Daten gewinnbringend einsetzen

Data Science & Business Intelligence

Machine Learning und künstliche Intelligenz – es gibt nur wenige Themen, die in den Medien derzeit so präsent sind. Das lädt die Erwartungshaltung natürlich immens auf. HMS unterstützt Sie umfassend und behält den Überblick im Hype-Dickicht.

Sie möchten Ihre Geschäftsprozesse systematisch verbessern oder neue Businessmodelle erschließen? Wir unterstützen Sie dabei, Ihre Daten gewinnbringend einzusetzen. Für maximale Investitionssicherheit identifizieren und bewerten wir den potentiellen Nutzen in Proof of Concepts. Die darin entwickelten analytischen Modelle integrieren wir darüber hinaus in Ihre Unternehmensprozesse. Dabei konzentrieren wir uns durch eine agile Vorgehensweise stets auf die Kern-Fragestellung und behalten in enger Abstimmung mit unseren Kunden Chancen und Risiken im Blick.

Unsere Services

  • Individuelle Beratungs-Workshops für Business-Intelligence- und Data-Science-Projekte
  • Explorative Analysen und Wirtschaftlichkeitsbetrachtungen sowie Proof of Concepts zur Evaluierung von analytischen Werttreibern
  • Implementierung, Optimierung und Interpretation von Machine Learning Modellen und KI-Systemen
  • Unterstützung beim Aufbau von innovativen datenbasierten Geschäftsmodellen
  • Entwurf und Implementierung von System-Architekturen für Business Intelligence und Data Science
  • Beratung, Trainings und Coachings zu analytischen Methoden
  • Standardisierte Lösungsansätze durch Best Practices, z.B. Intelligente Datenintegration mittels Machine Learning im ETL-Prozess (IDI)

Methodik meets Domänenwissen

Besonderen Wert legen wir in unseren Data-Science-Lösungen auf die Kombination der Stärken von Mensch, Algorithmus und Technologie. Nur durch die effiziente Verzahnung von Methodik und Domänenwissen kann Data Science sein volles Potential entfalten. Sei es beim Feature-Design für die Modellentwicklung oder für eine reibungslose Einbindung von Modellen und Berichten in bestehende Geschäftsprozesse.

 

„Eine bedarfsorientierte Datenanalyse beginnt damit, den Kundenprozess zu verstehen.“ Kai Brodmann, HMS Bereichsleiter

Unser Werkzeugkasten

  • Datenmodellierung, Datenintegration und Business Intelligence
    • Star-Schema, Snowflake-Schema
    • Data Vault
    • klassisch DWH- (ETL) und Big-Data-fähige Data-Lake-Ansätze (ELT)
    • Dashboards, Standard-Reporting, Poweruser-Analysen
  • Methodisches Tiefenwissen durch langjährige Projekterfahrung
    • Supervised Learning
    • Unsupervised Learning
    • Visualisierung
    • Statistik
  • Methodisches Breitenwissen durch heterogene Ausbildungsstruktur unserer Experten
    • Simulationen
    • Heuristiken und Optimierung

Aus der Praxis

Für Versicherungs- und Telekommunikationsunternehmen hat HMS durch wirkungsvolle Methodenanalyse die Costumer Journey beim Onlineverkauf erklärungsbedürftiger Produkte verbessert. Zum Vergleich einzelner Channels prüfte HMS die Nachhaltigkeit verschiedener Methoden und die Möglichkeit alternativer Modelle. Die HMS-Experten nutzten von Google Analytics gelieferte Daten, um die unterschiedlichen Touchpoints in Bezug auf Vertragsabschlüsse einander gegenüberzustellen.

Auch hier stand vor der analytischen Kür die Pflicht der Datenaufbereitung: Fehlende Werte mussten behandelt oder Ausreißer identifiziert und bewertet werden. Auf Basis einer konsistenten Datenbank analysierten Data Scientists daraufhin, welchen Einfluss verschiedene Parameter wie zum Beispiel „initialer Touchpoint“, „Anzahl der Besuche“ oder „Tage zwischen Erstbesuch und erfolgreichem Antrag“ auf einen erfolgreichen Verkauf haben. Diese Erkenntnisse wiederum sind wertvolle Indizien, die der Marketingabteilung dabei helfen, die Allokation der Budgets auf die einzelnen Channels zu überdenken und in Hinblick auf Parameter wie Cost-per-Contact zu optimieren.

