predictive analytics: use-cases -...

Predictive Analytics: Use-Cases

Никита Исерсон, SAP Consulting (Data Science Team)

© 2014 SAP SE or an SAP affiliate company. All rights reserved. 2 Public

Содержание

Применение статистических моделей

Использованные данные

Возможные сценарии применения SAP Infiniteinsight Retail

Banking

Mining

Procurement

Интеграция процесса принятия решения в бизнес-

процессы компании


Внедрение статистических моделей – зачем?

• Например…

• Цены и предложения

• Магазины и размещения

• Продукты и категории

• Цена, эластичность

• Качество, оборот

Данные бизнеса

«ХОРОШО» «ПЛОХО»

SHOP SALESSQM2 LATITUDE LONGTITUDE SIZE DISTRICT AREA DENSPOPUL DENSWRK DIST_CENT_KM SHOP_MONEY_TOTAL AVG_CHECK

77249 272.2 55.755606 37.681441 A1 район Лефортово Юго-Восточный административный округ 0.0958736 0.0440825 4.5249886 2,214,007.12 152.55337421621994

77261 339.89 55.8681422 37.5391123 B2 район Западное Дегунино Северный административный округ 0.0904564 0.0485632 13.4730511 7,532,548.160000001 208.78508121292757

77087 188.2 55.812754 37.71673 X0 район Богородское Восточный административный округ 0.0887932 0.0443584 9.4083493 6,343,694.62 246.42406168667213

77109 310.77 55.878395 37.630589 B2 район Южное Медведково Северо-Восточный административный округ0.084042 0.0395752 13.9451929 6,917,022.41 265.8552698132063

77014 376.49 55.862261 37.666521 B2 Бабушкинский район Северо-Восточный административный округ0.1122893 0.0482406 12.6063492 8,701,019.780000001 271.8219237738207

77257 610.08 55.825829 37.567694 C3 Тимирязевский район Северный административный округ 0.0834785 0.0384998 8.4449556 17,961,424.080000002 307.8432811161005

77025 506.06 55.893325 37.529012 C3 Дмитровский район Северный административный округ 0.0898967 0.0461247 16.3288182 15,715,622.420000002 344.41425421871577


Представление

и использование

Исторические данные Обучающие

данные Извест.

результат

_______________________________________

1,26 0,19 3,02

Обучение

модели 0

0,05

0,1

0,15

0,2

0,25

Val

ue

_1

32

Pre

ss_

49

Fix_

02

Описание

Новые данные

Данные Неизв. результат

____________________________________

? ? ?

Предсказ. результат

2,19 0,85 1,07

Моделирование

Задача аналитика:

По историческим данным связать

известные параметры магазина с

уровнем среднего чека

По новым данным о магазинах

сделать прогноз уровня среднего

чека

Внедрение статистических моделей – зачем?


Retail: оптимизация размещения

Кластеризация магазинов позволяет:

Оптимально размещать новые магазины

Подбирать ассортимент под предпочтения

Управлять факторами, влияющими на продажи

Эффективно планировать продажи и запас

Экономические выгоды:

Продажи в убыточных магазинах: +37%

Общие продажи: +17%

Снижение запасов: -17%

Эффективность промо: +35%

Средний чек: + 12%

SIZE DENSPOPUL DENSWRK DIST_CENT_KM SHOP_MONEY_TOTAL AVG_CHECK

A1 0.0958736 0.0440825 4.5249886 2,214,007.12 152.55337421621994

B2 0.0904564 0.0485632 13.4730511 7,532,548.160000001 208.78508121292757

X0 0.0887932 0.0443584 9.4083493 6,343,694.62 246.42406168667213

B2 0.084042 0.0395752 13.9451929 6,917,022.41 265.8552698132063

B2 0.1122893 0.0482406 12.6063492 8,701,019.780000001 271.8219237738207

C3 0.0834785 0.0384998 8.4449556 17,961,424.080000002 307.8432811161005

C3 0.0898967 0.0461247 16.3288182 15,715,622.420000002 344.41425421871577



Кластеризация магазинов:

Какие факторы в большей степени влияют на продажи в каждом кластере?

Какие продажи будут в планируемом к открытию магазине?

Какого размера открывать магазин для достижения наилучших продаж?



