SlideShare ist ein Scribd-Unternehmen logo
Erfahrungsbericht
Berlin, 6. Februar 2018
Nachfrageoptimierung mittels Predictive Analytics
Seite 2
Sprecher
Martin Verleger Denis TithoChristian Goebel
Nr. Thema
1 Kurzvorstellung CONOGY & Motor Entertainment
2 Hintergrund & Ziel
3 Projektvorgehen
4 Systemdemo
5 Projektergebnis & Fazit
6 Fragen & Antworten
Seite 3
Agenda
Seite 4
CONOGY
Key Facts
10 Jahre
etablierter und geschätzter
SAP Beratungspartner
60+
leidenschaftliche
Mitarbeiter
92%
Weiterempfehlung
bei Kununu
50+
Zertifikate
ISO 9001
Projektmanagement
SAP (Mitarbeiter / Firma)
100+
Erfolgreiche Projekte
50+
Zufriedene Kunden
20+
Direktkunden in 2017
2
Standorte
Berlin
Düsseldorf
Seite 5
CONOGY
Kompetenzfelder
Toolauswahl
Architektur
Schulungen
Governance
BI Strategie
Embedded Planning
S/4HANA Analytics
S/4HANA Migration
Fiori
S/4HANA
Datenmodellierung
HANA
(BW/4HANA, Native, …)
Dynamic Tiering
Basis Administration
Data Warehousing
2nd & 3rd Level
Support
Hotline /
Service Desk
Monitoring
Pflege / Wartung
Application
Management
Data Science
Methodologie
Predictive Analytics
Big Data Szenarien
Datengetriebene
Planung
Data Science
UI5 / Web Dynpro
BusinessObjects
Planung
BO Cloud / Mobile
Analytics
Reporting &
Planung
Motor Entertainment GmbH
▪ Motor Entertainment GmbH vermarktet neue Künstler
▪ Bietet seinen Künstlern Label, Verlag und Management in einem
▪ Veröffentlicht jeden Künstler, der bestimmte, allgemein kompatible Standards erfüllt
▪ Benutzt u.a. Radiosender als eine Form der Musikvermarktung
▪ Hilft den Künstler beim Verkaufsmanagement ihrer Produkte
Seite 6
Hintergrund & Ziel
Übersicht Motor Entertainment
Alice Phoebe Lou
▪ Alice Phoebe Lou – berühmte Straßenmusikerin Berlins
▪ Hit: „Walking In The Garden“
▪ Seit dem 01.03.2016 im Verkauf
▪ Tägliches Abspielen in diversen Radiosendern
Seite 7
Hintergrund & Ziel
Künstlerin
Nr. Thema
1 Kurzvorstellung CONOGY & Motor Entertainment
2 Hintergrund & Ziel
3 Projektvorgehen
4 Systemdemo
5 Projektergebnis & Fazit
6 Fragen & Antworten
Seite 8
Agenda
Ausgangslage
▪ Das Lied wurde täglich in verschieden Radiosendern abgespielt
▪ Daten von einem guten halben Jahr
▪ Verkaufszahlen pro Tag liegen vor
Problem
▪ Einige der Radiosender steigern nicht zwangsläufig den Verkauf
Ziel
▪ Historische Daten mit Hilfe von Data Mining Algorithmen
analysieren
▪ Abhängigkeiten zwischen Radiosender und den Verkaufszahlen
identifizieren
▪ Die Radiosender mit dem positiven Einfluss auf die Verkäufe
identifizieren
Seite 9
Hintergrund & Ziel
Projektziel
Nr. Thema
1 Kurzvorstellung CONOGY & Motor Entertainment
2 Hintergrund & Ziel
3 Projektvorgehen
4 Systemdemo
5 Projektergebnis & Fazit
6 Fragen & Antworten
Seite 10
Agenda
Business Understanding
▪ Welche Frage soll beantwortet werden?
▪ Welche Parameter (Daten) sind relevant?
Data Understanding
▪ Was sind die Datenquellen?
▪ Wie hoch ist die Datenqualität?
▪ Gibt es systematische Fehler?
Data Preparation
▪ Daten in auswertbares Format bringen / transformieren
▪ Z. B. Ausreißer oder überflüssige Daten eliminieren
Modeling
▪ Methoden/Techniken anwenden und Ergebnisse auswertbar machen
Evaluation
▪ Güte/Verlässlichkeit des Modells testen
Deployment
Seite 11
Projektvorgehen
Cross-Industry Standard Process for Data Mining (CRISP-DM)
Business
Understanding
Data
Understanding
Data
Preparation
ModelingEvaluation
Deployment
DATA
Business Understanding
▪ Was erhofft sich die Firma durch den Einsatz von Data Mining?
▪ Unternehmens- & Projektziel bestimmen
Data Understanding
▪ Datenanalyse
▪ Prüfung der Datenqualität
▪ Sind die Daten für die Anwendung von Data Mining valide?
Datenvorbereitung
▪ Datenselektion, -transformation, -aggregation etc.
▪ Sind fehlende Werte oder auch Ausreißer vorhanden?
Seite 12
Projektvorgehen
CRISP-DM Schritte 1-3
Nach Abschluss der Datenvorbereitung liegt die folgende transformierte Tabelle mit entsprechender Information vor
▪ Zeitreihe 01.03.2016 – 30.09.2016
▪ Anzahl der Abspiele in 80 Radiosender
▪ Verkaufszahlen pro Tag
▪ Kumulierte Verkaufszahlen für zwei bis sieben Tage
Seite 13
Projektvorgehen
Datenvorbereitung
Zeitvariable
Erklärende Variablen
(80 Variablen) Zielvariablen
Häufige genutzte Methoden
▪ Regressionsanalyse
▪ Zeitreihenanalyse
▪ Klassifikation
▪ Clustering
▪ Assoziationsanalyse
▪ Entscheidungsbäume
Weitere Methoden
▪ Simulation
▪ Ausreißer-Analyse
▪ Netzwerkanalyse
▪ Lineare & Dynamische Optimierungen
▪ Text Mining
▪ Social und Web Mining
▪ …
Seite 14
Kurzeinführung Predictive Analytics
Wichtige Data Mining-Techniken
Regression Zeitreihen Klassifikation Clustering
