BIG DATA & PREDICTIVE ANALYTICS
Einführung für Verlage
Prof. Tim Bruysten
richtwert GmbH | Mediadesign Hochschule
Foto:Ach...
Das ist alles erst der Anfang*
* do not play dominated strategies
Vorgeschichte
1 2
Szenarien
3
Praxis
Begriff Big Data
Die Analyse und Interpretation von Daten, die

a) in sehr großer Menge vorliegen

b) sehr heterogen (in St...
Begriff Predictive Analytics
Interpretation von Daten zum Zweck der Vorhersage

a) von Ereignissen

b) von Übereinstimmunge...
Big Data & Predictive Analytics
Quelle: BITKOM; Leitfaden BigData, 2012
Vorgeschichte
1
„640kb should
be enough for
anybody…“
„640kb should
be enough for
anybody…“
Bill Gates, 1981
Über 50%: im Bett Über 40%: im Bad Über 30%: beim Essen
Und manche
im Regen…
Foto: Mario Sixtus
Exabyte
1018 Byte

1 Trillion Byte

555.555.555.555.556 Normseiten

ca. 1.388.888.888.889 gedruckte Bücher

Deren Stapel w...
Quelle: BITKOM; Leitfaden BigData, 2012 / Experton Group 2012
Quelle: BITKOM; Leitfaden BigData, 2012
Big Data
Von 2000 bis 2002 sind mehr Daten generiert
worden, als in den 40.000 Jahren davor.

!
Von 2003 bis 2005 hat sich...
Merke 1:
Mehr Daten führen nicht zwangsläufig zu einer höheren
Aussagekraft einer Statistik.
Loading Digitalization…
1% Finished
Szenarien für Sensoren & Devices
2
http://vimeo.com/23164779
https://www.youtube.com/watch?v=4yT2zrIUDjM
http://vimeo.com/64389936
Trend of Convenience
Smart TV Smart WatchesTablets
Szenario:
All Situations Digital
There’s an App for that
Jedes „Ding“ wird zu einem „Device“. Inkl. App-Store.
Context Awa...
https://www.youtube.com/watch?v=aBCVlIGQ0B4
https://www.youtube.com/watch?v=sUIqfjpInxY
https://www.youtube.com/watch?v=RhIa4KtrqqU
http://www.cs.rochester.edu/hci/pubs/pdfs/FoodMood.pdf
Augmented Reality Augmented Environments Augmented Platforms
Trend of Augmentation
Augmented Bodies
Szenario:
The World is not enough
Neue Kooperationen
Games + Recht & Risk + AppDev (Beispiel: EU-Projekt)
Neue Spieler und...
https://www.youtube.com/watch?v=4FunXnJQxYU
https://www.facebook.com/f8
http://vimeo.com/87522764
Trend of Platformication
Wallet Garden Platforms Open Web Platforms Everything as a Platform
Szenario:
Finite and Infinite Games
Plattform War
Wer wird die (neuen) Standards setzen?
- für Informationsaustausch
- für ...
http://www.dailykos.com/story/2013/05/15/1209284/-Tesla-at-war-with-sleazy-auto-dealershttps://www.youtube.com/watch?v=Qwe...
https://www.youtube.com/watch?v=6ZdSMAG90Rs
Connecting Retail & Consumer Connecting Factory & Consumer
Trend of Proximity
Connecting Everything
Szenario:
Reinvention of Infrastructure
Immer weniger Filialgeschäft
Öffnungszeiten-Alarm
Neue Nutzungssituationen
Was mac...
https://www.youtube.com/watch?v=76lIQtE8oDY
https://www.youtube.com/watch?v=rNRDc714W5I
http://www-05.ibm.com/de/pov/watson/index.html http://www.youtube.com/watch?v=Qv5JVRfYGnU
Brain Reading
Trend of Singularity
Brain Writing Artificial Intelligence
Szenario:
Ästhetische Welt
Das Gehirn als Passwort
Computer to Brain Interfaces
Artificial Enterprises
Software as an Enter...
Merke 2:
Gegen Komplexität kann man nicht protestieren.

