top of page
Daten auf einem Touchpad

Predictive Analytics

Predictive Analytics (deutsch: prädiktive Analytik) analysiert historische Entwicklung der Datenquellen und erstellt ein mathematisches Modell, um zukünftige Ereignisse vorhersagen zu können. Die Lösung hat die Aufgabe, Trends oder Muster in historischen Daten zu erkennen und diese für die Zukunft vorausschauend zu berechnen. Das Ziel ist es, den Unternehmen ein Werkzeug zu stellen, um anhand vorhandener Daten bessere Entscheidungen zu treffen oder mögliche Risiken frühzeitig zu erkennen und zu meiden.

Predictive ist eine Ausweitung und Anreicherung von Enterprise Analytics. Oftmals werden Datenquellen herangezogen, die ausserhalb vom Perimeter des Unternehmens liegen und welche durch sogenannte Data Democracy öffentlich zugänglich sind. Zum Beispiel kann für ein Predictive Controlling Projekt für einen Lebensmittelproduzenten ein Datenkonvolut über Wetterdaten, Klima, Fruchtbarkeit des Bodens in diversen Ländern usw. herangezogen werden.

Referenzen

Hersteller von Elektroisoliermaterialien, technischen Laminaten und Verbundwerkstoffen

Der Kunde ist ein international führender Hersteller von Elektroisoliermaterialien und ist mit seinen technischen Laminaten und Verbundwerkstoffen weltweit präsent. Er ist mit zahlreichen Produktions- und Vertriebsstandorten in drei Kontinenten vor Ort. Innovation sowie Material- und Technologie-Know-how zeichnen unseren Kunden aus.

Herausforderung

Anwendungsfall „Produktionsqualität von Glasfasern"

Der Kunde hat eine unerklärliche Variabilität in der Produktionsqualität der Glasfaserstrukturen. Die Produktionsqualität wird durch etwa ein Dutzend Eingangsvariablen, die in eine Ausgangsvariable führen, bestimmt. Bei den Eingangsvariablen handelt es sich meist um gemessene Eigenschaften der Eingangschemikalien. Die Messungen werden von den Lieferanten zur Verfügung gestellt. Der Kunde möchte wissen, welche Inputvariablen für den Output verantwortlich sind. Mit dieser Information würde er die Toleranzen für die gemessenen Eigenschaften der gelieferten Chemikalien einschränken. Eine interne Regressionsanalyse (in Minitab) wurde intern bereits durchgeführt, dies brachte aber nicht die gewünschten Erkenntnisse.

Unsere Lösung

Wir haben ein Programm umgesetzt, welches einen schnellen iterativen Workflow ermöglicht. Die Datensätze werden prinzipiell durch die decision trees analysiert und der Kunde erhält eine Visualisierung, sowie die Vorschläge zur Einschränkung der Toleranzen. Abschließend bekommt der Kunde ein Histogramm der daraus resultierenden Gel-Zeiten.

Situation danach

Mit unser Lösung ist der Kunde nun in einer besseren Position, mit seinen Zulieferern zu verhandeln und die Produktionsqualität zu steigern.

Bankensektor

Unser Kunde ist eine internationale Retail Bank mit Filialen in 15 Ländern in Mittel- und Osteuropa (CEE) mit ca. 800 Filialen. Er bietet ein komplexes Angebot für Endverbraucher sowie Unternehmen: Kontoführung, Kredite und diverse Finanzprodukte wie Anlagen, Versicherungen und Pensionsvorsorge. Das CEE-Geschäft wird von Österreich aus gesteuert, mit einem Knowledge Center für Controlling und BI stationiert in Wien. Vor allem das Geschäft mit den Privatklienten gestaltet sich als kostenintensiv.

Herausforderung

Der Kunde verfügt über eine sehr reiche Datenlage über viele Bereiche seines Geschäfts, mit Datenbeständen die noch weiter als 10 Jahre zurück gehen. Eine robuste BI Infrastruktur mit Oracle DB, großem DWH und Oracle Analytics ist im Einsatz. Der Analytics Stack war sehr Historie-orientiert und nicht flexible genug für den Einsatz in innovativen Analytics Cases, des Weiteren war die IT-Infrastruktur nicht ausgerüstet für intensive Data Science Arbeit. Unser Kunde wollte Use Cases eruieren, die ihm bessere Einblicke verschaffen, insbesondere war Predictive Analytics von Interesse.