Ausreißer Neuronale Netze
Entscheidungs-
bäume
Assoziation
Projektvorgehen
Zeitreihenanalyse
Seite 16
Ziel - Sales (1 Tag)
Modell Performance Indikator MAPE = 0,377
▪ MAPE - Mittlerer absoluter prozentualer Fehler - misst die Genauigkeit der Prognosen des Modells und zeigt an, wie groß
die Differenz zwischen den Prognosen und dem tatsächlichen Signalwert ist
▪ 0 - perfektes Modell
▪ 1 - schlechtes Modell
▪ Grüne Kurve – die
aktuellen Daten
▪ Blaue Kurve – Prognose
des Generierten Modells
▪ Blaue Fläche – mögliche
Abweichung des Modells
▪ Rotes Quadrat - Ausreißer
Projektvorgehen
Simulation der Sonderfälle
Seite 17
▪ Es können userspezifische Simulationen erstellt werden (Was wäre, wenn…?)
▪ Basierend auf den Modellergebnissen bewertet das Modell die neuen Einträge und schätzt automatisch die Verkaufszahlen
▪ Der User kann selbst die gewünschten Variablenkombinationen ausprobieren und die optimale Variante herausfinden
Projektvorgehen
Prognoseerstellung für Zukunftsdaten
Seite 18
Geplante Radiostreams für Oktober
(Zukunftsdaten, die Verkaufszahlen sind noch nicht bekannt)
Verkaufsprognose für Oktober
(Automatisch durch das Model erstellt)
Modellanwendung
▪ Das Modell kann auf ein neues Datenset angewendet werden
▪ Der Plan der Radiostreams für Oktober ist bereits vorhanden
▪ Basierend auf den Modellergebnissen bewertet das Modell die neuen Einträge und schätzt automatisch die Verkaufszahlen
▪ Eine Vorhersage der Verkaufszahlen für die Zukunftsdaten ist möglich
Bewertung des Modells mittels KI und KR
▪ KI: Prognostische Trennschärfe
▪ Informationsanteil der Zielvariable, den die erklärenden
Variablen im Modell beschreiben können
(Prognosegenauigkeit)
▪ 0 ≙ rein zufälliges Modell, 1 ≙ perfektes Modell
▪ KR: Prognosekonfidenz
▪ Kennzahl bezüglich der Wiederverwendbarkeit des Modells für
neue Datensets (Robustheit)
▪ 0 ≙ Modell nicht auf neuen Daten verwendbar, 1 ≙ robustes
Modell
▪ Empfehlung der SAP KR > 0,95
Erklärung zur Performance Grafik
▪ Grüner Graph: Ideales Modell (Ist ≙ Prognostiziert)
▪ Blauer Graph: Prognose des Modells auf Validierungsdaten
▪ Blauer Bereich: Mögliche Abweichung des Modells
Seite 19
Projektvorgehen
Regressionsanalyse
Ziel - Sales (1 Tag)
Seite 20
Projektvorgehen
Regressionsanalyse
Ziel - Sales (6 Tage)Ziel - Sales (1 Tag)
Seite 21
Projektvorgehen
Regressionsanalyse
Ziel - Sales (6 Tage)
▪ Modellvorhersage für einen Verkaufstag ► geringe Trennschärfe (KI = 0,745) und Robustheit (KR = 0,883)
▪ Mögliche Ursache für geringen KR: zu wenig Datensätze
▪ Geringer Impact der Radiosendern auf den Verkauf am darauffolgendem Tag
▪ Modell für die kumulierten Verkaufszahlen nach 6 Tagen ► KI und KR sind hinreichend groß
▪ Möglicher Grund: Zuhörer kaufen i.d.R. nicht am Folgetag nachdem das Lied im Radiosender abgespielt wird ein
▪ D.h. Impact der Radiosender ist nach einigen Tagen in den kumulierten Verkaufszahlen messbar
Ziel - Sales (1 Tag)
Nr. Thema
1 Kurzvorstellung CONOGY & Motor Entertainment
2 Hintergrund & Ziel
3 Projektvorgehen
4 Systemdemo
5 Projektergebnis & Fazit
6 Fragen & Antworten
Seite 22
Agenda
Systemdemo
Seite 23
Systemdemo
Nr. Thema
1 Kurzvorstellung CONOGY & Motor Entertainment
2 Hintergrund & Ziel
3 Projektvorgehen
4 Systemdemo
5 Projektergebnis & Fazit
6 Fragen & Antworten
Seite 24
Agenda
Projektergebnis & Fazit
Zusammenfassung
Seite 27
▪ „EgoFM Soul“ hat die meisten Abspiele, ist aber laut
dem Modell nicht der beste
▪ „EgoFM Raw“ ist fast zwei Mal besser als „EgoFM
Soul“ und sollte somit die meisten Abspiele haben
▪ „Flux FM“ hat eine sehr große Auswirkung auf die
Verkäufe, obwohl er nur 33 Abspiele hat
▪ Die Sender mit dem KI=0 haben keinen Einfluss auf
die Verkäufe und können laut dem Modell durch die
anderen Sender ersetzt werden
Nr. Meistbenutzte
Radiosender
Abspiele
(Total)
1 egoFM Soul 402
2 egoFM Raw 156
3 Radius 92.1 107
4 ego FM 95
5 Hertz 87.9 82
6 LUniCo 60
7 HoRadS 99.2 FM 53
8 Flux FM 33
9 CT das Radio 96.9 FM 25
10 bit eXpress 19
Nr. Wichtigste
Radiosender
Prognosestärke
(KI)
1 egoFM Raw 0,27
2 Flux FM 0,16
3 egoFM Soul 0,15
4 Radius 92.1 0,15
5 ego FM 0,06
6 Radio Okerwelle 0,05
7 HoRadS 99.2 FM 0,04
8 bit eXpress 0,02
9 Hertz 87.9 0,01
10 103.7 UnserDing 0,00
Aktuelle Daten Generierte Daten
Übersicht der Radiosender nach ihrer Wichtigkeit
Vergleich der aktuellen Gesamtabspiele pro Radiosender mit den vom Modell empfohlenen Radiosender
Nr. Thema
1 Kurzvorstellung CONOGY & Motor Entertainment
2 Hintergrund & Ziel
3 Projektvorgehen
4 Systemdemo
5 Projektergebnis & Fazit
6 Fragen & Antworten
Seite 28
Agenda
Fragen & Antworten
