Eine Anleitung zum eigenen Vorhersagemodell

Was spricht für diese Lösung?

Wie schon im ersten Artikel aus unserer Predictive-Analytics-Blogreihe angesprochen, müssen wir als Analysten Unternehmen mit wichtigen Erkenntnissen versorgen – Erkenntnisse, die Entscheidungen unternehmensweit optimieren und so das Kundenerlebnis verbessern, Faktoren identifizieren, die sich auf die Geschäftsentwicklung auswirken, und versteckte Risiken offenlegen.

Um ein einheitliches Modell zur Vorhersage des optimalen Geschäftsnutzens aufbauen zu können, müssen wir jedoch eine ganze Reihe von Schritten abarbeiten. Dabei gilt es zunächst, die Daten zu bereinigen und umzuwandeln und sich für die passenden Algorithmen zu entscheiden. Hinzu kommen das Training, die Optimierung und das Testen unseres Vorhersagemodells, bis es schließlich so weit ist, dass es auf die Geschäftsprozesse angewendet werden kann.

Sobald man aber denkt, dass man sich mit etwas Neuem beschäftigen kann, ändern sich unsere Daten wieder und unser Vorhersagemodell muss entsprechend aktualisiert werden. Zudem benötigt man für andere Geschäftsentscheidungen wieder ganz andere Vorhersagemodelle.

Wie können wir am Ball bleiben?

Die Antwort lautet SAP BusinessObjects Predictive Analytics. Wir müssen es nur mit Daten füttern und es automatisiert für uns die Modellentwicklung, wobei es die Informationen für jede Entscheidung generiert und testet. Wir können die Modelle unternehmensweit einsetzen, immer genau dort, wo sie benötigt werden, um jederzeit die besten Entscheidungen zu treffen.

Ein weiterer wichtiger Aspekt, der mit dieser Lösung einhergeht, ist die Zeitersparnis: Ergebnisse liegen nicht erst nach Wochen oder sogar Monaten vor, sondern innerhalb weniger Tage. Und sobald eine Aktualisierung der Modelle anhand unserer neuesten Daten ansteht, stellt sie auch das sicher, wobei Relevanz der Modelle stets gegeben ist.

Ein Modell erstellen und Vorhersagen ableiten

In diesem Artikel erstellen wir ein Vorhersagemodell, das dann später für die weiteren Vorhersagen zum Einsatz kommt. Ich zeige euch, wie einfach es ist, ein erfolgreiches Modell auf Grundlage eines aussagekräftigen Datensets zu erstellen.

Angefangen habe ich mit einem öffentlichen Datensatz von Kaggle; der ideale Einstieg für alle, die sich mit maschinellem Lernen beschäftigen möchten. Dabei habe ich mich für den Datensatz Rossman Store Sales entschieden, da dieser die historischen Verkaufsdaten von rund 1.115 Rossmann-Filialen bereitstellt.

Den Datensatz finden Sie unter folgendem Link: https://www.kaggle.com/c/rossmann-store-sales.

Die Aufgabe bestand darin, die „Verkaufszahlen“ für jede Filiale für ein bestimmtes Jahr zu prognostizieren (z. B. 2015).

8 Schritte bis zum eigenen Vorhersagemodell

Schritt 1
Gehen wir davon aus, dass SAP HANA Studio sowie SAP BusinessObjects Predictive Analytics bereits auf deinem Computer installiert sind. Darüber hinaus benötigst du eine SAP-HANA-Serververbindung, um auf die HANA-Datenbank und -Engine zugreifen zu können.

Schritt 2
Sammle die Daten und lade die CSV-Dateien in die SAP-HANA-Datenbank. Bei der Erstellung unseres Modells kamen die Datei store.cvs mit den Informationen zu den Filialen sowie die Datei train.csv mit den historischen Daten einschließlich der Verkaufszahlen (Abb. 1.1) zum Einsatz.

SAP HANA Database

Abb. 1.1

Schritt 3
Erstelle eine Berechnungssicht für jeden Datenset (Abb. 1.2). Bringe diese dann in einer weiteren Berechnungssicht zusammen, die dann später im Predictive-Analytics-Tool verwendet wird. Das endgültige Schema der Sichten findest du in Abbildung 1.3.

