SAP BusinessObjects Predictive Analytics

Einleitung ... 15
1. Einführung in Predictive Analytics ... 21

1.1 ... Grundlagen des Data Minings ... 21
1.2 ... Der Data-Mining-Prozess ... 25
1.3 ... Methoden der Datenvorbereitung ... 32
1.4 ... Algorithmen und Methoden des Data Minings ... 42
1.5 ... Einordnung von Predictive Analytics in den Bereich Data Mining ... 56

2. Mehrwert durch Predictive Analytics ... 61

2.1 ... Warum Predictive Analytics? ... 61
2.2 ... Warum Predictive Analytics mit SAP? ... 68
2.3 ... Anwendungsbeispiele ... 70

3. SAP Predictive Analytics ... 77

3.1 ... Einführung und Einordnung in das SAP-Produktportfolio ... 77
3.2 ... Plattformintegration und Architektur ... 84
3.3 ... Installation ... 88
3.4 ... Benutzeroberfläche und Navigation ... 102
3.5 ... Einstellungen ... 104

4. Mit dem Modus »Automated Analytics« arbeiten ... 113

4.1 ... Grundlagen ... 113
4.2 ... Datencodierung ... 118
4.3 ... Datenzugriff und -vorbereitung mit dem Data Manager ... 124
4.4 ... Klassifikations-/Regressionsanalyse ... 127
4.5 ... Zeitreihen ... 191
4.6 ... Clustering ... 196
4.7 ... Analyse sozialer Netzwerke ... 200
4.8 ... Weitere Algorithmen und Toolkit ... 207

5. Mit dem Modus »Expert Analytics« arbeiten ... 225

5.1 ... Funktionen von Expert Analytics ... 225
5.2 ... Navigation und Einstellungen in Expert Analytics ... 226
5.3 ... Datenvorbereitung ... 234
5.4 ... Assoziationsanalyse ... 251
5.5 ... Clustering und Klassifikation ... 257
5.6 ... Regressionsalgorithmen ... 273
5.7 ... Zeitreihen ... 287
5.8 ... Weitere Algorithmen ... 292

6. Integration von R im Modus »Expert Analytics« ... 307

6.1 ... Grundlagen von R ... 308
6.2 ... R-Integration ... 315
6.3 ... Beispiel: ABC-Analyse ... 317

7. Visualisierungen ... 325

7.1 ... Visualisierungen in Automated Analytics ... 325
7.2 ... Visualisierungen in Expert Analytics ... 326
7.3 ... Visualisierungserweiterung durch VizPacker ... 333

8. Model Management mit der Predictive

Jian Liang Chen ist seit 2014 für die CONOGY GmbH als SAP-Berater für Business Intelligence tätig. Er absolvierte sein Studium an der Technischen Universität Berlin mit einem Master of Sciene in Wirtschaftsmathematik mit Schwerpunkten in stochastischer Modellierung, Finanzmathematik und Datenbankmanagement. Als Berater arbeitet er in den Bereichen Reporting, klassische Datenbankmodellierung und Advanced Analytics. Daneben beschäftigt er sich infolge seines akademischen Werdegangs speziell mit dem Thema der deskriptiven Datenanalyse und entwickelt kundespezifische Data-Mining-Lösungen basierend auf SAP BusinessObjects Predictive Analytics, SAP HANA und R. Ekaterina Samlenski arbeitet seit 2013 als Senior Beraterin bei der CONOGY GmbH in dem Bereich Business Intelligence. Ihre inhaltlichen Schwerpunkte sind Reporting, Datenmodellierung, Analysis und Programmierung. Bis heute beschäftigt sie sich intensiv mit dem Fachgebiet Data Mining und insbesondere dem Teilgebiet Predictive Analytics mit SAP-Lösungen. Seit 2014 ist sie Trainerin für die SAP-Schulungen zum Thema Predictive Analytics (WDPRED, PAII11, PAII12) in der DACH-Region sowie für weitere kundenspezifische Schulungen und Workshops in den Bereichen Predictive Analytics und Business Intelligence weltweit.
Ihre Praxiserfahrung wird zusätzlich mit den Abschlüssen Dipl.-Wirt.-Inf. (mit Schwerpunkt Marketing und Operations Research) und Master of Science (mit Schwerpunkt IT-Sicherheit) der Fachrichtung Wirtschaftsinformatik unterfüttert. Helge Schmedt arbeitet seit 2009 als Unternehmensberater bei der CONOGY GmbH in den Bereichen Business Intelligence, Planung und Data Mining. Als Management Consultant verantwortet er die internen Bereiche Advanced Analytics und Planung. In zahlreichen Projekten brachte er branchenübergreifend seine Projekterfahrung in unterschiedlichen Unternehmensbereichen (z.B. Finance, Treasury, Vertrieb und Investmentmanagement) ein. In den letzten Jahren waren dies vermehrt SAP-HANA-basierte

»Im Buch zeigen die Autoren unter anderem auf, wie Versorger ihre Daten mit SAP Predictive Analytics 3.1 analysieren können, um bisher unentdeckte Zusammenhänge aufzuspüren und Trends vorherzusagen. Darüber hinaus machen die Autoren anhand von Beispielen aus der Praxis deutlich, wie Anwender vorausschauende Analysen und Data Mining mit SAP durchführen, Daten vorbereiten, auswerten und visualisieren können. Und auch wie die Integration mit SAP Predictive Analysis Library, SAP HANA und R gelingt, wird gezeigt. Zudem erklären sie leicht verständlich, welche Algorithmen für welche Zwecke einzusetzen sind. Typische Anwendungsfälle, wie Absatzprognosen, Forecasts und Kampagnenmanagement, machen dabei die Einsatzmöglichkeiten von SAP Predictive Analytics transparent.« WirAutomatisierer.Industrie.de 201710