Die erste echte Data Science Beratung in Deutschland

Die erste echte
Data Science Beratung
in Deutschland
Alexander Thamm GmbH
Richtungsweisend
für bessere Business-Entscheidungen
Wir sind die erste echte Data Science Bera-
Machbarkeit aus Datensicht und die Rentabili-
tung im deutschsprachigen Raum. Unsere in
tät von Projektideen. Unsere Kunden profitieren
München ansässige Firma wurde 2012 vom
durch unseren Lösungsansatz vom Konzept bis
Eigentümer Alexander Thamm gegründet und
zum Betrieb, denn 9 von 10 Piloten werden
ist als erstes Unternehmen rein auf Analytics
in den operativen Betrieb übernommen. Zu
und Big Data spezialisiert.
unseren Kunden gehören: BMW, VW, MAN,
Vorwerk, E.ON, Fidor und viele mehr.
Wir helfen unseren Kunden Wettbewerbsvorteile und Mehrwerte durch Analytics zu gene-
Data Scientists sind rar. Deshalb bilden wir sie
rieren. Dabei profitieren sie von effizienteren
aus, z. B. im Rahmen unseres 12-monatigen
Prozessen und besseren Entscheidungen durch
Trainee-Programms. Das Ergebnis sind
die Nutzung von Big Data. Unsere Analytics
effiziente und eingespielte Teams, was eine
Projekte ermöglichen innovative Produkte und
schnellere Umsetzung und agiles Umgehen
zeigen neue Geschäftsmodelle auf. Gemeinsam
mit Veränderung ermöglicht. Wir beschäftigen
mit unseren Kunden verbessern wir das Leben
Mitarbeiter aus den Bereichen Statistik, Mathe-
ihres Endkunden und erzeugen somit mess-
matik, Maschinenbau, Betriebs- und Volkswirt-
baren positiven Einfluss auf ihre Kennzahlen.
schaft sowie der Informatik. Daher verfügen
wir über Expertise zur Lösungsfindung durch
2
Die Wirksamkeit unserer Ideen haben wir
statistische Prognosen, Datenmodellierung und
bisher in mehr als 50 Proof of Concepts unter
interaktiver Visualisierung. Unsere Mitarbeiter
Beweis gestellt. Außerdem wurden bereits
verfügen über langjährige und umfangreiche
über 150 Analytics Projekte von uns erfolg-
Projekterfahrung in Branchen wie Automotive,
reich realisiert. Wir haben den Blick für die
Energy, Finance und Consumer Goods.
3
AT-Prozess:
Mit unserem Analytics Kompass navigieren
wir Sie sicher durch den Datendschungel
Business
Processes
Insights
Visualization
Data
Intelligence
l
Ana
yti
cs
Se
rv
ic
es
Manag ment
e
Predictive
Analytics
4
Die Chance
Die Lösung
Daten sind der wichtigste Rohstoff des 21. Jahr-
Die Alexander Thamm GmbH hat deshalb den
hunderts. Big Data Analytics und Data Science
einzigartigen und ganzheitlichen Alexander
bieten riesige Potenziale und unzählige Mög-
Thamm Prozess, kurz AT-Prozess, entwickelt.
lichkeiten, Produkte, Dienstleistungen und
Unser Kompass symbolisiert das Zusammenspiel
interne Prozesse zu optimieren.
der fünf Elemente Business Processes, Data
Intelligence, Predictive Analytics, Insights
Das Problem
Visualization und Analytics Services
Big Data Analytics und Data Science sind in
Management. Jeder unserer Data Scientists
aller Munde – jedoch fehlt es in den Unter-
wird in allen fünf Elementen ausgebildet und hat
nehmen an Experten, Erfahrung und erfolg-
sich auf mindestens einen Bereich spezialisiert.
reichen Methoden. Den richtigen Ansatz zur
Der AT-Prozess ist unabhängig von bestimmten
Durchführung von Big Data Projekten zu finden
Technologien oder Software-Anbietern und
ist erfolgsentscheidend, aber auch extrem
kann individuell an die bestehenden IT-Lösungen
schwierig. Es gibt zu wenig Fachkräfte mit
unserer Kunden angepasst werden. Wir verfügen
Erfahrung und keine ganzheitlichen Methoden
über ein breites Netzwerk an Technologien und
oder Projektvorgehen, um die gewünschten
Partnern, die den AT-Prozess ideal ergänzen.