Übersicht zum Buch
▪ Unser SAPPRESS-Buch zum Thema Predictive Analytics
▪ Mit diesem Buch lernen Sie, wie Sie Ihre Daten mit SAP Predictive
Analytics analysieren, um bisher unentdeckte Zusammenhänge
aufzuspüren und Trends vorhersagen zu können.
Inhalte
▪ Einführung und Mehrwerte von SAP Predictive Analytics
▪ Einführung in SAP Predictive Analytics
▪ Automated vs. Expert Analytics Mode
▪ Daten vorbereiten, auswerten und visualisieren
▪ Integration mit SAP Predictive Analysis Library, SAP HANA und
R
SAP Predictive Analytics Buchdaten
▪ 440 Seiten, gebunden, erschienen Juli 2017
▪ Buch | E-Book | Bundle
▪ ISBN 978-3-8362-4415-2
▪ Buchansicht und Leseprobe beim Rheinwerk Verlag
▪ Buchansicht und Leseprobe bei Amazon
SAP Predictive Analytics
Buchvorstellung
Fragen & Antworten
Seite 32
Ausblick Webinare
Folgende Webinare sind in der Zusammenarbeit zwischen
CONOGY und IBsolution geplant
▪ 10.04.2018: Thema S/4HANA
▪ 12.06.2018: Thema Advanced Analytics / Predictive
Bitte entnehmen Sie den Veröffentlichungen vorab die
detaillierten Inhalte.
Wir freuen uns, wenn Sie auch hier teilnehmen!
CONOGY GmbH
Martin Verleger
E-Mail: verleger@conogy.de
Tel: 030 - 488 289 801
Seite 33
Ihr Kontakt für mehr Predictive Analytics
Die Unterlagen finden Sie nach dem Webinar unter:
https://www.youtube.com/CONOGYGmbH
https://www.slideshare.net/CONOGY
Alice Phoebe Lou – She (live)
https://www.youtube.com/watch?v=NPH9j0qVM3A
Vielen Dank für Ihre Aufmerksamkeit!
Die in dieser Publikation enthaltene Information ist Eigentum der CONOGY GmbH. Weitergabe und Vervielfältigung dieser Publikation oder von Teilen daraus sind – zu
welchem Zweck und in welcher Form auch immer – nur mit ausdrücklicher schriftlicher Genehmigung durch die CONOGY GmbH gestattet.
Die Angaben im Text sind unverbindlich und dienen lediglich zu Informationszwecken. CONOGY übernimmt keine Haftung für Fehler oder Auslassungen in dieser
Publikation. Des Weiteren übernimmt CONOGY keine Garantie für die Exaktheit oder Vollständigkeit der Informationen, Texte, Grafiken, Links und sonstigen in dieser
Publikation enthaltenen Elementen. Diese Publikation wird ohne jegliche Gewähr, weder ausdrücklich noch stillschweigend, bereitgestellt. Dies gilt u. a., aber nicht
ausschließlich, hinsichtlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck sowie für die Gewährleistung der Nichtverletzung
geltenden Rechts.
CONOGY haftet nicht für entstandene Schäden. Dies gilt u. a. und uneingeschränkt für konkrete, besondere und mittelbare Schäden oder Folgeschäden, die aus der
Nutzung dieser Materialien entstehen können. Diese Einschränkung gilt nicht bei Vorsatz oder grober Fahrlässigkeit.
Die gesetzliche Haftung bei Personenschäden oder Produkthaftung bleibt unberührt. Die Informationen, auf die Sie möglicherweise über die in diesem Material
enthaltenen Links zugreifen, unterliegen nicht dem Einfluss von CONOGY, und CONOGY unterstützt nicht die Nutzung von Internetseiten Dritter durch Sie und gibt
keinerlei Gewährleistungen oder Zusagen über Internetseiten Dritter ab.
Microsoft®, WINDOWS®, NT®, EXCEL®, Word®, PowerPoint® und SQL Server® sind eingetragene Marken der Microsoft Corporation.
IBM, DB2, DB2 Universal Database, Informix und PowerPC sind Marken oder eingetragene Marken der IBM Corporation.
Adobe, das Adobe Logo, Acrobat, PostScript und Reader sind Marken oder eingetragene Marken von Adobe Systems Inc. in den USA und/oder anderen Ländern.
ORACLE® ist eine eingetragene Marke der ORACLE Corporation.
UNIX®, X/Open®, OSF/1® und Motif® sind eingetragene Marken der Open Group.
Citrix®, das Citrix-Logo, ICA®, Program Neighborhood®, MetaFrame®, WinFrame®, VideoFrame®, MultiWin® und andere hier erwähnte Namen von Citrix-
Produkten sind Marken von Citrix Systems, Inc.
HTML, DHTML, XML, XHTML sind Marken oder eingetragene Marken des W3C®, World WideWeb Consortium, Massachusetts Institute of Technology.
JAVA® ist eine eingetragene Marke der Sun Microsystems, Inc.
JAVASCRIPT® ist eine eingetragene Marke der Sun Microsystems, Inc., verwendet unter der Lizenz der von Netscape entwickelten und implementierten Technologie.
MaxDB ist eine Marke von MySQL AB, Schweden.
SAP, HANA, BusinessObjects, R/3, mySAP, mySAP.com, xApps, xApp, SAP NetWeaver, und weitere im Text erwähnte SAP-Produkte und -Dienstleistungen sowie die
entsprechenden Logos sind Marken oder eingetragene Marken der SAP AG in Deutschland und anderen Ländern weltweit. Alle anderen Namen von Produkten und
Dienstleistungen sind Marken der jeweiligen Firmen.
Copyright 2018 CONOGY GmbH
Alle Rechte vorbehalten
Seite 35

