Text Mining

800 Aufrufe

Veröffentlicht am

Erschließen Sie aus Ihren unstrukturierten Textdateien die "Voice of Customer".
In Zeiten von Social Media und der zunehmenden Digitalisierung steigt die Anzahl strukturierter und unstrukturierter Daten innerhalb und außerhalb des Unternehmens stetig an. Besonders großes Potential bergen die Informationen, die meist noch ungenutzt in Textform in Ihrem Unternehmen vorliegen. In unserem Boxenstopp erfahren Sie, wie Sie diese Informationen mittels Text Mining effizient erschließen und dadurch Ihre Kunden besser verstehen lernen.

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
800
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
6
Aktionen
Geteilt
0
Downloads
9
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Text Mining

  1. 1. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Erschließen Sie aus Ihren unstrukturierten Textdateien die "Voice of Customer" Text Mining im analytischen CRM Dr. Elena Michel, Dr. Horst-Florian Jaeck | MHPBoxenstopp: 22.09.2015
  2. 2. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 2 23.09.2015 carIT-Kongress 2015 Congress Center Messe Frankfurt, Frankfurt am Main Einleitung MHPBoxenstopp: Aus unstrukturierten Daten „Voice of Customer“ erschließen www.youtube.de/MHPProzesslieferant TelKo Einwahlnummer Einwahlnummer Schweiz: +41 44 583 1925 Einwahlnummer Deutschland: +49 711 96 59 96 13 Teilnehmer PIN- Code: 42538759 mit Raute- Taste bestätigen Weitere MHPBoxenstopps Agenda Wo Sie uns in 2015 auch finden können… www.mhp.de/Events www.mhp.com/de/events Zu Anfang sind alle Teilnehmer auf stumm geschalten. 29.09.2015 Instandhaltung mit HANA Mehrwert + Einsatzszenarien der inMemory Datenbank 29.09.2015 Predictive Analytics Use Cases Eine Live Demo mit SAP Predictive Analytics in Kombination mit R 06.10.2015 BIG DATA heute und morgen BIG DATA als Treiber des digitalen Unternehmens 13.10.2015 Ganzheitliche Modellierung Requirement Engineering mit dem Enterprise Architect www.mhp.com/de/events 13.00 – 13.10 Uhr Begrüßung Dr. Horst-Florian Jaeck 13.10 – 13.45 Uhr Vortrag Dr. Elena Michel 13.45 – 14.00 Uhr Offene Fragerunde Sie können bereits während der Web Session über Chatfunktion im rechten Fenster Fragen einreichen. www.slideshare.net/MHPInsights
  3. 3. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 3 MHPBoxenstopp: Aus unstrukturierten Daten „Voice of Customer“ erschließen Ihre Gesprächspartner Dr. Elena Michel Senior Consultant SU CRM Dr. Horst-Florian Jaeck Senior Manager SU CRM
  4. 4. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 4 Prozesse verbessern kann nur, wer sich im Detail auskennt. Genauso wie im Großen und Ganzen. MHPBoxenstopp: Aus unstrukturierten Daten „Voice of Customer“ erschließen Wir wissen aus Erfahrung, wie man Ziele erreicht und dabei vorneweg fährt.