(Niklas Luhmann)
Praxis
3
Einführung
zwei Herausforderungen
Zwei Herausforderungen
Woher weiß ein Unternehmen, was es für
Daten besitzt?

!
Wie können diese Daten am besten
genutzt w...
Am Anfang…
Datenquellen
- finden

- bewerten

- vernetzen

- visualisieren

- integrieren
Daten finden
Mitarbeiter fragen

Kunden fragen

Dienstleister fragen

Experten fragen
Daten bewerten
Mitarbeiter fragen

Kunden fragen

Dienstleister fragen

Experten fragen
Daten vernetzen
Wer braucht welche Daten:

- an welchem Ort

- zu welcher Zeit

- für welchen Zweck

- in welchem Kontext
...
Daten visualisieren
Visualisierung…

- des Datensatzes selbst

- der Netzwerke um einen Datensatzes

- der Verwendung/Hist...
Daten integrieren
Integration in…

- die Prozesse der Nutzer

- die tech. Umgebung der Nutzer

- die soziale Umgebung der
...
Einführung
Informationsarchitektur
„Taxonomie (v. griech. táxis „Ordnung“, -nómos „Gesetz“) ist primär die
sprachwissenschaftliche Klassifikation aller Gegens...
Monodimensionale Taxonomie
Ist ein guter Ausgangspunkt, führt aber oft zu Problemen bei der
Einordnung, da es oft keine wi...
Monodimensionale Taxonomie
Beispiel: Napoleon
!
Ist er ein Imperator? Ein Feldherr? Ein General? Ein
Staatsmann? Ein Kaise...
Monodimensionale Taxonomie
Beispiel: Napoleon
!
Ist er ein Imperator? Ein Feldherr? Ein General? Ein
Staatsmann? Ein Kaise...
Polydimensionale Taxonomie
c
f
d
a
b
e
Pragmatische Erweiterung der
monodimensionalen Taxonomie.
Polydimensionale Taxonomie
Beispiel: Napoleon
Napoleon
Imperatoren
Alexander 

der Große
Berühmt
Coco Chanel
Frankreich
Polydimensionale Taxonomie
Beispiel: Napoleon
Es gibt verschiedene Typen von Knoten
Person:
Napoleon
Beruf:
Imperator
Pers...
Graph
Beispiel: Napoleon
Es gibt Informationen zu den Kanten
Person:
Napoleon
Person:
Coco Chanel
Ort:
Frankreich
beherrsc...
Graph
Beispiel: Napoleon
Kanten können Richtungen haben
Person:
Napoleon
Person:
Coco Chanel
Ort:
Frankreich
beherrschtgeb...
Graph
Beispiel: Napoleon
Kantismus
Person:
Albert
Einstein
Photo-
elektrischer
Effekt
schreibt über
Entdecker
Vertiefung
Pipeline
Begriff Sensor
Im Folgenden sehr allgemein verwendet.

!
Ein Sensor generiert Daten, zum Beispiel:

a) Physik/Umwelt: Tempe...
Begriff Speicher
Sollte differenziert betrachtet werden:

!
a) Physikalischer Speicher: HDD / SSD

b) Anbindung: z.B.: NAS /...
Begriff Interpreter
Sollte sehr differenziert betrachtet werden:

!
a) Lineare Datenfeeds

b) Komplexe Datenintepretation

c...
Pipeline
Sensor Speicher Interpreter Ereignis Zweck
Big Data
Pipeline
Sensor Speicher Interpreter Ereignis Zweck
Big Data
Input Output
Pipeline
Sensor Speicher Interpreter Ereignis Zweck
Big Data
Predictive Analytics
Pipeline
Sensor Speicher Interpreter Ereignis Zweck
Big Data
Predictive AnalyticsInduktion Deduktion
Workshop
Digital Pipeline
Pipeline (Verlage)
Sensor Speicher Interpreter Ereignis Zweck
Innen!
• Redaktions
• CRM
• Newsletter
• Website
!
Außen!
• ...
Use Case
Marketing
Person 1 Person 2
männlich männlich
Engländer Engländer
geboren 1948 geboren 1948
zum 2. Mal verheiratet zum 2. Mal verhei...
ATTENTION INTEREST DESIRE ACTION
?Kritik: Das Leben ist keine reibungslose Sammlung von Erfolgen
Customer Journey
Customer JourneyAIDA
1. Akt 2. Akt 3. Akt
Mentor
Schwellenhüter
Verbündete
Feinde
Elixier
Rückkehr
Neue W...
Workshop
Digital Customer Journey & User Taxonomy
Use Case
Mobile
Begriffe
!
Push Notifications
Kontext-Abhängigkeit
Lesemodi
Situationsbezogen
Begriffe: Push Notifications
!
Gibt es wichtige News…
…direkt an den User senden.
Begriffe: Kontext Abhängigkeit
!
Was ist in der Umgebung?
Welcher Termin ist als nächstes im Kalender?
Begriffe: Lesemodi
!
Tag / Nacht
Leise / Laut
Privat / Öffentlicht
…
Begriffe: Situationsbezogen (1)
!
Länge
Pendeln in der Bahn - 2 - 10 Minuten
Warten am Flughafen: 5 - 15 Minuten
In Flight/...
Begriffe: Situationsbezogen (2)
!
Format
Boardmeeting: Powerpoint / Keynote
Messe: Video / PDF
Meeting beim Lunch: iPad / Q...
Neue, digitale Produkte
!
• Claiming des POS/POI auch in digitalen Netzwerken (Foursquare/Swarm, Google Maps)
• Nutzung de...
Workshop
Digital Product Design
Nutzer-Klassifizierung
Klassifizierung der Beziehung eines Nutzers zu einem Netzwerk.
!
Merke: Ein Nutzer kann in verschiede...
Dialog-Klassifizierung
Commonalities Complements Discurses Conflicts
destruktive Destruction Cell Conflict War
coordinative P...
Herausforderungen / Risiken
IT nicht skalierbar genug / IT-Investitionszyklen zu groß

Herkömmliche Datenspeicher (SQL-bas...
Das ist alles erst der Anfang*
* do not play dominated strategies
Prof. Tim Bruysten
bruysten@richtwert.eu
!
www.bruysten.com
xing.com/profile/Tim_Bruysten
facebook.com/bruysten
de.linkedin...
Big Data & Predictive Analytics – Eine Einführung für Verlage
Big Data & Predictive Analytics – Eine Einführung für Verlage
Big Data & Predictive Analytics – Eine Einführung für Verlage
Big Data & Predictive Analytics – Eine Einführung für Verlage
Big Data & Predictive Analytics – Eine Einführung für Verlage
Nächste SlideShare
Wird geladen in …5
×

Big Data & Predictive Analytics – Eine Einführung für Verlage

424 Aufrufe

Veröffentlicht am

Die begleitenden Folien zu meinem Einführungs-Workshop bei der Akademie des dt. Buchhandels in München am 15.07.2014.

Zielgruppe: Verlage / Medienhäuser.

Veröffentlicht in: Daten & Analysen
0 Kommentare
2 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
424
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
35
Aktionen
Geteilt
0
Downloads
37
Kommentare
0
Gefällt mir
2
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Big Data & Predictive Analytics – Eine Einführung für Verlage