Weitere ähnliche Inhalte

Ähnlich wie Webinar: Erfahrungsbericht - Nachfrageoptimierung mit SAP Predictive Analytics

Analytic powerhouse parallel data warehouse und r
Analytic powerhouse parallel data warehouse und rAnalytic powerhouse parallel data warehouse und r
Analytic powerhouse parallel data warehouse und r
Marcel Franke
 
Make Agile Great - PM-Erfahrungen aus zwei virtuellen internationalen SAFe-Pr...
Make Agile Great - PM-Erfahrungen aus zwei virtuellen internationalen SAFe-Pr...Make Agile Great - PM-Erfahrungen aus zwei virtuellen internationalen SAFe-Pr...
Make Agile Great - PM-Erfahrungen aus zwei virtuellen internationalen SAFe-Pr...
QAware GmbH
 
Measure, Analyze, Act: Effiziente Multi-Channel Steuerung
Measure, Analyze, Act: Effiziente Multi-Channel SteuerungMeasure, Analyze, Act: Effiziente Multi-Channel Steuerung
Measure, Analyze, Act: Effiziente Multi-Channel Steuerung
Yves Schebesta Jaggi
 
Webinar - Echtzeit-Analysen mit SAP DMi: So nutzen Sie Ihre Produktionsdaten ...
Webinar - Echtzeit-Analysen mit SAP DMi: So nutzen Sie Ihre Produktionsdaten ...Webinar - Echtzeit-Analysen mit SAP DMi: So nutzen Sie Ihre Produktionsdaten ...
Webinar - Echtzeit-Analysen mit SAP DMi: So nutzen Sie Ihre Produktionsdaten ...
Trebing & Himstedt Prozeßautomation GmbH & Co. KG
 
AdWords / Suchmaschinenwerbung und Webanalyse - Daten nutzen!
AdWords / Suchmaschinenwerbung und Webanalyse - Daten nutzen!AdWords / Suchmaschinenwerbung und Webanalyse - Daten nutzen!
AdWords / Suchmaschinenwerbung und Webanalyse - Daten nutzen!
DC Storm Deutschland GmbH
 
Beyond Agile - when Freedom grows to Quality and Speed
Beyond Agile - when Freedom grows to Quality and SpeedBeyond Agile - when Freedom grows to Quality and Speed
Beyond Agile - when Freedom grows to Quality and Speed
Sebastian Bernt
 
Google Analytics Konferenz 2018_Website-Optimierung mit Optimize (360)_Simon ...
Google Analytics Konferenz 2018_Website-Optimierung mit Optimize (360)_Simon ...Google Analytics Konferenz 2018_Website-Optimierung mit Optimize (360)_Simon ...
Google Analytics Konferenz 2018_Website-Optimierung mit Optimize (360)_Simon ...
e-dialog GmbH
 
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Praxistage
 
Responsive Multichannel-E-Commerce: Vorgehen und Learnings aus der Praxis
Responsive Multichannel-E-Commerce: Vorgehen und Learnings aus der PraxisResponsive Multichannel-E-Commerce: Vorgehen und Learnings aus der Praxis
Responsive Multichannel-E-Commerce: Vorgehen und Learnings aus der Praxis
Roberto Rizzi
 
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Wiiisdom
 
PPC Bidmanagement tools – Get rich fast? OMX 2013
PPC Bidmanagement tools – Get rich fast? OMX 2013PPC Bidmanagement tools – Get rich fast? OMX 2013
PPC Bidmanagement tools – Get rich fast? OMX 2013
Marcel Prothmann
 
SkyBoard Inc.: Transition to SAP ERP
SkyBoard Inc.: Transition to SAP ERPSkyBoard Inc.: Transition to SAP ERP
SkyBoard Inc.: Transition to SAP ERP
F789GH
 
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcherScrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Juergen Hohnhold
 
Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!
Harald Erb
 
SAP IdM Wartungsende 2027... und was nun?
SAP IdM Wartungsende 2027... und was nun?SAP IdM Wartungsende 2027... und was nun?
SAP IdM Wartungsende 2027... und was nun?
IBsolution GmbH
 
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
e-dialog GmbH
 
GAUC 2017 Workshop Double Click: Siegfried Stepke (e-dialog)
GAUC 2017 Workshop Double Click: Siegfried Stepke (e-dialog)GAUC 2017 Workshop Double Click: Siegfried Stepke (e-dialog)
GAUC 2017 Workshop Double Click: Siegfried Stepke (e-dialog)
e-dialog GmbH
 
