© 2015 SAP SE or an SAP affiliate company. All rights reserved. 1Public

Михаил Аветисов, Эксперт SAP

29 апреля 2015 года

SAP Predictive Analytics: новые возможности

поиска скрытых закономерностей

и прогнозирования

© 2015 SAP SE or an SAP affiliate company. All rights reserved. 2Public

От отчетов, через понимание причин, к прогнозам

Исходные

данные

Очищенные

данные

Жесткие

отчёты

Отчёты

«на лету»

и OLAP

Визуальный

анализ

Прогнозное

моделирование

Оптимизация

Что происходило

и происходит?

Почему это

произошло?

Что произойдёт?

Что сделать, чтобы

произошло самое

лучшее?

Отд

ач

а д

ля

би

зн

еса

Развитие аналитических возможностей

BusinessIntelligence

Общая

прогнозная

аналитика

Расширенная

Аналитика:

Понимание

Симуляция

Прогноз

Оптимизация

© 2011 SAP AG. All rights reserved. 3

Какие задачи решает прогнозная аналитика (примеры)

Анализ ассоциаций

Обнаруживает а базе данных часто встречающиеся наборы данных ипредставляет их в виде шаблонов (правил)

«Если гражданин пересекает границу в декабре и владеет французским паспортом старше 15 лет, то с вероятностью 25% его паспорт фальшивый»

Классификация и прогноз

Выявляет общие свойства в объектов в базе данных и организует их в предопределенные классы (с заданной степенью сходства)«Учитывая все доступные характеристики гражданина, с вероятностью 78,8% он совершит повторное правонарушение в течение двух месяцев после досрочного освобождения»

Кластерный анализ

Группирует сущности в однородные классы со сходными характеристиками«11% граждан из принадлежит сегменту со средним возрастом 25 лет, проживают в пригородах крупных городов и входят в группу удвоенного риска»

Анализ социальных сетей

Визуализирует и анализирует отношения между сущностями, и выявляет, что соединяет сущности между собой

«Гражданин, имеющий контакты с тремя мошенниками, с вероятностью 60% сам является мошенником»

© 2011 SAP AG. All rights reserved. 4

Как работает прогнозная аналитика (пример)

ID Пол Возр Долж … atr n Мошенник

1 М 32 Нач.отд 60 000 НЕТ

2 Ж 25 бухг 45 000 ДА

Построение

Модель

Применение

ID Пол Возр Долж … atr n Мошенник Прогноз

1102 М 42 директ 120 000 ? 0,5

1103 Ж 21 секрет 25 000 ? 0,2

Задача:

• по историческим

данным связать

известные данные с

некоторым

совершившимся

событием

• по новым данным

сделать прогноз

данного события

© 2011 SAP AG. All rights reserved. 5

SAP Predictive Analytics 2.0 меняет правила

Классический DataMining

Отбор атрибутов Использует все атрибуты

Выбор алгоритма

Ручная подготовка данных

Выбросы

Пропуски

Нелинейности

Мультиколлинеарность

Проверка распределений

Построение модели –

недели труда статистика

Ориентирован на результат

Полностью

автоматизированный процесс:

Автоматизированное

создание наборов данных

Автоматическое кодирование

данных

Быстрое внедрение

Построение модели –

часы и минуты работы

бизнес-аналитика

С SAP InfiniteInsight возможны оба подхода

Автоматизированное

моделирование SAPExpert Analytics Automated Analytics

Идеальная

подстройка для

необычных задач

Быстрые ответы

на тысячи

вопросов

© 2011 SAP AG. All rights reserved. 66

Борьба с мошенничеством: Еврокомиссия

Цели

Специализированная информационная система для контроля за перемещением животных и продуктов питания животного происхождения через границы Евросоюза.

