Data driven.
Het plan naar data driven business door advanced analytics
Business.
Analytics: uw data slim gebruiken en zo uw business optimaliseren! Marijn Uilenbroek
Arie Twigt
BIA Consultant, Sogeti BI & Analytics
Data scientist, Sogeti BI & Analytics
‘t Spant Bussum 23 November 2015
Data driven analytics - The age of data obsession | 2
Agenda • • • • •
Waar staan we in de BI maturity Welke uitdaging hebben we in verkrijgen van kennis Wat is analytics Hoe starten we met analytics Klantcase de Friesland zorgverzekeraar
Data driven analytics - The age of data obsession
| 3
Waar staan we in de BI maturity?
Feiten verleden Begrip verleden Hoe hebben we het gedaan Hoe hebben we het gedaan Bijsturen Data driven analytics - The age of data obsession | 4
Waar staan we in de BI maturity • Wat is de gemiddelde bruto verkoopprijs per regio? • Wat is het omzetverschil tussen 2014 en 2015 en welke divisie heeft ondergepresteerd? • Hoe lang blijven klanten een klant bij ons? • Hoe lang blijven nieuwe klanten een klant bij ons? • Hoe lang blijft deze specifieke klant een klant bij ons?
Data driven analytics - The age of data obsession | 5
Waar staan we in de BI maturity Wat is het beste dat er kan gebeuren? Optimalisatie
Competitief voordeel
Wat gebeurt er hierna? Predictive Modeling
Wat als deze trend aanhoudt? Voorspellen
Waarom gebeurt het? Statistische analyse Alerts
Welke acties zijn noodzakelijk? Query Drilldown
Ad hoc reporting Std reporting
Waar zitten de problemen precies?
Hoe vaak, hoeveel en waar?
Wat is er gebeurd?
Mate van Intelligentie Data driven analytics - The age of data obsession
| 6
Waar staan we in de BI maturity
Data driven analytics - The age of data obsession | 7
Wat is analytics?
Data driven analytics - The age of data obsession | 8
Wat is analytics? Regressie:
Correlatie analyse: Clustering & Outlier analyse: Classificatie: Optimalisatie:
- Welke personen horen wij meer aandacht te geven om zo bij ons te blijven? - Waar groeit onze omzet heen? - Wat is de verwachtte uitstoom van goederen? - Wat is het juiste moment om een technisch onderdeel te vervangen? - Welke factoren spelen een belangrijke rol bij de aankoop? - Wat beïnvloed de hersteltijd het meest? - Waar zien we fraudegevallen? - Welke natuurlijke doelgroepen onderkent de data? - In welke groep past de cliënt het best? - Hoe kan ik resultaat maximaliseren met vastgestelde beperkingen? - Hoe kan ik overhead-ruimte minimaliseren? Data driven analytics - The age of data obsession | 9
Niet veel te vroeg voor advanced analytics? kwaliteit van werk afhankelijk is van de kwaliteit van data en de mogelijkheid daar snel inzetbare inzichten uit te halen ‘sense of urgency’ bemerken we bij organisaties: ‘We moeten er iets mee
729 results NL 149 regio A’dam
Data driven analytics - The age of data obsession | 10
Hoe starten we met analytics? Onderzoeksvraag
?
Dataset
Modelering
Visualisatie
Actie
Data driven analytics - The age of data obsession | 11
Hoe starten we met Analytics? Solution Build
Data driven analytics - The age of data obsession | 12
Solution build Resultaten Kosten en opbrengst business case Aanpak en prioriteiten Analyse & identificeren kansen Visie op de oplossing Doelstellingen en kaders
• Inzicht • Snelle besluitvorming (min. 50% sneller) • Draagvlak oplossing • Roadmap
Bepalen requirements Bepalen scope en succescriteria Business drivers & probleemdefinitie
Data driven analytics - The age of data obsession | 13
Hoe starten we met Analytics? Solution Build
Intelligent KickStart
Data driven analytics - The age of data obsession | 14
Intelligent KickStart Resultaten Plan van Aanpak Vervolg
• Bewijs door werkende oplossing
Presentatie en Demo
• Overtuiging stakeholders
Dashboarding en Reporting
• Basis voor vervolg
Intelligent combineren Vergaren data Bepalen succescriteria, scope, tooling
• Plan voor vervolg • Cloud
• Leren van proces
Bepalen doelen
Data driven analytics - The age of data obsession | 15
Proof of adventure
Data driven analytics - The age of data obsession | 16
Hoe starten we met Analytics? Solution Build
Intelligent KickStart
Project
Data driven analytics - The age of data obsession | 17
Intelligent KickStart - proof of adventure
Data driven analytics - The age of data obsession | 18
Verbanden ontdekken - Correlatieplot
Data driven analytics - The age of data obsession | 19
Verband tussen sport en hartklachten?
Data driven analytics - The age of data obsession | 20
Verband tussen sport en botklachten?
Data driven analytics - The age of data obsession | 21
Minder depressie als je lid bent van een vereniging?
Data driven analytics - The age of data obsession | 22
Begin Statistical Learning - Lineaire regressie • Kwantitatieve output: • Eén voorspelde variabele; • Eén of meerdere voorspellende variabelen. Bijvoorbeeld: ŷ = Uitgaven Psychologie; X1= Uitgaven geblindeerd; X2 = Uitgaven Alcohol stoornis; X3 = Uitgaven Eetstoornis; X4 = Uitgaven Depressieve stoornis. ŷ =β0+ βx1+ βx2+βx3+βx4 Data driven analytics - The age of data obsession | 23
Modellen maken en evalueren
Data driven analytics - The age of data obsession | 24
en verbeteren.
Data driven analytics - The age of data obsession | 25
Start het avontuur… Om de geheimen in uw data te leren ontdekken is, data, businesskennis, technologie, aanpak en data science nodig!
In the age of data obsession…
Contact. Marijn Uilenbroek E
[email protected] T +31(0)6 52 65 97 41 @datajunk