Unsere Lösung

Unser Kunde hat uns an einer Konferenz zum Thema Data Science getroffen und nach einführenden Gesprächen wurde in einem Workshop gemeinsam die IST-Lage bestimmt. Auf dieser Grundlage wurden mehrere potenzielle Use Cases erarbeitet. Eines davon wurde ausgewählt, das mit der potenziell höchsten ROI: Vorhersage von 14 KPI des Geschäftes für 12 Monate voraus. Unser Kunde war besonders an einer Lösung mit Einsatz von neuronalen Netzen interessiert; dafür war er bereit dezidierte IT-Infrastruktur (Private Cloud mit großer verfügbaren Rechenleistung) zur Verfügung zu stellen.

Situation danach

Nach Aufbau der Infrastruktur und vielfachem eintrainieren des Algorithmus auf historischen Daten haben wir das Netz auf die Genauigkeit von mehr als 90 % gebracht, was dem Projektziel entspricht. Der Kunde kann das System als Unterstützung bei seinem Corporate Planning nutzen und spart somit viel Mitarbeiter-Aufwand.

Weiters kann der Kunde „what-if“ Analysen durchführen, die für ihn sehr vorteilhaft sind: Er kann die Wirkung von Werbekampagnen oder zusätzlichen Investments in die Belegschaft auf die Bilanz simulieren; und das von Region- durch Landes- bis zu Bezirks- und Filialebene. So sind die geschäftlichen Entscheidungen des Kunden viel präziser und profitabel.

Der Kunde hat das System in einem CEE Land im Produktionseinsatz, Ausweitungen auf andere Länder sind geplant. Das Projekt wurde zum Pilotprojekt für die Hauptniederlassung und somit für die ganze Bankengruppe.

Unser Kunde konnte sich im Laufe des Projekts internes Know-how im Bereich Data Science aufbauen.

Energiesektor

Der Kunde ist ein Windkraft- und Photovoltaikpionier und zählt zu den größten Erzeugern Erneuerbarer Energie in Österreich. Seit über 25 Jahren entwickelt, baut und betreibt der Kunde Wind- und Photovoltaikparks im In- und Ausland.

Herausforderung

Anwendungsfall "Welche Statusmeldungen führen zu einem Wartungseinsatz?"

Der Kunde möchte seine Wartungskosten minimieren und bessere Erkenntnisse gewinnen, wann und wie oft Störungsfälle auftreten.

Unsere Lösung

Aktuell setzen wir für unseren Kunden einen 4-Phasen Plan um:

In Phase 1, dem „Discovery Workshop “, verschafften wir uns eine Übersicht über die vorhandene Datenlandschaft. Eine Inventur über Datenquellen sowie eine Evaluierung der Datenqualität und Verknüpfbarkeit aller Datenquellen vervollständigte die IST-Aufnahme. Mögliche Use Cases wurden mit dem Kunden erarbeitet.

Danach sind wir in die „Proof of Concept“ Phase übergegangen, in der wir eine Explorative Detail-Analyse der verfügbaren Daten durchgeführt haben. Weiters wurde die Durchführung der notwendigen PoC-Validierungen besprochen, um die Machbarkeit des Konzepts zu beurteilen. Anschließend haben wir eine Zusammenfassung der Ergebnisse und eine klare Definition von Projekt-Ziel, -Plan und -Erfolgskriterien den Kunden übermittelt.

Aktuell sind wir in der „Prototyp Phase" angekommen. Das Ziel dieser Phase ist es, eine begrenzte Version der Lösung (oft nur ihren Kernalgorithmus) zu entwickeln, um mehr Klarheit zu den erwarteten Eigenschaften (Leistung, Genauigkeit, ...) zu haben.

