Rechenzentrum SAS? - · PDF file1986: SAS QC für Mainframe – SAS IML u. SAS STAT für PC DOS

1

Copyright © 2002 , SAS Institute Inc. All rights reserved.

Wolfgang SchwabMarketing Executive

SAS Deutschland, Heidelberg

„Erinnerungen an die Zukunft“

Das erfolgreiche Konzept des Business-Intelligence Marktführers


Rechenzentrum SAS?

1969: der erste Großrechner bildetdie Grundlage für die Existenz des URZ: Modell 44 der IBM/360-Reihe für 3 Mio DM. 128 kBHauptspeicher, zwei weitereWechselplatten mit jeweils 7 MB. Jobeingabe mit Lochkarten.

Start mit fünfzehn Mitarbeitern

2


Rechenzentrum SAS

1975/76: Beschaffung einer neuenRechenanlage für ca. 18 Mio DM, die über eine 15-fach höhereLeistung verfügte ( 2MB Hauptspeicher, 1,6 GB Plattenspeicher) und Dialogbetriebermöglichte. Heidelberg wird zumregionalen Rechenzentrum

40 Mitarbeiter, jetzt imNeuenheimer Feld

1976: Gründung von SAS in Cary/ North Carolina und Auslieferungvon Base SAS

1977: Sieben Mitarbeiter sindbeschäftigt

1978: 600 Kunden

1980: SAS/Graph und SAS ETSwerden ausgeliefert. Verkaufsrate: 150 Produkte/Monat. Rund 3000 Kunden


3


Rechenzentrum SAS

1983: Ablösung der Anlage durchein neues IBM System.

1986: Beschaffung einer neuenAnlage mit nun 64 MB Hauptspeicher und bis zu 63 GB Plattenspeicher. Erweiterung derang. Dialogterminals auf 800.

Vermehrter Einzug von Arbeitsplatz-PCs und Computerpools.

1981: SAS/FSP wird entwickelt. Eröffnung des Training-Centers und des Video Studios. DB-Direktzugriff via SAS/IMS-DL/1

1982: Europäisches HQ in Heidelberg.

1983: Eröffnung in Australien, New Zealand, Singapore, Dänemark, Frankreich. Development Center mit 54.000 qm.

1985: Auslieferung von SAS AFund SAS IML.


Rechenzentrum SAS1987: Aufbau einesuniversitätsweiten Netzes, das die Einzelrechner verbindet. Anschlussan das Internet über Belwue

1992: Ablösung des Universalrechners durch einenUnix-Cluster

1986: SAS QC für Mainframe –SAS IML u. SAS STAT für PC DOS

1987: 65% der SAS Installationenliegen auf einer IBM mainframe (1000 DOS-Sites). Schnittstellen zu DB2 und SQL/DS SAS System Code wird in C übertragen

1988: MultiVendor ArchitectureMVA. SAS/ACCESS software kommt auf den Markt. SAS unterstützt jetzt UNIX-Server SAS/ASSIST wird ausgeliefert

4


Rechenzentrum SAS

1992: Erstes SAS Benutzertreffenam Rechenzentrum

1989: SAS is „Best company to work for“. Erste MIS/EIS Projekte in BRD

1990: Release 6.06 für MVS, CMS, und OpenVMS wird ausgeliefert

1991: SAS/Insight Auslieferung

1992: SAS/CALC, SAS/TOOLKIT, SAS/PH-Clinical und SAS/LAB

1993: SAS/EIS, Release 6.08 fürMVS, CMS, VMS, VSE, OS/2 und Windows ersetzt 6.07

Version 6.09


Rechenzentrum SAS

1996: FDDI-Ring als Backbone installiert

1994: SAS/SPECTRAVIEW, SAS/SHARE*NET(ODBC) wirdgeliefert.

1995: DWH Lösung mit Rapid-WH. SAS Software für Macintosh (Release 6.10) wird eingeführt. Release 6.11 jetzt für Windows 95, Windows NT, and UNIX erhältlich.

