2
Agenda10.00 – 10.30 Begrüßung & aktuelle Entwicklungen bei der QUNIS GmbH
10.30 – 11.15 Megatrend DigitalisierungIoT, Industrie 4.0, Mobilität, Produktindividualisierung & Prozessdigitalisierung –Auswirkungen auf Datenmanagementstrategien & die Unternehmensorganisation
Track I: Business Intelligence & Data Warehouse
Track II: Big Data & Advanced Analytics
11.30 – 12.00 BI Strategie EntwicklungVorgehen & Lessons Learned aus über 100 Beratungsprojekten
Big Data & Advanced Analytics AnwendungsfälleBeispiele für Analysen auf Basis strukturierter & unstrukturierter Daten
12.00 – 13.00 Mittagspause
13.00 – 13.30 Data Warehouse Automation Metadatengetriebene Data-Warehouse-Entwicklung mit der QUNIS Automation Engine (QAE)
Advanced Analytics in ActionBildanalyse & Sensordatenverarbeitung in Echtzeit
13.30 – 14.00 Praxisbeispiel (Kundenvortrag)Data Warehouse in der Cloud
Data Lake – Modernisierung von DatenarchitekturenArchitektur & relevante Technologien beim Aufbau
14.00 – 14.30 Microsoft Power BI – Self-Service für UnternehmenDatenmodellierung, Analyse & Reporting in der Cloud & On-Premises
Praxisbeispiel (Kundenvortrag)GAPTEQ FORMS in Action
14.30 – 15.00 Kaffeepause
15.00 – 15.30 Pyramid Analytics „BI Office“Eine moderne, webbasierte Unternehmensplattform für Business Intelligence
Erweiterte Analysen auf Data-Warehouse-DatenVorgehen & Best Practices zur erweiterten Informationsgewinnung
15.30 – 16.00 GAPTEQ FORMS – Update und Projektbeispiele
16.00 – 16.30 Forum – Fragen & Antworten
copyright by3
Advanced AnalyticsBusiness Intelligence und darüber hinaus
What happened?
Descriptive Analytics
Why did it happen?
Diagnostic Analytics
What will happen?
Predictive Analytics
How can we make it happen?
Prescriptive Analytics
Difficulty
Valu
e
Quelle: Gartner
"Traditional" BI Advanced Analytics
copyright by4
Workflow
Das ZielWas will ich erkennen, einschätzen oder vorhersagen?
Die DatenLiegen alle relevanten Daten vor? Habe ich die technischen Voraussetzungen für die maschinelle Verarbeitung?
Die InhalteGibt es erkennbare Muster, Zusammenhänge, Anomalien? Korrekturnotwendigkeiten?
Das ModellWelches Modell passt am besten? Kann ich tunen?
Das ErgebnisWie visualisiere ich meine Erkenntnisse? Wie wende ich das Modell operativ an?
copyright by5
Verschiedene (Basis-)Algorithmen für Advanced AnalyticsBei Bedarf können Algorithmen kombiniert und mit weiteren Methoden ergänzt werden
§ Klassifikation (supervised): Jedem Datensatz eine Kategorie zuordnen.z.B. italienisches, indisches-, japanisches-, oder deutsches Restaurant
§ Regression: Einen realen Wert zu einem Datensatz vorhersagenz.B. Preis, Menge
§ Ranking: Datensätze nach festgelegten Kriterien ordnen, z.B. relevante Suchergebnisse sortieren
§ Clustering (unsupervised): Datensätze in verschiedene Gruppen einteilenz.B. Tweets nach Thema kategorisieren
§ Dimensionen reduzieren: Die Komplexität eines Datensatzes reduzieren, während wichtige Merkmale beibehalten werden. Z.B. Bilddateien für ein Clustering vorbereiten
copyright by6
Heute: 2 Szenarien
Klassisches DWH Klassisches DWH + weitere Quellenz. B. Data Lake Konzept
DWH DWH+
ERP, CRM, FiBu, Flatfile, etc. Sensoren, ERP, CRM, FiBu, Flatfile, etc.
copyright by7
Einsatzplanung der Mitarbeiter und Umsatzvorschau Use Case | Advanced Analytics auf klassischem Data Warehouse
copyright by8
Einsatzplanung der Mitarbeiter und Umsatzvorschau
Nutzenargumente
§ Personalkosten reduziert – Einplanung optimiert§ Beratungsqualität verbessert – höhere Personalpräsenz§ Bessere Freizeitplanung möglich§ Umsatzsteigerung – höhere Artikelverfügbarkeit (NoS)§ Optimale Bedarfsplanung – Einflussgrößen transparent§ Optimierter Personaleinsatz
Datenquellen
§ Kassenfaktura § Personaleinsatzplanung mit Berücksichtigung von Urlaub und Gleitzeit§ Paletten-Anlieferungsprognose für Wareneingang§ Abschätzung des Kundenandrang / Umsatzprognose§ Veranstaltungskalender mit Markttagen, Ferien, Veranstaltungen§ Prognosedaten zur Wettervorhersage
copyright by9
Lösung
Faktura WareneingangMA Forecast
Staging Area
Cleansing Area
Core
Data Marts Interpretieren & Aggregieren
Extrahieren
Plausibilisieren & Konsolidieren
Veredeln & Historisieren
ETL
Data Warehouse
Veranstaltungskalender
Feature DetailgradUmsätze Produktgruppenebene | Filialebene
Mitarbeiterstammdaten pro Mitarbeiter
Mitarbeiter Forecast pro Mitarbeiter
Veranstaltungskalender Filialebene
Ebene TechnologieData Warehouse Klassische relationale Datenbank
Advanced Analytics z. B. R Services oder Azure ML
Personalplan &Umsatzprognose
Verwendete Technologie
Algorithmen Input
copyright by10
Advanced Analytics im strategischen EinkaufUse Case | Advanced Analytics auf erweitertem Data Warehouse
copyright by11
Advanced Analytics im strategischen Einkauf
Nutzenargumente
§ Prognose von Marktpreisen und den selbst erzielbaren Einkaufspreisen§ Simulation der Auswirkung von Währungskurs- oder Rohstoffpreisänderungen§ Berechnung der Abhängigkeiten einzelner Warengruppen von Änderungen des Lohnniveaus§ Wirkanalysen einzelner Einsparhebel (wie Volumenbündelung, LCC oder Collaborative-Sourcing):
§ Welchen Effekt bringen die einzelnen Hebel?§ Unter welchen Bedingungen funktionieren sie nicht?
