Data Insight

Machine Learning und Predictive Analytics in ihre Zukunft.

Status Quo.
Durch Reporting / Business-Intelligence-Anwendungen, beispielsweise mit Plan-/Ist- Auswertungen, haben Unternehmen Stand jetzt eine Grundlage für Entscheidungen und können Fragestellungen zu ihrer aktuellen Situation relativ genau beantworten.

 

Wohin geht die Reise?
Anders als beim klassischen Reporting wollen wir uns aber nicht nur auf die Vergangenheit bzw. auf den Ist-Stand konzentrieren, wir wollen mit Ihnen die komplexen Zusammenhänge und Abhängigkeiten ihrer Geschäftsprozesse und Datenflüsse analysieren, aussagekräftige Muster und Zusammenhänge erkennen und mit diesem Wissen zukunftsgerichtete, proaktive Prognosen für (bessere) Entscheidungen liefern.

 

Die Grundlage.
BigData als Motor der Digitalen Transformation, sowie eine neuartige Wettbewerbssituation, fordern Unternehmen permanent heraus nicht nur ihre bestehenden Geschäftsprozesse zu optimieren, sondern auch komplett neue Geschäftsmodelle zu entwickeln (Bsp. Uber).

Mit BigData wird nicht nur auf interne Datenbestände, sondern auch auf externe Quellen, wie beispielsweise soziale Netzwerke oder Sensordaten, zurückgegriffen. 
In der Vergangenheit war die Nutzung und Verarbeitung meist nur großen Unternehmen vorbehalten, die diese Daten zusätzlich mit aufwändigen Programmierungen aufbereiten mussten.

Jetzt besteht mit den Möglichkeiten der aktuellen Clouddienste und Microservices auch die Möglichkeit für mittelständische Unternehmen von diesem Wettbewerbsvorteil zu partizipieren.

 

Wie?
Ein Beispiel ist Predictive Maintenance das bereits von großen Unternehmen eingesetzt wird. 

Der Ausfall einer Maschine verursacht hohe Kosten für eine Firma. So können aus den von Sensoren permanent gesendeten historischen Daten semantischen Zusammenhänge erkannt und Muster abgeleitet werden, welche beispielsweise auf einen zukünftigen potentiellen Fehler hinweisen. Durch ein solches Realtime-Maintenance-System, können Bauteile ersetzt werden, ohne einen kostspieligen Stillstand der Maschine.

 

Sie fragen sich, welchen Mehrwert Predictive Analytics und Machine Learning für Sie bietet? Warum ist die aktuelle Situation wie sie ist und wohin wird sich die Unternehmung entwickeln?

Wie werde ich der wachsenden Datenflut Herr, was sind die relevanten Informationen aus den gesammelten Daten? 
 

WIR unterstützen ihr Unternehmen die in ihrer Organisation verteilten Daten und Informationen intelligent zu verknüpfen, verlässliche Prognosen zu erstellen und das Ergebnis bedarfsgerecht zur Verfügung zu stellen.

 

 Unser Portfolio:

  •    Anwendung von Predictive Modellen auf bestehende Daten
  •    BI Analysen und intelligente Darstellung und Verknüpfung von Information
  •    Real-Time Data Dashboards
  •    Erkenntnisgewinn und Vorhersagen treffen

 

 Data InSight

In den letzten Jahren haben wir mit unserem Know-how erfolgreich Projekte mit folgenden Lösungen umgesetzt:

  • Microsoft BI
  • Tableau
  • QlikView
  • SAP HANA
  • Amazon AWS

International tätiges Technologieunternehmen mit heterogenen Geschäftsfeldern

Verkaufsprozess einer heterogenen Geschäftsfeldlandschaft harmonisieren

Mit dem Ziel den Verkaufsprozess über eine heterogene Geschäftsfeldlandschaft zu harmonisieren wurde zunächst gemeinsam mit allen Beteiligten ein gesamtheitlicher Vertriebsprozess erarbeitet und verabschiedet.