  5. 5. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 5 Mieschke Hofmann und Partner (MHP) A Porsche Company MHPBoxenstopp: Aus unstrukturierten Daten „Voice of Customer“ erschließen Die Leistung Management Consulting System Integration Application Management Business Solutions Business Solutions Der Unterschied Symbiose aus Prozess- + IT-Beratung l Prozesslieferant l Excellence l Automotive l Kunden Die Kompetenz Ganzheitliches Beratungsportfolio über die gesamte Wertschöpfungskette Technology Services Application Mgmt. Services Product Lifecycle Mgmt. Supply Chain Mgmt. Production & Opera- tions Mgmt. Customer Relations Mgmt. Finance & Controlling Business Intelligence After Sales Retail Mgmt. Human Resources
  6. 6. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 6 Ganzheitliches Beratungsportfolio über die komplette Wertschöpfungskette. Unsere Kompetenzbereiche mit Themenfeldern. MHPBoxenstopp: Aus unstrukturierten Daten „Voice of Customer“ erschließen Technology Services Application Mgmt. Services Product Lifecycle Mgmt. Supply Chain Mgmt. Production & Opera- tions Mgmt. Customer Relations Mgmt. Finance & Controlling Business Intelligence After Sales Retail Mgmt. Human Resources Production Planning Strategic Production Consulting Lean Production Manufacturing Execution Maintenance Retail Service Management Retail Consulting Fleet Management Sourcing Planning Affiliation Performance Development & Talent Management Governance, Risk and Compliance Template Development and Rollouts Business Process Development & Optimization Legal and Fiscal Requirements Accounts, Reporting and Consolidation System Harmonization CIO Management Consulting Enterprise Content Management Standard Software Individual Software Application & Process Services Application Management Consulting Product Structure Management Product Development Process (PDP) Management SAP PLM Consulting & Solution Implementation PTC Windchill Solution Integration DS Enovia V6 Solution Integration PLM Strategy & Management Consulting Production Logistics Procurement & Quality Sales Logistics Service Management Spare Parts Management Supply Chain & Demand Planning Service Management Spare Parts Management Warranty Processes (Pro-active) Complaint Management Digital incl. Connected CRM & Social CRM CRM Strategy & Management Consulting Sales Force Automation incl. Mobile CRM Analytics incl. Segmentation & Campaign Management Vertical Retail Integration (Pro-active) Complaint Management BI Technology BI Strategy Integrated Corporate Planning Analytical Business Processes Next Generation BI & BIG DATA Mobile BI Scenarios CRM IT Consulting & Solution Implementation Transition & Change Management Administrative Core Processes MHP Dealer Performance Management Finance and Controlling for Automotive Retailers Dealer Management Systems MHP Carbon Innovations Connected Vehicle Cloud Compute Sustainable Mobility Social Business Mobile Business Real-time Business Industry 4.0 Text Mining im aCRM
  7. 7. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 7 1 Einführung 2 Text Mining im Überblick 3 Anwendungspotenziale von Text Mining im Kontext des analytischen CRM 4 Methoden und Tools im Text Mining 5 MHP Angebot und Referenzen im Text Mining 6 Fazit
