Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Prof. Dr. Andreas Hilbert

Ähnliche Präsentationen


Präsentation zum Thema: "Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Prof. Dr. Andreas Hilbert"—  Präsentation transkript:

1 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Prof. Dr. Andreas Hilbert Dresden Telefon Telefax Rico Ludwig Chris Reiche Patrick Schwabe Ausgewählte Aspekte der BI: Projektseminar Endpräsentation Mat. Nr.: Mat. Nr.: Mat. Nr.:

2 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation Die Linusbank Allgemeine Marktübersicht Unternehmenssicht Problembeschreibung Projektplan Deskriptive Analyse Kundenwertkonzept Klassifikationsmodell Kampagnenauswertung

3 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 3 Die Linusbank Allgemeine Marktübersicht höhere Preissensitivität Häufig 2 bis 4 Bankverbindungen Entwicklung kostenloser Girokonten: – 2000: gesamt: 6 % – 2005: gesamt: 10 % - 2 % Onlinekonten – 2010: gesamt 20 % - 19 % Onlinekonten Allgemeine Demografie am Markt: – 21 % jünger als 30 – 15 % älter als 70 Jahre – 19 % zwischen 40 und 49 – andere Altersgruppen jeweils ca. 15 %

4 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 4 Die Linusbank Unternehmenssicht mittelgroße Filialbank mit Kunden 5 Produkte : umfangreiches Data Warehouse mit historisierter Datenbasis sowohl Online- als auch Filialgeschäft

5 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation Die Linusbank Problembeschreibung Was der Kunde sagt Was der Kunde will Projektplan Data Understanding Data Preparation Modeling

6 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 6 Problembeschreibung Was der Kunde sagt "Wir wollen den Produktbesitz und die Produktnutzung unserer Bestandskunden intensivieren, um dem Wettbewerbsdruck zu begegnen. Allerdings sind die Kosten unserer jeweils produktbezogenen Cross- und Up-Selling-Kampangen hoch, und zu häufig sollten die Kunden auch nicht angesprochen werden. Deshalb wollen wir mit unseren Kampagnen vorranging die wertvollsten Kunden adressieren. Leider können wir den Erfolg von Kampagnen nur schwer beurteilen. Anhand von Vergangenheitsdaten wissen wir, dass sich unsere Kunden hinsichtlich ihres Produktbesitzes, ihrer Produktnutzung sowie ihrer Reaktion auf Kampagnen zum Teil deutlich unterscheiden.

7 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 7 Problembeschreibung Was der Kunde will Kosten für Kampagnen sehr hoch Kunden nutzen wenige Produkte Keine Erfolgsmessung der Kampagnen Wertvolle Kunden unbekannt Ziele: – Kundenzufriedenheit und Bindung erhöhen – Wertvolle Kunden identifizieren – Kosten reduzieren – Erfolgsmessung für Marketingkampagnen einführen

8 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation Die Linusbank Problembeschreibung Projektplan Projektablauf Koordination der Projektarbeit Data Understanding Data Preparation Modeling Kampagnenauswertung

9 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 9 Projektplan Projektablauf Orientierung des Projektablaufes an den Phasen des CRISP-DM Einarbeitung in Bankgeschäft und Daten der Linusbank Festlegen der Teilziele für Projektablauf Erarbeiten von Kennzahlen auf Basis der vorhandenen Daten Evaluation der erstellten Modelle und ableiten von Handlungsempfehlungen

10 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 10 Projektplan Kooperation der Projektarbeit

11 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Projektplan Data Understanding Übersicht über vorhandene Daten Produktverteilung Produkterträge Kundenanalyse Kundenwertkonzept Data Preparation …

12 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 12 Deskriptive Analyse Übersicht über vorhandene Daten

13 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 13 Deskriptive Analyse Produktverteilung (gesamt) Girokonto hat größten Produktanteil Kredit nur vergleichsweise geringer Anteil Anteil für Riester und Spaern minimal

14 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 14 Deskriptive Analyse Produktverteilung (für Monat Juni)

15 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 15 Deskriptive Analyse Produktverteilung (für Monat Dezember)