Erfolge zu generieren.
5
Business
Processes
Insights
Visualization
Data
Intelligence
i cs
l yt
A na
er
S
Business Processes:
Orientierung schaffen
und neue Wege gehen
vic
es
Manag ment
e
Predictive
Analytics
Zu Beginn eines Analytics Projekts stehen Sie
Nach diesem wichtigen Schritt wissen wir, welche
vor einer konkreten Herausforderung, oder Sie
fachlichen Anforderungen Sie konkret haben.
fragen uns einfach, was wir aus Ihren Daten
Unsere interdisziplinär aufgestellten Teams aus
machen können. Unabhängig davon, wollen
Betriebswirten, Informatikern und Statistikern
wir das zu lösende Problem genau durch-
übersetzen anschließend das Problem in konkrete
leuchten und verstehen. Dafür analysieren wir
IT-Anforderungen, benennen die relevanten
je nach Fragestellung betriebswirtschaftliche
Daten und bestimmen eine geeignete Analyse-
Prozesse, Kundenverhalten oder auch mecha-
methode. In Form von Workshops nutzen wir
nische Eigenschaften von Anlagen – z. B. zur
Methoden wie Design Thinking und Business
Untersuchung folgender Fragen:
Process Modelling. So verstehen wir das
Zusammenspiel der Geschäftsmechanismen und
♦ Welche relevanten Anspruchsgruppen gibt es?
das Analysekonzept liefert die Basis für die Phase
♦ Wo ergeben sich konkrete Einsparungs-
Data Intelligence.
potenziale?
♦ Wie können durch die Nutzung von Daten
Prozessergebnisse verbessert werden?
♦ Welche betrieblichen und technischen Restriktionen bestehen im Kontext des Projekts?
♦ Wie lässt sich der Nutzen des Projektvorhabens bewerten?
6
7
Business
Processes
Insights
Visualization
Data
Intelligence
i cs
l yt
A na
er
S
Data Intelligence:
Im Datenmeer finden wir
die richtigen Daten
vic
es
Manag ment
e
Predictive
Analytics
Daten gibt es in den verschiedensten Formen:
Bevor wir mit der eigentlichen Auswertung
♦ Zahlen, bspw. Messwerte oder Kennzahlen
starten, endet dieser Prozessschritt mit der
♦ binäre Variablen um bspw. Kaufentscheidun-
Validierung der Daten: Wir prüfen die Daten
gen (ja oder nein) von Kunden zu beschreiben
♦ Text, entweder strukturiert, z. B. in Form von
Modellbezeichnungen oder unstrukturiert,
auf Plausibilität, suchen nach eventuell falsch
codierten Beobachtungen und eliminieren
falsche Werte.
z. B. in Form von Kundenrezensionen zu
einem Produkt
Für die Ablage, Beschaffung, Aufbereitung und
Bereitstellung der Daten arbeiten wir technologie-
8
Egal ob Daten bereits in Ihrem Unternehmen
unabhängig. Unsere Kunden nutzen sowohl
vorliegen, aus externen Quellen angebunden
klassische Systeme wie Oracle DB, MS SQL
werden oder wir ein Konzept zu deren Erhe-
Server, My SQL oder SAP als auch No SQL und
bung aufsetzen: Wir lassen die Daten sozusa-
HDFS Datenbanken wie Mongo DB, Hadoop,
gen dieselbe Sprache sprechen. Gleichzeitig
MapR, Hortonworks oder Pivotal. Für Log-, und
berücksichtigen wir, dass verschiedene Frage-
Sensordaten Streaming nutzen unsere Data
stellungen unterschiedliche Anforderungen
Intelligence Experten Lösungen wie Storm,
an die Struktur des Datensatzes stellen.
Splunk und Kibana.
