Digitalisierung und Data Driven Organisation durch ... · Intelligence RPA Decision Models Deep Learning Internet of things Data Lake Closed Systems Mobile Apps Web Apps Der Business

Digitalisierung und Data Driven Organisation durch Business IntelligenceUwe Munk (Senior Manager)—Hamburg, 02.12.2019

2

Document Classification: KPMG Confidential

© 2019 KPMG AG Wirtschaftsprüfungsgesellschaft, ein Mitglied des KPMG-Netzwerks unabhängiger Mitgliedsfirmen, die KPMG International Cooperative („KPMG International“), einer juristischen Person schweizerischen Rechts, angeschlossen sind. Alle Rechte vorbehalten. Der Name KPMG und das Logo sind eingetragene Markenzeichen von KPMG International.

Ihr Präsentator heute

Uwe MunkSenior Manager

T +49 421 335577-859M +49 172 8238 [email protected]

3



AgendaDigitalisierung und Data Driven Organisation durch Business Intelligence

Was hat sich mit der Digitalisierung eigentlich wirklich verändert?1

Schreckgespenst: Disruption2

Die Antwort I: Das datengetriebene Unternehmen3

Die Antwort II: Digitalisierung ermöglicht neue Geschäftsmodelle4

Aktuelle Trends im Data & Analytics Umfeld5

Digitalisierung

Was hat sich verändert?

Standortbestimmung

5



Business Intelligence (BI)Business Intelligence beschreibt die Fähigkeit, Daten in Mehrwert für den Kunden zu transformieren.

Daten in Geschäftsnutzen wandeln

Business Intelligence ist die Fähigkeit den Geschäftserfolg zu erhöhen, indem interne und externe Informationen kontinuierlich stärker genutzt werden. BI versorgt die Entscheider mit Finanz- u. operationalen Informationen um ein effektives Performance Monitoring,Entscheidungsunterstützung und Automatisierung zuermöglichen.

DATAWAREHOUSING

OPERATIONALPERFORMANCEMANAGEMENT

BUSINESSPERFORMANCEMANAGEMENT

SOLUTIONS(SAP, IBM, ORACLE, SAS,..)

BIG DATA

PLANNINGBUDGETING

FORECASTING

ETLCORPORATEPERFORMANCEMANAGEMENT

KPIs(EVA, ROCE,

BSC,..)

ANALYTICS

SIMULATION

OLAP, ROLAP, HOLAP, MOLAP

Master Data Management

6



Von Menschen generiert

Von Unternehmengeneriert

Von Maschinengeneriert

Durch Interaktiongeneriert

Die Daten-Revolution ist in vollem Gange!

7



Internet Economy Data Economy

Unternehmen im Umbruch: Data-Driven Economy

1990s NOW

8



Business Intelligence / Data & Analytics – Das Herz der DigitalisierungBusiness Intelligence beschreibt die Fähigkeit, Daten in Mehrwert für den Kunden zu transformieren.

Virtual Assistants

Advanced /AugmentedAnalytics

MachineLearning

Blockchain

Cloud Computing

Data Mining

CognitiveAnalytics

ArtificialIntelligence

RPA

DecisionModels

Deep Learning

Internet ofthings

Data Lake

ClosedSystems

Mobile Apps

Web Apps

Der Business Intelligence Markt ist einer der am schnellsten wachsenden.

Heutige Geschäftsheraus-forderungen benötigen die Analyse von großen und komplexen Kombinationen an Datenmengen) / Datenquellen und hochentwickelte Datenmodelle.

BIData & Analytics

MetadataManagement

Analytical Ops

Schreckgespenst

Disruption ???

Herausforderung für (fast) alle Unternehmen und Branchen

10



Disruption im Zeitalter der „Data Economy“

11



Wo liegen heute die Herausforderungen für die Unternehmen?

In der von Vason Bourne erstellten Studie stimmen viele nahmhafte CxO´s überein, Disruption und Digitalisierung die Treiber für Herausforderungen und Veränderungen im Unternehmen sind.

Hier die drei wesentlichen Herausforderungen (Zitat):

© 2019, by technology market research Vanson BourneSource: The global survey was conducted in September 2019 among 270 senior business and IT decision makers in the Americas, Europe and Asia Pacific.

neue Technologien neue Kundenanforderungenneue Marktteilnehmer

DigitizationIs Widesread…Yet theJourney is long

of respondents confirmed theyare either moving to a digital business or leveraging/pilotingdigital technology to changebusiness models, processesand/or systems.

99%

Yet only 10% have fully realized widespreaddigital transformation.Most companies are making progress with theirdigitalization efforts, but the journey is still consisdered long with few realizing digital nirvana. This is a key enabler for taking the next step ofembracing AI.

