Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Михаил Аветисов, Эксперт SAP
9 апреля 2015 года
SAP Predictive Analytics 2.0: Заставь большие данные
работать
Женщина
20 лет
Студентка
Наш клиент 6 месяцев
В прошлом месяце:
Получила 3 «пятёрки»
Была в 12 районах
Москвы
Разговаривала по
телефону 800 минут с
18 абонентами:
…
…
Мужчина
48 лет
Высшее
Наш клиент 5
лет
В прошлом
месяце:
Купил
велосипед
Был у врача 2
раза
Пользовался
7 разными
ATM
Женщина
35 лет
Высшее
Наш клиент 1 год
В прошлом месяце:
Была в Париже
Средний маршрут
за день 24 км
Средний чек в
магазине 1500 р.
В интернете
смотрела
страницы:
…
…
Мужчина
32 года
К.э.н.
Не наш
клиент
Женщина
29 лет
Высшее
Наш клиент 3
года
Переехала в
Москву 1 год
назад
В прошлом
месяце:
Получила
повышение по
службе
Купила 36
бутылок йогурта
7 разных сортов
Разговаривала с
ребёнком 72 раза
Большие данные…
… и прогнозная аналитика
С
вероятностью
60% сменит
тариф
Готова к
оттоку
Если предложить
доп. скидку, будет
приходить в 2 раза
чаще
Вероятность активации нашей
карты, присланной по почте
29%
Ожидаемый
доход для нас: 50
р/мес
Готова к
оттоку
Как работает прогнозная аналитика
Пол Возраст Дети Дата
повышения … Отток
Жен 32 Да 23-06-2014 ДА
Муж 21 Да Нет
Жен 43 Нет ДА
Муж 35 Да 12-07-2014 ДА
Муж 28 Нет ДА
Жен 17 Да Нет
Муж 30 Да Нет
Муж 44 Нет Нет
Жен 18 Нет ДА
Муж 25 Да Нет
Построение
Модель
Пол Возраст Дети Дата
повышения … Отток
Жен 29 Да 01-10-2014 ?
50% 50%
Жен Муж
100% 0% 66% 50% 75% 66% 40% 33%
SAP Predictive Analytics 2.0
Уникальное решение от SAP
Классический
DataMining
Отбор атрибутов
Выбор алгоритма
Ручная подготовка данных
Выбросы
Пропуски
Нелинейности
Мультиколлинеарность
Проверка распределений
Построение
модели – недели
труда статистика
Ориентирован на результат
Полностью автоматизированный
процесс:
Автоматизированное создание
наборов данных
Автоматическое кодирование
данных
Быстрое внедрение
Построение
модели – часы и
минуты работы
бизнес-аналитика
Автоматизированное
моделирование SAP
SAP Predictive Analytics 2.0
Идеальная
подстройка для
необычных задач
Быстрые ответы
на тысячи
вопросов
Expert Analytics Automated Analytics
Использует все атрибуты
© 2014 SAP AG. All rights reserved. 6
Cox Коммуникация с абонентом на высокой скорости
260% увеличение
конверсии в кампаниях
14% повышение
количества продуктов на
домовладение
Переход с 20 моделей к
1600 в год
Мы получили ROI за два
месяца.
- Seymour Douglas
Ph.D, Executive Director, Analytics
© 2014 SAP AG. All rights reserved. 7
SAP Predictive Analytics 2.0
Больше, больше данных!
CR
M
ER
P
Ca
mp
aig
n
Вручную
Десятки
атрибутов
Тысячи
потенциальных
атрибутов
CRM ERP Loyalty
История
общения
История
заказов
Карты
лояльности
Традиционный подход SAP Automated Analytics
Точки
продаж Обращения
Соц.
сети
Логи емайлы
Платежи
Включая Гео-данные
E
© 2014 SAP AG. All rights reserved. 8
Использование информации о связях и
социальной роли абонента
• Дополнительная информация о абоненте
– повышение качества модели
• Оценка уровня «давления оттока» -
средний уровень оттока в сообществе –
повышение качества модели
• Понимание, на ком надо сосредоточится
• Выявление Rotational Churn
Рост качества моделей оттока на 40%
(по данным Telekom Polska)
Повышение качества прогноза – Информация в связях
© 2014 SAP AG. All rights reserved. 9
Связи через продукты
• Два клиента связаны, если они покупают 5 одинаковых продуктов
• Два продукта связаны, если их покупают вместе 100 клиентов
Микросегментация клиентской базы
Рекомендации клиентам
© 2014 SAP AG. All rights reserved. 10 Customer
Allegro – Poland – Результаты проекта
100M+ персональных рекомендаций ежедневно
• Время отклика < 200ms
Повышение показателей:
• Количество страниц на визит: на 30%
• Кликов на показ: на 500%
• Уровень конверсии: в 40 раз,
По сравнению с показами
«бестселлеров»
Построение социального графа по:
• 20M+ уникальных посетителей
• 15M продуктов, не объединённых в каталог
• 500M просмотров страниц ежедневно
© 2014 SAP AG. All rights reserved. 11
Гео-данные
Основное место покупок
Время на сайте (за неделю)
Тип устройства
Кол-во заказов
$ потрачено
Уровень оттока в районе
Авторизовался
Кол-во звонков в поддержку
Кол-во прочих обращений
Пол
Кол-во посещений без покупок
Город
Гео-
атрибуты
© 2014 SAP AG. All rights reserved. 12
Прогнозная аналитика: традиционный подход
Данные
Построение модели
База данных
© 2014 SAP AG. All rights reserved. 13
Прогнозная аналитика: новый подход
Данные
Построение модели
База данных
Мы живём в мире наполненном данными
1
миллиард пользователей
4
миллиарда просмотров на
YouTube
ежедневно
Данные
удваиваются каждые 18
месяцев
15
миллиардов устройств с
web-доступом
5
миллиардов потенциальный
средний класс
© 2014 SAP AG. All rights reserved. 15
Неструктурированная информация: источники
СМИ в сети интернет
Социальные сети, форумы
Внутренние документы (договора, служебные записки)
Корпоративная почта
Система корпоративного
документооборота
© 2014 SAP AG. All rights reserved. 16
Работа с документами
Обработка данных
Получение данных
Превращение текстовой информации в данные
Crawling
Из файлов
Идентификация языка
Лингвистический анализ
Извлечение объектов
Отношения между объектами
Web-Crawling
Резюме по документам
Категоризация документов
Поиск закономерностей
© 2014 SAP AG. All rights reserved. 17
SAP Text Analysis:
обработка неструктурированной информации
Нес
тр
уктур
ир
ов
ан
ная
ин
фо
рм
ац
ия
Дальше информация может
быть использована для:
Интеграция
Запросы
Анализ
Визуализация
Отчетность
SAP HANA
Выделение из текста
смысловых элементов
Выделяет ключевую информацию из текстовых источников и
делает ее доступной для анализа
© 2014 SAP AG. All rights reserved. 18
Стивен Пол Джобс (24 февраля 1955 – 5 октября 2011) –
американский бизнес-магнат и изобретатель. Наиболее известен как
один из основателей и исполнительный директор компании Apple.