  8. 8. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 8 Nutzung des Internets ändert das Kundenverhalten nachhaltig und erfordert neue Spielregeln am Markt 1 Einführung 9.433 Tweets veröffentlicht 2.238 Instagram Fotos hochgeladen 2.009 Tumblr Posts getätigt 1.782 Skype Anrufe getätigt 102.825 YouTube Videos hochgeladen Innerhalb einer Sekunde werden im Internet… 2.404.236 E-Mails versendet 49.318 Google Suchanfragen gesendet • Kunde tritt als Prosumer im Produktlebenszyklus auf • 8 von 10 Kauf- entscheidungen sind durch Online-Kunden- rezensionen beeinflusst • Kunden diskutieren auch unangenehm wahrgenommene Ereignisse mit dem Produkt, dem Vertrieb oder dem Service öffentlich • Aufsichtsbehörden und regulatorische Einrichtungen kommunizieren mit den Kunden GB 28.077 GB Daten- verkehr generiert Das digitale Zeitalter verändert das Verhalten der Kunden Quelle: http://www.internetlivestats.com/one-second/
  9. 9. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 9 Einbeziehung und Analyse sämtlicher Kundendaten ermöglicht 360° Kundensicht 1 Einführung Unstrukturierte Daten Social Media, Notes, Word Dokumente, PDF, Power Point, andere Textformate, Audio, Video, Bilder, etc. Strukturierte Daten Datenbank-Tabellen, Excel Sheets, CRM Systeme, etc. Customer Data Warehouse Data Mining Text Mining Kunde Methoden im aCRM 360° ~80% Tendenz steigend ~20%
  10. 10. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 10 1 Einführung 2 Text Mining im Überblick 3 Anwendungspotenziale von Text Mining im Kontext des analytischen CRM 4 Methoden und Tools im Text Mining 5 MHP Angebot und Referenzen im Text Mining 6 Fazit
  11. 11. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 11 Text Mining liefert ergänzend zu Data Mining einen erheblichen Mehrwert aus unstrukturierten Daten 2 Text Mining im Überblick Von der quantitativen Auswertung (Data Mining)… …hin zur Auswertung von Kontext, Gründen, Lösungen und Wünschen (Text Mining). Auswertung (Data Mining) • Hohe Fehlerquote einer elektrischen Funktion.  Gründe hierfür sind bislang unbekannt • 3% Steigerung der Kundenabwanderungsrate innerhalb eines Jahres.  Gründe hierfür sind bislang unbekannt Identifikation von Gründen (Text Mining)  Reparaturdokumentation weist einen häufigen Austausch eines speziellen Kontrollsensors auf.  Identifikation der wachsenden Unzufriedenheit mit dem Aftersales- Personal aufgrund nicht getätigter Rückmeldungen in gewünschtem Zeitraum. „Data Mining is the process of extracting previously unknown, valid, and actionable information from large databases and then using the information to make crucial business decisions.” (Rahman, 2008) „Text Mining is the discovery by computer of new, previously unknown information, by automatically extracting information from different written resources.” (Hears, 1999)
  12. 12. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 12 Überblick über den Prozess der Datenanalyse im Text Mining 2 Text Mining im Überblick Ontologien StoppwortlistenSynonymlexika Klassifikation Segmentierung Abhängigkeits- entdeckung Textkorpus in natürlicher Sprache Termextraktion Natural Language Processing Unstrukturierter Text Dokumentaufbereitung Strukturierter Text (z. B. Term-Dokument- Matrix) Klassische Mining- Verfahren Merkmalsselektion Aufgabendefinition Interpretation & Evaluation Anwendung Sentiment Bestimmung Zusammenfassung • Ziel der Analyse • Grenzen der Analyse • Interpretation und ggf. Anpassungen der Modelle • Ableitung von Handlungs- empfehlungen Dokumenten- selektion Dokument- aufbereitung (Text) Mining Methoden
  13. 13. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 13 1 Einführung 2 Text Mining im Überblick 3 Anwendungspotenziale von Text Mining im Kontext des analytischen CRM 4 Methoden und Tools im Text Mining 5 MHP Angebot und Referenzen im Text Mining 6 Fazit