Calculation View

Abb. 1.2

Final View

Abb. 1.3

Schritt 4
Weiter geht’s. Nach dem Öffnen von SAP Predictive Analytics findest du das Toolset Expert Analytics (Abb. 1.4). Bei Expert Analytics handelt es sich um ein Tool für statistische Analysen und Data Mining, mit dem du deine eigenen Vorhersagemodelle erstellen kannst, anhand derer du wiederum Prognosen über zukünftige Ereignisse stellen kannst.

Expert Analytics Toolset

Abb. 1.4

Schritt 5
Füge ein neues Datenset hinzu. Dazu kannst du wie in Abbildung 1.5 gezeigt als Quelle die Option „Download aus SAP HANA“ auswählen. So werden die Daten lokal auf deinem Rechner gespeichert und auch das Modell wird lokal ausgeführt. Alternativ kannst du auch die Option „Verbindung mit SAP HANA“ nutzen. Wie du sicher schon erraten hast, werden die Daten und das Modell dann in HANA gespeichert bzw. ausgeführt.

Add new dataset

Abb. 1.5

Schritt 6
Stelle mit deinen Anmeldedaten wie ein Abbildung 1.6 gezeigt eine Verbindung zu deinem SAP-HANA-Server her.

Connection to SAP HANA

Abb. 1.6

Schritt 7
Suche die zuvor erstellte Sicht und klicke auf „Erstellen“ (Abb. 1.7).

Create

Abb. 1.7

Schritt 8
In der Designer-Sicht stellen wir unser Prognoseschema zusammen (Abb. 1.8). Dazu beginnen wir unter Stichprobe mit der Auswahl der Daten (und beschränken uns dabei auf die Daten aus 2015). Im nächsten Schritt weisen wir in der Partitionskomponente die Trainings-, Test- und Validierungsdaten zu. Zur Klassifizierung nutzen wir den linearen Auto-Regression-Algorithmus, in dem die Variablen linear von den vorausgegangenen Werten und einem stochastischen Term abhängen. Die letzte Komponente Modellstatistik dient dann der Anzeige der Ergebnisse.

Designer Screen

Abb. 1.8

Ergebnisse
Nach dem Ausführen des Modells erhalten wir das folgenden Ergebnis (Abb. 1.9). Wie erwartet stimmt der grün markierte prognostizierte Wert nahezu mit dem tatsächlichen Wert in blau überein. Im Reiter Übersicht finden wir die Algorithmenübersicht sowie die Verteilung über die Trainings-, Test- und Validierungsdatensets (Abb. 2.0).

Result

Abb. 1.9

Result

Abb. 2.0

Fazit

Mit SAP BusinessObjects Predictive Analytics kannst du aus komplexen, in deinen Daten verborgenen Mustern konkrete und zielführende Erkenntnisse gewinnen – Erkenntnisse, die wiederum die Kundenbindung, die Verkaufszahlen und die operative Entwicklung positiv beeinflussen und Risiken im ganzen Unternehmen reduzieren. Und dadurch lassen sich natürlich unter dem Strich massive Verbesserungen im Geschäftsergebnis erzielen. Dabei kann all das hochautomatisiert erfolgen, was es umso leichter macht, dauerhaft Spitzenleistungen zu gewährleisten und viele hundert Modelle zu verwalten.

Darum möchte ich dir dringend ans Herz legen, mit SAP Business Objects Predictive Analytics ganz neue Wege in deinem Digital Enterprise zu beschreiten.

Falls du noch Fragen hast, kannst du dich gerne an uns wenden! Wir helfen dir gerne weiter.

Quelle: https://www.sap.com/germany/assetdetail/2017/05/9a00f0bc-b87c-0010-82c7-eda71af511fa.html

Autor dieses Beitrags
Andrei Orbai Junior Consultant SAP BI
Tel.: +49 (0) 7031 714 660 0
E-Mail: cluj@inspiricon.de
Die Welt der Predictive Analytics

Die Welt der Predictive Analytics

Hallo und herzlich willkommen zum ersten Artikel aus unserer Blogreihe zum Thema Predictive Analytics!