9
Business
Processes
Insights
Visualization
Data
Intelligence
i cs
l yt
A na
er
S
Predictive Analytics:
Wir erkennen Hindernisse,
bevor diese überhaupt
auf dem Weg auftauchen
vic
es
Manag ment
e
Predictive
Analytics
Daten werden heute immer größer und fachlich
Haltbarkeit einzelner Fahrzeugkomponenten
komplexer. Mit bisherigen, manuellen Ansätzen
auswirkt, können anhand von individuellen
stößt man hier schnell an die Grenzen des
Fahrprofilen kundenspezifische Service-Bedarfe
Machbaren. Mit Hilfe von Predictive Analytics
vorhergesagt werden. Oder wir bewerten
können wir entweder konkrete Fragestellungen
anhand von Interaktionen in der Vergangenheit
und Hypothesen bewerten oder wir suchen
die Wahrscheinlichkeit eines Kunden, sich in
nach der nächsten (sinnvollen) Frage, auf die
naher Zukunft ein Produkt derselben Marke zu
versteckte Muster und Regelmäßigkeiten in den
kaufen – um bei erhöhtem Abwanderungsrisiko
Daten hinweisen. Wir wenden mathematisch-
gegensteuern zu können. Unsere Ergebnisse sind
statistische Algorithmen auf Ihre vorhandenen
die optimale Kombination aus konkretem An-
Ist-Daten an, um validierte Prognosen über
wendungsfall und geeigneter Analysemethode,
zukünftige Trends und Wahrscheinlichkei-
damit Sie am Ende bessere Entscheidungen
ten zu erstellen. Wir bedienen uns hierzu aus
fällen können.
unserem Analytics Baukasten. Dieser enthält
Werkzeuge aus mathematischer Optimierung,
Unsere Data Scientists arbeiten größtenteils mit
maschinellem Lernen, statistischen Verfahren
der Statistik Software R. Je nach Infrastruktur
bis hin zu Physik und Bio-Informatik.
unserer Kunden setzen wir auch Tools wie SAS,
IBM SPSS, MATLAB, Rapidminer, Spark, Hadoop
Indem wir z. B. analysieren, wie sich das jewei-
Map Reduce und Teradata ein.
lige Fahrverhalten auf den Verschleiß und die
10
11
Business
Processes
Insights
Visualization
Data
Intelligence
i cs
l yt
A na
er
S
Insights Visualization:
Ein Bild sagt
mehr als 1.000 Zahlen
vic
es
Manag ment
e
Predictive
Analytics
Für das menschliche Gehirn sind Daten in
Durch die adressatengerechte Aufbereitung
Form von Bildern viel schneller und besser zu
und Visualisierung von Daten und Analyse-
verarbeiten als endlose Zahlenreihen in Tabel-
ergebnissen ermöglichen unsere Data Artists
lenform. Die Visualisierung von Daten ist
Ihnen eine einfache Bedienbarkeit. Unsere
deshalb nicht nur für Präsentationen wichtig,
intuitiven Apps, Tools, Frontends und Präsen-
sondern vor allem auch um die Daten zu
tationen sind visuell ansprechend, schaffen
untersuchen und zu verstehen.
zusätzlich auch einen Kontext und ermöglichen
die Interpretierbarkeit Ihrer Daten. Wir arbeiten
Bei der Entwicklung von Applikationen berück-
mit unterschiedlicher Visualisierungs-Software
sichtigen wir die neuesten Erkenntnisse in den
wie bspw. Tableau, QlikView, R-Shiny oder
Bereichen Usability, Information Design
SAP BO. Zusätzlich entwickeln wir individuelle
und Mobility. Unser Team aus Entwicklern,
Dashboards und Frontends in HTML, Javascript,
Statistikern, Designern und Ingenieuren findet
D3.js oder Ruby on Rails.
in enger Abstimmung mit Ihnen die perfekte
Visualisierung für Ihre Daten. Lassen Sie sich
beispielsweise Ihre Umsätze auf einer interaktiven Karte anzeigen, um Ballungszentren
zu identifizieren.
