PLANNING, ANALYTICS UND REPORTING –LÖSUNGSBEISPIELE AUS DER PRAXIS AUF

BASIS DER IBM BI PRODUKTPALETTE

STUTTGART, 9. JUNI 2016

DIRK ZAYKO, DIREKTOR BUSINESS INTELLIGENCE

AGENDA1. EINLEITUNG• 1.1 KURZVORSTELLUNG

2. PRAXISBEISPIELE BI• 2.1 HR• 2.2 TELEKOMMUNIKATION• 2.3 PRODUKTBESTAND• 2.4 WERBEKOSTEN• 2.5 FINANZBERICHT• 2.6 PERSONALBESCHAFFUNG• 2.7 EINNAHMEN

3. PRAXISBEISPIELE SPSS MODELER• 3.1 CROSS SELLING• 3.2 PREISDEFINITION AUF BASIS VON

WETTBEWERBSDATEN• KÜNDIGUNGSPROGNOSE• ZEITREIHE AUTOUNFÄLLE

4. FRAGEN & FEEDBACK

1.1 KURZVORSTELLUNG

NATALIYA DOLOKA –CONSULTANT BUSINESS INTELLIGENCE

Alter 30 Jahre

MBA Marketing Managenent

2014 - 2015

Vivaki – Projektmanegerin BI

Seit 2015

CENIT AG – Consultant Business Intelligence

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 3

1.1 KURZVORSTELLUNG

DIRK ZAYKO –DIREKTOR BUSINESS INTELLIGENCE

Alter 50 Jahre

Dipl.-Ing. (Univ.) Maschinenbau

1998 – 2007

MIS / INFOR – Leiter Consulting

2007 – 2011

Braincourt GmbH – Niederlassungsleiter

2011 – 2014

avantum consult AG – Senior Manager

Seit 2014

CENIT AG – Direktor Business Intelligence

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 4

IBM COGNOS PRODUKTPALETTE

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 5

Finden Sie Anregungen für Ihre Reports aus unseren Praxisbeispielen!

2.1.1 HR – KÜNDIGUNGSPROGNOSE STARTSEITE

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 6

2.1.2 HR – AUSWIRKUNG HARTER FAKTOREN AUF KÜNDIGUNG

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 7

2.1.3 HR – 1.2 ZUSAMMENHANG ARBEITSERFAHRUNG KÜNDIGUNG

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 8

2.2.1 CRM – DASHBOARD TELEKOMMUNIKATION

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 9

2.2.2 CRM – DASHBOARD TELEKOMMUNIKATION KÜNDIGUNG

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 10

2.2.3 CRM – DASHBOARD CROSS SELLING

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 11

2.3.1 PRODUKTBESTAND (1)

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 12

2.3.2 PRODUKTBESTAND (2)

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 13

2.4 WERBEKOSTEN VS. EINNAHMEN

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 14

2.5.1 FINANZBERICHT STARTSEITE

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 15

2.5.2 FINANZBERICHT BILANZ

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 16

2.5.3 FINANZBERICHT GUV

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 17

2.6 PERSONALBESCHAFFUNG

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 18

2.7 EINNAHMEN

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 19

Fallbeispiel 1:

Cross-Selling

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 20

FALLBEISPIEL 1

Ziel: Analyse von Cross-Selling-Möglichkeiten für verschiedene Zielgruppen

Fragen:

• Welche Produkte werden am häufigsten zusammen verkauft?

• Welche Kundentypen kaufen bestimmte Produktkombinationen am häufigsten?

• Wie hoch ist die Wahrscheinlichkeit, dass ein bestimmter Kunde das Produkt B kauft, wenn er das Produkt A gekauft hat?

Fachbereiche: Produkt- (Bohrmaschine + Schleifer), Key-Account-Management, CRM, Marketing und Kommunikation (Operngänger, Weinverprobung), Vertrieb

Anwendungsbranchen: stationärer Einzelhandel (Rewe), Online-Handel, FMCG (Windeln), Telekommunikation, Bankwesen (Kredite)

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 21

AUSGANGSSITUATION

Datenquelle im Beispiel:

Lebensmitteleinzelhandel, Warenkorbanalyse

Dateninhalt:

• Kundendaten (z.B. Kunden-ID, Alter, Einkommen)

• Daten für bestimmte Warenkategorien (z.B. Wein, Tiefkühlprodukte)

Datenaufbau: 18 Felder, 1000 Datensätze

Datenformat: Textdatei

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 22

MODELLIERUNGSSCHRITTE

Den Daten wird eine Rolle zugewiesen.