SMX München 2017: Bastian Grimm & Christian Paavo Spieker
SMX München 2017: Bastian Grimm & Christian Paavo Spieker SMX München 2017: Bastian Grimm & Christian Paavo Spieker
SMX München 2017: Bastian Grimm & Christian Paavo Spieker
One Advertising AG
 
Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid Architectures
Comsysto Reply GmbH
 
Agile Planung (Vortrag beim QS-Tag 2014 in Nürnberg)
Agile Planung (Vortrag beim QS-Tag 2014 in Nürnberg)Agile Planung (Vortrag beim QS-Tag 2014 in Nürnberg)
Agile Planung (Vortrag beim QS-Tag 2014 in Nürnberg)
Stefan ROOCK
 

Ähnlich wie Webinar: Erfahrungsbericht - Nachfrageoptimierung mit SAP Predictive Analytics (20)

Analytic powerhouse parallel data warehouse und r
Analytic powerhouse parallel data warehouse und rAnalytic powerhouse parallel data warehouse und r
Analytic powerhouse parallel data warehouse und r
 
Make Agile Great - PM-Erfahrungen aus zwei virtuellen internationalen SAFe-Pr...
Make Agile Great - PM-Erfahrungen aus zwei virtuellen internationalen SAFe-Pr...Make Agile Great - PM-Erfahrungen aus zwei virtuellen internationalen SAFe-Pr...
Make Agile Great - PM-Erfahrungen aus zwei virtuellen internationalen SAFe-Pr...
 
Measure, Analyze, Act: Effiziente Multi-Channel Steuerung
Measure, Analyze, Act: Effiziente Multi-Channel SteuerungMeasure, Analyze, Act: Effiziente Multi-Channel Steuerung
Measure, Analyze, Act: Effiziente Multi-Channel Steuerung
 
Webinar - Echtzeit-Analysen mit SAP DMi: So nutzen Sie Ihre Produktionsdaten ...
Webinar - Echtzeit-Analysen mit SAP DMi: So nutzen Sie Ihre Produktionsdaten ...Webinar - Echtzeit-Analysen mit SAP DMi: So nutzen Sie Ihre Produktionsdaten ...
Webinar - Echtzeit-Analysen mit SAP DMi: So nutzen Sie Ihre Produktionsdaten ...
 
AdWords / Suchmaschinenwerbung und Webanalyse - Daten nutzen!
AdWords / Suchmaschinenwerbung und Webanalyse - Daten nutzen!AdWords / Suchmaschinenwerbung und Webanalyse - Daten nutzen!
AdWords / Suchmaschinenwerbung und Webanalyse - Daten nutzen!
 
Beyond Agile - when Freedom grows to Quality and Speed
Beyond Agile - when Freedom grows to Quality and SpeedBeyond Agile - when Freedom grows to Quality and Speed
Beyond Agile - when Freedom grows to Quality and Speed
 
Google Analytics Konferenz 2018_Website-Optimierung mit Optimize (360)_Simon ...
Google Analytics Konferenz 2018_Website-Optimierung mit Optimize (360)_Simon ...Google Analytics Konferenz 2018_Website-Optimierung mit Optimize (360)_Simon ...
Google Analytics Konferenz 2018_Website-Optimierung mit Optimize (360)_Simon ...
 
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
Michael Jäger (Techsoft), Dipl.-Ing. Bernd Kuntze (Franz Haas Waffel- und Kek...
 
Responsive Multichannel-E-Commerce: Vorgehen und Learnings aus der Praxis
Responsive Multichannel-E-Commerce: Vorgehen und Learnings aus der PraxisResponsive Multichannel-E-Commerce: Vorgehen und Learnings aus der Praxis
Responsive Multichannel-E-Commerce: Vorgehen und Learnings aus der Praxis
 
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
Den Usern mehr bieten: Business Objects Tools als Teil der Business Analytics...
 
PPC Bidmanagement tools – Get rich fast? OMX 2013
PPC Bidmanagement tools – Get rich fast? OMX 2013PPC Bidmanagement tools – Get rich fast? OMX 2013
PPC Bidmanagement tools – Get rich fast? OMX 2013
 
SkyBoard Inc.: Transition to SAP ERP
SkyBoard Inc.: Transition to SAP ERPSkyBoard Inc.: Transition to SAP ERP
SkyBoard Inc.: Transition to SAP ERP
 
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcherScrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
Scrum days 2016_scrum_bei_festo_frank-m.hoyer_nadine.kärcher
 
Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!
 
SAP IdM Wartungsende 2027... und was nun?
SAP IdM Wartungsende 2027... und was nun?SAP IdM Wartungsende 2027... und was nun?
SAP IdM Wartungsende 2027... und was nun?
 
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
Michaela Heger & Marietheres Koch (e-dialog) Display & Video 360 - Programmat...
 
GAUC 2017 Workshop Double Click: Siegfried Stepke (e-dialog)
GAUC 2017 Workshop Double Click: Siegfried Stepke (e-dialog)GAUC 2017 Workshop Double Click: Siegfried Stepke (e-dialog)
GAUC 2017 Workshop Double Click: Siegfried Stepke (e-dialog)
 
SMX München 2017: Bastian Grimm & Christian Paavo Spieker
SMX München 2017: Bastian Grimm & Christian Paavo Spieker SMX München 2017: Bastian Grimm & Christian Paavo Spieker
SMX München 2017: Bastian Grimm & Christian Paavo Spieker
 
Data lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid ArchitecturesData lake vs Data Warehouse: Hybrid Architectures
Data lake vs Data Warehouse: Hybrid Architectures
 
Agile Planung (Vortrag beim QS-Tag 2014 in Nürnberg)
Agile Planung (Vortrag beim QS-Tag 2014 in Nürnberg)Agile Planung (Vortrag beim QS-Tag 2014 in Nürnberg)
Agile Planung (Vortrag beim QS-Tag 2014 in Nürnberg)
 