Am besten steigen wir gleich mit zwei Definitionen ein, deren Verständnis grundlegend für diesen und alle weiteren Artikel ist:

  1. Predictive Analytics umfasst mit Predictive Modellingmaschinellem Lernen und Data Mining verschiedene statistische Verfahren, die aktuelle und historische Daten analysieren, um Prognosen für zukünftige oder anderweitig unbekannte Ereignisse stellen zu können.
  2. Maschinelles Lernen ist ein kontinuierlicher Prozess, bei dem Algorithmen und Modelle ununterbrochen lernen, um Wahrnehmung (die Art und Weise, wie wir Informationen aufnehmen) und die Verarbeitung (die Art und Weise, wie wir mit Informationen umgehen) entsprechend anzupassen.

Was du von dieser Blogreihe erwarten kannst

  • Dieser erste Artikel dient als Einstieg in das Thema und soll dir einen Überblick über die Zusammenhänge liefern. Ziel ist es, dich mit dem Verhältnis zwischen Predictive Analytics, maschinellem Lernen und Unternehmensstrategie, Technologie und Unternehmenskultur vertraut zu machen.
  • In unserem zweiten Artikel werden wir dir ein auf Grundlage von SAP Predictive Analytics entwickeltes Vorhersagemodell vorstellen.
  • Im dritten Artikel wagen wir dann einen tieferen Einstieg in die theoretischen und technischen Grundlagen. Dabei wird mit jedem neuen Artikel umfassenderes technisches Fachwissen erforderlich.

Wirft man einen Blick auf die betriebswirtschaftlichen Zusammenhänge wird schnell klar, dass Unternehmer, die ihre digitalen Strategien immer wieder neu an den sich verändernden technologischen Rahmenbedingungen ausrichten, auch sicherstellen können, dass ihre Mitarbeiter den Fokus auf zukünftige Innovationen nicht verlieren und das Unternehmen vorantreiben können. Durch das strategische Setzen auf disruptive Technologien können Entscheidungsträger den Markt umkrempeln, indem sie nie dagewesene Produkte, Dienstleistungen oder Geschäftsmodelle erdenken und dabei eine Werteverschiebung zwischen Produzenten oder zum Verbraucher hin auslösen.

Der Blick in den Rückspiegel kann zwar dafür sorgen, dass der Betrieb aufrechterhalten bleibt, in Hinblick auf Geschäftserfolg und Wachstum kommt man so aber nicht weiter. Stößt ein Mitbewerber durch den Einsatz aufstrebender Technologien in ein Marktsegment vor, riskiert der Rest des Marktes den Verlust etablierter Positionen, wenn sie mit dem digitalen Reifegrad nicht Schritt halten können.

Strategisches Vorausdenken und datengetriebene Entscheidungsfindung

Zwar sind Entscheidungsträger in aller Regel keine Datenwissenschaftler, doch erkennen sie zunehmend die Macht der Daten. Durch den Einsatz von maschinellem Lernen, Big Data sowie Advanced und Predictive Analytics machen sich kleine und mittelständische Unternehmen ihre eigene Schnelligkeit und Agilität immer mehr zu Nutze, um die Wünsche ihrer Kunden besser zu erfüllen, tiefgreifende Marktveränderungen abzufedern oder als Chance zu begreifen und gestützt auf Innovationen ihren Weg an die Spitze des Marktes zu beschreiten.

Eines ist klar, Daten sind dieser Tage im Überfluss vorhanden. Unternehmen haben viele Milliarden in kostspielige Aufwandspositionen wie ERP-Systeme, Betriebstechnologien von Anlagenausrüstung über POS-Systeme und Informationsdienste investiert. Die schiere Menge an Daten heißt aber noch lange nicht, dass diese auch gewinnbringend eingesetzt werden.

Der Erfolg von maschinellem Lernen und Predictive Analytics ist sehr gut dokumentiert und ihr Wert gerade in Bereichen wie Marketing und Konsumverhalten sehr geschätzt, doch die möglichen Anwendungsbereiche gehen weit darüber hinaus.