Обогащение данных и

GIS-визуализация:

функциональные зоны

плотность населения

(занятого, по возрасту)

торговля и торговые центры

доступность станций метро

транспортные потоки

рельеф местности

Результат: прогноз продаж для

каждой точки – высокомаржинальный

выбор для новых магазинов!


Banking: планирование пополнения ATM

Возможности

Построение системы оптимального планирования пополнения

наличных средств в банкоматах на заданный период.

Выгоды для бизнеса:

- Быстрое и точное построение прогноза

по каждому банкомату Как?

Наличие необходимых сумм в банкоматах ведет к

повышению удовлетворенности клиентов

- Оптимизация расходов Как?

Снижение количества выездов, необходимых для пополнений, до минимально возможного.

- Сохранение ликвидных средств Как?

Определение минимально необходимой суммы наличных средств для каждого банкомата на месяц.

- Оперативная реакция на изменения Как?

Быстрое принятие решение о значимости отклонения от прогноза и необходимости его корректировки.

DATE MONTH DAY_OF_MONTH HOUR_OF_DAY ATM_ID TXN_AMOUNT Balance Before Transaction Requested Amount Amount above Limit? Requested Amount Zero? ATM has enough funds?

01.03.2013 3 1 1 ATM1 10800 500000 10800 N N Y

01.03.2013 3 1 2 ATM1 5500 489200 5500 N N Y

01.03.2013 3 1 3 ATM1 36600 483700 36600 Y N Y

01.03.2013 3 1 4 ATM1 0 483700 0 N Y Y

01.03.2013 3 1 5 ATM1 39400 483700 39400 Y N Y

01.03.2013 3 1 6 ATM1 14400 483700 14400 N N Y

01.03.2013 3 1 7 ATM1 7600 469300 7600 N N Y

01.03.2013 3 1 8 ATM1 34200 461700 34200 Y N Y

01.03.2013 3 1 9 ATM1 15200 461700 15200 N N Y


Mining: прогнозирование при геологоразведке

Данные о местности:

• Геофизические факторы

• Анализ спектра, радиометрическая

съемка

• Геохимические методы

• Литологические, структурные и

топографические карты,

аэромагнитные и гравитационные

• Интерполяция и поиск аномалий

Задача регрессии/классификации:

По историческим данным связать

известные параметры местности с

фактом нахождения полезных

ископаемых

По новым данным о местности

сделать прогноз нахождения

Определить важность факторов с

помощью дерева решений


Procurement: Выбор поставщиков

Как определить, будут ли новые поставщики удовлетворять

заявленному Уровню Сервиса? Использовать исторические

данные о поставщиках:

Затраты и стоимость (трансакционные, стоимость сервиса, задержек,

переработок, инспекций, приемок, инженеров, рабочих)

Цены на продукты

Издержки обращения и каналов сбыта

Техническая база, масштабы производства

Показатели качества (количеств., качественные)

Организационные (цели, персонал) и юридические показатели

Условия по Уровню Сервиса

Показатели снабжения и доставки

Время цикла заказа

Удобство сотрудничества и переговоров

Финансовое состояние и его история

Производительность и ее история

Специфически риски (domestic vs international)

Географическое положение

Политическая стабильность

Интеграция моделей в бизнес-процессы:

проще и быстрее с SAP HANA

Как встроить полученные Модели в бизнес-процессы, позволяя клиентам и

сотрудникам принимать решения в режиме реального времени?

Архитектура: Predictive Analysis on HANA

SAP HANA Platform

Data Pre-Processing and Loading

SAP Data Services, SRS, SLT, DXC, Hadoop

Predictive &

Infiniteinsight

Library (APL)

HTML5 + REST WS

R Integration for

SAP HANA

Business

Intelligence

Clients

SAP Predictive

Analysis

XS Engine

Optimization

Function Library

(OFL)

Supply Chain

Library (SCAL)

Forecasting &

Replenishment

(UDF AL)

© 2014 SAP SE or an SAP affiliate company. All rights reserved.

Вопросы и ответы

Контакты:

Nikita Iserson

[email protected]

SAP DW&R/Data Science

+7(903)-133-6214

mailto:[email protected]

mailto:[email protected]

predictive analytics: use-cases -...

Documents