Webinar: Erfahrungsbericht - Nachfrageoptimierung mit SAP Predictive Analytics

  • 1. Erfahrungsbericht Berlin, 6. Februar 2018 Nachfrageoptimierung mittels Predictive Analytics
  • 2. Seite 2 Sprecher Martin Verleger Denis TithoChristian Goebel
  • 3. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 3 Agenda
  • 4. Seite 4 CONOGY Key Facts 10 Jahre etablierter und geschätzter SAP Beratungspartner 60+ leidenschaftliche Mitarbeiter 92% Weiterempfehlung bei Kununu 50+ Zertifikate ISO 9001 Projektmanagement SAP (Mitarbeiter / Firma) 100+ Erfolgreiche Projekte 50+ Zufriedene Kunden 20+ Direktkunden in 2017 2 Standorte Berlin Düsseldorf
  • 5. Seite 5 CONOGY Kompetenzfelder Toolauswahl Architektur Schulungen Governance BI Strategie Embedded Planning S/4HANA Analytics S/4HANA Migration Fiori S/4HANA Datenmodellierung HANA (BW/4HANA, Native, …) Dynamic Tiering Basis Administration Data Warehousing 2nd & 3rd Level Support Hotline / Service Desk Monitoring Pflege / Wartung Application Management Data Science Methodologie Predictive Analytics Big Data Szenarien Datengetriebene Planung Data Science UI5 / Web Dynpro BusinessObjects Planung BO Cloud / Mobile Analytics Reporting & Planung
  • 6. Motor Entertainment GmbH ▪ Motor Entertainment GmbH vermarktet neue Künstler ▪ Bietet seinen Künstlern Label, Verlag und Management in einem ▪ Veröffentlicht jeden Künstler, der bestimmte, allgemein kompatible Standards erfüllt ▪ Benutzt u.a. Radiosender als eine Form der Musikvermarktung ▪ Hilft den Künstler beim Verkaufsmanagement ihrer Produkte Seite 6 Hintergrund & Ziel Übersicht Motor Entertainment
  • 7. Alice Phoebe Lou ▪ Alice Phoebe Lou – berühmte Straßenmusikerin Berlins ▪ Hit: „Walking In The Garden“ ▪ Seit dem 01.03.2016 im Verkauf ▪ Tägliches Abspielen in diversen Radiosendern Seite 7 Hintergrund & Ziel Künstlerin
  • 8. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 8 Agenda
  • 9. Ausgangslage ▪ Das Lied wurde täglich in verschieden Radiosendern abgespielt ▪ Daten von einem guten halben Jahr ▪ Verkaufszahlen pro Tag liegen vor Problem ▪ Einige der Radiosender steigern nicht zwangsläufig den Verkauf Ziel ▪ Historische Daten mit Hilfe von Data Mining Algorithmen analysieren ▪ Abhängigkeiten zwischen Radiosender und den Verkaufszahlen identifizieren ▪ Die Radiosender mit dem positiven Einfluss auf die Verkäufe identifizieren Seite 9 Hintergrund & Ziel Projektziel
  • 10. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 10 Agenda
  • 11. Business Understanding ▪ Welche Frage soll beantwortet werden? ▪ Welche Parameter (Daten) sind relevant? Data Understanding ▪ Was sind die Datenquellen? ▪ Wie hoch ist die Datenqualität? ▪ Gibt es systematische Fehler? Data Preparation ▪ Daten in auswertbares Format bringen / transformieren ▪ Z. B. Ausreißer oder überflüssige Daten eliminieren Modeling ▪ Methoden/Techniken anwenden und Ergebnisse auswertbar machen Evaluation ▪ Güte/Verlässlichkeit des Modells testen Deployment Seite 11 Projektvorgehen Cross-Industry Standard Process for Data Mining (CRISP-DM) Business Understanding Data Understanding Data Preparation ModelingEvaluation Deployment DATA
  • 12. Business Understanding ▪ Was erhofft sich die Firma durch den Einsatz von Data Mining? ▪ Unternehmens- & Projektziel bestimmen Data Understanding ▪ Datenanalyse ▪ Prüfung der Datenqualität ▪ Sind die Daten für die Anwendung von Data Mining valide? Datenvorbereitung ▪ Datenselektion, -transformation, -aggregation etc. ▪ Sind fehlende Werte oder auch Ausreißer vorhanden? Seite 12 Projektvorgehen CRISP-DM Schritte 1-3
  • 13. Nach Abschluss der Datenvorbereitung liegt die folgende transformierte Tabelle mit entsprechender Information vor ▪ Zeitreihe 01.03.2016 – 30.09.2016 ▪ Anzahl der Abspiele in 80 Radiosender ▪ Verkaufszahlen pro Tag ▪ Kumulierte Verkaufszahlen für zwei bis sieben Tage Seite 13 Projektvorgehen Datenvorbereitung Zeitvariable Erklärende Variablen (80 Variablen) Zielvariablen
  • 14. Häufige genutzte Methoden ▪ Regressionsanalyse ▪ Zeitreihenanalyse ▪ Klassifikation ▪ Clustering ▪ Assoziationsanalyse ▪ Entscheidungsbäume Weitere Methoden ▪ Simulation ▪ Ausreißer-Analyse ▪ Netzwerkanalyse ▪ Lineare & Dynamische Optimierungen ▪ Text Mining ▪ Social und Web Mining ▪ … Seite 14 Kurzeinführung Predictive Analytics Wichtige Data Mining-Techniken Regression Zeitreihen Klassifikation Clustering Ausreißer Neuronale Netze Entscheidungs- bäume Assoziation