1996: Erstes Produkt der SAS Lösungen: CFO Vision. ScalablePerformance Data Server

5


Rechenzentrum SAS1997: Warehouse Administratorerreicht Marktreife

1998: SAS Enterprise Miner setztneue Maßstäbe in der Data Mining-Technologie. ERP Access interfacezu SAP/R/3. 1. Anbieter von OLE-DB für OLAP,HOLAP Lösung. Lösung für Balanced ScorecardSystems. Enterprise Reporter und HR Vision

1999: SAS und Dun&Braedstreet: SRM-Lösung. Risk-Dimensions und Churn-Mgmt. Lösung für Telcos


Rechenzentrum SAS

2000: SAS bringt den Enterprise Guide auf den Markt. Außerdemwird SAS für Linux adaptiert. SAS Version 8.1

2001: Version 8.2 wird ausgeliefert

2002: SAS führt die java-basierteVersion 9.0 in Europa ein

2003: Release 9.1 im Q4

6


SAS Oberfläche heute in Version 8.2e


Wachstum Rechenzentrum

0102030405060708090

100

Mita

rbei

ter

'69 '72 '75 '78 '81 '84 '87 '90 '93 '96 '99

Mitarbeiterentwicklung

7


Wachstum SAS Deutschland

0

100

200

300

400

500

Mita

rbei

ter

'82 '84 '86 '88 '90 '92 '94 '96 '98 '00

Mitarbeiterentwicklung


Datenflut - Informationsüberflutung ?!?

Informationsüberflutung ergibt sich nicht aus der absoluten Menge der Informationen, sondern aus der Kluft zwischen Informationsvolumen und der Qualität der Sinn erzeugenden Werkzeuge.

Paul Saffo, Director, Institute for the Future,

Menlo Park, USA

8


Listen

Berichts- &Analysetools

DataWarehouse

InformationSupply Chain

Information alsnicht erkanntesProblem

Information alsungelöstesProblem.

Do it yourself

Reaktiv

Individuum

Information als Vorteil.

Qualität der Information.Konsistenz,Metadaten.

Aktiv

Bereich

Information undWissen als Teil derUnternehmens-strategie.

Qualität derInformations-versorgung durchInformation Process(Re-) Engineering.

Proaktiv

Unternehmen

Entwicklungsstufen der Informationsversorgung


InformationsverarbeitungControlling

Debitoren

Kreditoren

...

Finanzen

Produktmgmt.

Regionen

Vertrieb

Einkauf

Rechenzentrum

AE

IT

...

Vorstand Buchhaltung

Disposition

Lagerverwaltung

Einkaufsabwicklung

Bestandsführung

Verkaufsabwicklung

Rechnungsstellung

Produktionssteuerung

Mitarbeiterverwaltung

Gehaltsabrechnung

etc.

...

...

operative Aufgaben

9


InformationsgewinnungKunden

Konten

Finanzen

Bestände

Anlagen

Personal

...

Applikation A

Applikation B

Applikation C

.

.

.

Div. Listen,Statistiken




Controlling

Debitoren

Kreditoren

...

Finanzen

Produktmgmt.

Regionen

Vertrieb

Einkauf

Rechenzentrum

AE

IT

...

Vorstand

Copyright © 2002 , SAS Institute Inc. All rights reserved.Organisation

Informations & Applikationsraum

Informationsgewinnung

Kunden

Konten

Finanzen

Bestände

Anlagen

Personal

...





Applikation A

Applikation B

Applikation C

DWH

Controlling

Debitoren

Kreditoren

...

Finanzen

Produktmgmt.

Regionen

Vertrieb

Einkauf

Rechenzentrum

AE

IT

...

Vorstand

10


Kunden

Konten

Finanzen

Bestände

Anlagen

Personal

...

Informationsgewinnung

Organisation

Informations & Applikationsraum

Integration über...

...Metadaten

... Schnittstellen

...Prozesse

Controlling

Debitoren

Kreditoren

...

Finanzen

Produktmgmt.

Regionen

Vertrieb

Einkauf

Rechenzentrum

AE

IT

...

Vorstand


Business Intelligence - Architektur

BI – PortaleWissensverteilung

Analytische IntelligenzQuery & Reporting

Data WarehousingDatenmanagement ETL

Meta-daten

Integration

Offenheit

Skalier-barkeit

ERP-Systeme

Daten-banken e - Daten Externe

DatenOperative Systeme

11


SAS Information Delivery Portal


Supplier Relationship Management

BPMABC/M

Supply Chain

e

BusinessPerformanceManagement

Informations-Infrastruktur

e e

Enterprise Performance Management

12


Enterprise Performance ManagementBalanced Scorecard für das Unternehmen & für BereicheManagementinformationssysteme & KPI-ReportingGesamtheitlicheUnternehmenssteuerung

Supplier IntelligenceSupplier Relationship ManagementEinkaufscontrolling –Einsparpotentiale realisierenStrategische BeschaffungGlobal koordinierte Beschaffung über das ganze Unternehmen Spend Analysis, Supplier Ranking, Portfolio Optimisation