Neben bekannten KPIs wie Anzahl Aktivitäten pro MA, /Monat/Quartal/Jahr sowie der intelligenten Planung der Besuche anhand eines Kriterienkatalogs, wurden auf Basis dieses harmonisierten Prozesses KPIs wie

  • Rolling Forecast für Kunden Projekte sowie Verkaufschancen
  • Absolute und gewichtete Betrachtung mit What-If-Analysen
  • Performance Messung gegen Ziele (automatisierte Anpassung von Zielmetriken)
  • Verschlagwortung von Besuchsberichten mit automatisierter Verteilung
  • Geocoding zur Darstellung aggregierter Werte innerhalb von Karten

erstellt.

Des Weiteren wurde unter anderem auch der Lebenszyklus von Verkaufschancen berechnet, um Abschlussquoten vorherzusagen.

Wollen Sie mehr erfahren, kontaktieren Sie uns...

  


 

Unternehmen im Bereich Logistik mit ca. 1500 Benutzern

Zusammenführung von Datenbeständen aus verschiedenen Systemen

Mit der Vorgabe den Aufwand für die Erstellung von Auswertungen zur Unterstützung von Geschäftsprozessentscheidungen zu reduzieren sowie ein einheitliches, konzernweites Reporting Template zu entwickeln, wurden zunächst über die international verteilten Niederlassungen der Status Quo sowie die Anforderungen aufgenommen, um in einem zweiten Schritt diese zu konsolidieren und das Konzernreporting aufzubauen.

Dabei wurden unter anderem auf Basis einer Zusammenführung von Datenbeständen aus verschiedensten Systemen wie ERP, CRM und Datawarehouse folgende Maßnahmen durchgeführt:

  • Kriterienkatalog zur automatisierten Kundenklassifizierung
  • Zeitreihenanalysen (Kundenentwicklung) sowie Kunden 360° Betrachtung für Vertriebsmitarbeiter
  • Prognosen des Kundenpotentials
  • Identifizierung von Cross - und Upselling Potentialen anhand einer Bewertungsmatrix
  • Optimierung von Kundenmailings und Marketingkampagnen
  • Vergleich und Prognose von Marketingkampagnen aufgrund historischer Werte

Um die Zusammenarbeit von Marketing und Vertrieb weiter zu optimieren, wurde ein gemeinsames Lead Scoring Modell implementiert.

Wollen Sie mehr erfahren, kontaktieren Sie uns...

 


 

International tätiger Anbieter für Automatisierungslösungen, 300 Mitarbeiter

Erstellung von Service-Auswertungen

Welche Bauteile fallen aufgrund welchen Fehlers wie häufig aus? Kann ich Rückschlüsse von gemeldeten Fehlern auf zukünftige Ausfälle machen? Gibt es unter meinen Kunden ein ähnliches Nutzungsverhalten? Diese und weitere Fragestellungen beschäftigen neben dem international tätigen Anbieter für Automatisierungslösungen auch viele andere Unternehmen. Genauso wie die verfolgten Ziele: Reduktion der Wartungskosten, Verringerung von Maschinenschäden und Ersatzteillager und Erhöhung der Lebensdauer von Produkten.

Neben den klassischen BI Fragestellungen (welche Produkte, in welchen Regionen, von welchem Vertriebsmitarbeiter wie oft verkauft wurden), lag der Fokus bei der Erstellung von Service-Auswertungen. Also Auswertungen darüber, welche Fehlzustände eines Produkts in welchem Zeitraum (Drilldown Jahr, Monat, Quartal) auftreten und Vergleiche von Zeiträumen.

So wurden Alarme bei Überschreiten von definierten Häufigkeiten und zeitlich und ereignisabhängige, automatisierte Verteilung von KPIs an interne Empfänger veranlasst.

Historische Daten konnten durch ein Predictive Model zur Prognose der Lebensdauer von Verschleißteilen, der Optimierung des Ersatzteilbeschaffungsprozesses sowie zur Planung von Mitarbeitern in der Servicetechnik genutzt werden.

Wollen Sie mehr erfahren, kontaktieren Sie uns...

 

 

Sie haben Fragen zu Daten Analysen? Nehmen Sie Kontakt zu uns auf!

NXTGN Kontaktaufnahme