16 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 16 Deskriptive Analyse Produktverteilung Deutliche Unterschiede in der Produktverteilung zwischen den Monaten Juni und Dezember erkennbar Zurückzuführen auf wirksame Marketingkampagnen Alle Informationen über erstes Halbjahr im Datensatz für Juni enthalten Juni - Datensatz stellt Basis unserer Annahmen und Berechnungen dar Später: Vergleich und Güteanalyse mit Daten des Dezembers

17 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 17 Deskriptive Analyse Produkterträge Riester und Kredit haben die höchsten Anteile an den Erträgen Zins, Giro und Depot vergleichsweise niedriger Ertragsanteil JahresertragLaufzeitertrag

18 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Projektplan Data Understanding Übersicht über vorhandene Daten Produktverteilung Produkterträge Kundenanalyse Kundenwertkonzept Data Preparation …

19 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 19 Deskriptive Analyse Kundenanalyse Die absolute Zahl der Kunden, die 1, 2, 3, 4 oder 5 und mehr Produkte besitzen Die relativen Änderungen der Kunden mit einer bestimmten Anzahl an Produkten

20 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 20 Deskriptive Analyse Kundenanalyse Umsatzanalyse nach Monaten sowie Zahl der Kunden, die einen Vertrag abgeschlossen haben und Zahl der abgeschlossenen Verträge.

21 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 21 Deskriptive Analyse Kundenstruktur 1/2

22 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 22 Deskriptive Analyse Kundenstruktur 2/2 Mehr Filial- als Onlinekunden Kaum Unterschiede in der Altersstruktur im Vergleich Online/ Offline

23 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 23 Deskriptive Analyse Kundenwertkonzept Motivation: Banken besitzen nur beschränkte Ressourcen für Aktivitäten der Kundenbindung Ziel ist es Kundensegmente zu identifizieren, die den Einsatz dieser Ressourcen rechtfertigen Ermöglichung einer spezifischen Art der Betreuung von Bestandkunden und potenziellen Neukunden Ausschöpfung von Cross- & Up - Selling Potenzialen Mögliche Verfahren Qualitative Segmentierung ABC - Analysen Kunden - Deckungsbeitragsrechnung Kunden - Scoring - Modelle Kunden - Portfolio - Analyse Customer Lifetime Value

24 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 24 Deskriptive Analyse Kundenwertkonzept Kundenwert lässt sich über viele Faktoren bestimmen: Beziehungsdauer Kreditwürdigkeit Transaktionsvolumen erwartete Kaufwahrscheinlichkeit für die Zukunft generierter Umsatz Hohes Einkommen Durch welche Daten lassen sich solche Kunden erkennen? Kreditvolumen (VOLUMEN_KREDIT) Kreditwürdigkeit Einalgen - Netto - Volumen Einlagenvolumen Saldo Girokonto Beziehungsdauer

25 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 25 Deskriptive Analyse Kundenwertkonzept Kunden unterteilen in A, B und C Kunden A Kunden sind wertvoll B Kunden haben keinen besonderen Wert, schädigen die Linusbank aber nicht C Kunden schädigen die Linusbank Einflussreiche Größen Produktnutzung_X --> X ist die Menge an Produkten, welche einen besonders hohen Anteil am Umsatz/Gewinn der Linusbank haben Dauer_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank Anzahl_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank Volumen_X --> Gewichtungsfaktor für die wichtigsten X Produkte der Linusbank Kreditwürdigkeit --> Risikominimierung Vermögensausprägung --> viel Vermögen bedeutet viel Kapital für die Linusbank Beziehungsdauer --> Zeichen für Loyalität Cross-Selling_Potenzial_X --> Möglichkeit der Aufwertung des Kunden durch Kampagnen

26 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Data Understanding Data Preparation Datenbereinigung Kundenwert Preparation … Modeling …

27 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 27 Data Preparation Datenbereinigung Ausschluss von "toten" Kunden, um eine saubere Datenbasis für die Folgemodelle zu erzeugen? – Nur bedingt sinnvoll, da diese Kunden durch die Kampagnen reaktiviert werden! – Denkbarer Nutzen etwa bei Assoziationsanalyse für den Warenkorb, wobei Konten-Tabelle nur Kunden enthält, die mindestens ein Produkt besitzen Modelle arbeiten fehlerhaft, aber der gezielte Ausschluss (klar definierter) wertloser Kunden ist fehlerfrei, sodass das Endmodell eine höhere Güte aufweist Normierung der Datensätze erforderlich, da Daten sowohl metrisch skaliert vorliegen (z. B. Kredithöhe oder Beziehungsdauer) oder nominal bzw. ordinal (z. B. Geschlecht, Familienstand, Kreditwürdigkeit) Verbindung der Datensätze über die Kundennummer möglich (jeder Kunde hat eine eindeutige Kundennummer)