  1. 1. BIG DATA & PREDICTIVE ANALYTICS Einführung für Verlage Prof. Tim Bruysten richtwert GmbH | Mediadesign Hochschule Foto:Achim Lammerts
  2. 2. Das ist alles erst der Anfang* * do not play dominated strategies
  3. 3. Vorgeschichte 1 2 Szenarien 3 Praxis
  4. 4. Begriff Big Data Die Analyse und Interpretation von Daten, die a) in sehr großer Menge vorliegen b) sehr heterogen (in Struktur und Qualität) sein können c) aus verschiedenen Quellen stammen können Big Data bezeichnet die Analyse großer Datenmengen aus vielfältigen Quellen in hoher Geschwindigkeit mit dem Ziel, wirtschaftlichen Nutzen zu erzeugen. Bitkom, 2012
  5. 5. Begriff Predictive Analytics Interpretation von Daten zum Zweck der Vorhersage a) von Ereignissen b) von Übereinstimmungen (z.B.: Produkt <=> Kunde) c) von Risiken
  6. 6. Big Data & Predictive Analytics Quelle: BITKOM; Leitfaden BigData, 2012
  7. 7. Vorgeschichte 1
  8. 8. „640kb should be enough for anybody…“
  9. 9. „640kb should be enough for anybody…“ Bill Gates, 1981
  10. 10. Über 50%: im Bett Über 40%: im Bad Über 30%: beim Essen
  11. 11. Und manche im Regen… Foto: Mario Sixtus
  12. 12. Exabyte 1018 Byte 1 Trillion Byte 555.555.555.555.556 Normseiten ca. 1.388.888.888.889 gedruckte Bücher Deren Stapel würde 185x zum Mond reichen ! Die Gesamtheit aller gedruckten Werke wird auf 0,2 EB geschätzt* *Quelle: Wikipedia
  13. 13. Quelle: BITKOM; Leitfaden BigData, 2012 / Experton Group 2012
  14. 14. Quelle: BITKOM; Leitfaden BigData, 2012
  15. 15. Big Data Von 2000 bis 2002 sind mehr Daten generiert worden, als in den 40.000 Jahren davor. ! Von 2003 bis 2005 hat sich diese Datenmenge wiederum vervierfacht. Quelle: BITKOM; Leitfaden BigData, 2012
  16. 16. Merke 1: Mehr Daten führen nicht zwangsläufig zu einer höheren Aussagekraft einer Statistik.
  17. 17. Loading Digitalization… 1% Finished
  18. 18. Szenarien für Sensoren & Devices 2
  19. 19. http://vimeo.com/23164779
  20. 20. https://www.youtube.com/watch?v=4yT2zrIUDjM
  21. 21. http://vimeo.com/64389936
  22. 22. Trend of Convenience Smart TV Smart WatchesTablets
  23. 23. Szenario: All Situations Digital There’s an App for that Jedes „Ding“ wird zu einem „Device“. Inkl. App-Store. Context Awareness Jede Situation wird erkannt und antizipiert Öffentlichkeit & Privatsphäre Verändern sich dramatisch
  24. 24. https://www.youtube.com/watch?v=aBCVlIGQ0B4
  25. 25. https://www.youtube.com/watch?v=sUIqfjpInxY
  26. 26. https://www.youtube.com/watch?v=RhIa4KtrqqU
  27. 27. http://www.cs.rochester.edu/hci/pubs/pdfs/FoodMood.pdf
  28. 28. Augmented Reality Augmented Environments Augmented Platforms Trend of Augmentation Augmented Bodies
  29. 29. Szenario: The World is not enough Neue Kooperationen Games + Recht & Risk + AppDev (Beispiel: EU-Projekt) Neue Spieler und neue Spielfelder z.B. im Geldmarkt Bezahlen an der Tankstelle mit iTunes? Silent Information Wearables geben unsichtbares Feedback… … machen die Datenwelt körperlich spürbar
  30. 30. https://www.youtube.com/watch?v=4FunXnJQxYU
  31. 31. https://www.facebook.com/f8
  32. 32. http://vimeo.com/87522764
  33. 33. Trend of Platformication Wallet Garden Platforms Open Web Platforms Everything as a Platform