Es gibt immer noch sehr viele Unternehmen, die ihre Umsatzplanung (als Teil ihrer Finanzprognosen) anhand manueller Eingaben erstellen, die wiederum auf persönlichen Erfahrungswerten basieren – also mehr oder weniger nach „Bauchgefühl“. Unter Umständen wird am Ende noch ein Korrekturfaktor berücksichtigt; aber wie du dir sicher vorstellen kannst, ist auch dieser nie wirklich präzise. Die Erstellung und Einbeziehung eines Vorhersagemodells kann mit Blick auf ein solches Szenario also einen nicht unerheblichen Vorteil in puncto Planungsgenauigkeit ausmachen.

Predictive und Machine Learning ist für die meisten Menschen noch ein sehr neues Feld. Dank der vielfältigen Ausprägungen, die alle unterschiedliche Lösungen und Herangehensweisen erforderlich machen, ergeben sich nahezu unendliche Möglichkeiten, die Vorteile nutzbar zu machen.

Die aktuellen Architekturparadigmen der SAP im Bereich Predictive Analytics

Beim Trainieren eines Vorhersagemodells mit allen verfügbaren Daten steht an allererster Stelle die Kolokation der Daten und der Algorithmenumsetzung (die Predictive-Modelling-Engine).

Hier sind zwei Szenarien möglich:

  1. Zum einen kann die Modelling-Engine zu den Daten gebracht werden (was Datenbankanbieter und die Big-Data-Plattformen sehr gut verstanden haben), so auch SAP mit Machine-Learning-Bibliotheken wie SAP Predictive Analytics Library und SAP Automated Predictive Library sowie die R- und TensorFlow-Integration unter SAP HANA (wobei die letzteren Zwei in Zukunft eine engere Integration als derzeit benötigen).
  2. Weiterhin ist es möglich, die Daten zur Modelling-Engine zu bringen (wobei die meisten Cloud-Umgebungen für Predictive und Machine Learning genau dieses Prinzip verfolgen). Dies gilt auch für die Machine-Learning-Umgebung SAP Leonardo. Diese Cloud-Umgebungen müssen schon bald auch hybride Szenarien unterstützen, damit diese Herausforderung von einem Problem zu einer weiteren Gestaltungsoption wird.

Unternehmenskultur spielt neben der Technologie eine ebenso bedeutsame Rolle

Ganz egal, wie ausgereift die Analytics-Lösungen im Unternehmen auch sein mögen, lässt sich kein nennenswerter Vorteil daraus schöpfen, wenn sie nicht von Menschen mit entsprechendem Fähigkeiten eingesetzt werden. Wenn sich die Finanzabteilung auf das Erbsenzählen beschränkt und mit ihren Dashboards auch weiterhin nur den Blick in den Rückspiegel wagt, werden lediglich die gleichen alten Prozesse unter Einsatz fortschrittlicherer Technologien automatisiert.

Führungsstärke erfordert gezielte Anstrengungen – gestützt durch Schulung und Mentoring – bei der Weiterentwicklung der Predictive-Analytics-Fertigkeiten im Team. Wird das Team dieser Herausforderung nicht gerecht, lässt es sich nicht vermeiden, diese Fähigkeiten anderswo zu suchen.

In einer immer schnelllebigeren Geschäftswelt müssen sich Unternehmen auf Daten stützen, um erfolgreich zu sein. Ein datengestütztes Unternehmen kann aber nur dann entstehen, wenn die Verantwortlichen den Puls des Unternehmens unnachgiebig messen, überwachen, vorhersagen und entsprechend handeln und dabei kontinuierlich und automatisiert vorgehen. Um dies zu erreichen, muss das Unternehmen den Wert der Daten unternehmensweit kommunizieren, als Katalysator für den kulturellen Wandel hin zur einem datengestützten Vorgehen fungieren und zudem – und das ist der wichtigste Punkt – dabei auf maschinelles Lernen im gesamten Unternehmen setzen.

Dabei gilt es Technologien, Datenstrategie und Unternehmenskultur zu berücksichtigen. Das Wichtigste ist jedoch, den ersten Schritt auf diesem Weg zu wagen.

Verpassenicht unseren nächsten Artikel zum Thema Predictive Analytics. Folge uns auf Facebook, Twitter, XING oder LinkedIn, um immer auf dem Laufenden zu bleiben.

