20.2.2014
„Big Data als Basis für den IT-gestützten „Forecast” der
besuchermäßigen sowie finanziellen Auslastung von
Vorst...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data als Basis für I...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data @ ifs
Offshore ...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data @ Kultur
Viele ...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data
 Viele Analyse...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Machbarkeitsstudie
 Zie...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rahmenbedingungen
 Tick...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Auswahl der Ziele
 Anal...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenaufbereitung
 Extr...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenquellen
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Typische Verkaufsverläufe
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung des Verlaufs...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Typische Verkaufsverläufe
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Szenario I
 Vorhersage ...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 125
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 90
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 70
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 50
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 30
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 20
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Szenario II
 Vergleich ...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vergleich Klassisch – Da...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Szenario III
 Entscheid...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Veranstaltung y – Gesamt...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Veranstaltung y – Detail...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Veranstaltung y – Detail...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Weitere Auswertungen
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Folien Gerald Stockinger...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ansätze für Folgeprojekt...
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenquellen – alt
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenquellen – neu
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Zusammenfassung
 Viele ...
Nächste SlideShare
Wird geladen in …5
×

Kulturplanner Impulse- Big Data als Basis für den IT- gestützten "Forecast" der besuchermäßigen sowie finanziellen Auslastung von Vorstellungen u.Produktionen als Basis für gezielte Maßnahmen im Marketing und Vertrieb- A.Rauber, M.Heil, G.Stockinger

356 Aufrufe

Veröffentlicht am

Präsentation der (Zwischen-) Ergebnisse einer Machbarkeitsstudie (Forschungsprojekt). Vortrag im Rahmen der Kulturplanner Impulse Veranstaltung am 20.02.2014 im Glasspitz der Münchner Kammerspiele. Nähere Informationen zum Big Data Analytics Tool & Managementinformationssystem "Kulturplanner" finden Sie unter www.kulturplanner.com

Veröffentlicht in: Technologie
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
356
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
2
Aktionen
Geteilt
0
Downloads
5
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Kulturplanner Impulse- Big Data als Basis für den IT- gestützten "Forecast" der besuchermäßigen sowie finanziellen Auslastung von Vorstellungen u.Produktionen als Basis für gezielte Maßnahmen im Marketing und Vertrieb- A.Rauber, M.Heil, G.Stockinger

