DA Memmler - Folien v2
Werbung
Präsentation zur Diplomprüfung Thema der Diplomarbeit: Analyse der Einsatzmöglichkeiten von Data MiningVerfahren innerhalb einer Unternehmens - Balanced Scorecard und Entwicklung eines Empfehlungskatalogs. Tobias Memmler KPMG Global Solutions Delivery Berlin, März 2001 Mandantenlogo Hintergründe zur Wahl des Diplomarbeitsthemas § Praktikantentätigkeit in der Line of Busieness (LOB) der KPMG GSD GmbH Consumer & Industrial Markets § Spezialisierung auf Business Intelligence-Anwendungen, Unternehmensreporting, Balanced Scorecard und Data Warehousing insbesondere der SAP Data Warehousing-Lösung SAP BW § Mitarbeit im Aufbau präsentationsfähiger Balanced ScorecardPrototypen im SAP BW und im SAP SEM § Recherche Auftrag zur Identifizierung intelligenter Software-Anwendungen als Erweiterung der bisherigen Beratungstätigkeit der KPMG GSD und Untersuchung ihrer Nutzenpotentiale innerhalb moderner Business Intelligence-Anwendungen § Entwicklung des Diplomarbeitsthemas © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Agenda § Wesentliche Merkmale des Balanced Scorecard Konzepts § Knowledge Discovery in Data Bases und Data Mining § Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC § Anwendungsbeispiel zur Kundenperspektive § Ergebnisse © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Balanced Scorecard - ein Überblick § Balanced Scorecard (BSC) ist ein in den USA entwickeltes Managementsystem zur Steuerung von Unternehmen oder Unternehmensbereichen § Das Betrachten des zu steuernden Bereichs erfolgt über verschiedene Perspektiven § Für die einzelnen Perspektiven werden aus der Unternehmensstrategie oder Bereichsstrategie strategische Ziele abgeleitet § Über monetäre und nicht-monetäre Kennzahlen wird der Zielerreichungsgrad gemessen § Die strategischen Ziele sind über Ursache-Wirkungsketten miteinander verknüpft § Aktionsprogramme (Initiativen) unterstützen die Erreichung der strategischen Ziele © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Die BSC betrachtet das Unternehmen aus 4 Perspektiven Finanzperspektive Wie präsentieren wir uns unseren Strategische Ziele Shareholdern um finanziell erfolgreich zu sein? Maßgrößen Zielgrößen Vision & Strategie Kundenperspektive Wie erscheinen Strategische wir unseren Ziele Kunden, damit wir der Unternehmensvision gerecht werden? Maßgrößen Zielgrößen Initiativen Prozeßperspektive In welchen Prozessen Strategische müssen wir Ziele uns auszeichnen um unsere Kunden zufrieden zu stellen? Initiativen Maßgrößen Zielgrößen Initiativen Potentialperspektive Welches Innovationspotential muß unser Unternehmen besitzen um die angestrebte Vision zu erreichen? Strategische Ziele Maßgrößen Zielgrößen Initiativen © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Einbindung der BSC in einen strategischen Lernprozeß Die Strategie Strategisches Feedback und Lernen Finanzen Das Feedbacksystem ermöglicht: Kunden • die Rückmeldung über die der Prozesse Aktualisierung der Strategie Potentiale Strategische Lern-Kette Test der Hypothese Potentiale Prozesse Kunden Finanzen Verbesserungen Strategische Maßgrößen • Rentables Wachstum • Eigenkapitalrendite • Zufriedenheit steigern • Kundenakquisition/ -loyalität Problemlösungslernen durch: • Plausibilitätsprüfung der strategischen Ziele Ergebnis • Test der Strategie-Prämissen • Produktivität verbessern • Verhältnis Aufwand/ Umsatzerlös • Personalkompetenzen erhöhen auf ihre Gültigkeit und • Personalproduktivität Wirksamkeit Operationale Lern-Kette • Anpassung des BSC an veränderte Performance input und Wirkungsprinzipien • Ein Veränderungs- und Balanced Scorecard Strategische Ziele Strategie unterstellten Ursache- Initiativen und Programme output Umweltbedingungen © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Agenda § Wesentliche Merkmale des Balanced Scorecard Konzepts § Knowledge Discovery in Data Bases und Data Mining § Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC § Anwendungsbeispiel zur Kundenperspektive § Ergebnisse © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Knowledge Discovery in Databases und Data Mining Begriffsabgrenzung Knowledge Discovery in Databases (KDD) ist ein interaktiver und iterativer Prozeß zur Entdeckung interessanter Zusammenhänge in Datenbanken. Data Mining (DM) ist die Zusammenfassung der Methoden und Algorithmen, die im KDD-Prozeß Anwendung