Михаил Аветисов, Эксперт SAP 9 апреля 2015 годаsapvod.edgesuite.net/rusapforummoscow/2015/pdfs/4... · 12/7/2014 · SAP Predictive Analytics 2.0 Идеальная

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 44 Нет Нет

Жен 18 Нет ДА


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


модели – недели

труда статистика

Ориентирован на результат

Полностью автоматизированный

процесс:

Автоматизированное создание

наборов данных

Автоматическое кодирование

данных

Быстрое внедрение


модели – часы и

минуты работы

бизнес-аналитика

Автоматизированное

моделирование SAP


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



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


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


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


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


Прогнозная аналитика: традиционный подход

Данные

Построение модели

База данных


Прогнозная аналитика: новый подход

Данные

Построение модели

База данных

Мы живём в мире наполненном данными

1

миллиард пользователей

Facebook

4

миллиарда просмотров на

YouTube

ежедневно

Данные

удваиваются каждые 18

месяцев

15

миллиардов устройств с

web-доступом

5

миллиардов потенциальный

средний класс


Неструктурированная информация: источники

СМИ в сети интернет

Социальные сети, форумы

Внутренние документы (договора, служебные записки)

Корпоративная почта

Система корпоративного

документооборота


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


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


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


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>.


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»)


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)


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.


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


Анализ текстов и прогнозная аналитика

Неструктурированная

информация

Смысловые элементы

Связи между

документами


людьми


понятиями

Прогнозная аналитика SAP

Выявление причин

и

прогнозирование

Спасибо за внимание!

Documents

Михаил Аветисов, Эксперт SAP 9 апреля 2015 годаsapvod.edgesuite.net/rusapforummoscow/2015/pdfs/4... · 12/7/2014 · SAP Predictive Analytics 2.0 Идеальная