Organisational IntelligenceFinancial Management: Konsolidierung, Planung, Budgetierung, ProzesskostenrechnungVertriebscontrollingRisk ManagementHuman Capital ManagementIT ManagementProcess IntelligenceBetrugserkennung

Intelligence ArchitectureIntelligence Data Management: ETL, Data Warehouse,...Analysis & Reporting: Business Intelligence, AnalyticalIntelligenceIntelligence Application Integration

Customer IntelligenceMarketing Automation,Kampagnen- & Multi-Channel-ManagementAnalytical CRM: KundenprofitablitätResponse Optimierung, Stornovermeidung, Cross-& Up-Selling, AnlassmanagementCredit Scoring, Bon-Daten- & Warenkorbanalyse, Standortanalyse, Web Mining

SAS Enterprise Intelligence - Lösungen

Copyright © 2002 , SAS Institute Inc. All rights reserved.Copyright © 2002 , SAS Institute Inc. All rights reserved.

Enterprise Intelligence:SAS® Strategic Performance Management

13


Strategische Zieleals Ergebnis

Vision & Strategieals Ausgangspunkt

AuswahlprozeßVergütungMitarbeiterzufriedenheit

Bewerberqualität DLZ BewerbungsprozeßEffektivität

InternationalisierungKnow how TransferKarrieremöglichkeiten

Personalbeschaffungs-kostenFluktuationskosten

Potentialperspektive:Wie gewährleisten wir langfristig unseren Erfolg?

Prozessperspektive:Was müssen wir bei unseren Prozessen hervorragend gestalten, um unsere Strategie zu erfüllen?

Kundenperspektive:Wie sollen uns unsere Kunden wahrnehmen?

Finanzielle Perspektive:Was wollen wir unseren Kapitalgebern bieten?

Kernelement einer Scorecard sind Ziele, nicht Kenngrößen


Finanzen Kunden

Mitarbeiter Prozesse

SAS® Strategic Performance Management:Balanced Scorecard

14


Erfinder der BSC

Robert S. Kaplan David P. NortonDavid P. Norton


Aus Daten entsteht e-Wissen

Log FilesKundendatenExterne Daten

Daten einlesen,transformieren,

aggregieren,schedulen, weitere Daten einbinden ...

ReportingWeb Mining

off-line Scoringon-line Scoring

15


Die drei Dimensionen des e-CRM• Verfügbarkeit• Antwortzeiten• Service-Level

• Verhaltensprofile• Kundensegmente• Personalisierung

• Angebotsnutzung• Verweildauer• Ein- und Ausstieg• Besucherpfade • Konversionsrate


Die drei Dimensionen des e-CRM

SAS®

IT Management Solutions

SAS® WebHound™

SAS® CRM Solutions• Web Mining

• Cross-/Up-Selling• Fraud Detection

• Response Optimierung

16


Industrie-zeitalter

Informations-zeitalter

Produktivitätssteigerung

Business-Fokus

• Introvertiert• Kosten• Prozesse

• Extrovertiert• Ertrag• Wissen

Beitrag der IT zur Produktivitätssteigerung

Daten

Information

Wissen

Platt-formen

Transaktionen

IntegrierteProzesse

Operative Systeme

Intelligenz-Systeme

Information sammeln& bereit stellen

Wissen generieren

Wissen integrieren, verteilen und anwenden

Business und IT im Informationszeitalter


Data Mining (Credit Scoring) 1963

IBM 7090: 0.5 MHz, 0.2 MB RAM, 3000 Punch Cards

“Aufgrund beschränkter Speicherplatzka-pazität konnten wir unsere Analyse nurfür 600 Kreditanträge mit 25 Variablendurchführen.”J. Myers and E. Forgy, Journal of American Statistical Association, 9/63

17


Datenvolumina in DWH-Projekten

Kilobyte

Megabyte

Gigabyte

Terabyte

Pentabyte

Bytes

210

220

230

240

250

Paper

½ Blatt

1 Schublade

80 Meter

32 Meilen

32,000 Meilen


Text-Mining: AusgangspunktRelevante Informationen eines Unternehmens sind in Textdokumenten enthalten wie z. B. Briefe, E-Mails, Strategiepapieren, juristische Unterlagen, Marktstudien, Patentenschriften, Produktbewertungen

Herkömmliche Data Mining Verfahren können den größte Teil dieser „unstrukturierten“ Informationen nicht analysieren.

