Rechenzentrum SAS?

Transcrição

Rechenzentrum SAS?

„Erinnerungen an die Zukunft“
Das erfolgreiche Konzept des Business-Intelligence Marktführers
Wolfgang Schwab
Marketing Executive
SAS Deutschland, Heidelberg
Copyright © 2002 , SAS Institute Inc. All rights reserved.
Rechenzentrum

SAS?
1969: der erste Großrechner bildet
die Grundlage für die Existenz des
URZ: Modell 44 der IBM/360-Reihe
für 3 Mio DM. 128 kB
Hauptspeicher, zwei weitere
Wechselplatten mit jeweils 7 MB.
Jobeingabe mit Lochkarten.

Start mit fünfzehn Mitarbeitern
1
Rechenzentrum

1975/76: Beschaffung einer neuen
SAS

North Carolina und Auslieferung
die über eine 15-fach höhere
von Base SAS
Leistung verfügte ( 2MB
Hauptspeicher, 1,6 GB

ermöglichte. Heidelberg wird zum
1977: Sieben Mitarbeiter sind
beschäftigt
Plattenspeicher) und Dialogbetrieb

1978: 600 Kunden

1980: SAS/Graph und SAS ETS
regionalen Rechenzentrum

1976: Gründung von SAS in Cary/
Rechenanlage für ca. 18 Mio DM,
40 Mitarbeiter, jetzt im
werden ausgeliefert. Verkaufsrate:
Neuenheimer Feld
150 Produkte/Monat. Rund 3000
Kunden
2
Rechenzentrum

1983: Ablösung der Anlage durch
SAS

des Video Studios. DB-Direktzugriff
1986: Beschaffung einer neuen
via SAS/IMS-DL/1
Anlage mit nun 64 MB
Hauptspeicher und bis zu 63 GB

1982: Europäisches HQ in
Heidelberg.
Plattenspeicher. Erweiterung der
ang. Dialogterminals auf 800.
1981: SAS/FSP wird entwickelt.
Eröffnung des Training-Centers und
ein neues IBM System.

1983: Eröffnung in Australien, New
Vermehrter Einzug von
Zealand, Singapore, Dänemark,
Arbeitsplatz-PCs und
Frankreich. Development Center
Computerpools.
mit 54.000 qm.

1985: Auslieferung von SAS AF
und SAS IML.
Rechenzentrum

1987: Aufbau eines
SAS

SAS IML u. SAS STAT für PC DOS
universitätsweiten Netzes, das die
Einzelrechner verbindet. Anschluss

an das Internet über Belwue

1986: SAS QC für Mainframe –
1987: 65% der SAS Installationen
liegen auf einer IBM mainframe
1992: Ablösung des
(1000 DOS-Sites). Schnittstellen zu
Universalrechners durch einen
DB2 und SQL/DS SAS System
Unix-Cluster
Code wird in C übertragen

1988: MultiVendor Architecture
MVA. SAS/ACCESS software
kommt auf den Markt. SAS
unterstützt jetzt UNIX-Server
SAS/ASSIST wird ausgeliefert
3
Rechenzentrum

1992: Erstes SAS Benutzertreffen
SAS

am 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
Version 6.09

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

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

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: FDDI-Ring als Backbone
installiert

1996: Erstes Produkt der SAS
Lösungen: CFO Vision. Scalable
Performance Data Server
4
Rechenzentrum
SAS

1997: Warehouse Administrator
erreicht Marktreife

1998: SAS Enterprise Miner setzt
neue Maßstäbe in der Data MiningTechnologie. ERP Access interface
zu SAP/R/3. 1. Anbieter von OLEDB für OLAP,HOLAP Lösung.
Lösung für Balanced Scorecard
Systems. 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. Außerdem
wird SAS für Linux adaptiert. SAS
Version 8.1