Quelle: Wikipedia, http://blog-sap.com

Autor dieses Beitrags
Ovidiu Costea Consultant SAP BI
Tel.: +49 (0) 7031 714 660 0
E-Mail: cluj@inspiricon.de
künstliche Intelligenz

Big Data und künstliche Intelligenz – ein mächtiges Duo, das unsere Zukunft mitgestalten wird

Mit SAP wird künstliche Intelligenz Wirklichkeit

Big Data mit intelligenten Maschinen auszuwerten, ist schon lange keine Zukunftsmusik mehr. SAP hat möglich gemacht, was bis vor einigen Jahren noch als Träumerei galt. Basierend auf SAP HANA hat SAP mehrere Softwarekomponenten ins Leben gerufen, die eigenständig denken und Daten im großen Stil auswerten. Mittlerweile kann die Software Gesichter und Objekte erkennen sowie große Analysen ausführen, die manuell kaum möglich und vorstellbar wären.

Künstliche Intelligenz (KI) ist dank SAP keine Vision mehr, sondern zur Realität geworden.

SAP Clea und SAP Leonardo: Künstliche Intelligenz auf dem Vormarsch

SAP hat seine Plattform HANA um eine neue Version ergänzt. Daneben wurden zahlreiche KI- und IoT-Services (Internet of Things, zu deutsch: Internet der Dinge) auf den Markt gebracht.
Die neue Software von SAP – SAP Cleaist in die SAP Cloud integriert und kann eigenständig lernen, wobei sie keine explizite Programmierung mehr benötigt. Die analytische Intelligenz wird bereits von Unternehmen wie der Munich RE und der europäischen Raumfahrtagentur genutzt. Die Versicherungsexperten der Munich Re kalkulieren beispielsweise laufend die Gefahr von Waldbränden, wobei sie Daten über Vegetationsverläufe heranziehen. Diese Berechnungen werden durch die intelligente Software unterstützt und Big Data wird im großen Stil ausgewertet.

SAP Leonardo heißt das IoT-Lösungsportfolio von SAP.

Wie schon der Namensgeber Leonardo da Vinci arbeitet auch SAP Leonardo interdisziplinär und übergreifend – was eine elementare Anforderung für das Internet der Dinge ist. Informationen aus unterschiedlichen Unternehmensbereichen werden in Betracht gezogen, sodass auf dieser Basis neue Lösungen und Geschäftsmodelle entwickelt werden können. Die Intention von SAP Leonardo ist es, potenzielle Kunden bei der Findung ihrer IoT-Strategie zu unterstützen und passende Lösungen für ihre individuellen Anforderungen auszuwählen.

Denn eines steht fest: die eine richtige Software für das IoT oder KI gibt es nicht. Meistens handelt es sich um ein Zusammenwirken aus mehreren Anwendungen.

Der digitale Kern: Die SAP Enterprise Suite S/4HANA

S/4HANA wird bereits von über 4.000 Unternehmen in 25 Ländern genutzt. Diese ist der digitale Kern der Transformation, die für das Internet der Dinge oder KI/Machine Learning eingesetzt werden kann. SAP stellte eine Reihe von Ergänzungen in der Cloud vor, darunter Connected Logistics, Vehicles, Manufacturing, Assets, Retail und Future Cities. Damit lassen sich unter anderem Fahrzeugflotten managen, Qualitätsebenen kontrollieren und Routen berechnen.

Im Bereich der künstlichen Intelligenz und den Machine Learning-Services bietet SAP unter anderem die folgenden Services in der SAP Cloud an:

  • Resume Matching für das Recruiting
  • Cash App zur Analyse der Zahlungsmoral
  • Social Media Customer Service
  • Brand Intelligence
  • Fraud Detection für Versicherungen und Banken

SAP Fiori – die neue SAP UI

SAP Fiori ist eine Initiative, mit der die Endanwender-Erfahrung verbessert wird (dazu mehr auf unserer Webseite und auf unserem Blog). Mit Fiori 2.0 sollen sämtliche SAP-Anwendungen harmonisiert und somit untereinander kompatibel werden. SAP Fiori beinhaltet Verbesserungen in den Bereichen Design und Benutzerfreundlichkeit.