Weiters wurde mit den Kunde die Prototypenentwicklung anhand der verfügbaren Daten präsentiert und die Zusammenfassung der Ergebnisse übermittelt. Zum Abschluss des Projektes wird auch der “MVP“ und eine stätige iterative Verbesserung des Systems umgesetzt.

Situation danach

Mit unserer zukünftigen abgeschlossenen Lösung hat der Kunde die Möglichkeit seine Wartungskosten zu senken und seine Serviceeinsätze besser zu planen.

Energieversorger

Unser Kunde ist ein Energieversorger mit ca. sechzigtausend Kunden aus den Bereichen Privat, Business und Industrie. Seine Geschäftsfelder liegen in der eigenen Produktion der Energie (PV), Fernwärme sowie Energiedistribution und -versorgung. Seine Kunden schließen langfristige Verträge ab, Anbieterwechsel sind unter Erfüllung der Bedingungen möglich.

Herausforderung

Anhand der Marktliberalisierung in der EU ist der Kunde verstärktem Wettbewerb ausgesetzt. Dies macht es unmöglich vorherzusehen welche Kunden einen Anbieterwechsel andenken und rechtzeitig gezielte Gegenmaßnahmen zu setzen, um profitable Kunden zu halten. Die eigene Infrastruktur für Data Analytics wie Systeme für Kundendaten, Finanzen, Netzbetrieb, Kundendienst und Marketing kann man als Inseln beschreiben.

Unsere Lösung

Ein Workshop in dem der Kunde die Situation für sich selbst und für uns beschrieb war der erste Schritt um einer Lösung näher zu kommen. Der nächste Schritt war Data Engineering: Anhand der oben beschriebenen Dateninfrastruktur haben wir einen Data Mart mit schneller analytischen Datenbank aufgebaut, so wurden alle nötigen Daten konzentriert ohne die Quellsysteme und deren Leistung zu beeinträchtigen.

Die eigentliche Lösung ist ein Churn Prediction Model basierend auf statistischer Regression.

Dieses Model nimmt Daten von allen (immer noch getrennten) Systemen, um ein gesamtheitliches Bild über den Kunden herzustellen und mit den „Personas“, welche von der Marketingabteilung kommen, zu vergleichen. So kann das System das Verhalten des Kunden bzw. sein Abwanderungsrisiko bewerten.

Situation danach

Unser Kunde hat nun die Möglichkeit, anhand bestehender Daten drei Stufen des Churn Models zu wählen. Er wählt das passende Level der Vorhersagen, das beim „konservativen“ Model die Anzahl der sogenannten „false positives“ minimiert, so dass keine teuren Maßnahmen für Kunden umgesetzt werden , die nicht kündigen wollen. Das „aggressive“ Model minimiert die „false negatives“, d.h. es wird so gut wie jeder Kunde identifiziert, welcher abwandern möchte und es können (evtl. auch automatisiert) Maßnahmen zur Haltung des Kunden eingesetzt werden, wie Rabatte, zusätzliche Leistungen usw. Dies ermöglicht dem Kunden flexibel auf Aktivitäten der Konkurrenz zu reagieren, in dem er das momentan passende Churn Model wählt. Datasense leistet weiteres Consulting und Entwicklung; das Modell wird weiter angepasst.

Das unterscheidet uns von Anderen!

Unsere Methode:

Wir verwenden das sehr gut eingeführte Framework CRISP-DM. Bei der Technologie zur Datenanalyse und Prediction halten wir uns jedoch flexibel. Bei einigen Projekten ist es notwendig, ein aufwändiges neuronales Netz mit Deep Learning Fähigkeiten aufzubauen, bei anderen ist ein traditionelles Modell für statistische Regression völlig ausreichend.

Wir behalten uns die Flexibilität, das richtige Instrument zu verwenden, um auf Resultate mit optimalem Zeitaufwand und Investition bei unseren Kunden Mehrwert zu schaffen.

Abstrakter Hintergrund

Vereinbaren Sie ein unverbindliches & kostenloses Beratungsgespräch

Gemeinsam klären wir Ihren Bedarf und Sie erhalten ein detailliertes Angebot
bottom of page