§ Automatisierte Erkennung und Berechnung von Potenzialen in einzelnen Warengruppen
Datenquellen
§ Markt(preis)-entwicklungen§ Lieferantendatenbanken§ Firmen-Scorings§ Risikoinformationen§ Kostenstrukturinformationen und Konjunktur und Preisniveau-Fakten
copyright by12
Lösung
SRM Externe DatenCRM
Staging Area
Cleansing Area
Core
Data Marts Interpretieren & Aggregieren
Extrahieren
Plausibilisieren & Konsolidieren
Veredeln & Historisieren
ETL
Data Warehouse
Risikodaten
Feature DetailgradMarktpreisentwicklung Rohstoffe
Lieferantenkonditionen pro Lieferant
Firmen-Scorings pro Kunde
Riskioinformationen Konzernebene
Kostenstruktur Produkt (eigene)
Ebene TechnologieData Warehouse Klassische relationale Datenbank
Advanced Analytics z. B. R Services oder Azure ML
Scorings, Risikoinformationen, Konjunkturdaten
Datenströme von externen Dienstleistern (z. B. RSS Feed, ODF)
Einkaufs-Empfehlung
Verwendete Technologie
Algorithmen Input
Evtl. wäre ein Data Lake Konzept besserà Abhängig von der Datenmenge
copyright by14
Cortana Analytics SuiteVollständig verwaltete Suite für Big Data und Advanced Analytics
Quelle: Microsoft
copyright by15
Mögliche SystemarchitekturCloud | Microsoft Azure
SQL Datenbank Data Factory
Quellen
Machine Learning
HDInsight(Hadoop)
• Azure ML Algorithmus• R Support• Python Support• Anbindung an Cognitive Services
• Spark• Native R Support• Weitere Framework Tools
copyright by16
Mögliche SystemarchitekturOn Premise | Microsoft SQL Server, Hadoop
SQL Server
SQL Server 2016 R Server
Hadoop(Hortonwork oder Cloudera)
• Spark• Nativer R-Support• Weitere Framework Tools
• Nativer R-Supportà Parallelisierte R-Modelle
In-databaseAdvanced Analytics
Quellen
copyright by17
Lessons Learned aus unseren Projekten Best practice
§ Advanced Analytics erfindet die Welt nicht sofort neu. Sie kann aber helfen, wichtige Entscheidungen rationaler zu treffen. In manchen Fällen lassen sich aber sogar neue Produktideen oder Geschäftsmodelle daraus ableiten
§ Betrachten Sie neue Infrastrukturtechnologie. Stichwort: Cloud
§ Definieren Sie Ihre Use Cases und starten Sie mit einem Proof of Concept
§ Mögliche Vorgehensweise: Versuchen Sie Dinge vorherzusagen, die Sie bereits wissen, das schürt Vertrauen in die Methodik wenn die Ergebnisse stimmen
§ Etablieren Sie Organisationsstrukturen, so dass gewonnene Erkenntnisse operativ verwendet werden
§ Denken Sie daran, Ihre Analysen von Zeit zu Zeit zu verifizieren
copyright by18
QUNIS – Advanced Analytics Starter-KitWir erkennen gemeinsam mit Ihnen Einsatzmöglichkeiten und leiten daraus eine adäquate Strategie ab
Interaktiver Workshop
§ Mit Fachbereichen und/oder Geschäftsleitung§ Schaffen eines gemeinsamen Verständnisses von Advanced Analytics und Big Data§ Kennenlernen von Advanced Analytics Initiativen mittels QUNIS Lösungsbibliothek§ Definition von Hypothesen und Anwendungsszenarien§ Planung einer passgenauen Organisationsstruktur für Ihre Advanced Analytics
Initiative
Ergebnis: QUNIS Advanced Analytics - Strategiepapier
QUNIS GmbH Georg-Wiesböck-Ring 9
83115 Neubeuern
Phone: +49 8035 95790 0E-Mail: [email protected]
WWW.QUNIS.DE
Phone: +49 8035 95790 0
E-Mail: [email protected]
ILONA TAGSenior Consultant
Phone: +49 8035 95790 0
E-Mail: [email protected]
CHRISTOPHER HEIDJunior Consultant