Durch die von HMS angewandten Modelle konnte ein Versandhändler seine Adress-Selektion erheblich optimieren. Zum einen wurde die Responsequote verbessert, wodurch sich wiederum die „Kosten pro Kontakt“ reduzieren ließen. Zum anderen wurde die strategische Zielvorgabe „Senkung des Durchschnittalters der Reagierer“ spürbar positiv beeinflusst. Durch die von HMS entwickelten alternativen Prognose-Verfahren konnten mehr Reagierer identifiziert werden, als dies durch die bislang angewandten Methoden möglich war.

 

Für einen Onlinehändler hat HMS die Passung zwischen Produktangebot und Kundennachfrage analytisch optimiert. Zu diesem Zweck führten unsere Data Scientists die Kundendaten aus unterschiedlichsten Datenquellen zusammen: ERP-Daten wurden dabei genauso berücksichtigt wie sozioökonomische Informationen oder – besonders bedeutsam – personalisierte Webtraffic-Daten. Auf Basis der daraus entstandenen Analysedatei, die mehr als 300 Variablen (Datenpunkte) pro Kunde umfassen kann, werden verschiedenste Machine-Learning-Algorithmen erprobt. Das Ergebnis: ein auf die jeweilige Kundenstruktur optimiertes Prognosemodell.

Neben der stark verbesserten Vorhersagegüte bietet das von HMS entworfene und umgesetzte Konzept aber vor allem ein hohes Maß an Nachhaltigkeit: Die erarbeiteten Verfahren sind selbstlernend, d.h. sie passen sich dynamisch an Veränderungen in der Datenlandschaft an und sorgen somit für eine gleichbleibende Vorhersagequalität. Und außerdem: Durch einen hohen Automatisierungsgrad bleiben den Anwendern im Unternehmen genügend Freiräume zur kreativen – und vor allem Gewinn bringenden – Weiterentwicklung der Kundenbeziehung.

Der Hintergrund: Die Fragen, welches Produkt der Kunde als nächstes kaufen und welchen Vertrag er in nächster Zeit abschließen wird, beschäftigen seit jeher die Vertriebs- und Marketingexperten aller Anbieter von Produkten oder Dienstleistungen. Um die richtigen Kaufanreize zu setzen, bauen immer mehr Unternehmen – sowohl im B2C als auch im B2B-Umfeld – auf Cross-Selling- beziehungsweise Next-Best-Offer-Strategien. Das Ziel ist der optimierte Einsatz von Werbebotschaften, um dem Kunden rechtzeitig das passende Angebot für sein aktuelles Kaufbedürfnis präsentieren zu können. Oftmals basieren diese Strategien jedoch auf statischen Regelwerken, welche die im Unternehmen vorhandenen Kundendaten nicht – oder nur rudimentär – berücksichtigen.

 

 

Mit passgenauen Vorhersagen hat HMS ein Maschinenbauunternehmen darin unterstützt, die Produktion kundenspezifisch konfigurierter Maschinen zu optimieren. Durch analytische Methoden (Forecasting) konnte zuverlässig prognostiziert werden, welche Einzelteile zu welchem Zeitpunkt und in welcher Anzahl benötigt wurden. Dies wirkte sich positiv auf Lagerkosten, Produktionsplanung und Service-Levels aus. Neben der Evaluierung und Integration von geeigneten Modellen in die operativen Prozesse beinhalteten unsere Lösungen auch eine anwenderfreundliche interaktive Visualisierung des Teilebedarfs.

Mit validen Prognosen trägt HMS zur greifbaren Prozessoptimierung und Kostensenkung in Lagerhaltung und Kundenservice im produzierenden Gewerbe bei. Immer im Blick: die Gewährleistung einer reibungslosen und effizienten Produktion.

Für einen Hersteller von technischen Massenartikeln wie Batterien oder Glühbirnen hat HMS ein Verfahren entwickelt, um Ausschuss entlang einer Produktionskette zuverlässig und vor allem rechtzeitig zu erkennen. Dafür wurden „Internet-of-things“-Sensordaten genutzen, die wertvolle Einsichten in die Produktionsprozesse gaben. HMS wurde beauftragt, weil unsere Experten nicht nur die analytischen Verfahren aus dem Stegreif beherrschen, sondern gleichzeitig auch die große Herausforderung „Datenmanagement“ meistern konnten. Denn gerade die komplexe Verzahnung von Sensordaten mit manuell erhobenen Informationen bildet eine mächtige Grundlage für aussagekräftige Analysen.