Auswahl: nur Produkte

Die Daten werden aus einer Flatfile

geladen und gefiltert

1. Modell zeigt Zusammenhang zw.

Produkten

Nach der Erstellung des

1. Modells wird eine neue Spalte berechnet

Die Daten werden neu gefiltert und es werden neue Rollen zugewiesen

2. Modell definiert den Kundentypen, der eine

bestimmte Produktkombination

regelmäßig kauft

Grafische Unterstützung des 1.

Modells

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 23

ERGEBNIS 1: CA. 17% DER KUNDEN KAUFEN BIER ZUSAMMEN MIT TIEFKÜHL- ODER DOSENPRODUKTEN

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 24

ERGEBNIS 2: 83% DER MÄNNER MIT EINKOMMEN UNTER 16.100€KAUFEN BIER, DOSEN-, TIEFKÜHLPRODUKTE ZUSAMMEN

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 25

Fallbeispiel 2:

Wettbewerbsanalyse, Preissetzung

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 26

FALLBEISPIEL 2

Ziele: Preisdefinition auf Basis vorhandener Wettbewerbsdaten

Fragen:

• Welche Wettbewerbsprodukte sind einem bestimmten Produkt am ähnlichsten?

• Welche Kriterien sind am stärksten mit dem Preis verbunden?

• Welchen Preis kann ich für mein Produkt verlangen?

Fachbereiche: Produktmanagement, Preismanagement, Controlling (z.B. Umsatzplanung)

Anwendungsbranchen: herstellende Industrie

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 27

AUSGANGSSITUATION

Datenquelle im Beispiel:

PKW-Wettbewerbsdaten

Dateninhalt:

• PKW-Daten (Marke, Modell)

• Technische Features (PS, Breite, Motor-Größe, Kraftstoffmenge)

• Umsatz, Preis

Datenaufbau: 22 Felder, 159 Datensätze

Datenformat: SPSS-Statistics-Datei

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 28

MODELLIERUNGSSCHRITTE FÜR DIE PREISPROGNOSE

Preis wird als Zielwert definiert. Technische Features

- Prädikatoren

Daten werden aus einer SPSS-Datei

geladen

Der erwartete Preis wird zusätzlich zum

bekannten Preis berechnet

Es werden die Zahl der Nachbarn,

Berechnungswerte definiert

Daten ohne Preis werden geladen

Der erwartete Preis wird berechnet

Preis wird als Zielwert definiert. Technische Features

- Prädikatoren

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 29

Ansichtsmöglichkeiten im Nugget

DatensätzePKW-Bezeichnungen

ERGEBNIS 1: DEM NEUEN MODELL SIND SC, SL UND CIVIC AM ÄHNLICHSTEN

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 30

ERGEBNIS 2: PS-ZAHL HAT MIT ABSTANDDEN GRÖßTEN EINFLUSS AUF DEN PREIS

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 31

ERGEBNIS 3: AUF BASIS DER PRÄDIKATOREN UND DER PREISSETZUNG DER WETTBEWERBER SOLLTE DER PREIS FÜR EIN NEUES MODELL BEI 14.907 EURO LIEGEN

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 32

Fallbeispiel 3:

Kündigungsprognose

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 33

FALLBEISPIEL 3

Ziele: Kündigung für das aktuelle Halbjahr vorhersagen

Fragen:

• Wieviele Kunden werden in diesem Halbjahr insgesamt kündigen?

• Wer sind die Kündigungskandidaten?

• In wievielen Monaten wird ein Kunde kündigen?