12
13
Business
Processes
Insights
Visualization
Data
Intelligence
ic s
lyt
Ana
er
vic
es
S
Analytics Services
Management:
Zuverlässige Unterstützung
im täglichen Betrieb
Management
Predictive
Analytics
Wir führen für Sie die von uns entwickelte
Unsere ITIL-zertifizierten Mitarbeiter erstellen
App in Ihren Betrieb über. Diese interaktive
ein auf Ihre Bedürfnisse individuell zugeschnittenes
App können Sie sowohl für wiederkehrende
ASM-Package. Dabei umfassen unsere Leistungen:
als auch für neue Analysen nutzen. Gerne
stellen wir für Sie eine regelmäßige, frist-
♦ Dokumentation
gerechte und validierte Versorgung Ihrer
♦ Applikationsbetrieb
eigenen Prozesse mit aktuellen Daten sicher,
♦ Datenaktualisierung
warten diese und sorgen für einen reibungs-
♦ Präventive und reaktive Wartung
losen Betrieb.
♦ Server-Administration
♦ User-Verwaltung und -Support
Die Technologie der ETL-Strecke spielt dabei
keine Rolle – wir passen den Prozess an Ihre
jeweilige Datenbank- und IT-Infrastruktur an.
Auf Wunsch überführen wir Ihre App nach
der Erstellung in Ihren IT-Betrieb. Gerne übernehmen wir auch die anschließende Wartung
und den Support sowie alle damit verbundenen administrativen Tätigkeiten für Sie.
14
15
Identifikationphase
Project
Definition
Exploration
Stage
Data Science
Project
Set-up
Result
Validation
Daily
Meeting
Data
Intelligence
ic s
l yt
Ana
Se
rv
# Sprints
ice
s
ben und spezielle Anforderungen zu übersetzen.
Hauptkomponenten: Der Identifikationsphase
In der Result Validation Stage werden die neu
und der Realisierungsphase. Die Identifika-
gewonnen Informationen verifiziert und weiter
tionsphase ist der Realisierungsphase vorge-
untersucht. Diese Vorstufen führen schließlich zu
lagert und beinhaltet wesentliche Schritte für
einem klar definierbaren Data Science Project
neue und innovative Data Science Projekte
Set-Up, in welchem Ziele, Kosten und Zeit ein-
bei denen nicht auf existierendes Vorwissen
facher abgeschätzt werden können.
Die Realisierungsphase kombiniert den AT-
Business
Processes
Insights
Visualization
Das AT-Projektvorgehen besteht aus zwei
zurückgegriffen werden kann.
Realisierungsphase
Product
Backlog
AT-Projektvorgehen:
Mit einem strukturierten Vorgehen
sicher das Ziel erreichen
Ma
nagement
Das Ziel der Identifikationsphase ist es, inner-
Prozess mit einem agilen SCRUM Projekt-
halb kürzester Zeit ein besseres Verständnis zur
management Ansatz, um Analytics Projekte
allgemeinen Situation und ihren Herausforde-
effizient und effektiv durchzuführen. Bei der
rungen zu bekommen. Dies geschieht ausge-
Umsetzung greifen wir auf bekannte Elemente
hend von einer initialen Projekt Definition
des agilen Projektmanagements wie Sprints,
(anhand konkreter User Stories), die entweder
Daily Stand-Up Meetings, Product Backlogs,
von Ihnen geliefert wird oder gemeinsam mit
Review Processes und Testing Phases zurück.
uns erarbeitet wird. Auf dieser Basis findet die
Dieses Vorgehen ist in jedes Element des AT-
Exploration Stage statt. Unterschiedliche Me-
Prozesses eingebettet. Dadurch wird garantiert,
thoden, wie z. B. Design Thinking und Business
dass die Projektqualität und der Projekterfolg
Process Modelling, werden eingesetzt, um die
innerhalb der vorgegeben Zeit und Kosten
definierten Ziele in Herausforderungen, Aufga-
erreicht werden kann.