  14. 14. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 14 Analytisches CRM (aCRM) generiert aus Daten relevantes Kundenwissen 3 Anwendungspotenziale von Text Mining im Kontext des analytischen CRM Datenintegration Datenanalyse Analytisches CRM (aCRM)  Zentrale Sammlung und Aufbereitung aller kundenbezogenen Daten aus operativen Systemen  Anreicherung durch maschinengenerierte Daten und Texte sowie durch externe Datenquellen  Intelligente und prädiktive Auswertung der Daten durch Data Mining und Text Mining  Analyseprozess als „Closed Loop“ Moderne Big Data und Analytics Lösungen bilden die technologische Basis Customer Data Warehouse
  15. 15. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 15 Anwendungspotenzial von aCRM im Kundenbeziehungs-Lebenszyklus 3 Anwendungspotenziale von Text Mining im Kontext des analytischen CRM Potentielle Kunden Aktive Kunden Ziel: Optimales Customer Management bei effizientem Budgeteinsatz Interessenten- Management Kundenbindungs- Management Rückgewinnungs- Management Kundencharakterisierung Gefährdete Kunden Verlorene Kunden ? ? ? ? ? ! Kundentypologisierung Kundenpriorisierung Zielgruppenanalyse Next Best Offer Analyse Abwanderungsanalysen ? ! ! ! ! ! ! Kundenrisikoanalyse strategischtaktisch
  16. 16. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 16 Anwendungsbeispiele von Text Mining im aCRM über den Kundenbeziehungs-Lebenszyklus 3 Anwendungspotenziale von Text Mining im Kontext des analytischen CRM Potentielle Kunden Aktive Kunden Gefährdete Kunden Verlorene Kunden ? ? ? ? ? ! ? ! ! ! ! ! ! Beispiel: • Linguistische Analyse von fachbezogenen (Kunden-)Foren ermöglicht die Identifikation von Kunden- interessen Beispiele: • Social Media Monitoring ermöglicht eine schnelle Reaktionszeit auf Beiträge in sozialen Netzwerken • Abfrage des allgemeinen Meinungsbildes z.B. zu neuen Produkten durch Sentiment-Analyse • Network Analytics identifiziert Leader-Follower-Beziehungen in Fachforen Beispiele: • Auswertung interner Texte ermöglicht Identifikation von Cross-/Up Selling Potentialen • Auswertung von Kundenbeschwerden zur Steigerung der Kundenbindung • Integration in Data Mining Modelle ermöglicht Schätzung von Abwanderungs- wahrscheinlichkeiten (z. B. Identifikation gefährdeter, potenzialträchtiger Kunden) • Auswertung von Werkstattberichten zur Verbesserung der Produktqualität und Steigerung der Kundenzufriedenheit
  17. 17. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 17 1 Einführung 2 Text Mining im Überblick 3 Anwendungspotenziale von Text Mining im Kontext des analytischen CRM 4 Methoden und Tools im Text Mining 5 MHP Angebot und Referenzen im Text Mining 6 Fazit
  18. 18. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 18 Document Classification Document Classification Text Classification Document Standardization Die Tätigkeitsschwerpunkte des Text Minings bedienen sich übergreifend den technologischen Lösungsansätzen mehrerer textanalytischer Methoden 4 Methoden und Tools im Text Mining Web Mining Information Extraction Natural Language Processing Concept Extraction Document Clustering Information Retrieval Keyword Search / Querying Indexing Page Rank Web Link Analytics Outlink Extraction Relationship Extraction / Link Analysis Co-reference / Entity resolution Geotagging Entity Extraction Date Tagging Spam Filtering Focused Web Crawling Content Detection Document Ranking Document Similarity Sentiment Analysis Summarization Feature Construction Collocations From Clustering Phrase Clustering Spelling Correction Lemmatization Grammatical Parsing Word Sense Ambigutation Tokenization Sentence Boundary Detection Part of Speech Tagging Phrase Chunking vgl. hierzu Miner (2012)