*Research commissiones by Teradata and conducted byindependent research firm Vason Bourne in September 2019.

94%

61%

Under Pressure

Of businesses are experiencing someform of disrepution and are rethinkingapproaches and processe to keeppace.

Are underprepared to strategicallyaddress market-distruptive competitors.

12



Beispiel – Kunden-Use-Case aus dem Handel

Anwendungsfall: Personalisierung Katalog

Nach Zielgruppe gerichtete personalisierte Artikelauswahl auf dem Katalog-Cover

Präferenzen: — Alter — Mädchen Kleidung— Männliche Singles— etc.

Antwort 1

Das datengetriebene Unternehmen

Digitalisierung „für mich“

14



© 2015 Teradata

Operative Überlegenheit und Innovation

Was ist ein datengetriebenes Unternehmens?

15



Ein datengetriebenes Unternehmen: Operative Überlegenheit und Innovation

Ein datengetriebenes Unternehmen zu werden stellt heute einen überlebenswichtigen Wettbewerbsvorteil dar. Ein auf Daten gestütztes Betriebsumfeld ist unverzichtbar. Essentiell dafür ist, dass diese Entscheidung vom Vorstand getragen wird.

Sie sind ebenfalls erfolgreicher auf den Gebieten Kreativität und Innovation.

Sie sind zudem besser aufgestellt, wenn es darum geht, neue Entscheidungen oder Ideen durchzusetzen. Bottom-up und top-down.

Datengetriebene Unternehmen sind profitabler als ihre Konkurrenz.

Die Vorteile für Unternehmen, die Daten sinnvoll nutzen, beinhalten:

Datengetriebene Unternehmen

Unternehmen ohne Fokus auf Daten

VS.

Besserer Austausch von Wissen

Bessere Zusammenarbeit

Höhere Qualität und schnellere Ausführung

Schnellere Entscheidungen

VS.

VS.

VS.

VS.

VS.

VS.

VS.

Quelle: Die Daten in dieser Info-Grafik basieren auf einer globalen Umfrage von 362 Senior Executives, die zw. September und Oktober 2014 von der Economist Intelligence Unit durchgeführt wurde.

68%

78%

65%

40%

37%

42%

70% 41%

59% 33%

55% 24%

55% 28%

16



Data-Driven eCommerce Delivering On Trend Fashions at Exceptional Value

Kundenbeispiel: bonprix in Hamburg

bonprix prides itself on harmonized sales channels.

With individualization and 'one-to-one communication’, bonprix has experienced double digit revenueand profitable growth by positioning their own label and ensuring that it is at an affordable pricefor everyone.

17



Beispiel: Data-Driven Customer Journey im E-Commerce

Erfahrungsgetrieben— Artikelplatzierung im

Webshop / im Store / im Einzelhandelsgeschäft

Algorithmusbasiert— Renner Artikel — Hohe Marge — Dynamische Inhalte aber

Regel weiterhin statisch

Daten basiert— Experte analysiert Daten

und trifft Entscheidung — Personalisierung erhöht die

Anzahl der zutreffenden Entscheidungen sowie ihre jeweilige Änderungsfrequenz

Machine Learning basiert— Dynamische Anpassung der

Regeln — Modellgüte verbessert sich

mit mehr Daten

Automatisierte Entscheidungen— ML-basierte Einschätzung der

Customer Journey — Automatisierte Preisentscheidung im

Shop auf Basis des Click-Verhaltens — Dynamische Regel

18



Kundenbeispiel: Campaign Management – Data Driven Customer Journey

CustomerWebshop E-MailMobile Shop KatalogOnline Marketing

Newsletter Kampagnen Warenkorb Reaktivierungsmaßnahmen Call-Center Katalog Management Personalisierung

visitors, cookies(UID,

logins

visitors, cookies(UID,

logins

ppening, clicks,bounces,

permissions

landings,campaigns,

conversions (cpcety.)

advertising, circulation,campaigns(costomers,

customer groups)

orders, deliveries, returns, customer

data

Antwort 2

Digitalisierung ermöglicht neue Geschäftsmodelle

Digitalisierung „für mich“

20



Improve Paper Process Manufacturing UptimeUse machine logs, parsed to create significant machine events. Use pattern matching and affinity analysis to predict machine failure and likelyreplacement parts.