Team
Predictive
Analytics
16
17
Kunden:
Unsere Weggefährten
Automotive
Energy
€
Consumer Goods
18
Finance
Automotive
Energy
In der Automobilindustrie haben wir bereits
Big Data Analytics wird für Energieversorger
über 100 Analytics-Projekte für Kunden wie
wie E.ON immer wichtiger. Durch Load Fore-
BMW, VW, MAN und Skoda umgesetzt.
casting oder Kundenanalyse können große
Die Themen reichen dabei von Predictive
Einsparungspotentiale erreicht werden. Des
Maintenance über Telematikdienste bis hin
Weiteren betreiben wir für einen großen Ener-
zu Connected Car.
gie Konzern deren Self-Service BI Plattform.
Finance
Consumer Goods
Für die Finanzbranche entwickeln wir Scoring
Gerade im Bereich Consumer Goods gewinnt
Modelle, visualisieren Kundendaten und Geld-
das Thema Internet of Things (IoT) immer
ströme in Echtzeit oder optimieren Produkte.
mehr an Bedeutung. Für Kunden wie Vorwerk
Und das sogar preisgekrönt: für das Com-
realisieren wir dazu innovative Projekte um
munity Karma haben wir gemeinsam mit der
Produkte näher am Kunden zu entwickeln und
Fidor Bank den Preis „Banking IT – Innovation
langfristig Kundenloyalität zu steigern.
Award“ der Universität St. Gallen erhalten.
19
Automotive
Motorschaden tritt auf
Success Story:
Predictive Maintenance
€
Energy
Finance
Consumer Goods
Herausforderung
Die Herausforderung eines internationalen Automobilherstellers bestand darin Fahrzeuge mit einem
möglichen Defekt vorab zu identifizieren, bevor der Fehler wirklich auftritt, um Gewährleistungskosten senken oder vermeiden zu können.
Ausfallquote
betroffenener Autos
AT-Lösung
Gewährleistungskosten
Kundenzufriedenheit
Durch die Kombination von Messwertdaten, Stammdaten des Fahrzeuges und Diagnosedaten
konnte ein Prognosemodell erstellt werden, das den Fehlerauftritt zuverlässig vorhersagt. Mit Hilfe
100%
€
€
€
25%
ohne
Predictive
Maintenance
20
der Fachabteilung und weiteren Spezialisten konnten Fehler vorab erkannt und identifiziert werden.
mit
Predictive
Maintenance
50%
Ersparnis
Ergebnis
Durch das Prognosemodell konnten 75% der betroffenen Fahrzeuge identifiziert werden. Prüfkosten
und etwaige, aufwändige Rückrufaktionen konnten vermieden werden. Die Gewährleistungskosten
wurden um über 50% gesenkt. Gleichzeitig generierte der Automobilhersteller zufriedenere
€
€
€
€
€
€
ohne
Predictive
Maintenance
mit
Predictive
Maintenance
ohne
Predictive
Maintenance
Kunden und steigerte somit die Kundenbindung.
mit
Predictive
Maintenance
21
Automotive
Reduzierung Kreditausfallquote
Success Story:
Credit Scoring
100%
40%
30%
5,9%
Energy
€
Finance
Consumer Goods
Herausforderung
20%
Der Geldnotruf ist ein Minikredit in Höhe von 100 – 199 € mit einer Laufzeit von 1 – 2 Monaten.
0,4%
10%
Der meistgenutzte Ansatz zur Evaluierung der Kreditwürdigkeit ist die SCHUFA Auskunft. Die Zielgruppe für den Geldnotruf besitzt zum Teil bereits Einträge bei der SCHUFA. Daher müssen andere
Unterscheidungsmerkmale in den Kundengruppen identifiziert werden, um deren aktuelle Bonität
und damit Rückzahlungswahrscheinlichkeit beurteilen zu können.
0%
AT-Lösung
Verhinderte Kreditausfälle
über 3000
Break-Even-Point
Unser Algorithmus berücksichtigt unterschiedliche Daten wie die persönliche Kredithistorie, Transaktionen oder Social Media Aktivitäten um die Ausfallwahrscheinlichkeit zu ermitteln. Diese wird in
€
Echtzeit in unter 60 Sekunden berechnet. Der Bank wird damit die Möglichkeit gegeben, Kunden
Erlöse
mit einer hohen Ausfallwahrscheinlichkeit kleinere Kredite zu gewähren. Außerdem werden Kunden-
in 6 Monaten
€
€
€
€
€
€
€
€
€
€
eigenschaften identifiziert, welche einen signifikanten Einfluss auf die Rückzahlungsmoral haben.