28 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 28 Data Preparation Ausschluss von Datenmaterial Produktnutzung_Giro und Dauer_Giro beinhalten die gleichen Fakten: Wenn die Produktnutzung = 0 ist auch die Dauer_Giro = 0 Daraus folgt, dass Dauer_Giro überflüssig ist ebenso bei Giro, Zins, Kredit, Riester, Depot, Kreditkarte, Sparkarte, Baufinanzierung Ausschluss von Kreditkarte, Baufinanzierung und Termingeld, Sparkarte laut Aufgabenstellung (keine adäquaten Daten)

29 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 29 Data Preparation Transformierung von Datensätzen Tabelle Konten und Kunden Verknüpfung der beiden Tabellen für jeden Monat mit den Informationen: – Beziehungsdauer – Alter – Vertriebskanal – Produktnutzungsdauer (Giro, Zins, Kredit, Riester, Depot, Sparkarte) Einteilung der Zeiten in Intervalle Nutzungsdauer: 0 Jahre 1-12: 1 Jahr 13-24: 2 Jahre 37-60: 3-5 Jahre ab 61: 6-10 Jahre Alter: bis 17: Minderjährig ab 60 Beziehungsdauer: 0-3: Neukunde 3-12: 1 Jahr 13-24: 2 Jahre 25-60: 3-5 Jahre : 6-10 Jahre ab 121: mehr als 10 Jahre

30 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 30 Data Preparation Transformierung in Intervalle mittels SQL when '9 0 Volumen' then 0 when 'A 0 bis 0,25 Tsd.' then 0 when 'B 0,25 bis 1 Tsd.' then 0 when 'C 1 bis 2,5 Tsd.' then 0 when 'D 2,5 bis 5 Tsd.' then 0 when 'E 5 bis 10 Tsd.' then 1 when 'F 10 bis 25 Tsd.' then 1 when 'G 25 bis 50 Tsd.' then 1 when 'H ab 50 Tsd.' then 1 else 0 end AS vermoegensauspraegung,case d.produktnutzung_giro when 'G' then 1 else 0 end as Giro,case d.produktnutzung_kredit when 'K' then 1 else 0 end as Kredit,case d.produktnutzung_riester when 'R' then 1 else 0 end as Riester,case d.produktnutzung_zins when 'T' then 1 else 0 end as Zins,case d.produktnutzung_depot when 'D' then 1 else 0 end as Depot,case when d.beziehungsdauer = 4 and d.beziehungsdauer = 13 and d.beziehungsdauer = 25 and d.beziehungsdauer = 61 and d.beziehungsdauer = 18; run; proc sql; /* - Transformation der Intervall-Daten Alter, Beziehungsdauer in diskrete nominale Intervalle - Speicherung von Produkt-Nutzung - Filterung von Minderjaehrigen Kunden */ drop table altranbi.kunden_binary200812; create table altranbi.kunden_binary as select d.kundennummer,case when d.alter = 18 and d.alter = 30 and d.alter = 40 and d.alter = 50 and d.alter < 60 then ' ' else ' ab 60' end as Alter,d.vertriebskanal as Kanal,d.kreditwuerdigkeit,case vermoegensauspraegung when '2 -50 bis -25 Tsd.' then -1 when '3 -25 bis -10 Tsd.' then -1 when '4 -10 bis -5 Tsd.' then -1 when '5 -5 bis -2,5 Tsd.' then -1 when '6 2,5 bis -1 Tsd.' then 0 when '7 -1 bis 0,25 Tsd.' then 0

31 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 31 Datapreparation Kundenwert Für eine erste Analyse genügt ein relativ einfacher Kundenwert, der auf Basis des generierten Umsatzes ermittelt wird. In weiteren Schritt kann anhand von Prognosemodellen ein Score für jeden Kunden erzeugt werden, der in einen präziseren und feiner abgestimmten Kundenwert einfließt. Für die aktuelle Aufgabe genügt jedoch der einfache Kundenwert in Umsatzklassen. Kunden haben zu einem bestimmten Zeitpunkt ein eine Menge an Produkten mit unterschiedlichem Jahresertrag und Laufzeitertrag erworben Je nach Jahresertrag und Laufzeitertrag erzeugen diese Kunden einen höheren oder niedrigeren Umsatz Kunden werden anhand dieses Umsatzes in verschiedene Werte-Klassen eingeteilt