Der SAS Text Miner bietet eine wertvolle Chance, bislang nicht analysierte Datenquellen abzugreifen, um ein tatsächlichvollständiges Bild vom Unternehmen zu gewinnen.

18


Was ist Text Mining?

Entdeckung von neuem, nicht trivialem, interessantem und wirtschaftlich verwertbarem Wissen in großen Textbeständen.

Aufdecken von Mustern in der SammlungKlassifizierung von Dokumenten auf Basis der Häufigkeit der Wörter und Wortkombinationen Verbinden von Free-Form Dokumenten und quantitativen Variablen, um Informationen abzuleiten

Wissen


19


Ein Frühwarnsystem für Wertpapierhändler mitData Warehousing und Text Mining

Kursrelevante wertpapierspezifische Mitteilungen werden von der Deutschen Gesellschaft für Ad-hoc – Publizität verfaßt und überNewsfeeds (Reuters,Nightridder, Bloomberg, DataStream etc.) verteilt.

Der Wertpapierhändler hat Zugang zu diesen Mitteilungen. Er muß sie auf dem Bildschirm anzeigen, lesen und bewerten.

Welche Auswirkungen ergeben sich daraus für den Kurs des Wertpapiers?

Verkürzung der Reaktionszeit durch Text-Mining basierendes Frühwarnsystem.


Beispiel: Ad-hoc Mitteilung

20


Text Mining ist nicht

Natürliche Spracherkennung/Sprachverarbeitung

Information Retrieval

Suchen von Informationen oder Zeichenketten aus einzelnen Dokumenten


Text Mining: Einsatzmöglichkeiten

Segmentierung und KlassifikationVerbesserung von CRM Scoring Modellen durch zusätzliche Auswertung schriftlich aufgezeichneter KommunikationBetrugserkennungAufstellen und Abgleichen von Dokumentprofilen

(Beispiel Topic Scoring Engine, Jobvermittlung...)Automatisches Filtern von E-mailsEinstufung von Dokumenten in verschiedene Kategorien(Help Desk Routing)

21



ClusterungErkennen von komplexen Zusammenhängen in großenDokument-Sammlungen, z.B. Medline

Lernen aus Krankheitsverläufen durch Analyse von Behandlungsakten in Krankenhäusern



ClusterungHandelsregistereinträgeCall Center Logs.

VorhersageKostenprognose basierend auf Call Center LogsAktienkurs aus gegenwärtigen GeschäftsberichtenBetrugserkennung

22


SAS Text Mining EM 4.1 Early Adopter

COMPAQ Computer Corporation – Kategorisierung und Zuordnung von Kundenzufriedenheit bzw. –unzufriedenheit beieingehenden Call Center-Daten, Verbesserung der CRM-Scoring Modelle.

University of Louisville Medical Center - “Mining”medizinischer Datenbanken wie z. B. Medline und Analyse von patientenbezogenen Diagnose-Codes

Science Applications International Corp – Jobzufriedenheits-Studie zur Verringerung der Kündigungen bei den US Marines


Data Mining - SAS Mining Challenge

die Studenten schon in ihrer Ausbildung mit businessrelevanten Fragestellungen, reellen Daten und der leistungsfähigen Software zu kontaktieren,

=> einen konkreten Praxisbezug schaffen!

23


Aufgabe Daten

Optimierung einer tatsächlich durch-geführten Mailing-aktion durch eine Responseoptimierung auf historischen Daten

Anwenden der Model-lierung auf einen „neuen“ Kundendatensatz für eine weitere Werbeaktion

SAS Datei „Analyse“

SAS Datei „Score“

(147705 Beob.u. 164 Var.)

(102286 Beob.)

Vielen Dank an:


Der Status

Die SAS Datei „Score“ enthält 102286 Objekte.

Darunter 11529 (11,27%) tatsächliche Reagierer

24


Preise

Vielen Dank an:


Teilnehmerherkunft

25


Die besten Ergebnisse

Die zu erzeugende Datei mit den 10000 „besten“ Kunden (9,8% der „Score-Datei ) enthielt im besten Ergebnis2170 tatsächliche Reagierer, d.h. 18,8%!