€
€
€
€
€
Durch die Kundenklassifizierung können Ausfallrisiken erkannt und Verluste bei Bank und Kunden
minimiert werden. Die Kreditausfallquote konnte um über 90% gesenkt werden – und dies bei
gleichbleibender Vergabequote. Innerhalb von nur 3 Monaten amortisierten sich die Entwicklungs-
€
kosten für das Credit Scoring.
3 Monate
€
Ergebnis
Gewinn
Kosten
€
t
22
23
Automotive
Haushaltsgeräte nicht vernetzt
Success Story:
Connected Household
Appliances
€
Energy
Finance
Consumer Goods
Herausforderung
Ein internationaler Haushaltsgerätehersteller möchte das Kundenverhalten direkt am Gerät analysieren.
Das auf dem Markt befindliche Gerät ist nicht vernetzt und liefert bisher keine Nutzerdaten zurück.
Der Abruf der Nutzerdaten sollen dem Kunden nicht transparent gemacht werden.
Entwicklung Sensor
zur Datenerfassung
Einbau
in Geräte
vernetzte
Haushaltsgeräte
AT-Lösung
Auf Basis von definierten UseCases der Market Research Abteilung erarbeiten wir konkrete Variablen
und deren Datenquellen, sowie einen technischen Implementierungsvorschlag des Datenmodells.
Eine interaktive Applikation wird mit simulierten Testdaten aufgebaut und der Market Research
Abteilung zur weiterführenden Analyse zur Verfügung gestellt.
Ergebnis
Verhaltensmuster können identifiziert und adressiert werden. Durch prädiktive und vernetzte
„Customer Care“ Maßnahmen kann die Kundenzufriedenheit gesteigert werden. Außerdem können
gezielte Marketingmaßnahmen durchgeführt werden und dadurch Marktanteile gesteigert werden.
24
25
Automotive
Kunden mit Wechselabsicht
Success Story:
Churn Prediction
40%
Energy
€
Finance
Consumer Goods
Herausforderung
In den meisten Industrien gilt der Grundsatz, dass es günstiger ist, einen Kunden zu halten als einen
neuen zu gewinnen. Dies gilt vor allem für langfristige Produkte und Luxusgüter wie Autos. Unser
Kunde, ein führender Automobilhersteller, wollte Kunden, die abzuwandern drohten identifizieren und
zum Wiederkauf motivieren. Dabei war die Analyse der Wechselursachen essentiell um individuelle
Wechselabsicht
erkannt
Top Ursachen
identifiziert
Rückgewinnung
Kunden
Maßnahmen zum Wiederkauf einzuleiten.
AT-Lösung
Zur Bestimmung der Churn (Abwanderung) Wahrscheinlichkeiten wird ein Logit Modell angewandt,
90%
das verschiedene Informationen zu Kunden sowie Fahrzeug-Modell berücksichtigt. Falls der Kunde
noch im Besitz eines Autos ist, wird in erster Instanz die Verkaufswahrscheinlichkeit mit Hilfe eines
Ursachen
Survival Modells bestimmt um eine präzise Bestimmung der Churn Wahrscheinlichkeit zu ermöglichen.
Anhand einer Treiberanalyse schaffen wir Transparenz über die jeweilige Ursache der Abwanderung
wie z. B. Wiederholreparaturen oder schlechter Kundenservice.
Ergebnis
Mit Big Data Analytics können nun genau diejenigen Kunden mit dem höchsten Wechselrisiko priori-
0%
ohne
Churn
Prediction
26
siert werden und individualisierte Maßnahmen ergriffen werden, um diese zu halten. Die Ressourcenaufteilung in der Firma wird effizienter, was in dem Fall nicht nur Geld spart, sondern auch zu gesteimit
Churn
Prediction
Einfluss auf
Abwanderung
gerter Loyalität führt. Die Methode hat eine 90% Trefferquote.