32 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 32 Datapreparation Kundenwert Hilfsmittel: ABC-Analyse Klassische ABC-Analyse gruppiert Kunden prozentual in Klassen ein, die einen bestimmten Umsatzanteil ausmachen jedoch in SQL extrem komplex zu implementieren Abgewandelter Algorithmus sortiert Kunden absteigend nach Umsatz und ordnet absolute Mengen in die Klassen ein, sodass die ersten Kunden mit dem höchsten Umsatz Klasse A darstellen, die nächsten Kunden Klasse B usw. Daten auswählen, anhand wir den Wert berechnen können (in Datensatz schauen) Modell aufbauend auf den Parametern erstellen

33 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 33 Data Preparation Kundenwertgenerierung mittels SQL proc sql; /* Berechne die Umsaetze fuer die Kunden im Monat Dezember */ DROP TABLE altranbi.kundenwert_200812; CREATE table altranbi.kundenwert_ AS SELECT sum(p.laufzeitertrag) + sum(p.jahresertrag) AS Umsatz, k.kundennummer, Gesamtumsatz, Gesamtkunden, Avg_Umsatz_je_Kunde, a.Abschluss FROM altranbi.produkte p JOIN altranbi.konten k ON lower(k.produkt) = lower(p.name) CROSS JOIN ( SELECT sum(laufzeitertrag+jahresertrag) AS Gesamtumsatz, count(DISTINCT kundennummer) AS Gesamtkunden, sum(laufzeitertrag+jahresertrag) / count(DISTINCT kundennummer) AS Avg_Umsatz_je_Kunde, Abschluss FROM altranbi.produkte p JOIN altranbi.konten k ON lower(k.produkt) = lower(p.name) WHERE Abschluss = GROUP BY k.Abschluss ) a GROUP BY k.kundennummer; reset outobs=10000; /* Ordne den Kundendaten die passenden Umsaetze zu */ /* A KUNDEN */ DROP TABLE altranbi.a_kunden; CREATE TABLE altranbi.a_kunden AS SELECT kundennummer, Umsatz FROM altranbi.kundenwert_ k ORDER BY Umsatz DESC; /* B KUNDEN */ reset outobs=30000; DROP TABLE altranbi.b_kunden; CREATE TABLE altranbi.b_kunden AS SELECT kundennummer, Umsatz FROM altranbi.kundenwert_ k WHERE kundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden) ORDER BY Umsatz DESC; /* C KUNDEN */ reset outobs=50000; DROP TABLE altranbi.c_kunden; CREATE TABLE altranbi.c_kunden AS SELECT kundennummer, Umsatz FROM altranbi.kundenwert_ k WHERE kundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden) AND kundennummer NOT IN (SELECT kundennummer FROM altranbi.b_kunden) ORDER BY Umsatz DESC;

34 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 34 Data Preparation Kundenwertgenerierung mittels SQL /* D KUNDEN */ reset outobs=100000; DROP TABLE altranbi.d_kunden; CREATE TABLE altranbi.d_kunden AS SELECT kundennummer, Umsatz FROM altranbi.kundenwert_ k WHERE kundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden) AND kundennummer NOT IN (SELECT kundennummer FROM altranbi.b_kunden) AND kundennummer NOT IN (SELECT kundennummer FROM altranbi.c_kunden) ORDER BY Umsatz DESC; /* E KUNDEN */ reset outobs=; DROP TABLE altranbi.e_kunden; CREATE TABLE altranbi.e_kunden AS SELECT kundennummer, Umsatz FROM altranbi.kundenwert_ k WHERE kundennummer NOT IN (SELECT kundennummer FROM altranbi.a_kunden) AND kundennummer NOT IN (SELECT kundennummer FROM altranbi.b_kunden) AND kundennummer NOT IN (SELECT kundennummer FROM altranbi.c_kunden) AND kundennummer NOT IN (SELECT kundennummer FROM altranbi.d_kunden) ORDER BY Umsatz DESC; /* Enthaelt alle Kunden mit Werteklasse, Umsatz und Kundennummer */ DROP TABLE altranbi.kundenwert; CREATE TABLE altranbi.kundenwert AS SELECT "A" AS Klasse, kundennummer, Umsatz FROM altranbi.a_kunden; INSERT INTO altranbi.kundenwert SELECT "B" AS Klasse, kundennummer, Umsatz FROM altranbi.b_kunden; INSERT INTO altranbi.kundenwert SELECT "C" AS Klasse, kundennummer, Umsatz FROM altranbi.c_kunden; INSERT INTO altranbi.kundenwert SELECT "D" AS Klasse, kundennummer, Umsatz FROM altranbi.d_kunden; INSERT INTO altranbi.kundenwert SELECT "E" AS Klasse, kundennummer, Umsatz FROM altranbi.e_kunden; reset outobs=;

