Mehrwert aus Daten gewinnen mit Datamining und Textmining

Präsentation zum Thema: "Mehrwert aus Daten gewinnen mit Datamining und Textmining"—  Präsentation transkript:

1 Mehrwert aus Daten gewinnen mit Datamining und Textmining
Entwicklung der Datenanalyse Einsatzgebiete Umsetzung

2 SPSS in Zahlen Gründung 1968
über 30 SPSS Niederlassungen, 1000 Beschäftigte weltweit Umsatz 2001: 185 Mio. $US ca. 2-3 Millionen Anwender weltweit SPSS Software in 12 Sprachen in Deutschland nutzen ca Firmen SPSS, mit ca Anwendern

3 Warum Datamining

4 Analysen und Vorhersagen
Predict or Perish Unternehmen, die aus ihren Daten nicht zukünftige Entwicklungen vorhersagen haben einen Wettbewerbsnachteil

5 Enwicklung der Datenanalyse
Analyse und Vorhersage Operationale Systeme Business Intelligence

6 O P E R A T I O N A L E S Y S T E M E Datenanalyse: Phase 1
BASIS Interaktion mit Kunden Lagerhaltung Supply Chain Management Qualitäts-Kontrolle Employee Self Service Operationale Systeme ERP ERM Web CRM Vorteil: Instrumentalisierung, Automatisierte Prozesse

7 B U S I N E S S I N T E L L I G E N C E Datenanalyse : Phase 2
BASIS Interaktion mit Kunden Lagerhaltung Supply Chain Management Qualitäts-Kontrolle Employee Self Service ERP CRM ERM Business Intelligence OLAP ETL Data Quality Query/ Report Warehouse Web Operationale Systeme Vorteil: Hohe Effizienz Indiv. Informationen Vorteil: Instrumentalisierung, Automatisierte Prozesse VERSTEHEN Kundenzufriedenheit Umsatz Kosten Personalwechsel

8 Analysen und Vorhersagen (Predictive Analytics, Datamining)
Erfolgreiche “analytic prediction” bedeutet das Zähmen großer Datenmengen aus verschiedenen Quellen. Dabei müssen Erfahrungen aus der Vergangenheit, Wissen über die Gegenwart und eine fundierte Vorausschau in die Zukunft zusammenkommen.

9 P R E D I C T I V E A N A L Y T I C S Datenanalyse: Phase 3
Verteil: Identifizieren und Nutzen neuer Potentiale OPTIMIEREN Kundenbindung Product Affinities Direktmarketing Forecasting Qualität verbessern Personalbindung BASIS Interaktion mit Kunden Lagerhaltung Supply Chain Management Qualitäts-Kontrolle Employee Self Service Analyse und Vorhersage Recommendations Scoring Data Mining ERP CRM ERM Web Operationale Systeme Vorteil: Hohe Effizienz Indiv. Informationen OLAP Vorteil: Instrumentalisierung, Automatisierte Prozesse Business Intelligence ETL VERSTEHEN Kundenzufriedenheit Umsatz Kosten Personalwechsel Data Quality Query/ Report Data Warehouse

10 ROI ROI (%) Time (Years) Predictive Analytics Business Intelligence
Break Even ROI (%) Negative Returns Positive Time (Years) Predictive Analytics Personalization Effect Operational Systems Business Intelligence

11 Was Beispiele für predictive analytics

12 Was ist Datamining?

13 Optimierung Direktmarketing
Genauere Kenntnis der Zielgruppen Gezieltere Kundenansprache Optimierter Einsatz des Budgets Erhöhter ROI

14 Gainskurve Mit 40% der angesprochenen Kunden, können 85% des Umsatzes erzielt werden

15 Kundenscoring Wert eines Kunden in der Zukunft
Umsatz und Kosten in der Zukunft Integration in bestehende Anwendungen z.B. CRM Bessere Ansprache durch Callcenter

16 Analyse von Produktdaten
Gewährleistungsdaten eines Tintenstrahldruckers Quelle Prof. DeVaux

17 Webmining Voraussetzung sind Anwendungen zum Sammeln und Auswerten von Daten aus Internetauftritten Fragen sind: Wie lange bleiben Besucher? Auf welchen Wegen bewegen sie sich? Welche Art von Seiten besuchen sie? Welche Informationen (Produkte) soll ich ihnen anbieten?

18 Textmining 80% aller Daten liegen als Text vor und werden heute maschinell nicht ausgewertet

19 Linguistischer Ansatz
Computerlinguistik Sprachunabhängigkeit Erkennen von Konzepten und Sätzen Maus (Biologie), Maus (EDV-Equipment) Subjekt eines Satzes (Namen) Adjektiv (schnelle (langsame) Reaktion)

20 Textmining Konkurrenzanalyse wissenschaftliche Recherchen
Klassifizierung von Kundenresponse Beschwerdemanagement Weiterleiten von s automatische Ablage elektronischer Dokumente

21 Wie werden Analysen und Prognosen erstellt und verteilt?

22 Voraussetzungen Zugang zu relevanten Datenquellen
Wissen über die Bedeutung der Daten Business know how Datenanalyse know how Die richtigen Werkzeuge

23 Datenanalyse Datenquellen Freier Text Benutzerverhalten
Struktierte Daten Freier Text Benutzerverhalten Im Web s Berichte CRM legacy Other info ERP Webseiten logfiles

24 Arbeitsweise von Clementine
Den Rest auf einem Server. Möglichst viele Operationen der DB durchführen lassen.

25 Automatisierung und Verteilung
Model export (z.B. PMML) Clementine Solution Publisher: Model und Processing

26 Einfacher Update durch Clementine Solution Publisher
API Call Center Web Site Customer Scoring IMAGE FILE Runtime Engine Realtime oder Batch Database DB2 Datamart Flat files Data Data

27 Integration in operationale Systeme
SPSS Data Mining Summit 2002 Integration in operationale Systeme Integration in OLAP Integration in CRM SPSS ist strategischer Siebel-Partner Siebel erweiterte die Funktionalität um analytisches CRM und Datamining Copyright 2002

28 Ein Dataminig-Projekt besteht aus ...
Installation der Software Analyse-Arbeitsplätze Server-Software zur Automatisierung Integration in bestehende Systeme u.U. Aufbau eines DW Analyse-Projekten MA aus der IT und der Fachabteilung (i.d.R. 2 – 4 Wochen)

29 Zusammenfassung Datenanalyse-Projekte gewinnen an Wichtigkeit
Integration in bestehende Systeme z.T. sehr einfach CRM (z.B. Siebel) Reportingsysteme (OLAP) ERP-Systeme (z.B. SAP) Infrastruktur muss von der IT bereitgestellt werden Durchführung von IT und Fachabteilung

30 Contact Information Karl Busl SPSS GmbH Software Rosenheimerstr.30 81669 München