  19. 19. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 19 Auf dem Markt gibt es eine Vielzahl an Text Mining Lösungen 4 Methoden und Tools im Text Mining MHP unterstützt Sie gerne bei der Suche nach einer für Ihre Bedürfnisse passenden Lösung Text Mining im Rahmen einer spezifischen Anwendungsumgebung Text Mining als Enabler einer Business Lösung Text Mining als ganzheitlicher Ansatz und mit umfangreichem Einsatzpotenzial Empolis Smartlogic Expion (Sysomos) Rocket Recommind SANDSIV QL2 Engagor Salesforce Ontotext Q-Perior Meltwater B.I.G. Leximancer Shoutlet Spreadfast Averbis Meaning Cloud Linkfluence Digimind Clarabridge Ontotext IBM Watson Smartlogic HP Autonomy Lexalytics Attensity TEMIS IBM SPSS Modeler SAP HANA SAP Analytics Solutions Angoss SAS Brandwatch Oracle
  20. 20. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 20 Marktführende Text Mining Anbieter mit breitem, fachlichen Anwendungsspektrum im Kurzvergleich 4 Methoden und Tools im Text Mining IBM SPSS Modeler Text Analytics IBM Watson Content Analytics SAS Intelligence Platform Optimaler Anbieter abhängig von konkreten Use Cases sowie bereits vorhandenen Prozessen und Strukturen im Unternehmen MHP unterstützt Sie gerne bei der Konkretisierung von Use Cases sowie der Implementierung einer geeigneten Lösung  Kombinierter Einsatz von Text und Data Mining  Keine Visualisierung für Endanwender  Text Mining Stand-Alone Lösung  Visualisierung für Endanwender  Konzentrierte Prozessstrukturen  Vollintegrierte Lösung für Text und Data Mining  Visualisierung auf verschiedenen Ebenen
  21. 21. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 21 1 Einführung 2 Text Mining im Überblick 3 Anwendungspotenziale von Text Mining im Kontext des analytischen CRM 4 Methoden und Tools im Text Mining 5 MHP Angebot und Referenzen im Text Mining 6 Fazit
  22. 22. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 22 MHP Vorgehensmodell Text Mining 5 MHP Angebot und Referenzen im Text Mining Vorbereitungs- und Konzeptionsphase Implementierungs- u. Anwendungsphase I Analysephase und iterativer Prozess Anwendungsphase II  Festlegung und Abgrenzung des Anwendungsfalls  Definition des Analyseziels  Bereitstellen von (Test)-Daten  Abschätzung der Machbarkeit  Qualitäts- und Quellencheck der Daten  Modellierung und Implemen- tierung von Wissens- bausteinen: interne Wissensquellen (Produktkataloge, Taxonomien, etc.), externe Wissensquellen (Namen, Länder, etc.)  Bereitstellung der Wissensbausteine im Anwendungssystem  Fachliche Analyse der Ergebnisse bezogen auf das definierte Analyseziel Iterativer Prozess: Erneuter Einstieg in die Konzeptions- und Implementierungsphase:  Gezielte Modifikation bestehender Wissensbau- steine, Aufbau neuer Wissensbausteine, Wiederverwendbarkeit von Wissensbausteinen  Ergebnisaufbereitung und Visualisierung  Anwender nutzen das System:  Erfahrungen mit dem System sammeln  Feedbackfunktion  Anwendung von Text Mining- Ergebnissen zur Produkt- und Prozessverbesserung Social Media Externe Daten Interne Daten