Джобс также был директором Pixar Animation Studios.
После приобретения Pixar компанией Disney в 2006 году, он
стал членом совета директоров Walt Disney Company.
SAP Text Analysis:
пример разбора текста
Стивен Пол Джобс; Джобс Человек
24 февраля 1955; 5 октября 2011; 2006 Дата
один из основателей; исполнительный директор; директор; член совета директоров
Должность (титул)
Apple; Pixar Animation Studios; Pixar; Walt Disney Company; Disney
Коммерческая организация
Американский бизнес-магнат; изобретатель; приобретение
Понятие
…стал членом совета директоров… Смена позиции
…приобретения Pixar компанией Disney… Слияние / поглощение
© 2014 SAP AG. All rights reserved. 19
Что умеет SAP Text Analysis?
Text Data Processing извлекает из текста два типа элементов:
Сущности:
Владимир Путин – президент России.
<ЧЕЛОВЕК>Владимир Путин</ЧЕЛОВЕК> – <ДОЛЖНОСТЬ>президент
</ДОЛЖНОСТЬ> <СТРАНА>России</СТРАНА>.
Факты:
Василий Теркин служил в 316 стрелковой дивизии.
<ЧЕЛОВЕК>Василий Теркин</ЧЕЛОВЕК> <ПРИНАДЛЕЖНОСТЬ>служил
</ПРИНАДЛЕЖНОСТЬ> в <ВЧ>316 стрелковой дивизии</ВЧ>.
© 2014 SAP AG. All rights reserved. 20
Типы извлекаемых сущностей
Персона Язык
Должность (титул) Валюта
Национальность Измерение
Организация
Коммерческая
Образование
Прочая
URL
IP-адрес
Телефон E-mail
Продукт Понятие
Адрес Процент
География
Континент
Страна
Регион
Область
Город
Район
Местоположение
Время
Год
Месяц
Дата
День недели
Праздник
Время
Временной интервал
* Расширение выделяемых типов сущностей при помощи
пользовательских словарей
(напр., возможна реализация сущности «Воинские части»)
© 2014 SAP AG. All rights reserved. 21
Разбор зависит от области знаний Пример: «Реакция клиента»
В области знаний «Реакция клиента» выявляются такие типы как:
Эмоции
Проблемы
Запросы и пожелания
Ругательства
Смайлики
В каждом из типов выявляются под-типы, все эти типы могут быть связаны с
сущностями
Я ненавижу эту книгу. (Эмоции)
Я так и не получил книгу. (Проблемы)
Пожалуйста, пришлите мне новую книгу. (Запросы)
© 2014 SAP AG. All rights reserved. 22
Разбор зависит от области знаний Пример: «Реакция клиента»
ОЦЕНКИ
Сильная положительная
отличный, великолепный, обожаю, итд
Слабая положительная
хороший, приятная мелочь, нравится, итд
Нейтральная
ok, нормально, сойдёт, итд
Слабая негативная
плохо, не нравится итд
Сильная негативная
Ненавижу, ужасно, кошмар, невозможно пользоваться, итд.
© 2014 SAP AG. All rights reserved. 23
Извлечение фактов
Примеры возможных фактов
Смена руководства компаний (назначения, отставки)
Членство в организациях и партиях
Слияния и поглощения
Информация об организации (основатель, местоположение, контактная
информация, …)
События, связанные с терроризмом
Внешний облик человека
Взаимоотношения людей (в семье, коллективе, обществе)
Принадлежность человека к воинской части
Перемещения воинских частей
* Расширение извлекаемых фактов при помощи пользовательских
правил
© 2014 SAP AG. All rights reserved. 24
Анализ текстов и прогнозная аналитика
Неструктурированная
информация
Смысловые элементы
Связи между
документами
Связи между
людьми
Связи между
понятиями
Прогнозная аналитика SAP
Выявление причин
и
прогнозирование
Спасибо за внимание!