Presentasjon lastes. Vennligst vent

Presentasjon lastes. Vennligst vent

Hvordan øke forretningsverdien av dine data Are Skaar.

Liknende presentasjoner


Presentasjon om: "Hvordan øke forretningsverdien av dine data Are Skaar."— Utskrift av presentasjonen:

1 Hvordan øke forretningsverdien av dine data Are Skaar

2 Agenda •Hva er datamining •Microsofts Løsning 1 (Table analysis Demo) •Hvilke bruksområder har DM •Datamining som prosess • Crisp DM •Microsofts Løsning 2 (Data Mining plugin Demo) •Case, Kundeanalyse • Casebeskrivelse • Forretningsmessig utfordring • Forventet forretningsverdi • Funn

3 Hva er Data Mining? •Forretningsdrevet bruk av matematiske og statistiske teknikker for å identifisere sammenhenger, mønstre og trender i data.

4 Demo... •Microsoft SQL Server 2005 Data Mining Add-ins for Office 2007  Table Analysis Tools for Excel  Data Mining Client for Excel  Data Mining Templates for Visio

5 Klassifisering •Klassifisérer til en av flere predefinerte klasser •Kan benyttes for prediksjon av diskrete variable i et datasett. •Algoritmer som kan benyttes til en rekke formål. F.eks prediksjon av enkeltkunders respons på en DM.

6 Segmentering •Inndeling av data i ”grupper”, hvor data i gruppene har sammenlignbare egenskaper eller adferd. •Brukes ofte til gruppéring av kunder basert på demografi •Kan benyttes for gruppéring i forkant av andre typer datamining

7 Estimering/Prediksjon •Prediksjon av kontinuerlige variable i et datasett. •Brukes for å predikere tallverdier som f.eks Total kundeverdi, salgsforecast, varebeholdning, bemanningsbehov. •Estimering kan benyttes for å berike eksisterende data med estimerte verdier.

8 Assosiasjon •”Nytt på Nytt” algoritmen. Gir svar på hva som hører sammen. •Regelbasert •Er svært mye brukt for ”handlekurv-analyser” •Benyttes for kryssalgs analyser

9 Sekvensanalyser •Inndeling av data i ”grupper”, hvor data i gruppene har sammenlignbare sekvens •Benyttes for klikkstrømsanalyser, og andre sammenhenger hvor man har en sekvens av hendelser.

10 Algoritmematrise Time Series Sequence Clustering Neural Nets Naïve Bayes Logistic Regression Linear Regression Decision Trees Clustering Association Rules Klassifisering Estimering Segmentering Assosiasjon Prediksjon Text Analysis Avansert Data utforskning

11 Prosessen

12 Datamining teknikker •Hypotesetesting  Top-down  Bottom-up •Rettet Knowledge Discovery in Databases (KDD)  Finne forklaring på verdiene i et felt  Resultatorientert •Urettet Knowledge Discovery in Databases (KDD)  Slipp algoritmene løs, og se om de finner meningsfulle sammenhenger i data.  Resulterer ofte i hypoteser, eller behov for å forklare verdiene i et felt

13 Demo... •Microsoft SQL Server 2005 Data Mining Add-ins for Office 2007  Table Analysis Tools for Excel  Data Mining Client for Excel  Data Mining Templates for Visio

14 Hvem bruker Data Mining •Selskaper med fokus på  Retail  Finans  Forsikring  Telecom  Salgs/markedsorganisasjoner

15 Hvordan kan datamining hjelpe deg? •Identifisere dine beste prospects, og beholde dem som kunder. Gjennom å fokusere på dine beste prospects, effekiviseres markedsføring og salg, som igjen fører til økt lønnsomhet. Endringer i kundeadferd kan varsle om at kunden er i ferd med å falle fra, slik at du kan sette i verk tiltak for å forhindre avgangen. •Finne kryssalgsmuligheter og tilby anbefalinger. Hjelp kundene å finne produkter som har relevans for dem, samtidig som du øker verdien av kommunikasjonen med kunden. •Finne hvilke parametre som påvirker trender i salg og marginer. Tradisjonell analyse forutsetter at du vet hva som påvirker nøkkeltallene dine. Det kan være helt andre parametre enn du tror. •Segmentére kunder og marked og skreddersy kommunikasjonen. Kundene dine kan være svært forskjellige. Pensjonister i Alta og tenåringer i Bergen vil skjelden treffes av samme kampanje.

16 Case •Sperre Industrier er et industriselskap som leverer startluftkompressorer til skip. •Lønnsomheten ligger i reservedeler og tjenester i ettermarkedet •Klarer ikke å analysere ettermarkedet pga store datamengder og forskjellige datakilder som ikke er integrert • Individkartotek for kompressorer plassert om bord i cirka skip • Lloyds Fairplay: Oppdatert informasjon for samtlige skip og redere (>1 skip)

17 Forretningsmessig utfordring •Selskapet har behov for å vite mer om sine kunder • Utstrakt bruk av piratkomponenter truer markedsandelene i ettermarkedet • Handler på etablerte hypoteser og magefølelse

18 Forventet forretningsverdi •Sperre kan benytte egne salgstall i kombinasjon med markedsdata fra Fairplay. Hensikten er å øke lønnsomheten på kundeporteføljen gjennom anvendt bruk av Data mining.

19 Funn •Enkelte etablerte sannheter viser seg å være feilaktige. •Sentrale forretningsregler viser seg å være unøyaktige. •Modellene klarte med rimelig god nøyaktighet å treffe på valideringsdata. •Vil gi kunden mulighet til å plukke ut de potensielt mest lønnsomme kundene basert på offentlig tilgjengelig kundedemografi.

20 Funn 2 •Forretningens definisjon av ”pirat”-kunde er sannsynligvis feil, basert på en hypotese om at offshore næringen ikke benytter pirat-deler. •Det ble påvist at offshore-næringen benytter piratdeler gitt definisjonen, men i betydelig mindre grad enn gjennomsnittet. Andre parametre var betydelig mer signifikante.

21 Funn 3 •Flåtestørrelse var mest signifikant. Denne parameteren er høyt korrelért med geografi, spesiellt for Norge. •Kunder med veldig små, og veldig store flåter er betydelig mer eksponert for bruk av piratdeler enn kunder med flåtestørrelser på 2-54 skip. •Hvis en kunde har en større andel av flåten som allerede har produkter fra vår leverandør inne, vil denne kunden være mindre eksponert for bruk av piratdeler •Rabattordninger/pris er signifikant. Rabatt reduserer sannsynligheten for bruk av piratdeler.

22 Screenshots

23 Naive Bayes Dependency network

24 Dependency network •Viser hvilke parametre som har sterkest betydning for hvorvidt en kunde vil benytte piratkomponenter.

25 Descision tree viewer

26 •Viser en trestruktur av parametre med verdier som beskriver statusen på en kundes sannsynlighet for å benytte piratdeler

27 Naive Bayes Attribute Characteristics

28 •Sorterer parametre og verdier etter sannsynlighet. I dette tilfellet for at en kunde benytter piratdeler

29 Alle Modeller

30 Modeller med alle parametre

31 Modeller med markedsdata

32 Hypotesemodell kompressoralder

33 Classification matrixes


Laste ned ppt "Hvordan øke forretningsverdien av dine data Are Skaar."

Liknende presentasjoner


Annonser fra Google