  • 15. Projektvorgehen Zeitreihenanalyse Seite 16 Ziel - Sales (1 Tag) Modell Performance Indikator MAPE = 0,377 ▪ MAPE - Mittlerer absoluter prozentualer Fehler - misst die Genauigkeit der Prognosen des Modells und zeigt an, wie groß die Differenz zwischen den Prognosen und dem tatsächlichen Signalwert ist ▪ 0 - perfektes Modell ▪ 1 - schlechtes Modell ▪ Grüne Kurve – die aktuellen Daten ▪ Blaue Kurve – Prognose des Generierten Modells ▪ Blaue Fläche – mögliche Abweichung des Modells ▪ Rotes Quadrat - Ausreißer
  • 16. Projektvorgehen Simulation der Sonderfälle Seite 17 ▪ Es können userspezifische Simulationen erstellt werden (Was wäre, wenn…?) ▪ Basierend auf den Modellergebnissen bewertet das Modell die neuen Einträge und schätzt automatisch die Verkaufszahlen ▪ Der User kann selbst die gewünschten Variablenkombinationen ausprobieren und die optimale Variante herausfinden
  • 17. Projektvorgehen Prognoseerstellung für Zukunftsdaten Seite 18 Geplante Radiostreams für Oktober (Zukunftsdaten, die Verkaufszahlen sind noch nicht bekannt) Verkaufsprognose für Oktober (Automatisch durch das Model erstellt) Modellanwendung ▪ Das Modell kann auf ein neues Datenset angewendet werden ▪ Der Plan der Radiostreams für Oktober ist bereits vorhanden ▪ Basierend auf den Modellergebnissen bewertet das Modell die neuen Einträge und schätzt automatisch die Verkaufszahlen ▪ Eine Vorhersage der Verkaufszahlen für die Zukunftsdaten ist möglich
  • 18. Bewertung des Modells mittels KI und KR ▪ KI: Prognostische Trennschärfe ▪ Informationsanteil der Zielvariable, den die erklärenden Variablen im Modell beschreiben können (Prognosegenauigkeit) ▪ 0 ≙ rein zufälliges Modell, 1 ≙ perfektes Modell ▪ KR: Prognosekonfidenz ▪ Kennzahl bezüglich der Wiederverwendbarkeit des Modells für neue Datensets (Robustheit) ▪ 0 ≙ Modell nicht auf neuen Daten verwendbar, 1 ≙ robustes Modell ▪ Empfehlung der SAP KR > 0,95 Erklärung zur Performance Grafik ▪ Grüner Graph: Ideales Modell (Ist ≙ Prognostiziert) ▪ Blauer Graph: Prognose des Modells auf Validierungsdaten ▪ Blauer Bereich: Mögliche Abweichung des Modells Seite 19 Projektvorgehen Regressionsanalyse Ziel - Sales (1 Tag)
  • 19. Seite 20 Projektvorgehen Regressionsanalyse Ziel - Sales (6 Tage)Ziel - Sales (1 Tag)
  • 20. Seite 21 Projektvorgehen Regressionsanalyse Ziel - Sales (6 Tage) ▪ Modellvorhersage für einen Verkaufstag ► geringe Trennschärfe (KI = 0,745) und Robustheit (KR = 0,883) ▪ Mögliche Ursache für geringen KR: zu wenig Datensätze ▪ Geringer Impact der Radiosendern auf den Verkauf am darauffolgendem Tag ▪ Modell für die kumulierten Verkaufszahlen nach 6 Tagen ► KI und KR sind hinreichend groß ▪ Möglicher Grund: Zuhörer kaufen i.d.R. nicht am Folgetag nachdem das Lied im Radiosender abgespielt wird ein ▪ D.h. Impact der Radiosender ist nach einigen Tagen in den kumulierten Verkaufszahlen messbar Ziel - Sales (1 Tag)
  • 21. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 22 Agenda
  • 23. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 24 Agenda
  • 24. Projektergebnis & Fazit Zusammenfassung Seite 27 ▪ „EgoFM Soul“ hat die meisten Abspiele, ist aber laut dem Modell nicht der beste ▪ „EgoFM Raw“ ist fast zwei Mal besser als „EgoFM Soul“ und sollte somit die meisten Abspiele haben ▪ „Flux FM“ hat eine sehr große Auswirkung auf die Verkäufe, obwohl er nur 33 Abspiele hat ▪ Die Sender mit dem KI=0 haben keinen Einfluss auf die Verkäufe und können laut dem Modell durch die anderen Sender ersetzt werden Nr. Meistbenutzte Radiosender Abspiele (Total) 1 egoFM Soul 402 2 egoFM Raw 156 3 Radius 92.1 107 4 ego FM 95 5 Hertz 87.9 82 6 LUniCo 60 7 HoRadS 99.2 FM 53 8 Flux FM 33 9 CT das Radio 96.9 FM 25 10 bit eXpress 19 Nr. Wichtigste Radiosender Prognosestärke (KI) 1 egoFM Raw 0,27 2 Flux FM 0,16 3 egoFM Soul 0,15 4 Radius 92.1 0,15 5 ego FM 0,06 6 Radio Okerwelle 0,05 7 HoRadS 99.2 FM 0,04 8 bit eXpress 0,02 9 Hertz 87.9 0,01 10 103.7 UnserDing 0,00 Aktuelle Daten Generierte Daten Übersicht der Radiosender nach ihrer Wichtigkeit Vergleich der aktuellen Gesamtabspiele pro Radiosender mit den vom Modell empfohlenen Radiosender
  • 25. Nr. Thema 1 Kurzvorstellung CONOGY & Motor Entertainment 2 Hintergrund & Ziel 3 Projektvorgehen 4 Systemdemo 5 Projektergebnis & Fazit 6 Fragen & Antworten Seite 28 Agenda