2001: Version 8.2 wird ausgeliefert

2002: SAS führt die java-basierte
Version 9.0 in Europa ein

2003: Release 9.1 im Q4
5
SAS Oberfläche heute in Version 8.2e
Wachstum Rechenzentrum
'99
'96
'93
'90
'87
'84
'81
'78
'75
'72
100
90
80
70
60
50
40
30
20
10
0
'69
Mitarbeiter
Mitarbeiterentwicklung
6
Wachstum SAS Deutschland
Mitarbeiterentwicklung
500
Mitarbeiter
400
300
200
'00
'98
'96
'94
'92
'90
'88
'86
'84
0
'82
100
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
7
Entwicklungsstufen der
Informationsversorgung
Data
Warehouse
Berichts- &
Analysetools
Listen
Information als
nicht erkanntes
Problem
Information als
ungelöstes
Problem.
Information als
Vorteil.
Information
Supply Chain
Information und
Wissen als Teil der
Unternehmensstrategie.
Qualität der
Information.
Konsistenz,
Metadaten.
Qualität der
Informationsversorgung durch
Information Process
(Re-) Engineering.
Reaktiv
Aktiv
Proaktiv
Individuum
Bereich
Unternehmen
Do it yourself
Informationsverarbeitung
Vorstand
Buchhaltung
Controlling
Disposition
Finanzen
Lagerverwaltung
Debitoren
Einkaufsabwicklung
Kreditoren
Bestandsführung
...
Vertrieb
Verkaufsabwicklung
Rechnungsstellung
Produktmgmt.
Regionen
Einkauf
operative Aufgaben
Produktionssteuerung
Mitarbeiterverwaltung
Gehaltsabrechnung
IT
Rechenzentrum
etc.
AE
...
...
...
8
Informationsgewinnung
Vorstand
Div. Listen,
Statistiken
Controlling
Finanzen
Kunden
Div. Listen,
Statistiken
Konten
Debitoren
Kreditoren
...
Vertrieb
Applikation A
Finanzen
Applikation B
Bestände
Produktmgmt.
Regionen
Einkauf
IT
Rechenzentrum
AE
...
Applikation C
Div. Listen,
Statistiken
Anlagen
Div. Listen,
Statistiken
Personal
.
.
.
...
Vorstand
Controlling
Finanzen
Debitoren
Kreditoren
Div. Listen,
Statistiken
Kunden
Div. Listen,
Statistiken
Konten
Applikation A
...
Vertrieb
Produktmgmt.
DWH
Applikation B
Bestände
Applikation C
Regionen
Einkauf
Finanzen
Div. Listen,
Statistiken
IT
Anlagen
Personal
Rechenzentrum
AE
...
Div. Listen,
Statistiken
Informations & Applikationsraum
...
Organisation
9
Vorstand
Kunden
Controlling
Integration über...
Finanzen
Konten
Debitoren
...Metadaten
Kreditoren
Finanzen
...
... Schnittstellen
Vertrieb
Bestände
Produktmgmt.
...Prozesse
Regionen
Anlagen
Einkauf
Personal
IT
Rechenzentrum
Informations & Applikationsraum
AE
...
Organisation
...
Business Intelligence - Architektur
BI – Portale
Wissensverteilung
Integration
Metadaten
Query
& Reporting
Analytische Intelligenz
Offenheit
Skalierbarkeit
Data Warehousing
Datenmanagement ETL
ERPSysteme
Datenbanken
Operative Systeme
e - Daten
Externe
Daten
10
SAS Information Delivery Portal
Enterprise Performance Management
Supplier
Relationship
Management
e
Business
BPM
Performance
ABC/M
Management
Supply Chain
Informations-Infrastruktur
e
e
11
SAS Enterprise Intelligence - Lösungen
Supplier Intelligence
Supplier Relationship Management
Einkaufscontrolling –
Einsparpotentiale realisieren

Strategische Beschaffung
Global koordinierte Beschaffung über das
ganze Unternehmen

Spend Analysis, Supplier Ranking, Portfolio
Optimisation

Enterprise Performance
Management

Balanced Scorecard für das
Unternehmen & für Bereiche

Managementinformationssysteme
& KPI-Reporting

Gesamtheitliche
Unternehmenssteuerung
Customer Intelligence
Marketing Automation,
Kampagnen- & Multi-ChannelOrganisational Intelligence
Management

Financial Management: Konsolidierung, Planung,
Analytical CRM:
Budgetierung, Prozesskostenrechnung
Kundenprofitablität

Vertriebscontrolling
Response Optimierung,

Risk Management
Stornovermeidung,
Intelligence
Architecture

Human Capital Management
Cross-& Up-Selling,
Intelligence Data Management: ETL, Data Warehouse,...

IT Management
Anlassmanagement

Process Intelligence
Credit Scoring,
Analysis & Reporting: Business Intelligence, Analytical
Bon-Daten- & Warenkorbanalyse,