Durch Data Mining wurde die Anzahl der Reagierer nahezu verdoppelt! (11,27%=>18,8%)


Die Gewinner1. Platz:Mark-Andre Krogel, Otto-von-Guericke Universität Magdeburg, mit 2170 erkannten Reagierern (18,8%)

2. Platz:Jochen Feist, Universität Konstanz, mit 2148 erkannten Reagierern (18,6%)

3. Platz:Eva Lohmeier, Hochschule St.Gallen, mit 2125 korrekt erkannten Reagierern (18,4%)

Vielen Dank an:

Platzierung Name Vorname Reagierer Uni1 Krogel Mark Andre 2170 Uni Magdeburg2 Feist Joachim 2148 Uni Konstanz3 Lohmeier Eva 2125 Uni St. Gallen4 Seifert Christin 2114 TU Chemnitz5 Bentlage Jan 2089 Uni Bielefeld6 Kühne Daniel 2046 Uni Jena7 Kähne Florian 2041 Uni Magdeburg8 Zachen Uwe 2041 Uni Dortmund9 Grabner Rene 2035 TU Chemnitz

10 Wadiak Monika 2028 FH Mannheim11 Waly Hussein 1987 Uni Heidelberg12 Wissuwa Stefan 1964 HS Wismar13 Marquardt Steffen 1942 FH Fulda14 Kaiser Elisabeth 1936 Uni Trier15 Metzner Michael 1923 Uni Heidelberg16 Drautz Markus 1904 Uni Frankfurt17 Degenhardt Thomas 1886 FH Schmalkaden18 Parey Matthias 1866 Uni Bonn19 Marx Anja 1860 FH Mannheim20 Niedling Eric 1859 TU Ilmenau21 Neukirch Thomas 1807 Uni Frankfurt22 Kaiser Marc-Andre 1710 Uni Hannover23 Jorzik Nathalie 1686 Uni Hamburg24 Friedrich Johan 1300 Uni Heidelberg25 Pohl S. 1070 FH Mittweida

26


Feedback AussagenSehr gut hat mir gefallen, dass man mit einem realen Datensatz und entsprechender Größe arbeiten konnte.

Sehr gefallen hat mir die Idee der Challenge überhaupt. Wann befasst man sich schon eigenständig mit einer derartigen Software in so einem selbständigen Masse. Auch die Betreuung im Q&A fand ich super. Wäre toll, wenn sich derartige Events wiederholen würden.

Sehr komplexe Software mit sehr vielen Möglichkeiten das Ergebnis zu beeinflussen. Mächtiges Instrument, doch Spezialisierung von Nöten, um volle Effizienz zu erreichen.

Die Möglichkeit praktische Erfahrungen im Datamining zu sammeln. Die Praxisnähe der Aufgabenstellung (große Datenmengen,die so für eine Katalogselektion verwandt worden).


SAS Version 9

27


Was gibt es Neues in Version 9?

Usability

Scalability

Manageability

Interoperability


V9.0 – Mehrwert für den KundenUsability• Verbesserter ODS - Output (mit “Markup” und “Document”)

• Java Oberflächen

Manageability• SAS Management Konsole

Interoperability (within SAS and with 3rd party)• Volle XML Unterstützung

• Zentral geschalteter, offener Metadatenserver

Scalability• Parallelzugang zu DB (DB2, Oracle, Sybase)

• Prallele (threaded) Prozeduren (SORT, SUMMARY, REG, DMREG)

28


Usability – V9SAS® Web Report Center


Usability - Enterprise Miner 5.0

Die neue Java- (Swing-) Oberflächebietet erhöhte Anwenderfreundlichkeithinsichtlich Bedienung und Visualisierung von Prozessen und Ergebnissen

Das vom Enterprise Guide bekannteKonzept der Ergebnisveröffentlichung(“Publish and Subscribe”) ermöglichtzielgenaue Informationsverbreitung

29


Manageability - Die SAS Management Konsole

• Zentrale Komponente des integrierten Metadatenkonzepts: Java-Oberfläche zum „parallelen“ Metadaten-Server

• Zentraler Leitstand für die Administrationder SAS Umgebung.

SMC

WartungLizenzmanagerInstallations-informationen Sicherheitsrichtlinien

AutorisierungZugriffskontrolleQuelle

UmgebungMetadatenServerApplikationUser Manager

SAS Prozesse

Monitor


Scalability -mehrere Threads möglich

Mittleremonatliche

Druck-differenzzwischenDarwin

undEasterIsland

NIST (1998), “Statistical Reference Data Sets”

Codefür das

LOESS-Modell ist(bisher)

nichtmulti-

threaded.

Berechnungder

Konfidenz-bänderist der

Flaschenhalsund wird

multi-threaded!

Documents

Rechenzentrum SAS? - · PDF file1986: SAS QC für Mainframe – SAS IML u. SAS STAT für PC DOS