Gewinne aufdeckenWie Sie bei A-Lieferanten versteckte Gewinne aufdecken
Wie Sie bei A-Lieferanten versteckte Gewinne aufdecken
 
Web Analytics Leitfaden Bitkom
Web Analytics Leitfaden BitkomWeb Analytics Leitfaden Bitkom
Web Analytics Leitfaden Bitkom
 
Unic Analytics-Breakfast - Webanalyse bei Thieme
Unic Analytics-Breakfast - Webanalyse bei ThiemeUnic Analytics-Breakfast - Webanalyse bei Thieme
Unic Analytics-Breakfast - Webanalyse bei Thieme
 
Kennen wir unseren (potentiellen) Kunden? - Vernetzung von BI und CRM Systemen
Kennen wir unseren (potentiellen) Kunden? - Vernetzung von BI und CRM SystemenKennen wir unseren (potentiellen) Kunden? - Vernetzung von BI und CRM Systemen
Kennen wir unseren (potentiellen) Kunden? - Vernetzung von BI und CRM Systemen
 
Oliver Krizek (NAVAX | 4relation)
Oliver Krizek (NAVAX | 4relation)Oliver Krizek (NAVAX | 4relation)
Oliver Krizek (NAVAX | 4relation)
 
Webinarunterlagen: Datenvorbereitung für erfolgreiche Analysen mit SAP Predic...
Webinarunterlagen: Datenvorbereitung für erfolgreiche Analysen mit SAP Predic...Webinarunterlagen: Datenvorbereitung für erfolgreiche Analysen mit SAP Predic...
Webinarunterlagen: Datenvorbereitung für erfolgreiche Analysen mit SAP Predic...
 
Funktionshierarchiebaum 200409
Funktionshierarchiebaum 200409Funktionshierarchiebaum 200409
Funktionshierarchiebaum 200409
 
Asset-Management als Add-on oder Custom Object in SAP MDG
Asset-Management als Add-on oder Custom Object in SAP MDGAsset-Management als Add-on oder Custom Object in SAP MDG
Asset-Management als Add-on oder Custom Object in SAP MDG
 
Analytics Hacks II SEAcamp 2019
Analytics Hacks II SEAcamp 2019Analytics Hacks II SEAcamp 2019
Analytics Hacks II SEAcamp 2019
 
Analytics für Einsteiger
Analytics für EinsteigerAnalytics für Einsteiger
Analytics für Einsteiger
 
Datenanalyse in der Praxis
Datenanalyse in der PraxisDatenanalyse in der Praxis
Datenanalyse in der Praxis
 
Wettbewerbsanalyse alle an Bord beim Relaunch
Wettbewerbsanalyse alle an Bord beim RelaunchWettbewerbsanalyse alle an Bord beim Relaunch
Wettbewerbsanalyse alle an Bord beim Relaunch
 
Business Model Course Day 3 (in German)
Business Model Course Day 3 (in German)Business Model Course Day 3 (in German)
Business Model Course Day 3 (in German)
 
Bank und Zukunft: Ergebnisse einer Studie
Bank und Zukunft: Ergebnisse einer StudieBank und Zukunft: Ergebnisse einer Studie
Bank und Zukunft: Ergebnisse einer Studie
 
Event #6: Big Data - Sonja Metzger
Event #6: Big Data - Sonja MetzgerEvent #6: Big Data - Sonja Metzger
Event #6: Big Data - Sonja Metzger
 
Wie baue ich ein DataWarehouse auf Basis Hadoop
Wie baue ich ein DataWarehouse auf Basis HadoopWie baue ich ein DataWarehouse auf Basis Hadoop
Wie baue ich ein DataWarehouse auf Basis Hadoop
 

Analytical cycle fallbeispiele max-con

  • 1. Der Analytical Cycle - Fallbeispiel Sortimentsanalyse & Energieprognose Optimierung von Business-Entscheidungen
  • 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
  • 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. Von Aufgabe und Daten zum Ergebnis Quelle: BARC
  • 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
  • 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. 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. 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. Definition Verbundeffekte Abverkäufe Blumen Abverkäufe Werkzeuge Abverkäufe Blumen Werkzeuge Finden von Assoziationsregeln = Produktbeziehungen im Sortiment – Weshalb kommt der Kunde?
  • 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. 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. 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. 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
  • 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. 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. 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