35 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 35 Data Preparation Kundenwertgenerierung mittels SQL /* Ordne den Kundendaten die passenden Umsaetze zu */ DROP TABLE altranbi.kundenwert12; CREATE TABLE altranbi.kundenwert12 AS SELECT * FROM altranbi.kunden_binary k JOIN altranbi.kundenwert w ON w.kundennummer = k.kundennummer ORDER BY RANUNI(1234); /* Aufraeumen */ DROP TABLE altranbi.a_kunden; DROP TABLE altranbi.b_kunden; DROP TABLE altranbi.c_kunden; DROP TABLE altranbi.d_kunden; DROP TABLE altranbi.e_kunden; DROP TABLE altranbi.kundenwert_200812; SELECT a.Klasse, sum(a.Umsatz) AS SummeUmsatz, count(a.kundennummer) AS SummeKunden, sum(a.Umsatz) / UmsatzGesamt AS AnteilUmsatz, count(a.kundennummer) / KundenGesamt AS AnteilKunden, KundenGesamt, UmsatzGesamt FROM altranbi.kundenwert12 a CROSS JOIN (select sum(umsatz) AS UmsatzGesamt, count(kundennummer) AS KundenGesamt from altranbi.kundenwert12) b GROUP BY a.klasse; run;

36 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 36 Zukünftiger Kundenwert Wahrscheinlichkeit für Abschluss? > Assoziazionsanalyse > Cross / Upselling > möglicher zusätzlicher Kundenwert >

37 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle …

38 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 38 Teil der Aufgabenstellung: Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester. Ziel der Analyse Eindruck darüber gewinnen, welche Produkte häufig gemeinsam genutzt werden. Modeling Assoziationsanalyse

39 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 39 Modeling Vorbereitung der Daten für Assoziationsanalyse Benötigter Datensatz: – Konten Enthaltene Daten: – Kundennummer als ID – Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1 – Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0 oder 1 – Alter in 5 Stufen nominal – Kreditwürdigkeit (gut, schlecht, unbekannt) nominal – Beziehungsdauer – Kanal (Online, Filiale) binär

40 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 40 Modeling Der Datenfluss im Diagramm

41 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 41 Modeling Filtereinstellung

42 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 42 Modeling Einstellungen im Detail

43 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 43 Modeling Ergebnis Das Ergebnis der Analyse mit dem ermittelten Warenkorb. Hier zu sehen sind nur die Regeln, die auf der rechten Seite genau ein Ergebnis erzeugen.

44 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 44 Modeling Ergebnis II

45 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 45 Modeling Fazit Häufig zusammen gekauft werden Zins, Depot und Riester in allen möglichen Kombinationen. Das macht auch Sinn, da alle drei Produkte im Kern Sparprodukte darstellen. Einen starken Lift erzeugen Riester-Produkte, die sowohl für Zins, als auch Zins in Kombination mit Giro oder Depot häufig nachgefragt werden. Diese Produkte werden jedoch vergleichsweise selten verkauft. Handlungsmöglichkeiten: Kunden, die bereits ein oder mehrere Produkte besitzen, könnten entsprechend interessiert sein an den ermittelten Kombinationen. So bietet es sich an, Besitzer von Zins, die noch über kein Depot verfügen, ein Produktangebot vorzubereiten bzw. Depot-Besitzern auch Linuszins anzubieten.