Betrugserkennung
Intelligence
Standortanalyse,
Intelligence Application Integration
Web Mining
Enterprise Intelligence:
SAS® Strategic Performance Management
12
Kernelement einer Scorecard sind Ziele,
nicht Kenngrößen
Finanzielle Perspektive:
Vision & Strategie
Personalbeschaffungskosten
Fluktuationskosten
Was wollen wir unseren
Kapitalgebern bieten?
als Ausgangspunkt
Kundenperspektive:
Auswahlprozeß
Vergütung
Mitarbeiterzufriedenheit
Wie sollen uns unsere Kunden
wahrnehmen?
Prozessperspektive:
Was müssen wir bei unseren
Prozessen hervorragend gestalten,
um unsere Strategie zu erfüllen?
Potentialperspektive:
Wie gewährleisten wir
langfristig unseren Erfolg?
Bewerberqualität
DLZ Bewerbungsprozeß
Effektivität
Internationalisierung
Know how Transfer
Karrieremöglichkeiten
Strategische Ziele
als Ergebnis
SAS® Strategic Performance Management:
Balanced Scorecard
Finanzen
Kunden
Prozesse
Mitarbeiter
13
Erfinder der BSC
Robert S. Kaplan
David P. Norton
Aus Daten entsteht e-Wissen
Log Files
Kundendaten
Externe Daten
Daten einlesen,
transformieren,
aggregieren,
schedulen, weitere
Daten einbinden ...
Reporting
Web Mining
off-line Scoring
on-line Scoring
14
Die drei Dimensionen des e-CRM
• Verfügbarkeit
• Antwortzeiten
• Service-Level
• Angebotsnutzung
• Verweildauer
• Ein- und Ausstieg
• Besucherpfade
• Konversionsrate
• Verhaltensprofile
• Kundensegmente
• Personalisierung
Die drei Dimensionen des e-CRM
SAS® WebHound™
SAS®
IT Management
Solutions
SAS® CRM Solutions
• Web Mining
• Cross-/Up-Selling
• Fraud Detection
• Response Optimierung
15
Business und IT im Informationszeitalter
Beitrag der IT
zur Produktivitätssteigerung
sen
Wis
Wissen integrieren, verteilen
und anwenden
n
atio
Information sammeln
& bereit stellen
Integrierte
Prozesse
Transaktionen
Date
Industriezeitalter
IntelligenzSysteme
Wissen generieren
rm
Info
Informationszeitalter
Business-Fokus
n
Plattformen
Operative
Systeme
• Extrovertiert
• Ertrag
• Wissen
• Introvertiert
• Kosten
• Prozesse
Produktivitätssteigerung
Data Mining (Credit Scoring) 1963
IBM 7090:
0.5 MHz, 0.2 MB RAM, 3000 Punch Cards
“Aufgrund beschränkter Speicherplatzkapazität konnten wir unsere Analyse nur
für 600 Kreditanträge mit 25 Variablen
durchführen.”
J. Myers and E. Forgy, Journal of American Statistical Association, 9/63
16
Datenvolumina in DWH-Projekten
Bytes
Paper
Kilobyte
210
½ Blatt
Megabyte
220
1 Schublade
Gigabyte
230
80 Meter
Terabyte
240
32 Meilen
Pentabyte
250
32,000 Meilen
Text-Mining: Ausgangspunkt

Relevante 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 tatsächlich
vollständiges Bild vom Unternehmen zu gewinnen.
17
Was ist Text Mining?

Entdeckung von neuem, nicht trivialem,
interessantem und wirtschaftlich
verwertbarem Wissen in großen
Textbeständen.
Aufdecken von Mustern in der Sammlung
Wissen
Klassifizierung von Dokumenten auf Basis der
Häufigkeit der Wörter und Wortkombinationen
Verbinden von Free-Form Dokumenten und
quantitativen Variablen, um Informationen
abzuleiten
18
Ein Frühwarnsystem für Wertpapierhändler mit
Data Warehousing und Text Mining
Kursrelevante wertpapierspezifische Mitteilungen werden von der
Deutschen Gesellschaft für Ad-hoc – Publizität verfaßt und über
Newsfeeds (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
19
Text Mining ist nicht

Natürliche Spracherkennung/Sprachverarbeitung

Information Retrieval

Suchen von Informationen oder Zeichenketten aus
einzelnen Dokumenten
Text Mining: Einsatzmöglichkeiten
Segmentierung und Klassifikation

Verbesserung von CRM Scoring Modellen durch
zusätzliche Auswertung schriftlich aufgezeichneter
Kommunikation

Betrugserkennung

Aufstellen und Abgleichen von Dokumentprofilen
(Beispiel Topic Scoring Engine, Jobvermittlung...)