  34. 34. Szenario: Finite and Infinite Games Plattform War Wer wird die (neuen) Standards setzen? - für Informationsaustausch - für Geld-Austausch - für Lernen und Lehren Blue Ocean! Keine Idee ist zu abwegig…
  35. 35. http://www.dailykos.com/story/2013/05/15/1209284/-Tesla-at-war-with-sleazy-auto-dealershttps://www.youtube.com/watch?v=QweNsLesMrM
  36. 36. https://www.youtube.com/watch?v=6ZdSMAG90Rs
  37. 37. Connecting Retail & Consumer Connecting Factory & Consumer Trend of Proximity Connecting Everything
  38. 38. Szenario: Reinvention of Infrastructure Immer weniger Filialgeschäft Öffnungszeiten-Alarm Neue Nutzungssituationen Was macht man in selbstfahrenden Autos?
  39. 39. https://www.youtube.com/watch?v=76lIQtE8oDY
  40. 40. https://www.youtube.com/watch?v=rNRDc714W5I
  41. 41. http://www-05.ibm.com/de/pov/watson/index.html http://www.youtube.com/watch?v=Qv5JVRfYGnU
  42. 42. Brain Reading Trend of Singularity Brain Writing Artificial Intelligence
  43. 43. Szenario: Ästhetische Welt Das Gehirn als Passwort Computer to Brain Interfaces Artificial Enterprises Software as an Enterprise
  44. 44. Merke 2: Gegen Komplexität kann man nicht protestieren. (Niklas Luhmann)
  45. 45. Praxis 3
  46. 46. Einführung zwei Herausforderungen
  47. 47. Zwei Herausforderungen Woher weiß ein Unternehmen, was es für Daten besitzt? ! Wie können diese Daten am besten genutzt werden?
  48. 48. Am Anfang… Datenquellen - finden - bewerten - vernetzen - visualisieren - integrieren
  49. 49. Daten finden Mitarbeiter fragen Kunden fragen Dienstleister fragen Experten fragen
  50. 50. Daten bewerten Mitarbeiter fragen Kunden fragen Dienstleister fragen Experten fragen
  51. 51. Daten vernetzen Wer braucht welche Daten: - an welchem Ort - zu welcher Zeit - für welchen Zweck - in welchem Kontext - in welchem Format
  52. 52. Daten visualisieren Visualisierung… - des Datensatzes selbst - der Netzwerke um einen Datensatzes - der Verwendung/Historie eines Datensatzes
  53. 53. Daten integrieren Integration in… - die Prozesse der Nutzer - die tech. Umgebung der Nutzer - die soziale Umgebung der Nutzungssituation
  54. 54. Einführung Informationsarchitektur
  55. 55. „Taxonomie (v. griech. táxis „Ordnung“, -nómos „Gesetz“) ist primär die sprachwissenschaftliche Klassifikation aller Gegenstände (Entitäten) und Ereignisse in begriffliche Taxa (Sing.: Taxon) (Gruppen) bzw. in Kategorien. Anthropologische Untersuchungen zeigen, dass Taxonomien in örtliche, kulturelle und soziale Systeme eingebettet sind und verschiedenen sozialen Zwecken dienen.“ http://de.wikipedia.org/wiki/Taxonomie Taxonomie
  56. 56. Monodimensionale Taxonomie Ist ein guter Ausgangspunkt, führt aber oft zu Problemen bei der Einordnung, da es oft keine wirklich präzise Einordnung gibt, oder aber mehrere gleichwertige Einordnungen möglich sind.
  57. 57. Monodimensionale Taxonomie Beispiel: Napoleon ! Ist er ein Imperator? Ein Feldherr? Ein General? Ein Staatsmann? Ein Kaiser? Ein Korse? Ein Franzose? Ein Mann? Ein Held? Ein Tyrann?