  1. 1. 20.2.2014 „Big Data als Basis für den IT-gestützten „Forecast” der besuchermäßigen sowie finanziellen Auslastung von Vorstellungen und Produktionen als Basis für gezielte Maßnahmen im Marketing und Vertrieb Univ. Prof. Dr. A. Rauber, Michael Heil, Gerald Stockinger KULTURPLANNER Impulse BIG DATA ANALYTICS München Münchén, 20. Februar 2014 www.kulturplanner.comKulturplanner Impulse
  2. 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Big Data als Basis für IT-gestützten Forecast der Auslastung von Vorstellungen und Produktionen Ao.univ.Prof. Andreas Rauber, Michael Heil Department of Software Technology and Interactive Systems Vienna University of Technology rauber@ifs.tuwien.ac.at http://www.ifs.tuwien.ac.at/~andi Gerald Stockinger Graf Moser Management GmbH gerald.stockinger@kulturplanner.com http://www.kulturplanner.com
  3. 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Big Data @ ifs Offshore platform located in the Gulf of Mexico, port location Cd. Del Carmen. http://flickr.com/photos/22437367@N00 Chad Teer] from Coquitlam, Canada The Library of Babel. Marianne Gunderson, http://www.flickr.com/photos/asfaltkatt/8510502695/
  4. 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Big Data @ Kultur Viele Daten & Viele Methoden Viele Analysemöglichkeiten
  5. 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Big Data  Viele Analysemöglichkeiten - Welche Fragen sind relevant / interessant? - Wie gut müssen die Antworten sein, welche die Verfahren liefern? - Wie gut sind die derzeitigen Antworten?
  6. 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Machbarkeitsstudie  Ziel: Verwendung bisheriger Verkaufsdaten zur Prognose zukünftiger Verläufe  Werkzeuge: Data Mining und Zeitreihenanalyse - Basieren auf Statistik und maschinellem Lernen - „Predictive Analytics“  Der Computer soll ein „Bauchgefühl“ bekommen - Es soll aus vergangenen Situationen gelernt werden und durch Analogieschlüsse Vorhersagen gemacht werden - Erfahrungen können jedoch nur auf vorhandene Daten und darin enthaltene Konstellationen/Situationen gestützt werden
  7. 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Rahmenbedingungen  Ticketverkäufe eines En-Suite-Betriebs  Zeitraum: 8 Jahre  3.200.000 Ticketverkäufe sowohl an Endkunden als auch Partnerunternehmen - Verkäufe betreffen 50 Veranstaltungen bzw. 3.250 Vorstellungen - Davon sind 8 große Veranstaltungen und 3.000 Vorstellungen effektiv nutzbar
  8. 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Auswahl der Ziele  Analyse typischer Verkaufsverläufe von Vorstellungen  Auslastungsvorhersage einzelner Vorstellungen - Herunterbrechen auf einzelne Preiskategorien  Verkaufsvorhersage laufender Veranstaltungen  Generell: Verhalten des Endkunden
  9. 9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Datenaufbereitung  Extraktion von Daten aus Ticketing-System  Bereinigung von - Mehrfachbezeichnungen (Stemming) - Falscheingaben - Unbrauchbare Daten  Erweiterung um Attribute wie - Wetter - Google Trend - Feiertage/Ferien  Aufbereitung für die Verarbeitung durch Data Mining
  10. 10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Datenquellen
  11. 11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Typische Verkaufsverläufe
  12. 12. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vorstellung des Verlaufs 0
  13. 13. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Typische Verkaufsverläufe
  14. 14. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Szenario I  Vorhersage des Verkaufsmusters und der Auslastung jedes zukünftigen Tages einer beliebigen Vorstellung zu verschiedenen Stichtagen
  15. 15. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vorstellung x – Tag 125
  16. 16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vorstellung x – Tag 90
  17. 17. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vorstellung x – Tag 70
  18. 18. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vorstellung x – Tag 50
  19. 19. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vorstellung x – Tag 30
  20. 20. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vorstellung x – Tag 20
  21. 21. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Szenario II  Vergleich dieser Vorhersage-Methode mit klassischem Ansatz - Dieser basiert auf einer einfachen Formel mit drei Parametern und beinhaltet einen manuell geschätzten Anteil  445 Szenarien aus 246 Vorstellungen einer Veranstaltung über einem Zeitraum von 10 Monaten
  22. 22. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Vergleich Klassisch – Data Mining
  23. 23. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Szenario III  Entscheidung über Verlängerung einer laufenden Veranstaltung  Ausgangslage: - Veranstaltung läuft bereits etwa 200 Tage - Spielplan umfasst 10 weitere Monate - Verkaufszahlen für etwa 200 Tage nach Entscheidungsstichtag verfügbar  Zur Entscheidungsstützung: Verkaufszahlenvorhersage für gesamtes nächstes Jahr
  24. 24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Veranstaltung y – Gesamt Ø Abw.: 92,217 Endabw.: 841
  25. 25. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Veranstaltung y – Detail I Ø Abw.: 92,217 Endabw.: 841
  26. 26. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Veranstaltung y – Detail II Ø Abw.: 92,217 Endabw.: 841
  27. 27. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Weitere Auswertungen
  28. 28. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Folien Gerald Stockinger: Screenshot Kulturplanner -> Demo
  29. 29. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ansätze für Folgeprojekte  Umsetzung in Repertoire-Betrieben  Technische Erweiterungen wie: - Finanzielle Äquivalente als Zielmerkmale • Um bewussten Eingriffe in das Kaufverhalten durch verkaufsfördernde Maßnahmen teilweise vorzubeugen - Einbinden weiterer Informationsquellen - Erweiterung des Datenumfangs • Je mehr, desto mehr Situationen darin enthalten - Berücksichtigung von Großkundenverkäufen durch Umlage - …
  30. 30. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Datenquellen – alt
  31. 31. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Datenquellen – neu
  32. 32. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zusammenfassung  Viele Analysemöglichkeiten - Welche Fragen sind relevant / interessant? - Wie gut müssen die Antworten sein, welche die Verfahren liefern? - Wie gut sind die derzeitigen Antworten? (Präzision? Nachvollziehbarkeit? …)

×