46 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle …

47 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 47 Modeling Clusteranalyse Teil der Aufgabenstellung: Entwickeln Sie jeweils ein Produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte Linuskredit, Linusdepot, Linusgiro, Linuszins und Linusriester. Ziel der Analyse Eindruck über die Kundenstruktur gewinnen. Gibt es typische Nutzergruppen, die ähnliche Eigenschaften aufweisen?

48 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 48 Modeling Clusteranalyse Benötigter Datensatz: Kunden_binary Enthaltene Daten: – Kundennummer als ID – Produktnutzung (Kredit, Depot, Giro, Zins, Riester) binär 0 oder 1 – Vermögensausprägung (negativ, ausgeglichen, positiv) nominal -1, 0 oder 1 – Alter in 5 Stufen nominal – Kreditwürdigkeit (gut, schlecht, unbekannt) nominal – Beziehungsdauer – Kanal (Online, Filiale) binär

49 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 49 Modeling Clusteranalyse Nachdem der Clusternode keine zufriedenstellenden Ergebnisse hervorbrachte, kam der SOM-/Kohonen-Node zum Einsatz. Vorgehen: Sampling-Node mit Simple-Random (12345) als Starteinstellung und 4x6 Clustern. Anschließend Beobachtung des Distance-Plots auf eine gleichmäßige Verteilung der Cluster und Prüfung der Clusterhäufigkeit in den Statistics. Schrittweise Reduzierung der Clusterzahl brachte bei 2x3 Clustern das erste gute Ergebnis, bei dem die Cluster gut verteilt waren und keine Häufung mehr auftrat. Als wichtige Variablen zeigt sich stets die Beziehungsdauer, die Vermögensausprägung, Giro, Depot, Zins, Kredit.

50 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 50 Modeling Der Datenfluss im Diagramm

51 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 51 Modeling Ergebnis der Analyse mit dem ermittelten Distanzgraphen

52 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 52 Modeling Der Überblick über alle erzeugten Ergebnisse.

53 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 53 Modeling Das Alter wurde nicht in die Cluster-Unterscheidung einbezogen.

54 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 54 Modeling Die Verteilung der Produkte auf die verschiedenen Cluster

55 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 55 Modeling Kreditwürdigkeit und Vermögensausprägung Während Vermögensausprägung durchaus einen Einfluss hat, ist die Kreditwürdigkeit in allen Clustern gleich verteilt.

56 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 56 Modeling Fazit Es zeigen sich drei auffällige Cluster-Gruppierungen. So gibt es stets ein Cluster Kreditkunden, das einen erheblichen Anteil an Kreditkunden beinhaltet, die eine stark negative Vermögensausprägung aufweisen und eine mittlere Beziehungsdauer ab 3 Jahren erreichen. Die zweite Gruppe sind die Sparkunden mit positiver Vermögensausprägung, langer Bindungsdauer teils über 10 Jahre und allen drei Spar-Produkten Zins, Depot und Giro. Die dritte Gruppe umfasst die verbleibenden Cluster mit vorrangig ausgeglichenem Vermögen und häufig einem Girokonto oder Depot. Handlungsmöglichkeiten: Es lässt sich erkennen, dass im Cluster der Sparkunden die klassischen Sparprodukte häufig nachgefragt werden. Ein Ansatz wäre, Kunden zu finden, die ebenfalls vermögend sind, aber noch nicht alle Produkte besitzen. Zusätzlich ist eine Aktion denkbar, bei der Kunden, die alle Produkte besitzen, aber nur geringe Einlagen aufweisen, zusätzliches Geld überweisen, weil sie mit hoher Wahrscheinlichkeit noch woanders über Konten mit Spareinlagen verfügen.

57 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle …

58 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 58 Modeling Prognosemodelle Teil der Aufgabenstellung: Entwickeln Sie jeweils ein produktbezogenes Data-Mining-Modell zur Prognose von Cross-Selling-Abschlüssen auf die Produkte linuskredit, linusdepot, linusgiro, linuszins und linusriester. Ziel der Modelle Klassifikation von neuen Kunden, um Wahrscheinlichkeiten für Produktabschlüssen zu prognostizieren. Ist auch eine Hilfestellung um Cross-Selling-Potenzial von bereits bestehenden Kunden zu ermitteln.