  58. 58. Monodimensionale Taxonomie Beispiel: Napoleon ! Ist er ein Imperator? Ein Feldherr? Ein General? Ein Staatsmann? Ein Kaiser? Ein Korse? Ein Franzose? Ein Mann? Ein Held? Ein Tyrann? ! Problem: Unsicherheiten bei der Eingabe führen zu Unwohlsein beim Benutzer: Man möchte nichts falsch machen, schon gar nicht, wenn es „alle“ online sehen können. ! Ergo: Das System wird oft gemieden.
  59. 59. Polydimensionale Taxonomie c f d a b e Pragmatische Erweiterung der monodimensionalen Taxonomie.
  60. 60. Polydimensionale Taxonomie Beispiel: Napoleon Napoleon Imperatoren Alexander 
 der Große Berühmt Coco Chanel Frankreich
  61. 61. Polydimensionale Taxonomie Beispiel: Napoleon Es gibt verschiedene Typen von Knoten Person: Napoleon Beruf: Imperator Person: Alexander 
 der Große Eigenschaft: Berühmt Person: Coco Chanel Ort: Frankreich
  62. 62. Graph Beispiel: Napoleon Es gibt Informationen zu den Kanten Person: Napoleon Person: Coco Chanel Ort: Frankreich beherrschtgeboren
  63. 63. Graph Beispiel: Napoleon Kanten können Richtungen haben Person: Napoleon Person: Coco Chanel Ort: Frankreich beherrschtgeboren
  64. 64. Graph Beispiel: Napoleon Kantismus Person: Albert Einstein Photo- elektrischer Effekt schreibt über Entdecker
  65. 65. Vertiefung Pipeline
  66. 66. Begriff Sensor Im Folgenden sehr allgemein verwendet. ! Ein Sensor generiert Daten, zum Beispiel: a) Physik/Umwelt: Temperatur, Beschleunigung, Lage, Kompass, … b) Bio/Health: Puls, Fingerabdruck, Gehirnströme, … c) Feeds/Algorithmen: Social Media Ereignisse, Alerts, …
  67. 67. Begriff Speicher Sollte differenziert betrachtet werden: ! a) Physikalischer Speicher: HDD / SSD b) Anbindung: z.B.: NAS / Cloud c) Logischer Speicher: Dateien, MySQL, No-SQL, …
  68. 68. Begriff Interpreter Sollte sehr differenziert betrachtet werden: ! a) Lineare Datenfeeds b) Komplexe Datenintepretation c) Künstliche Intelligenz d) Allgemeine künstliche Intelligenz
  69. 69. Pipeline Sensor Speicher Interpreter Ereignis Zweck Big Data
  70. 70. Pipeline Sensor Speicher Interpreter Ereignis Zweck Big Data Input Output
  71. 71. Pipeline Sensor Speicher Interpreter Ereignis Zweck Big Data Predictive Analytics
  72. 72. Pipeline Sensor Speicher Interpreter Ereignis Zweck Big Data Predictive AnalyticsInduktion Deduktion
  73. 73. Workshop Digital Pipeline
  74. 74. Pipeline (Verlage) Sensor Speicher Interpreter Ereignis Zweck Innen! • Redaktions • CRM • Newsletter • Website ! Außen! • Abo / Leser • POS / POI • News / Alerts • Social Media im Netzwerk • Wikipedia ! Überaußen! • Wetter • restl. SM • Konkurrenz Physisch! • local HDD / SSD • NAS • Cloud ! Organisatorisch! • Filesystem • Intranet • Wiki / Blog • Datawarehouse ! Logisch! • einzeln • relational • graph Linear! • nur strukturelle Interpretation • z.B.: Sammlung & Bereitstellung: RSS ! Semantisch! • inhaltliche Verknüpfung • z.B.: Tagging / erweiterte Tags / Taxonomien, Ontologien ! KI! • z.B.: IBM Watson ! Date, Time, Place! • Wann • Wo • Wo genau? ! Netzwerk! • Wer • Wer noch? ! Vektor! • Warum (motivational) • Thema Nutzenfunktion! • Wozu (intentional) • Wie • Format ! Marke! • Vertrauen • Loyalität • Verständnis • Kohärenz • Akzeptanz • Integration
  75. 75. Use Case Marketing
