DATENANALYSE
Data Science
Data Science - was und wofür?
Was kommt auf uns zu?
Wie können wir weniger ausgeben und mehr verdienen?
Was denken die Kunden von uns?
Welcher Mitarbeiter sollte mit welcher Arbeit beauftragt werden?
Wie können wir weniger ausgeben und mehr verdienen?
Was denken die Kunden von uns?
Welcher Mitarbeiter sollte mit welcher Arbeit beauftragt werden?
“
Beispiele der Aufgaben, die von Data Science gelöst werden:
1.Logistik und Produktion:
● Qualitätsanalyse: wie unterscheiden wir zwischen der natürlichen Variablität des Geschäftsprozesses und einem Zeichen eines systematisches Problems in diesem Geschäftsprozess?
● Ratings von Lieferanten mit Rücksicht auf Qualität, Liefertermine, Angebot, Preise und weitere Parameter.
● Bestandsoptimierung.
● Klassifizierung von SKU (stock keeping units) je nach Bedeuting für die Firma.
● Prüfung von Hypothesen über den Einfluss kleiner Änderungen auf die Geschäftsergebnisse, Unterscheidung zwischen Regel und Zufall.
2. Marketing, Vertrieb, CRM:
● Welche Dynamik wird die Sättigung des Markts mit einem neuen Produkt zeigen?
● Clustering (Gruppierung) von Kunden. Ergebnisse dieser Analyse können für personalisierte Nachrichten, für individuelle Discount-Programme, für gezielte Werbung und Weiteres verwendet werden.
● Analyse der Streuung von Kundenpräferenzen: zum Beispiel ein Kunde kauft immer nur einen Brand, und der andere experimentiert, oder der Brand ist ihm gleichgültig.
● Analyse der Zusammenhänge zwischen Geschlecht und Kundenpräferenzen.
● Berechnung des Customer Lifetime Value für Entscheidungen über den maximalen vernünftigen Preis der Kundenakquise oder über die Folgen des Kundenverlustes.
3. Finanzen:
● Prognose der Einnahmen im nächsten Monat in Abhängigkeit von Altdaten, Krankheiten, Urlauben, Debitorenrückständen usw.
● Zusammensetzung des optimalen Anlageportfolios.
4. Personalwirtschaft:
● Berechnung der Wahrscheinlichkeit des Austrittes eines Mitarbeiters.
● Suche nach Zusammenhängen der Produktivität (KPI) der Arbeitnehmer mit ihren Gehalten, Loyalität und anderen Kennzahlen.
● Automatische Bewertung von Kandidaten nach der Wahrscheinlichkeit, dass sie zur Vakanz passen.
● Qualitätsanalyse: wie unterscheiden wir zwischen der natürlichen Variablität des Geschäftsprozesses und einem Zeichen eines systematisches Problems in diesem Geschäftsprozess?
● Ratings von Lieferanten mit Rücksicht auf Qualität, Liefertermine, Angebot, Preise und weitere Parameter.
● Bestandsoptimierung.
● Klassifizierung von SKU (stock keeping units) je nach Bedeuting für die Firma.
● Prüfung von Hypothesen über den Einfluss kleiner Änderungen auf die Geschäftsergebnisse, Unterscheidung zwischen Regel und Zufall.
2. Marketing, Vertrieb, CRM:
● Welche Dynamik wird die Sättigung des Markts mit einem neuen Produkt zeigen?
● Clustering (Gruppierung) von Kunden. Ergebnisse dieser Analyse können für personalisierte Nachrichten, für individuelle Discount-Programme, für gezielte Werbung und Weiteres verwendet werden.
● Analyse der Streuung von Kundenpräferenzen: zum Beispiel ein Kunde kauft immer nur einen Brand, und der andere experimentiert, oder der Brand ist ihm gleichgültig.
● Analyse der Zusammenhänge zwischen Geschlecht und Kundenpräferenzen.
● Berechnung des Customer Lifetime Value für Entscheidungen über den maximalen vernünftigen Preis der Kundenakquise oder über die Folgen des Kundenverlustes.
3. Finanzen:
● Prognose der Einnahmen im nächsten Monat in Abhängigkeit von Altdaten, Krankheiten, Urlauben, Debitorenrückständen usw.
● Zusammensetzung des optimalen Anlageportfolios.
4. Personalwirtschaft:
● Berechnung der Wahrscheinlichkeit des Austrittes eines Mitarbeiters.
● Suche nach Zusammenhängen der Produktivität (KPI) der Arbeitnehmer mit ihren Gehalten, Loyalität und anderen Kennzahlen.
● Automatische Bewertung von Kandidaten nach der Wahrscheinlichkeit, dass sie zur Vakanz passen.