59 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 59 Modeling Vorbereitung der Daten für die Prognosemodelle Benötigte Datensätze: – kunden_binary – kunden_binary (Clustering) – kundenwert_ – kundenwert_ (Kundenwert) Enthaltende Daten: – Kundennummer (id) – Alter (nominal 5 Klassen) – Kanal (binär) – Kreditwürdigkeit (nominal 3 Klassen) – Vermögensausprägung (ordinal -1 0 und 1) – Giro (binär) – Kredit (binär) – Riester (binär) – Zins (binär) – Depot (binär) – Beziehungsdauer (nominal 5 Klassen) – Klasse (nominal 5 Klassen) – Umsatz (interval )

60 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 60 Modeling Manipulation der Daten und Erstellung von Standartprognosemodellen Über SAS Code die benötigten Datensätze erzeugen Über "Input-Data-Source-Node" jeweils die komplette Kundenwert Tabelle von 06 und 12 laden (Model Role der Kundennumemr als ID deklarieren)

61 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 61 Modeling Manipulation der Daten und Erstellung von Standartprognosemodellen Für jedes Prognosemodell je 2 "Data Set Attributes Nodes" erstellen und die für die für das jeweilige Modell interresannte Varibale als Target definieren. Pro Modell ist ein Data Set Attributes Node mit dem Kundenwert 06 bzw 12 verbunden. Weiterhin wird die Variabale Umsatz ausgeschlossen, da sie indirekt durch den Kundenwert repräsentiert wird.

62 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 62 Modeling Manipulation der Daten und Erstellung von Standartprognosemodellen Im Strang von Kundenwert 06 wird ein Sampling Node eingeführt, um bei der Targetvaribalen ein ausgeglichenes Verhälltnis der Ausprägungungen zu erhalten. Weiterhin ist darauf, zu achten, dass 100% der Daten für das Sampling genutzt werden.

63 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 63 Modeling Manipulation der Daten und Erstellung von Standartprognosemodellen Anschliessend wird in beiden Strängen ein Data Partition Node eingeführt. Im Stang vom Kundenwert 06 werden 70% als Training und 30 % als Validation definiert. Im Strang Kundenwert 12 werden 100% als Test definiert.

64 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 64 Modeling Manipulation der Daten und Erstellung von Standartprognosemodellen Nun werden für jedes Prognosemodell jeweils ein Regression Node, ein Tree Node und ein Neuronal Network Node erstellt. Diese sind mit den Data Partition Nodes aus den 2 Strängen zu verbinden. Wichtig ist, dass der Input der Daten für Training und Validation aus dem Strang Kundenwert 06 und der Input der Daten für den Test aus dem Strang Kundenwert 12 kommt. Im Model Manager werden Die Checkboxen Train, Validation und Test aktiviert, sowie Entire data set bei dem Score Data Set. Abschliessend werden alle 3 Modelle für jedes Prognosemodell in einem Assesment Node zusammengefasst.

65 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 65 Modeling Zwischenergebnis

66 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 66 Modeling Zwischenergebnis Für jedes Produkt ist nun eine Vorkonfigurierte Strucktur vorhanden. Diese beinhalten Trainings und Validierungsdaten vom Monat Juni, als noch keine Kampagne begonnen hat und Testdaten aus dem Monat Dezember, als die Kampagnen schon abgeschlossen waren. Durch das Aufbereiten der Test und Validierungsdaten können Modelle mit hoher Güte erstellt werden und durch die getrennte Betrachtung der Trainingsdaten auch mit der Realität verglichen werden. Zur Orientierung stehen vorerst die Standartversionen der drei Grundmodelle zur Verfügung, welche im Assessment Node verglichen werden können. Anhand der Vergleichswerte können Rückschlüsse gezogen werden, welches Modell ein guter Ausgangspunkt für Optimierungen ist. Durch die zusätzlichen Aktivierungen im Modelmanger ist es ausserdem Möglich gezielt auf den Fehler zweiter Art bei den jeweiligen Modellen einzugehen und ihn zu minimieren.