  • 27. Übersicht zum Buch ▪ Unser SAPPRESS-Buch zum Thema Predictive Analytics ▪ Mit diesem Buch lernen Sie, wie Sie Ihre Daten mit SAP Predictive Analytics analysieren, um bisher unentdeckte Zusammenhänge aufzuspüren und Trends vorhersagen zu können. Inhalte ▪ Einführung und Mehrwerte von SAP Predictive Analytics ▪ Einführung in SAP Predictive Analytics ▪ Automated vs. Expert Analytics Mode ▪ Daten vorbereiten, auswerten und visualisieren ▪ Integration mit SAP Predictive Analysis Library, SAP HANA und R SAP Predictive Analytics Buchdaten ▪ 440 Seiten, gebunden, erschienen Juli 2017 ▪ Buch | E-Book | Bundle ▪ ISBN 978-3-8362-4415-2 ▪ Buchansicht und Leseprobe beim Rheinwerk Verlag ▪ Buchansicht und Leseprobe bei Amazon SAP Predictive Analytics Buchvorstellung
  • 29. Seite 32 Ausblick Webinare Folgende Webinare sind in der Zusammenarbeit zwischen CONOGY und IBsolution geplant ▪ 10.04.2018: Thema S/4HANA ▪ 12.06.2018: Thema Advanced Analytics / Predictive Bitte entnehmen Sie den Veröffentlichungen vorab die detaillierten Inhalte. Wir freuen uns, wenn Sie auch hier teilnehmen!
  • 30. CONOGY GmbH Martin Verleger E-Mail: verleger@conogy.de Tel: 030 - 488 289 801 Seite 33 Ihr Kontakt für mehr Predictive Analytics Die Unterlagen finden Sie nach dem Webinar unter: https://www.youtube.com/CONOGYGmbH https://www.slideshare.net/CONOGY Alice Phoebe Lou – She (live) https://www.youtube.com/watch?v=NPH9j0qVM3A
  • 31. Vielen Dank für Ihre Aufmerksamkeit!
  • 32. Die in dieser Publikation enthaltene Information ist Eigentum der CONOGY GmbH. Weitergabe und Vervielfältigung dieser Publikation oder von Teilen daraus sind – zu welchem Zweck und in welcher Form auch immer – nur mit ausdrücklicher schriftlicher Genehmigung durch die CONOGY GmbH gestattet. Die Angaben im Text sind unverbindlich und dienen lediglich zu Informationszwecken. CONOGY übernimmt keine Haftung für Fehler oder Auslassungen in dieser Publikation. Des Weiteren übernimmt CONOGY keine Garantie für die Exaktheit oder Vollständigkeit der Informationen, Texte, Grafiken, Links und sonstigen in dieser Publikation enthaltenen Elementen. Diese Publikation wird ohne jegliche Gewähr, weder ausdrücklich noch stillschweigend, bereitgestellt. Dies gilt u. a., aber nicht ausschließlich, hinsichtlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck sowie für die Gewährleistung der Nichtverletzung geltenden Rechts. CONOGY haftet nicht für entstandene Schäden. Dies gilt u. a. und uneingeschränkt für konkrete, besondere und mittelbare Schäden oder Folgeschäden, die aus der Nutzung dieser Materialien entstehen können. Diese Einschränkung gilt nicht bei Vorsatz oder grober Fahrlässigkeit. Die gesetzliche Haftung bei Personenschäden oder Produkthaftung bleibt unberührt. Die Informationen, auf die Sie möglicherweise über die in diesem Material enthaltenen Links zugreifen, unterliegen nicht dem Einfluss von CONOGY, und CONOGY unterstützt nicht die Nutzung von Internetseiten Dritter durch Sie und gibt keinerlei Gewährleistungen oder Zusagen über Internetseiten Dritter ab. Microsoft®, WINDOWS®, NT®, EXCEL®, Word®, PowerPoint® und SQL Server® sind eingetragene Marken der Microsoft Corporation. IBM, DB2, DB2 Universal Database, Informix und PowerPC sind Marken oder eingetragene Marken der IBM Corporation. Adobe, das Adobe Logo, Acrobat, PostScript und Reader sind Marken oder eingetragene Marken von Adobe Systems Inc. in den USA und/oder anderen Ländern. ORACLE® ist eine eingetragene Marke der ORACLE Corporation. UNIX®, X/Open®, OSF/1® und Motif® sind eingetragene Marken der Open Group. Citrix®, das Citrix-Logo, ICA®, Program Neighborhood®, MetaFrame®, WinFrame®, VideoFrame®, MultiWin® und andere hier erwähnte Namen von Citrix- Produkten sind Marken von Citrix Systems, Inc. HTML, DHTML, XML, XHTML sind Marken oder eingetragene Marken des W3C®, World WideWeb Consortium, Massachusetts Institute of Technology. JAVA® ist eine eingetragene Marke der Sun Microsystems, Inc. JAVASCRIPT® ist eine eingetragene Marke der Sun Microsystems, Inc., verwendet unter der Lizenz der von Netscape entwickelten und implementierten Technologie. MaxDB ist eine Marke von MySQL AB, Schweden. SAP, HANA, BusinessObjects, R/3, mySAP, mySAP.com, xApps, xApp, SAP NetWeaver, und weitere im Text erwähnte SAP-Produkte und -Dienstleistungen sowie die entsprechenden Logos sind Marken oder eingetragene Marken der SAP AG in Deutschland und anderen Ländern weltweit. Alle anderen Namen von Produkten und Dienstleistungen sind Marken der jeweiligen Firmen. Copyright 2018 CONOGY GmbH Alle Rechte vorbehalten Seite 35