  23. 23. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 23  Auswertung unstrukturierter Textdateien im Vertriebs- und Aftersalesumfeld, z. B. von Werkstattprotokollen und Kundenbeschwerden  Konzeption und Implementierung umfangreicher, explorativer Text Mining Analysen mit IBM Watson Content Analytics  Entwicklung und Etablierung von Text Mining Verfahren zur bedarfsorientierteren Kundenprozessoptimierung Automobilhersteller Neue Customer Insights durch Text Mining 5 MHP Angebot und Referenzen im Text Mining 11 10 10 00 11 01 00 01 10 11 10 10 11 10 11 10 00 00 01 01 10 11 10 10 10 00 01 11 10 01 01 10 01 10 10 01 00 10 01 01 11 01 00 10 11 11 10 11 10 11 00 00 01 01 01 01 00 11 01 11 11 10 11 00 11 00 11 00 01 00 00 11 10 00 10 01 00 00 01 11 10 01 01 01 11 10 10 00 00 11 10 11 10 11 01 11 00 10 00 01 01 10 10 00 11 00 00 11 00 00 10 10 10 01 01 01 11 00 11 00 10 10 11 10 00 10 01 00 10 01 10 00 01 11 10 00 11 10 01 10 10 01 11 11 10 00 01 00 10 10 10 10 10 11 11 00 00 01 11 00 00 01 01 00 10 11 11 11 01 10 01 11 00 11 00 01 00 00 00 01 01 00 01 00 00 00 11 11 11 00 00 10 00 00 01 01 11 01 00 00 10 01 00 10 00 11 11 11 00 10 00 11 10 11 01 10 11 00 10 00 00 01 10 11 10 01 10 11 01 00 01 01 10 10 01 01 01 00 00 10 00 11 00 10 00 01 10 00 11 00 10 10 01 01 01 11 00 00 11 00 10 11 10 10 00 11 11 00 00 01 10 00 10 01 01 11 10 10 00 10 00 00 10 11 00 11 01 11 01 11 00 11 00 01 01 11 01 01 11 01 01 11 10 01 10 00 11 00 10 10 01 11 01 10 01 00 10 10 01 10 01 01 00 00 11 10 01 01 00 00 10 11 11 11 00 10 11 11 11 01 11 01 11 01 01 01 00 01 10 00 10 01 00 00 00 01 10 10 11 01 10 10 11 11 10 10 10 00 00 10 01 11 10 00 00 00 10 11 01 10 11 11 10 10 11 00 01 11 01 00 00 11 00 11 01 10 10 00 10 10 10 11 01 01 01 01 00 01 00 10 00 11 10 10 01 01 10 11 10 11 01 00 11 00 00 01 00 10 01 00 10 01 00 01 01 11 00 11 11 10 11 10 00 10 11 11 11 01 00 10 00 01 00 00 01 10 11 10 10 01 01 11 11 10 10 10 01 01 11 10 00 01 11 01 00 10 10 01 00 01 00 00 11 10 01 11 11 10 01 11 11 01 00 10 11 10 00 10 00 01 11 01 10 00 10 00 10 00 10 10 01 10 11 01 01 01 10 11 11 11 11 10 01 10 01 01 11 10 10 10 10 10 01 11 00 11 10 01 10 00 11 11 11 00 00 10 01 00 00 11 00 00 01 10 11 00 01 11 10 10 00 00 01 01 01 00 01 00 11 00 00 10 01 01 01 10 01 10 11 11 00 00 00 00 10 00 01 01 10 00 11 01 10 10 11 10 10 01 00 00 01 10 11 00 11 11 00 11 10 00 00 10 11 11 11 00 10 11 00 10 11 01 11 11 01 01 01 00 00 10 10 01 01 10 10 11 10 00 11 10 01 10 11 11 10 11 10 10 01 10 10 11 11 01 11 10 00 1011 10 11 10 10 10 10 11 01 01 00 01 01 00 01 10 10 01 00 10 10 00 00 01 01 00 01 10 11 11 10 11 10 10 01 10 10 11 11 01 11 10 00 1011 10 11 10 10 10 10 11 01 01 00 01 01 00 01 10 10 0111 10 10 00 11 01 00 01 10 11 10 10 11 10 11 10 00 00 01 01 10 11 10 10 10 00 01 11 10 01 01 10 01 10 10 01 00 10 01 01 11 01 00 10 11 11 10 11 10 11 00 00 01 01 01 01 00 11 01 11 11 10 11 00 11 00 11 00 01 00 00 11 10 00 10 01 00 00 01 11 10 01 01 01 11 10 10 00 00 11 10 11 10 11 01 11 00 10 00 01 01 10 10 00 11 00 00 11 00 00 10 10 10 01 01 01 11 00 11 00 10 10 11 10 00 10 01 00 10 01 10 00 01 11 10 00 11 10 01 10 10 01 11 11 10 00 01 00 10 10 10 10 10 11 11 00 00 01 11 00 00 01 01 00 10 11 11 11 01 10 01 11 00 11 00 01 00 00 00 01 01 00 01 00 00 00 11 11 11 00 00 10 00 00 01 01 11 01 00 00 10 01 00 10 00 11 11 11 00 10 00 11 10 11 01 10 11 00 10 00 00 01 10 11 10 01 10 11 01 00 01 01 10 10 01 01 01 00 00 10 00 11 00 10 00 01 10 00 11 00 10 10 01 01 01 11 00 00 11 00 10 11 10 10 00 11 11 00 00 01 10 00 10 01 01 11 10 10 00 10 00 00 10 11 00 11 01 11 01 11 00 11 00 01 01 11 01 01 11 01 01 11 10 01 10 00 11 00 10 10 01 11 01 10 01 00 10 10 01 10 01 01 00 00 11 10 01 01 00 00 10 