Erleben Sie eine Verkaufsanalyse mittels Predictive Analytics und erhalten Sie Einblick in die methodische und technische Umsetzung. Alle reden von Predictive Analytics, wir haben die Erfahrung in diesem zukunftsträchtigen Bereich und zeigen Ihnen ein konkretes Business Szenario in Form einer Verkaufsanalyse mittels Predictive Analytics. Wir geben Ihnen Einblick in die methodische und technische Umsetzung und machen auf einige typische Probleme in Projekten aufmerksam.

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

22. Systemdemo
Seite 23
Systemdemo

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

26. Fragen & Antworten

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

28. Fragen & Antworten

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