Und auch hier kommt KI zum Einsatz. Der Anwender wird durch einen Co-Piloten unterstützt, der dessen Handlungen voraussieht und diese entsprechend vorbereitet. Mit der integrierten Sprachsteuerung werden beispielsweise Arbeitsabläufe bei Wartungen oder im Lager verbessert. Die künstliche Intelligenz wertet Lieferanten aus und ordnet diese nach einem eingestellten Anforderungsprofil in Kategorien ein.

Inspiriert: Big Data spielend einfach auswerten

Zusammen mit der künstlichen Intelligenz sowie Big Data und der Unterstützung durch SAP Fiori kann noch effektiver automatisiert und ausgewertet werden. Die Software versucht zu erahnen, welche Handlungen der Nutzer durchführen möchte. Dies führt zu einer Effektivitätssteigerung und einer höheren Geschwindigkeit.

Mit SAP Fiori kann Big Data im großen Stil analysiert und die wichtigen Geschäftskennzahlen automatisiert überwacht werden. Anomalien, Trends und Muster werden der verantwortlichen Person automatisch auf einer den Benutzer in den Mittelpunkt stellenden Oberfläche mitgeteilt. Die Analysen erfolgen auf einer zentralen Benutzeroberfläche, die eine intuitive Bedienung ermöglicht. Komplexe Modifikationen von Ein- und Ausgabeparametern sind nicht mehr erforderlich.

Die künstliche Intelligenz sorgt dafür, dass die Algorithmen auch ohne Hilfe von Fachabteilungen aussagekräftige Ergebnisse liefern. Das maschinelle Lernen zielt vornehmlich darauf ab, Zusammenhänge und Muster in Daten zu erkennen und diese auf neue Datensätze zu übertragen. Die dafür benötigten Algorithmen basieren auf Statistik, Wahrscheinlichkeitsrechnung und Algebra.

Für SAP Application Intelligence sind die Daten der Treibstoff für maschinelles Lernen.

Deep Learning: das haben die Maschinen den Menschen voraus

Ein Bereich des maschinellen Lernens ist das Deep Learning:
Bei diesem werden neuronale Netze mit großen Datenmengen geflutet. Dadurch soll die Software in der Lage sein, z.B. Gesichter zu erkennen, Gegenstände zuzuordnen und Sprache zu verstehen. Fähigkeiten, die immer weiter verbessert und zunehmend in der Robotik eingesetzt werden.

Auch im medizinischen Bereich eröffnen sich durch KI neue Anwendungsmöglichkeiten:
Zukünftig sollen die Daten einzelner Krebspatienten mit Millionen Krankenakten abgeglichen werden, wodurch eine individualisierte Präzisionsmedizin ermöglicht werden soll.

Die künstliche Intelligenz funktioniert für die breite Masse und liefert vielversprechende Ergebnisse. Die Software wird immer mehr zu einem Generalisten, der in allen Bereichen eingesetzt werden kann. Dabei bringt die SAP Application Intelligence Software Zusammenhänge ans Licht, die Menschen normalerweise nicht erkennen würden. Menschliche Mitarbeiter übersehen aus Zeitmangel oftmals wichtige Daten, die daher im Alltag unentdeckt bleiben.

Unser Fazit

Künstliche Intelligenz hat schon heute Eingang in Business Intelligence-Lösungen gefunden. Es werden somit bereits Datenanalysen in den Unternehmen gesteuert, zum Beispiel zum Auffinden von Anomalien oder dem automatisierten Strukturieren und Aufbereiten von Daten. Weiterhin werden Algorithmen aus dem Bereich der KI oft eingesetzt, um Datenströme zu überwachen.

Das intelligente und integrative Zusammenspiel von den neuen SAP Komponenten wie Clea, Leonardo oder Fiori basierend auf der SAP HANA Cloud und On-Premise-Lösungen, inspiriert Inspiricon stetig zur Suche nach innovativen Service Dienstleistungen für unsere Kunden.

Kontaktieren Sie uns, wenn auch Sie neugierig auf neue und ungeahnte (Geschäfts-) Möglichkeiten sind!

Autor dieses Beitrags
Claudio Volk Vorstand
Tel.: +49 (0) 7031 714 660 0
E-Mail: info@inspiricon.de