Fachbereiche: CRM, Vertrieb, Key-Account-Management

Anwendungsbranchen: Telekommunikation, Banken (Kreditinteresse), herstellende Industrie

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 34

AUSGANGSSITUATION

Datenquelle im Beispiel:

Kundendaten eines Telefonanbieters

Dateninhalt:

Kundendaten (z.B. Alter, Einkommen)

Tarifdaten (z.B. kostenloser Anruf auf drei Nummern Ja/Nein)

Datenaufbau: 30 Felder, 1000 Datensätze

Datenformat: SPSS-Datei

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 35

MODELLIERUNGSSCHRITTE, BASIS

Daten aus SPSS geladen und Kündigung als Ziel

definiert

Monate seit dem Vertragsabschluss als Zeitvariable definiert

Sechs Monate als Prognosezeit eingestellt -> neue Spalten mit

Kündig. in jedem Monat entstanden

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 36

=S. 31

Beobachtungs-raum

Unbekannte Kündigungswerte auf 1

gesetzt

Positiv: Berechnet die Zahl der Kündigungen bei automatischer

Einstellung auf 0

Negativ: Berechnet die Zahl der Kündigungen bei Einstellung auf

1

Verbildet Datensätze

Wandelt die Spaltennamen in Monatszahlen um

Wandelt Monatszeilen zu

Spalten um

Bennen die neuen Spalten

Berechnet den Anteil der Werte, die nicht

vorhergesagt wurden an den Gesamtwerten

MODELLIERUNGSSCHRITTE. NICHT VORHERSAGBARE WERTE

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 37

Wählt die Daten aus, in denen die

Kündigungswahr-scheinlichkeit über 65% ist

Zählt Kunden mit hoher

Kündigungswahr-scheinlichkeit

MODELLIERUNGSSCHRITTE. VORHERSAGBARE WERTE

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 38

ERGEBNISSE: IN DIESEM JAHR WERDEN 103 VON 1000 KUNDEN MIT P>65% KÜNDIGEN

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 39

Fallbeispiel 4:

Zeitreihen, Autounfälle

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 40

FALLBEISPIEL 4

Ziele: Autounfälle zu prognostizieren

Fragen:

• Gibt es saisonale Schwankungen bei der Zahl der Autounfälle?

• Wie genau kann man die Zahl der Autounfälle in einem Zeitabschnitt prognostizieren?

• Welche sonstigen Einflussfaktoren führen zu einem Unfall?

Anwendungsbranchen: Versicherungen, Handel, Finanzbranche, herstellende Industrie

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 41

AUSGANGSSITUATION

Datenquelle im Beispiel:

ADAC

Dateninhalt:

• Kundendaten (Führerschein)

• PKW-Daten (TÜV-Prüfung, Alter)

• Unfalldaten (Zeitpunkt)

Datenaufbau: 8 Felder, 120 Datensätze

Datenformat: SPSS-Datei

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 42

MODELLIERUNGSSCHRITTE FÜR DIE UNFALLPROGNOSE

Weitere Zusammenhänge

Zeitverlauf-Analyse

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 43

ERGEBNIS 1: DIE ZEITREIHENPROGNOSE WEIST 85% GENAUIGKEIT AUF

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 44

ERGEBNIS 2: DIE UNFALLZAHL HÄNGT INSBESONDERE VON DER ERFAHRUNG DES FAHRERS AB

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 45

WARUM NICHT?

CENIT - Ihr Partner für die erfolgreiche Digitale Transformation

LASSEN SICH ALL IHRE UNTERNEHMENSDATENAUSSAGEKRÄFTIG DARSTELLEN?

WARUMNICHT?

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 46

DANKE

DIRK ZAYKODirektor BI

+49 2102 / 55 115-35d.zayko@cenit.de

CENIT AGKaiserswerther Straße 115 40880 Ratingen www.cenit.com

This document may contain forward-looking statements regarding the business, financialand earnings situation of the CENIT corporation as well as earnings estimates. Forward-looking statements are characterised by such phrases and expressions as "the companymay", or "the company will", "expects", "anticipates", "is considering", "is intending", "isplanning", "believes", "continues to", "estimates" and other similar phrases andexpressions.Such statements entail no assurance that anticipated events will transpire. On the contrary,such statements involve risks, uncertainty and contingencies that are difficult to predict andare furthermore based on assumptions regarding future events that may prove inaccurate.Actual outcomes may thus deviate substantially from expectations thereby expressed.Forward-looking statements made by CENIT representing expectations or projections offuture events are made in good faith and may be presumed to be adequately grounded infact; no assurance however can be provided that such statements, expectations orprojections will be borne out/fulfilled/ achieved.Actual operating results may vary substantially from those projected in forward-lookingstatements and are subject to specific risks - please consult the CENIT AG managementreport.

DISCLAIMER

08.06.2016 Planning, Analytics und Reporting – Lösungsbeispiele aus der Praxis auf Basis der IBM BI Produktpalette 48