Process Auto Equip— Line equipment— Sensor logs

— nPath Pattern detection— Affinity analysis— Visualization

Kundenbeispiel: neues Geschäftsmodell mittels BI

21



Beispiel: Umsetzung in der VersicherungsbrancheMachine Learning Platform für Echtzeit Versicherungsangebote

SituationEin Versicherer möchte am Auto-Versicherungsmarkt “neu” teilnehmen und dadurch wachsen, indem er neue Online-Angebote für Autoversicherung „Premium“ sehr attraktiv anbietet

Um im Markt wettbewerbsfähig aufzutreten möchte er ein alternatives Preis-Angebot kreieren und dazu Machine Learning Allgorithmen einsetzen

ProblemDas alternative Preis-Modell benötigt 100+ KPI´s für ein einziges Angebot und es muss in ca. 1 sec. gerechnet/gescored werden. Nur hiermit können die SLA-Anforderungen erfüllt werden. Es müssen KI-Algorithmen und Geschäftsregeln dazu ausgewertet werden.

SolutionAufbau eines „AnalyticalOps“ Layers das sowohl multi-language ML unterstützt und fähig ist diese Modelle in realtime (< 1 sek) ensprechendauszuwerten und auszugeben.

Ergenis:• 5-10% Uplift in der individuellen Risiko Analyse im

Segment „Premium“ lässt ca. 1000 neue Verträge im Monat erwarten.

• 10 Minuten Rollout-Zeit vs 9 Monaten vorher• automatisches dauerhaftes Lernen der Modelle,

Reporting, Zusammenstellung der Angebote und Freigaben durch das Management

Data & Analytics

die neuesten Trends

Aktuelle Themen / Herausforderung / Umsetzung

23



Aktuelle Trends in Business Intelligence - Umfeld

Operationalisierungmit Hilfe Von Digitalisierung

Disruption begegnen mitagilen KI-getriebenenneuen Geschäftsmodellen

CLOUD

24



Operationalisierung von Analytics

external dataiterationdata-miningstatisticsvalue-driven

flexibilityexplorationdiscoverymodellingblue-sky ideation

ANALYTICS

OPERATIONS

securitygovernancecompliancecurationdeployment

maintenanceintegrationtestingengineeringprocess-driven

AnalyticOps

2 WEEKS

25



Gartners Hype - Circle

ARTIFICIALINTELLIGENCE

DEEP LEARNING

BIG DATA

MACHINELEARNING

DATASCIENCE

ADVANCEDANALYTICS

PREDICTIVEANALYTICS

DATAMINING

Source: [.Gartner 2018..].

26



Lagereinsatzplanung auf Basis von AbverkaufsprognosenMittels Abverkaufsprognosen auf Tagesbasis für die nächsten zwei Wochen wird eineLogistikeinsatzplanung durchgeführt. Hierzu werden Machine-Learning Algorithmen eingesetzt.

Logistikdaten• Lagerkapazität• Mitarbeiter• Rahmenbedingungen

Abverkaufsprognose• Vertriebs-Daten: Bewegungsdaten Saison Wetter Aktionen Bestände

Hadoop• Prognose des Abverkaufs

und darauf basierendeLagereinsatzplanung

Kundenbeispiel: Handel - Logistikeinsatzplanung

27



Beispiel für Deep Learning

Binärisierung eines Audi A7:— Viele Bilder in Bits zerlegt— neuronales Netzwerk trainiert— Erkennung liegt bei 95+% - besser als der Mensch— geht auch in der Medizin – z.B. Röntgenbilder

28



Vorteile wie Flexibilität der Cloud nutzen – Nachteile nicht ignorieren

Besserer time-to-valueZeitraubende Roll-out Prozesse vermeiden

Kostenverschiebung zu OpExOft präferiert gegenüber CapEx

Finanzielles Risiko minimierenKlein starten, wachsen soviel wie nötig

Geld sparenGlaubenssatz für Cloud = Kosten sparen

??

29



zwei Ansatzmöglichkeiten (teilw. Zukunft)

As-a-service

“Manage bitte das Eco-System für mich aberich wähle aus, welche Applikationen online gehen.”

Vorteil: Hilfe beim Infrastruktur Management und Wissenssuport beim Aufbau der Cloud-Lösung

Platform: z.Zt. in Deutschland kaum verfügbar

Konditionen: tbd

Use CasesWie links dargestellt

Do-it-yourself

“Ich gehe in die Cloud und bin selbstverantwortlich für den Aufbau u. Wartung meinerInstallation.”

Vorteil: Breite und vollumfänglicheSystemverfügbarkeit

Platform: AWS, Azure, Google

Konditionen: stündlich bis mehrjährig

Use Cases:Produktive Analytics SystemeProofs of Concept/Test & DevelopmentDiscovery Analytics/Data Labs

30



Weitere Informationen finden Sie auf….

https://atlas.kpmg.de/

Vielen Dank

Uwe MunkSenior Manager

T +49 421 335577-859M +49 172 8238 [email protected]

Documents

Digitalisierung und Data Driven Organisation durch ... · Intelligence RPA Decision Models Deep Learning Internet of things Data Lake Closed Systems Mobile Apps Web Apps Der Business