27
Automotive
Fahrzeug liest Fahrer
als wichtig identifizierte
E-Mails vor
Berechnung der optimalen
Wiederbetankung
@
Angebot für günstigere
Versicherung wegen
guter Fahrweise
Success Story:
Connected Car
Energy
€
Finance
Versicherung
Consumer Goods
Herausforderung
Im Zeitalter von Connectivity und Internet of Things (IoT) wird es immer wichtiger, Produkte miteinander zu vernetzen und intelligenter zu machen. Das schafft auf der einen Seite ein noch nicht dagewesenes Erlebnis für den Verbraucher und hilft gleichzeitig Unternehmen, mehr über die Nutzung ihrer
Produkte zu erfahren. Letzteres hilft bei der kontinuierlichen Verbesserung der Produkte bspw. im
Bereich Predictive Maintenance. Die große Herausforderung ist es hierbei, für alle Geräte ein gemeinsames und funktionierendes Ökosystem zu schaffen.
AT-Lösung
Wir stellen sicher, dass die richtigen Daten, bspw. von Sensoren, erhoben werden. Mittels statistischer
Methoden schaffen wir dann aus den Daten neue Erkenntnisse. So können wir bspw. mit der Vernetzung von Heizkörpern Heizkosten sparen oder ein Navigationssystem mit externen Daten dazu befähi-
Wecker klingelt
30 Minuten früher
wegen Glatteis
Heizung wird runtergeschalten, wenn Auto
sich entfernt
Auto fährt beim Büro
direkt zu freiem Parkplatz
gen, eigenständig Großereignisse (z. B. Marathon) zu umfahren.
Ergebnis
Die Vernetzung von Fahrzeugen in Verbindung mit statistischen Methoden bietet einen großen Mehrwert für den Endkunden und ist ein zentrales Instrument für eine langfristige Kundenbindung und ein
wichtiger Wettbewerbsvorteil im hart umkämpften Automobilmarkt. Der Endkunde profitiert bspw.
von der Frühwarnung vor Glätte, dem intelligenten Umfahren von Großereignissen oder die Berechnung der optimalen Wiederbetankung unter Berücksichtigung von Preisdaten und Abweichung von
der aktuellen Route.
28
29
Automotive
Stromeinspeisung
Success Story:
Load Forecasting
gelieferter Strom
€
Energy
Finance
Consumer Goods
€
Strafzahlung
für Stromlieferant
bei geringerem
Verbrauch
€
Strafzahlung
für Stromlieferant
bei höherem
Verbrauch
Herausforderung
Ein Kunde aus dem Energie-Sektor muss die Lastgänge seiner Vertriebspartner täglich genau prognostizieren. Die aktuell verwendete Prognosesoftware war nicht flexibel genug und lieferte im Detail zu
ungenaue Prognosen. Dadurch entstand der Kundenwunsch nach einer transparenteren, flexiblen
und performanten Lösung.
AT-Lösung
Durch die Verwendung moderner Prognose-Algorithmen (Deep Learning) und weiterer Einflussfaktoren,
konnte die Prognosegüte verbessert werden. Vor allem die Verwendung neuer Wetterparameter und
analysierte Daten
Stromlast
Kostenersparnis
das intensive Tuning des Modells zeigten signifikante Verbesserungen bzgl. der Prognosegüte.
Megawatt
Ergebnis
€
€
wir eine erhebliche Verbesserung der Prozess-Transparenz im Vergleich zur bestehenden Lösung.
Es wurde nachgewiesen, dass auch mit einem nahezu vollautomatisierten Prozess eine bessere
Prognosegüte erreicht wird.
31
€
Ist-Stromverbrauch
AT-Prognose
alte Prognose
30
€
Das stabile Prognosemodell funktioniert in einer automatisierten Umgebung. Außerdem erreichten
€
€
Zeit
31
Suchen Sie auch
Orientierung im Datendschungel?
Dann kontaktieren Sie uns!
Business
Processes
Insights
Visualization
Data
Intelligence
i cs
l yt
A na
S
er
vic
es
Manag ment
e
Predictive
Analytics
Alexander Thamm GmbH
Wilhelm-Wagenfeld-Str. 20
80807 München
T +49 89 / 307 60880
[email protected]
www.alexanderthamm.com