Эти перемещения регулируются жесткими нормативными актами (защита животных, безопасность перевозок, здоровье потребителей, санитарный контроль и др). Ранее проверка перевозок производилась или случайным образом или по персональному подозрению инспектора на таможне. Задача системы – более эффективное выявление случаев мошенничества, оптимизируя проверки.

Метод

357 таможенных постов * 4 модели на страну = ~1600 моделей

Каждый контейнер описывается многими атрибутами, например:Организации: от кого, кому, импортер, перевозчик, способ перевозки, …Даты: дата прибытия, дата регистрации, дата вет. контроля, дата отправления...Таможня: пункт ввоза, пункт вывоза…Страны: страна происхождения, страна назначения, …Продукт: семейство, род, вид, ценность, …и т.д.

Система указывает подозрительные отправления для проверки

Результаты: проверка 30% контейнеров обнаружение 85% проблемных отправлений!

© 2011 SAP AG. All rights reserved. 77

Сбор налогов

Цели

Штаты Калифорния и Колорадо (США) выявляют

потенциальные случаи мошенничества при уплате налогов

Метод

• Собираются все данные о налогоплательщиках

– Социально-демографические данные

– Данные о доходах

– Данные об уплате НДС (если доступны)

• Построение моделей на основании известных случаев

мошенничества (одна модель на вид мошенничества/тип

налогоплательщика)

• Использование моделей для выявления потенциальных

мошенников и контроля сбора налогов

© 2011 SAP AG. All rights reserved. 8

Что такое социальные сети?

© 2011 SAP AG. All rights reserved. 9

Система здравоохранения (США)

Цели

• Выявление сетей «мега-потребителей»

медицинских услуг

Метод

• Построены связи между пациентами,

врачами и аптеками

• 2 пациента могут быть связаны, т.к. они

посещают одного врача или одну аптеку

• Строятся сети пациентов, врачей и аптек

Результаты

• Обнаружены сообщества пациентов-

мошенников (на базе уже известных

случаев мошенничества)

• Выявлены роли в сообществах аптек /

врачей (мосты, лидеры)

• Улучшено обнаружение мошенничества

со стороны врачей и пациентов

© 2011 SAP AG. All rights reserved. 10

SAP Text Analysis:

обработка неструктурированной информации

Нес

тр

уктур

ир

ов

ан

ная

ин

фо

рм

ац

ия

Дальше информация может

быть использована для:

Интеграция

Запросы

Анализ

Визуализация

Отчетность

SAP HANA

Выделение из текста

смысловых элементов

Выделяет ключевую информацию из текстовых источников и

делает ее доступной для анализа

© 2011 SAP AG. All rights reserved. 11

Стивен Пол Джобс (24 февраля 1955 – 5 октября 2011) –

американский бизнес-магнат и изобретатель. Наиболее известен как

один из основателей и исполнительный директор компании Apple.

Джобс также был директором Pixar Animation Studios.

После приобретения Pixar компанией Disney в 2006 году, он

стал членом совета директоров Walt Disney Company.

SAP Text Analysis:

пример разбора текста

Стивен Пол Джобс; Джобс Человек

24 февраля 1955; 5 октября 2011; 2006 Дата

один из основателей; исполнительный директор; директор; член совета директоров

Должность (титул)

Apple; Pixar Animation Studios; Pixar; Walt Disney Company; Disney

Коммерческая организация

Американский бизнес-магнат; изобретатель; приобретение

Понятие

…стал членом совета директоров… Смена позиции

…приобретения Pixar компанией Disney… Слияние / поглощение

© 2011 SAP AG. All rights reserved. 12

Анализ текстов и прогнозная аналитика

Неструктурированная

информация

Смысловые элементы

Связи между

документами

Связи между

людьми

Связи между

понятиями

Прогнозная аналитика SAP

Выявление причин

и

прогнозирование

© 2011 SAP AG. All rights reserved. 13

Спасибо за внимание!

Михаил Аветисовэксперт SAP CISMikhail.Avetisov@sap.com