finden. © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Knowledge Discovery in Databases ist ein mehrstufiger iterativer Prozeß Die Phasen des KDD-Prozesses ca. 70-80% des KDDAufwands !!! Selektion Aufbereitung Fokussierung Analyse Interpretation und Evaluation Phasen Inhalt Daten-Selektion In Abhängigkeit zur KDD-Zielsetzung erfolgt hier die Daten-Auswahl aus dem Unternehmensdatenbestand. Daten-Aufbereitung Optimierung der Datenqualität als Voraussetzung für qualitativ hochwertige Data Mining-Ergebnisse Fokussierung In Abhängigkeit von den Daten: Spezifikation des Data Mining-Ziels und des Analyse-Ansatzes Daten-Analyse Ermittlung der Muster und Beziehungen in den der Analyse zugrundeliegenden Daten Interpretation und Evaluation Ableitung des explizierten Wissens aus den Ergebnissen der Analyse © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Derzeit gibt es 6 wesentliche Data Mining-Ziele Ziel Inhalt Entwicklung eines Modells Data Mining- Methoden (Beispiele) Klasse zuweist • Entscheidungsbäume • Entscheidungsregeln • Neuronale Netze Segmentierung Aufteilung einer Menge von Objekten in Klassen (Cluster) • Clustermethoden • Neuronale Netze Veränderung und Abweichung Erklärung von Normwertabweichungen von Objekten • Spezielle Heuristiken • Regressionsanalysen • Clusmin Verknüpfung Offenlegung von Objektbeziehungen und ihre Darstellung in Verknüpfungsmuster. • Visualisierungs-Methoden Abhängigkeiten Aufdeckung von Affinitäten(Assoziationsregeln) zwischen Merkmalswerten eines jeden Objekts in einer Menge von Objekten. • Heuristische Methoden zur Aufdeckung von Assoziativmustern Sequenzen Ermittlung von sequenziellen Mustern von Ereignissen über eine bestimmten Zeitraum • Heuristische Methoden zur Aufdeckung von sequentiellen Mustern Klassifizierung und (Klassifikator), daß neue und bisher unbekannte Objekt der richtigen Vorhersage © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Agenda § Wesentliche Merkmale des Balanced Scorecard Konzepts § Knowledge Discovery in Data Bases und Data Mining § Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC § Anwendungsbeispiel zur Kundenperspektive § Ergebnisse © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Einsatzmöglichkeiten von Data Mining-Verfahren innerhalb der BSC-Perspektiven Kundenperspektive Wie erscheinen Strategische Maßgrößen Zielgrößen Initiativen wir unseren Ziele Kunden, damit wir der Unternehmensvision gerecht werden? Beispiel: Die Kundenperspektive I Strategisches Ziel der Kundenperspektive: Befriedigung der Kundenbedürfnisse Strategische Ziele Identifizierung strategisch wichtiger Marktsegmente Segment A: Ziel Segment B: Ziel ... Segment n: Ziel Unterstützende Methodik: Datenmustererkennung Maßgrößen Initiativen Identifizierung zur Segment A: Initiative 1 Strategieumsetzung wichtiger Faktoren Segment A: Initiative 2 ... in den Segmenten Segment A: Initiative n ... Segment n: Initiative ... Unterstützende Methodik: Datenmustererkennung © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Zielgrößen Ableitung der mit den Initiativen zu erreichenden Zielgrößen Einsatzmöglichkeiten von Data Mining-Verfahren innerhalb der BSC Perspektiven Beispiel: Die Kundenperspektive II Identifizierung strategisch wichtiger Kundensegmente Identifizierung zur Strategieumsetzung wichtiger Faktoren in den Segmenten Data MiningMethoden Neuronale Netze verhaltensorientierte Segment-Beschreibung SequenzAnalysen AssoziativRegeln KundenSegmentierung inhaltlich orientierte Segment-Beschreibung Entscheidungsregeln Entscheidungsbäume ClusterAnalysen Nutzung der Data Mining-Ergebnisse zur Strategiespezifikation im Innovationsprozeß • Marktdurchdringung Angebotspersonalisierung durch Zusammenstellung von Produkt- und Dienstleistungskombinationen • Markterschließung Erhöhung der Attraktivität vorhandener Produkte • Produktentwicklung und Diversifikation Schaffung neuer Produkte und Dienstleistungen in Ausrichtung auf die Bedürfnisse eines Segments © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Einsatzmöglichkeiten für Data Mining-Verfahren in einer Balanced Scorecard § Zur Unterstützung der BSC im Aufbau und im Betrieb § Im Prozeß der strategischen Zielfindung § Im Prozeß der Identifizierung der Maßnahmen zur Zielerreichung. § Zur die Aufdeckung von neuen vorher unbekannten und strategische bedeutsamen Zusammenhängen § Als Unterstützung des Managementsystems Balanced Scorecard im strategischen Feedback © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Agenda § Wesentliche Merkmale des Balanced Scorecard Konzepts § Knowledge Discovery in Data Bases und Data Mining § Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC § Anwendungsbeispiel zur Kundenperspektive § Ergebnisse © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Ausgangssituation des Partnerunternehmens und Anforderungen an den Data Mining-Prototypen IST-SITUATION ANFORDERUNGEN ca. 6000 aktive Kunden weltweit § Unterschiedliches Kundenprofil (Großund Kleinkunden) § Unterschiedliche Herkunft § Unterschiedliches Kaufverhalten § Unterschiedliche Pflegeintensität Kundensegmentierung in heterogene Kundengruppen § Zuordnung aller Kunden zu entsprechenden Kundengruppen § Verwendung aggregierter KundenBuchungsdaten in Verbindung zu bevorzugten Produktgruppen ca. 400 Produkte für die Umsatz produziert wurde § Regionale Differenzierung der Produkte § Differenzierung nach Produktmarken Verwendung der Kundensegmentierungsergebnisse § Analyse des Kaufverhaltens einzelner Kundengruppen durch Warenkorbanalysen © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Das logische Systemkonzept zur Umsetzung der Anforderungen an den DM-Prototypen Data Warehouse § § § § Datenhaltung, Datenaufbereitung Datenbereinigung Ergebnisauswertung SAP Business Information Warehouse (BW) IBM DB2 Intelligent Miner Analysedaten: Kunden SAP BW 2.0B § Datenbereinigung § Datenanalyse § Ergebnisauswertung Data Mining-System Ergebnisse: Kundensegmentierung Analysedaten: Warenkörbe Kundensegment X Kundensegmentierung IBM DB2 Intelligent Miner Datenextraktion Warenkorbanalyse OLTP-System SAP LIS SAP Logistik Informationssystem (LIS) © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Ergebnisauswertung im BW KIS: Erlöse pro Kundensegment Kennzahlen Kundensegment Kundensegment Kundensegment 6 Kundensegment 4 Kundensegment 1 Kundensegment 5 Kundensegment 7 Kundensegment 2 Kundensegment 8 Kundensegment 0 Kundensegment 3 Nettoerlös 32,536 24,487 19,798 8,830 6,493 3,996 2,049 1,806 0,005 % % % % % % % % % Transaktionszähler 17,271 7,103 26,920 12,483 15,476 2,806 10,728 5,781 1,431 Segmentgröße % % % % % % % % % 4,0 4,0 3,0 10,0 6,0 4,0 4,0 55,0 10,0 % % % % % % % % % Kundensegment 3 Kundensegment 0 Durch Drill-Down können die Zusammensetzungen der Kundengruppen analysiert werden. Die Zugehörigkeit der Kunden zu einer Kundengruppe ist als Attribut zur Kundennummer definiert. Kundensegment 8 Kundensegment 2 Kundensegment 7 Kundensegment 5 Kundensegment 1 Segmentgröße Kundensegment 4 Transaktionszähler Kundensegment 6 Nettoerlös 0 % 10 % 20 % 30 % 40 % 50 % Die Datenübertragung der Analyseergebnisse aus dem IM in das BW erfolgt über den Funktionsbaustein RSDTM_DATAMINING 60 % © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Der IM ermöglicht die detaillierte Betrachtung komplexer Verbundstrukturen Ausschnitt aus dem Ergebnis der Warenkorbanalyse aus Segment 4 Relevanz(% ) Konfidenz(% ) Typ Regelrumpf Regelkopf 7,1 62,5 + [ 17] ==> [ 91] 7,1 71,4 + [ 91] ==> [ 17] Detailbetrachtung einzelner Assoziationsregeln Materialnummer Bedeutung 17 Produkt A 91 Produkt B © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Agenda § Wesentliche Merkmale des Balanced Scorecard Konzepts § Knowledge Discovery in Data Bases und Data Mining § Einsatzmöglichkeiten für Data Mining-Verfahren in einer BSC § Anwendungsbeispiel zur Kundenperspektive § Ergebnisse © 2001 Tobias Memmler – KPMG Global Solutions Delivery - Ergebnisse Die KDD-Methodik eignet sich zur Unterstützung einer BSC, indem sie „versteckte“ Informationen zur Entscheidungsfindung und zur Handlungskontrolle erschließt § Nutzung der dieser Informationen zur Entwicklung und Konkretisierung von BSC-Strategien und –Initiativen § Ermöglichung eines Feedbacks über die Effektivität einzelner BSCInitiativen hinsichtlich ihres Erfolgspotentials Das SAP BW und der IBM Intelligent Miner eignen sich als IT-Werkzeuge, um den Voraussetzung für die erfolgreiche Durchführung des KDDProzesses gerecht zu werden. § Integration einer Data Warehouse–Lösung mit einem Data Mining-System in einer Systemlandschaft § Möglichkeit zur vertieften Analyse der generierten Kundensegmente im SAP BW sowie im IBM Intelligent Miner § Kommunikation der Analyseergebnisse im SAP BW © 2001 Tobias Memmler – KPMG Global Solutions Delivery - © 2001 Tobias Memmler – KPMG Global Solutions Delivery -