67 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle Giro Kredit Riester Zins Depot …

68 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 68 Prognosemodelle Giro Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt zusammen: Neuronal Network: Tree: Regression: Auf dem ersten Blick ist das Neuronale Netz klar besser als die beiden Alternativen. Beim Versuch dieses Netz weiter zu optimieren wurden jedoch nu rminimale Erfolge erzielt (auf ). Durch des gringe Optimierungspotenzial wurde der Entscheigungsbaum wieder interresant. Mit dem Entscheidugsbaum konnten signifikant bessere Ergebnisse erzielt werden, welche nun Vergleichbar sind mit denen des Neuronalen Netzes ( ). Ein großer Kritikpunkt ist jedoch der Fehler zweiter Art. Dieser liegt bei 32,11%.

69 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 69 Prognosemodelle Giro II Zur Optimierung des Neuronalen Netzes wurde als Selectionskriterium dei Misclassificaions Rate gewählt und die Zahl der verstecken Neuronen auf 20 erhöht. Weiterhin wurden direkte Verbindungen der Neuronen untereinander gestattet, um die Komplexität zu steigern.

70 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 70 Prognosemodelle Giro III Zur Optimierung des Entscheidungsbaums wurde das Signifikanzlevel auf 0,5% herabgesetzt. Des Weiteren wurden die Anzahl der minimalen Anzahl an Objekten im Blättern auf 1 reduziert und die Anzahl der Beobachtungen vor einem Splitt auf 5000 erhöht.

71 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 71 Prognosemodelle Giro IV

72 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 72 Prognosemodelle Fazit Die Test Misclassifikation Rate beläuft sich auf nun auf Der Fehler zeiter Art beträgt nur 32,11%. Das Model ist somit nicht besonders geeignet, um den Absatz von Giro zu optimieren, da viele potenzielle Kunden als nicht interessiert eingeordnet werden. Handlungsmöglichkeiten: Den Umsatz wieder als Variable einschliessen. Damit lassen sich nahezu perfekte Modelle erstellen, allerdings mit der Gefahr einzelne Informationen überzubewerten und das Problem des Overfitting zu provozieren. Das Modell muss in einer Kosten-Nutzen Rechnung zeigen, ob es trotzdem lukrativ sein kann auf ca. 1/3 der potenziell interresierten Kunden verzichten zu können.

73 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle Giro Kredit Riester Zins Depot …

74 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 74 Prognosemodelle Kredit Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt zusammen: Neuronal Network: Tree: Regression: Alle Modelle liegen hier sehr nah bei einander und das auf hohen Niveau. Aus vielfachgenannten Gründen wird der Entscheidungsbaum bevorzugt. Dieser soll nun noch optimiert werden.

75 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 75 Prognosemodelle Kredit II Durch reduktion des Signifikanzlevels auf 5% und Absenkung der minimalen Objekten pro Baltt bei gleichzeitiger Erhöhung der Beobachtungen für jeden Split konnte der bereits sehr gute Baum nochmals verbessert werden.

76 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 76 Prognosemodelle Kredit III

77 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 77 Prognosemodelle Fazit Die Misclassifikationrate der Testdaten konnte auf verbessert werden bei einem Fehler zweiter Art von nur 2,5%. Damit liefert das Modell einen sehr guten Ansatz zur Prognose von Krediten. Handlungsmöglichkeiten: Im Zusammenhang mit der Kreditwürdigkeit lassen sich nicht nur genaue sondern auch relativ sichere Prognosen machen zur vergabe von Krediten.

78 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle Giro Kredit Riester Zins Depot …

79 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 79 Prognosemodelle Riester Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt zusammen: Neuronal Network: Tree: Regression: Rest kommt noch...

80 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle Giro Kredit Riester Zins Depot …

81 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 81 Prognosemodelle Zins Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt zusammen: Neuronal Network: Tree: Regression:

82 Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Endpräsentation … Data Understanding Data Preperation Modeling Assoziationsanalyse Clusteranalyse Prognosemodelle Giro Kredit Riester Zins Depot …

83 TU Dresden Professur für Wirtschaftsinformatik – Business Intelligence Research Ausgewählte Aspekte der BI: Projektseminar Zwischenpräsentation– Seite 83 Prognosemodelle Depot Die Misclassifikation Rates im Testdatensatz stellen sich wie folgt zusammen: Neuronal Network: Tree: Regression:


Herunterladen ppt "Fakultät Wirtschaftswissenschaften Professur für Wirtschaftsinformatik – Business Intelligence Research Prof. Dr. Andreas Hilbert"

Ähnliche Präsentationen


Google-Anzeigen