Durch die Anwendung von geeigneten analytischen Methoden (z.B. boosted decision tree, partial dependence plots) konnten Modelle entwickelt werden, die ursächliche Abhängigkeiten von Qualitätsschwankungen in den Daten aufgedeckt haben. Durch die Identifikation dieser Variablen ließen sich qualitätssteigernde Handlungspotenziale identifizieren, die neue Ansätze zur Optimierung des Produktionsprozesses bieten.

Wir haben CRM-Data-Warehouses für alle Branchen und Unternehmensgrößen konzipiert. Bei der Integration von Webdaten des Onlinehandels oder von Online-Plattformen kommt unser weitreichendes Know-how im Datenmanagement voll zum Tragen. Qualitativ hochwertige Daten und performante Datenflüsse bestimmen die Data Warehouses, die wir etwa für Onlinehändler aufsetzen. Diese Daten ermöglichen zielsichere Analysen, die dazu beitragen, Geschäftsprozesse unterschiedlichster Fachabteilungen zu optimieren.

ERP-Systeme, Webdaten, Response-Informationen – je detaillierter das Kundenverhalten von Webseitenbesuchern im Onlinehandel beschrieben werden kann, desto exakter lassen sich deren Wünsche bedienen. Das Berechnen von Cross-Selling-Potenzialen oder „Next-Best-Offers“ bedarf sorgfältiger Vorarbeit: Datenflüsse modellieren, Merkmale performant miteinander verbinden und Datenqualitätsaspekte berücksichtigen. Wir machen das seit 1989.

Die Experten von HMS haben die Vorhersagequalität der vorhandenen Prognosemodelle eines Energieversorgers erheblich verbessert. Hierzu erhielten wir die Lastverläufe von Geschäftskunden vergangener Jahre, reicherten diese Daten mit weiterführenden Informationen an – zum Beispiel mit regionalen Feiertagen und Ferien – und prognostizierten anhand dieser Daten den Bedarf des Folgejahres. Der Clou dabei: Da der Energieversorger die Daten des Prognosezeitraumes für sich behielt, konnte er unsere Prognosewerte sehr gut mit der bislang verwendeten Methode vergleichen. Das Ergebnis: Bereits unter Zuhilfenahme der wenigen, uns zur Verfügung stehenden Zusatzdaten konnten wir unsere Analyseexpertise gewinnbringend einsetzen und die bisherigen Methoden teilweise maßgeblich verbessern.

Der Hintergrund: Die Prognose von Energiebedarf ist für die Energiewirtschaft ein komplexer und gleichsam lebenswichtiger Prozess. Egal, ob zu viel oder zu wenig Energie eingekauft wurde: Jede Planabweichung vom tatsächlichen Bedarf führt zu unnötigen Kosten. Energieversorger prognostizieren deshalb den langfristigen Energiebedarf ihrer Klientel – teils mit Excel, teils mittels Prognosemodellen, die in den Software-Lösungen der Branche integriert sind. Eine Verbesserung der Prognosegüte ist folglich ein wertvoller Wettbewerbsvorteil auf einem heiß umkämpften Markt.

Darauf können Sie bei HMS bauen

Daten-Experten seit 1989

Wir verfügen über eine umfassende Expertise in Business Intelligence und Data Science. Unser Know-how aus über 30 Jahren vereinen wir gekonnt mit Ihrem einzigartigen Domänenwissen – erst dann können Daten ihr volles Potential entfalten.

Praxisorientierte Lösungen

Wir stehen für ein partnerschaftliches Miteinander ohne technische und methodische Dogmatik. Angetrieben von einem lösungsorientierten Pragmatismus haben wir stets den wirtschaftlichen Nutzen unserer Kunden im Visier und verlieren uns nicht in theoretischen Untiefen.

Know-how-Weitergabe

Wissensvermittlung an unsere Kunden spielt eine große Rolle bei unserer Arbeit. Je mehr Sie über die Einsatzmöglichkeiten von Datenanalyse wissen, desto bedarfsgerechter und zielführender können Sie von uns profitieren.

Ihr Ansprechpartner

Immer für Sie da!

Kai Brodmann
Bereichsleiter Data Science & Business Intelligence
Dipl. Informatiker