  76. 76. Person 1 Person 2 männlich männlich Engländer Engländer geboren 1948 geboren 1948 zum 2. Mal verheiratet zum 2. Mal verheiratet 2 Kinder 2 Kinder Wohlhabend Wohlhabend Im Winter oft in den Alpen Im Winter oft in den Alpen Mag Hunde Mag Hunde Prominent Prominent Klassische Marktforschung…
  77. 77. ATTENTION INTEREST DESIRE ACTION ?Kritik: Das Leben ist keine reibungslose Sammlung von Erfolgen
  78. 78. Customer Journey Customer JourneyAIDA 1. Akt 2. Akt 3. Akt Mentor Schwellenhüter Verbündete Feinde Elixier Rückkehr Neue WeltAlte Welt Prüfung Verführung Bestätigung & Support Befriedigung
  79. 79. Workshop Digital Customer Journey & User Taxonomy
  80. 80. Use Case Mobile
  81. 81. Begriffe ! Push Notifications Kontext-Abhängigkeit Lesemodi Situationsbezogen
  82. 82. Begriffe: Push Notifications ! Gibt es wichtige News… …direkt an den User senden.
  83. 83. Begriffe: Kontext Abhängigkeit ! Was ist in der Umgebung? Welcher Termin ist als nächstes im Kalender?
  84. 84. Begriffe: Lesemodi ! Tag / Nacht Leise / Laut Privat / Öffentlicht …
  85. 85. Begriffe: Situationsbezogen (1) ! Länge Pendeln in der Bahn - 2 - 10 Minuten Warten am Flughafen: 5 - 15 Minuten In Flight/Train: 30 Minuten bis 2 Stunden …
  86. 86. Begriffe: Situationsbezogen (2) ! Format Boardmeeting: Powerpoint / Keynote Messe: Video / PDF Meeting beim Lunch: iPad / QR-Code !
  87. 87. Neue, digitale Produkte ! • Claiming des POS/POI auch in digitalen Netzwerken (Foursquare/Swarm, Google Maps) • Nutzung der Netzwerke der Besucher eines Ortes (CRM Integration) • Monitoring der Nutzerreaktionen in diesen Netzwerken (CRM Integration) • Aktive Gestaltung und Angebot von Informationen (Text, Bild, Videos, Links, …) für (individuelle) Besucher eines Ortes “Location Based Services” (CP, Marketing, …) • In-Store Verhaltensanalyse (iBeacons, Internet of Things, …) • Definition von KPIs für Kommunikationen in diesen Netzwerken • Integration von Nutzern in Kreationsprozesse
 (Social Innovation)
  88. 88. Workshop Digital Product Design
  89. 89. Nutzer-Klassifizierung Klassifizierung der Beziehung eines Nutzers zu einem Netzwerk. ! Merke: Ein Nutzer kann in verschiedenen Netzwerken, verschiedene Rollen inne haben.
  90. 90. Dialog-Klassifizierung Commonalities Complements Discurses Conflicts destruktive Destruction Cell Conflict War coordinative Planning Dialog Argument Attack cooperative Prayer Conversation Debate Maneuver collaborative Project Product Change Process co-creativ Vision Procreation Society Discovery disruptive Utopy Creation Divorce Dystopy
  91. 91. Herausforderungen / Risiken IT nicht skalierbar genug / IT-Investitionszyklen zu groß Herkömmliche Datenspeicher (SQL-based) im Einsatz Management + Mitarbeiter nicht “digitalisiert” Wert von Daten wird falsch eingeschätzt Keine angemessenen Werkzeuge für Management + Mitarbeiter Juristische Fragen (Datenschutz usw.) nicht geklärt IT-Sicherheit nicht, oder nicht ausreichend
  92. 92. Das ist alles erst der Anfang* * do not play dominated strategies
  93. 93. Prof. Tim Bruysten bruysten@richtwert.eu ! www.bruysten.com xing.com/profile/Tim_Bruysten facebook.com/bruysten de.linkedin.com/in/bruysten twitter.com/timbruysten ! Danke! richtwert GmbH www.richtwert.eu ! Mediadesign Hochschule www.mediadesign.de

×