11 11 11 00 10 11 11 11 01 11 01 11 01 01 01 00 01 10 00 10 01 00 00 00 01 10 10 11 01 10 10 11 11 10 10 10 00 00 10 01 11 10 00 00 00 10 11 01 10 11 11 10 10 11 00 01 11 01 00 00 11 00 11 01 10 10 00 10 10 10 11 01 01 01 01 00 01 00 10 00 11 10 10 01 01 10 11 10 11 01 00 11 00 00 01 00 10 01 00 10 01 00 01 01 11 00 11 11 10 11 10 00 10 11 11 11 01 00 10 00 01 00 00 01 10 11 10 10 01 01 11 11 10 10 10 01 01 11 10 00 01 11 01 00 10 10 01 00 01 00 00 11 10 01 11 11 10 01 11 11 01 00 10 11 10 00 10 00 01 11 01 10 00 10 00 10 00 10 10 01 10 11 01 01 01 10 11 11 11 11 10 01 10 01 01 11 10 10 10 10 10 01 11 00 11 10 01 10 00 11 11 11 00 00 10 01 00 00 11 00 00 01 10 11 00 01 11 10 10 00 00 01 01 01 00 01 00 11 00 00 10 01 01 01 10 01 10 11 11 00 00 00 00 10 00 01 01 10 00 11 01 10 10 11 10 10 01 00 00 01 10 11 00 11 11 00 11 10 00 00 10 11 11 11 00 10 11 00 10 11 01 11 11 01 01 01 00 00 10 10 01 01 10 10 11 10 00 11 10 01 10 11 11 10 11 10 10 01 10 10 11 11 01 11 10 00 1011 10 11 10 10 10 10 11 01 01 00 01 01 00 01 10 10 01 00 10 10 00 00 01 01 00 01 10 11 11 10 11 10 10 01 10 10 11 11 01 11 10 00 1011 10 11 10 10 10 10 11 01 01 00 01 01 00 01 10 10 0111 10 10 00 11 01 00 01 10 11 10 10 11 10 11 10 00 00 01 01 10 11 10 10 10 00 01 11 10 01 01 10 01 10 10 01 00 10 01 01 11 01 00 10 11 11 10 11 10 11 00 00 01 01 01 01 00 11 01 11 11 10 11 00 11 00 11 00 01 00 00 11 10 00 10 01 00 00 01 11 10 01 01 01 11 10 10 00 00 11 10 11 10 11 01 11 00 10 00 01 01 10 10 00 11 00 00 11 00 00 10 10 10 01 01 01 11 00 11 00 10 10 11 10 00 10 01 00 10 01 10 00 01 11 10 00 11 10 01 10 10 01 11 11 10 00 01 00 10 10 10 10 10 11 11 00 00 01 11 00 00 01 01 00 10 11 11 11 01 10 01 11 00 11 00 01 00 00 00 01 01 00 01 00 00 00 11 11 11 00 00 10 00 00 01 01 11 01 00 00 10 01 00 10 00 11 11 11 00 10 00 11 10 11 01 10 11 00 10 00 00 01 10 11 10 01 10 11 01 00 01 01 10 10 01 01 01 00 00 10 00 11 00 10 00 01 10 00 11 00 10 10 01 01 01 11 00 00 11 00 10 11 10 10 00 11 11 00 00 01 10 00 10 01 01 11 10 10 00 10 00 00 10 11 00 11 01 11 01 11 00 11 00 01 01 11 01 01 11 01 01 11 10 01 10 00 11 00 10 10 01 11 01 10 01 00 10 10 01 10 01 01 00 00 11 10 01 01 00 00 10 11 11 11 00 10 11 11 11 01 11 01 11 01 01 01 00 01 10 00 10 01 00 00 00 01 10 10 11 01 10 10 11 11 10 10 10 00 00 10 01 11 10 00 00 00 10 11 01 10 11 11 10 10 11 00 01 11 01 00 00 11 00 11 01 10 10 00 10 10 10 11 01 01 01 01 00 01 00 10 00 11 10 10 01 01 10 11 10 11 01 00 11 00 00 01 00 10 01 00 10 01 00 01 01 11 00 11 11 10 11 10 00 10 11 11 11 01 00 10 00 01 00 00 01 10 11 10 10 01 01 11 11 10 10 10 01 01 11 10 00 01 11 01 00 10 10 01 00 01 00 00 11 10 01 11 11 10 01 11 11 01 00 10 11 10 00 10 00 01 11 01 10 00 10 00 10 00 10 10 01 10 11 01 01 01 10 11 11 11 11 10 01 10 01 01 11 10 10 10 10 10 01 11 00 11 10 01 10 00 11 11 11 00 00 10 01 00 00 11 00 00 01 10 11 00 01 11 10 10 00 00 01 01 01 00 01 00 11 00 00 10 01 01 01 10 01 10 11 11 00 00 00 00 10 00 01 01 10 00 11 01 10 10 11 10 10 01 00 00 01 10 11 00 11 11 00 11 10 00 00 10 11 11 11 00 10 11 00 10 11 01 11 11 01 01 01 00 00 10 10 01 01 10 10 11 10 00 11 10 01 10 11 11 10 11 10 10 01 10 10 11 11 01 11 10 00 1011 10 11 10 10 10 10 11 01 01 00 01 01 00 01 10 10 01 00 10 10 00 00 01 01 00 01 10 11 11 10 11 10 10 01 10 10 11 11 01 11 10 00 1011 10 11 10 10 10 10 11 01 01 00 01 01 00 01 10 10 01 01 01 0 BIG DATA COMPLEXITY simplicityReal Time Responsive Predictions Simulations