Automatisches Filtern von E-mails

Einstufung von Dokumenten in verschiedene Kategorien
(Help Desk Routing)
20
Clusterung
Erkennen von komplexen Zusammenhängen in großen
Dokument-Sammlungen, z.B. Medline
Lernen aus Krankheitsverläufen durch Analyse von
Behandlungsakten in Krankenhäusern
Clusterung
Handelsregistereinträge
Call Center Logs.
Vorhersage
Kostenprognose basierend auf Call Center Logs
Aktienkurs aus gegenwärtigen Geschäftsberichten
Betrugserkennung
21
SAS Text Mining EM 4.1 Early Adopter
COMPAQ Computer Corporation – Kategorisierung und
Zuordnung von Kundenzufriedenheit bzw. –unzufriedenheit bei
eingehenden 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 – JobzufriedenheitsStudie 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!
22
Aufgabe

Optimierung einer
tatsächlich durchgeführten Mailingaktion durch eine
Responseoptimierung
auf historischen Daten
Anwenden der Modellierung auf einen
„neuen“
Kundendatensatz für
eine weitere
Werbeaktion
Daten
SAS Datei „Analyse“
(147705 Beob.
u. 164 Var.)
(102286 Beob.)
SAS Datei „Score“
Vielen Dank an:
Der Status

Die SAS Datei „Score“
enthält 102286 Objekte.

Darunter 11529 (11,27%)
tatsächliche Reagierer
23
Preise
Vielen Dank an:
Teilnehmerherkunft
24
Die besten Ergebnisse

Die zu erzeugende Datei mit
den 10000 „besten“ Kunden
(9,8% der „Score-Datei )
enthielt im besten Ergebnis
2170 tatsächliche Reagierer,
d.h. 18,8%!

Durch Data Mining wurde
die Anzahl der Reagierer
nahezu verdoppelt!
(11,27%=>18,8%)
Die Gewinner
Platzierung Name
1 Krogel
2 Feist
3 Lohmeier
4 Seifert
5 Bentlage
6 Kühne
7 Kähne
8 Zachen
9 Grabner
10 Wadiak
11 Waly
12 Wissuwa
13 Marquardt
14 Kaiser
15 Metzner
16 Drautz
17 Degenhardt
18 Parey
19 Marx
20 Niedling
21 Neukirch
22 Kaiser
23 Jorzik
24 Friedrich
25 Pohl
Vielen Dank an:
Vorname
Reagierer Uni
Mark Andre
2170 Uni Magdeburg
Joachim
2148 Uni Konstanz
Eva
2125 Uni St. Gallen
Christin
2114 TU Chemnitz
Jan
2089 Uni Bielefeld
Daniel
2046 Uni Jena
Florian
2041 Uni Magdeburg
Uwe
2041 Uni Dortmund
Rene
2035 TU Chemnitz
Monika
2028 FH Mannheim
Hussein
1987 Uni Heidelberg
Stefan
1964 HS Wismar
Steffen
1942 FH Fulda
Elisabeth
1936 Uni Trier
Michael
1923 Uni Heidelberg
Markus
1904 Uni Frankfurt
Thomas
1886 FH Schmalkaden
Matthias
1866 Uni Bonn
Anja
1860 FH Mannheim
Eric
1859 TU Ilmenau
Thomas
1807 Uni Frankfurt
Marc-Andre
1710 Uni Hannover
Nathalie
1686 Uni Hamburg
Johan
1300 Uni Heidelberg
S.
1070 FH Mittweida

1. 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%)
25
Feedback Aussagen

Sehr 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
26
Was gibt es Neues in Version 9?

Usability

Scalability

Manageability

Interoperability
V9.0 – Mehrwert für den Kunden

Usability
• 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)
27
Usability – V9
SAS® Web Report Center
Usability - Enterprise Miner 5.0
Die
neue Java- (Swing-) Oberfläche
bietet erhöhte Anwenderfreundlichkeit
hinsichtlich Bedienung und
Visualisierung von Prozessen und
Ergebnissen
Das
vom Enterprise Guide bekannte
Konzept der Ergebnisveröffentlichung
(“Publish and Subscribe”) ermöglicht
zielgenaue Informationsverbreitung
28
Manageability - Die SAS Management
Konsole
• Zentrale Komponente des integrierten Metadatenkonzepts:
Java-Oberfläche zum „parallelen“ Metadaten-Server
SMC
• Zentraler Leitstand für die Administration
der SAS Umgebung.
Monitor
¾ SAS Prozesse
Wartung
¾ Lizenzmanager
¾ Installationsinformationen
Umgebung
¾ Metadaten
¾ Server
¾ Applikation
¾ User Manager
Sicherheitsrichtlinien
¾ Autorisierung
¾ Zugriffskontrolle
¾ Quelle
Scalability mehrere Threads möglich
Berechnung
Mittlere
Code
monatliche
der
für das
KonfidenzDruckLOESSdifferenz
bänder
Modell ist
zwischen
ist der
(bisher)
Flaschenhals
Darwin
nicht
undund
wird
multiEaster
multithreaded.
threaded!
Island
NIST (1998), “Statistical Reference Data Sets”
29