In meiner Funktion als Academic Program Manager unterstütze ich Hochschulen in den Themengebieten künstliche Intelligenz (KI), Data Science und Business Analytics. Einer der am häufigsten geäußerten Wünsche ist, dass seitens SAS, Use-Cases zur Verfügung gestellt werden. Keine theoretischen Gebilde, sondern echte, reale Daten von Firmen mit einem handfesten Business-Problem, das es zu analysieren gilt!

*Simsalabim* – da sind sie, die Use-Cases … 🙂

Business-Case-Erfahrung haben wir ja genug. Datensätze, die ursprünglich mal von realen Kunden stammten, auch. Natürlich mussten wir diese zuerst etwas „tunen“, damit sie einerseits Datenschutz kompatibel bleiben und anderseits für die Analyse auch was taugen. Denn „schöne“ und brauchbare Rohdaten gibt‘s fast nur im Märchenbuch. Die Realität sieht oftmals so aus, dass diese zuerst aufwendig aufbereitet werden müssen. Wurde die Benennung der Variablen richtig gewählt? Sind die Datenwerte darin stimmig? Fehlen Daten? Wurden die richtigen Attribute gewählt? Etc., etc. Die Herausforderung der Datenaufbereitung wäre vielleicht mal einen eigenen Use-Case wert, angefragt wurde ich schon … 🙂

Anyway, wir haben also zwei Hands-on Use Cases entwickelt:
Der erste – Insight Toys – richtet sich an Studenten, die nur über eingeschränkte Statistikkennnisse verfügen, aber trotzdem schnell und einfach Erkenntnisse („Insights“) aus ihren Daten ableiten – und Handlungsempfehlungen aufzeigen wollen.

Der zweite – Big Organics – richtet sich an Studenten mit fortgeschrittenen Statistikkenntnissen, die eventuell bereits eine Programmiersprache wie Python oder R kennen und auch schon modelliert haben. Beide Cases sind aufeinander aufbauend …

Um was geht’s denn konkret?

1. Die Spielzeugfirma „Insight Toys“ fertigt Spielzeug an verschiedensten Niederlassungen und vertreibt diese global. Sie kämpft aber mit Absatzproblemen. Das Management beauftragt „Sie“ (als potenziellen Berater in diesem Gedankenspiel), Mittel und Wege zu finden, die Umsatzzahlen um mindestens zehn Prozent zu steigern. Ebenso soll die Kundenzufriedenheit verbessert werden. Es geht also darum, aufzudecken und zu verstehen, an welchen Stellschrauben gedreht werden könnte, um die Zahlen wieder ins Lot zu bringen. Mit geeigneten Analysemethoden sollen Business Driver und versteckte Zusammenhänge aufgedeckt – und nötige Handlungsempfehlungen gegeben werden. „Es steht „Ihnen“ dafür der gesamte Transaktionsdatensatz der letzten Jahre zur Verfügung – wir sprechen von 1,6 Millionen Datensätzen. Jede Zeile entspricht einer Anzahl verkaufter Produkte an einen bestimmten Kunden zu einem bestimmten Zeitpunkt. Jeder Satz enthält 57 Variablen, sauber dokumentiert in einem „Data Dictionary“.
2. Ein großer Lebensmittelhändler, „Big Organics“, sucht nach Wegen, die immer kleiner werdenden Margen mit neuen Produkten aufzuwerten. Ein erfolgsversprechender Weg scheint eine neue Linie von Bio-Produkten darzustellen. Über ein Loyalitätskarten-Programm werden in einem ersten Schritt Coupons verteilt, die die Kundschaft auf das Angebot aufmerksam machen sollen. In einem zweiten Schritt wurden Daten erhoben, die aufzeigen, wer tatsächlich diese Produkte gekauft hat. Es liegt nun an „Ihnen“, in weiteren Schritten dem Management bestmöglich aufzuzeigen, welche Kunden in welchen Segmenten eine Affinität zu diesen neuen Produkten zeigt. Mit diesen Informationen sollten dann gezielt weitere neue Kunden für diese Produkte beworben werden…

 

Zum Bearbeiten dieser Use-Cases verwenden die Studenten SAS Visual Analytics. Die Lösung wird in einer Cloud zur Verfügung gestellt: Der Student loggt sich via HTML5-Browser ein und voilà – los geht’s!

Anhand eines Scripts tasten wir uns zuerst an die Basics von SAS Visual Analytics heran und nutzen dessen Funktionen, um den Datensatz besser zu verstehen. Sobald umrissen ist, wie sich dieser präsentiert, geht es dann ans Eingemachte: Korrelationsanalysen zeigen zb. versteckte Abhängigkeiten von Variablen auf. Entscheidungsbäume vertiefen und validieren diese ersten Erkenntnisse und schaffen zudem ein tieferes Verständnis. Weiter werden mit Szenario-Analyse Möglichkeiten getestet, wie sich zum Beispiel mehr Marketinggeld oder Weiterbildung des Verkaufspersonals auf Marge und Kundenzufriedenheit auswirken. Mit verschiedensten Visualisierungstechniken können Business Driver optimal herausgearbeitet sowie fürs Management dargestellt werden.

Im zweiten Case werden dann verschiedene Modellierungstechniken angewendet. Unter anderem Clustering, Logistic Regression, Gradient Boosting, Forests, neuronale Netzwerke und andere Machine-Learning-Techniken. Im Vergleich wird daraus dann das Champion-Modell bestimmt. Später könnte dieses in einen automatischen Scoring-Prozess integriert werden, um die Personen zu bestimmen, die dann beispielsweise monatlich für eine Kampagne ausgewählt werden.

Der Wert dieser Cases bemisst sich nicht nur anhand der Lösungen, die sich die Studenten erarbeitet haben, sondern auch in den Diskussionen, die daraus entstehen. Was ist der Vorteil von visuellen Techniken gegenüber Programmiertechniken (und umgekehrt)? Welche analytischen Aufgaben können vom Product Manager und/oder Business-Analysten erwartet und bewerkstelligt werden, was bleibt dem Data Scientist vorbehalten? Wie viel statistisches Verständnis wird vorausgesetzt? Und so weiter.

Oftmals werden die Studenten von einem erfahrenen Dozenten und/oder einem SAS Spezialisten gecoacht; die Skripts sind aber so verfasst, dass man sie auch selbstständig (Self-Service) ausführen kann. Je nach Maturitäts-Level benötigen die Cases zwischen einem halben und einem vollen Tag. Je nach Art der Ausführung und Fragestellung könnten aber auch mehrtägige Projektarbeiten daraus entstehen.

Falls Sie ebenfalls von diesen Use Cases profitieren wollen, sprechen Sie mit mir. Wir stellen diese, inklusive gehosteter Umgebung, kostenfrei zur Verfügung … 🙂

Die Use-cases sind Teil des extensiven akademischen Programmes der SAS.