  24. 24. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 24 Adressierte Kunden KaufendeKunden Potenzialsteigerung bei operativen Maßnahmen (Kundenmanagement)  Auswertung unstrukturierter Textdaten im Kundenserviceumfeld, z.B. Call Center Protokolle und Kundenbeschwerden mit IBM SPSS Modeler Text Analytics  Explorative Musterentdeckung und Taxonomieaufbau  Entwicklung eines Tools zum effektiven Monitoring häufiger Problemthemen, z.B. zu Servicequalität und Produktergonomie durch Inhaltskategorisierung  Verwendung abgeleiteter Variablen zur genaueren Bewertung der individuellen Kundenbeziehungsqualität Spezialisierter Softwarehersteller und IT-Dienstleister Optimierung von Vertrieb und Marketing durch analytisches CRM 5 MHP Angebot und Referenzen im Text Mining Überführung in strukturierte Form für Data-Mining Verwendung Clusteranalyse (Entdeckung gemeinsam auftretender Konzepte) Konzeptextraktion (explorative Analyse häufiger Entitäten) Systemabsturz Fehlermeldung Performance Konnektivität Wartezeit Beschwerde Ergonomie Servicequalität Kategoriedefinition (Scoring der Dokumente)
  25. 25. Agenda © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 25 1 Einführung 2 Text Mining im Überblick 3 Anwendungspotenziale von Text Mining im Kontext des analytischen CRM 4 Methoden und Tools im Text Mining 5 MHP Angebot und Referenzen im Text Mining 6 Fazit
  26. 26. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 26 Mit Text Mining die „Voice of Customer“ verstehen und Potenziale erkennen 6 Fazit  Social Media und die zunehmende Digitalisierung erfordern neue Technologien für die Analyse unstrukturierter Daten  Kenntnisse über Unternehmensprozesse und Use Cases sind wichtig, um aus der Vielzahl der Text Mining Anbieter die geeignete Lösung herauszufinden  Durch die systematische Auswertung von Kundendaten und -reaktionen, sowohl auf Basis von strukturierten als auch unstrukturierten Daten, werden neue Betreuungsprozesse gestaltet und Bestehende kontinuierlich optimiert  Die automatisierte Auswertung von Beschwerdedaten ermöglicht rasches Handeln und sichert die Kundenloyalität  Ein automatisiertes Social Media Monitoring (Newsgroups, Emails, Foren etc.) bildet eine entscheidende Erfolgsvoraussetzung für die frühzeitige Erkennung von Interessen und Kundenwünschen sowie die Identifikation von Produktverbesserungen  Die Kombination aus Text und Data Mining ermöglicht detailliertere Kundenabwanderungsanalysen und eine verbesserte Abwanderungsprävention
  27. 27. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 27 Ihre Fragen 6 Fazit
  28. 28. 28© 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Ihre Ansprechpartner MHPBoxenstopp: Aus unstrukturierten Daten „Voice of Customer“ erschließen Dr. Elena Michel Senior Consultant SU CRM Mobil: +49 151 4066 7573  E-Mail: elena.michel@mhp.com
  29. 29. © 2015 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 29 MHPTimetable weitere Infos www.mhp.com/ events MHPBoxenstopp Predictive Analytics mit SAP PA und R 13-14 Uhr | 29.09.15 MHPBoxenstopp Instandhaltung mit HANA 11-12 Uhr | 29.09.15 Mit nur einem “Klick” zur MHPBoxenstopp Anmeldung MHPBoxenstopp Ganzheitliche Modellierung 11-12 Uhr | 13.10.15 Haben Sie einen MHPBoxenstopp verpasst? Kein Problem - in unserem MHP YouTube-Channel und auf unserem SlideShare Profil finden Sie alle vergangenen Websessions: Mitschnitte und Videos im Channel: Präsentationsunterlagen: http://www.youtube.com/MHPProzesslieferant http://de.slideshare.net/MHPInsights MHPBoxenstopp BIG DATA heute und morgen 13-14 Uhr | 06.10.15 carIT-Kongress 2015 09:00 Uhr | 23.09.15

×