Vom datengetriebenen
Unternehmen zum Datentreiber

1996-2008
Berater, Buch- & Fachautor
sowie Softwareentwickler
Studium und Forschung der
Bioinformatik (Data Science)
2001-2008
Geschäftsführer & Gesellschafter
der SnipClip GmbH (Social Media
Marketing & Analytics)
2008-2013
Beirat bei SnipClip die digitale
Fabrik GmbH, nekst & TEAMing
ENGINEERS
2014-dato
Programmdirektor der
Predictive Analytics World
(Fachkonferenz)
2014-dato
Geschäftsführer & Gründer von
Datentreiber
2014-datoMartin Szugat

Don‘t believe the hype.

70s:
Artificial
Intelligence
80s:
Machine
Learning
90s:
Data
Mining
00s:
Predictive
Analytics
10s:
Big
Data
Don‘t believe the hype.

Erwartung

Anwendungen

Big Data ist nicht die Lösung.

Big Data ist das Problem.

Volume.

Velocity.

Variety.

Veracity.

Mehr Daten …

… weniger
Information?

Digitale Transformation ist …

Research Online Marketing Vertrieb Produktion Service
… der Wandel von Datensilos …

… über
Big Data …

… zum
Data-Driven
Business.

Was ist Data-
Driven?

Ziele &
Kennzahlen
definieren
Daten
erfassen &
Kennzahlen
messen
Daten &
Kennzahlen
analysieren
Hypothesen
& Modelle
bilden
Hypothesen
& Modelle
testen
Verbesser-
ungen
umsetzen
Eine Unter-
nehmenskultur.

Daten sind das neue Öl.

Ohne Daten sind Sie nur eine
weitere Person mit einer Meinung.
W. E. Deming (Management-Pionier)

Ohne Daten …

Daten sind der Treibstoff
des 21. Jahrhunderts.

Erschließen Verfeinern Verwerten
Daten Werte
 Mehr Umsatz
 Weniger Kosten
 Neue Produkte

Erschließen
Social DataEnterprise Data Open DataWeb Data Mobile Data

Verfeinern
Big
Data
Business
Intelligence
Data
Mining
Personalisierung
Analysen
Vorhersagen

Verwerten
Marketing
Vertrieb
Service
Innovation

Was haben Babies und
Bier gemeinsam?

Das Geheimnis
von Amazon.

Kunden
Kanäle
Produkte
Prozesse
Systeme
Daten treiben die
Digitalisierung.
Daten
Einzigartigkeit
Kopierbarkeit

Marketing Innovation
Data Aggregation
& Cleaning
Diagnostic
Analytics
Descriptive
Analytics
Prescriptive
Analytics
Predictive
Analytics
Was ist
passiert?
Warum ist
es passiert?
Was wird
passieren?
Was soll ich
machen?

Die Hälfte des Geldes, das ich für Werbung
ausgebe, ist verschwendet. Das Problem ist,
ich weiß nicht, welche Hälfte.
John Wanamaker (Marketing-Pionier)

Marketing Innovation
Marketing
Controlling
Marketing
IntelligencePersona-
lisierung Data
Warehouse

Was Ihre Lotion
über Sie verrät.

Marketing Innovation
Marketing
Controlling
Marketing
IntelligencePersona-
lisierung Data
Warehouse
Attribution

Customer
Journey
Attribution
Quelle: Dean Abbott, Predictive Analytics World Berlin 2014

Customer
Journey
Attribution
Quelle: Dean Abbott, Predictive Analytics World Berlin 2014

Marketing Innovation
Marketing
Controlling
Marketing
IntelligencePersona-
lisierung
Uplift
Modelling
Data
Warehouse
Attribution

Daten treiben das
Direktmarketing.
Quelle: Miles & More, Predictive Analytics World Berlin 2014

Daten treiben das
Direktmarketing.
Quelle: Miles & More, Predictive Analytics World Berlin 2014

Retail is detail.
Sam Walton
(Gründer von Wal-Mart)

Marketing Innovation
(Social)
CRM
Customer
Insights

Daten treiben
Social Media.
Um zu erfahren, ob die Facebook-Fans
auch Kunden sind, entwickelte
Lufthansa eine spielerische Kampagne,
bei der die Teilnehmer durch das
Einladen von Freunden Meilen für das
Bonusprogramm Miles & More
gewinnen konnten. Über den Abgleich
der Miles & More-Nummer mit den
Social Media-Daten gewann die
Lufthansa wertvolle Einsichten in ihre
Kunden und Facebook-Fans.

Marketing Innovation
(Social)
CRM
Sales
Analytics
Customer
Insights
Lead-
Scoring
Customer
Lifetime Value

Ad Analytics
 CpX
Web Analytics
 Traffic
Sales Analytics
 Umsatz
Marketing
Controlling
 CAC
Customer Insights
 ARPU
Impression | Prospective
Visitor | Lead
User | Qualified Lead
Customer
Loyal Customer
Brand
Ambassador
Online-Marketing Klassisches Marketing & Sales

Customer
Lifetime
Value

Quelle: Forbes.com

Marketing Innovation
(Social)
CRM
Sales
Analytics
Customer
Insights
Produkt-
empfehlungen
Lead-
Scoring
Customer
Lifetime Value

Daten treiben den
e-Commerce.
Durch personalisierte Produktempfehlungen steigerte
Globetrotter den e-Commerce-Umsatz um 8%. Ebenso stieg
der durchschnittliche Bestellwert um 42,34 Euro und die
Kunden kauften im Durchschnitt ein zusätzliches Produkt.

Wenn Du etwas nicht messen kannst,
dann kannst Du es nicht managen.
W. E. Deming (Management-Pionier)

Marketing Innovation
Text
Analytics
Monitor-
ing
Krisen-/Trend-
Erkennung
Absatz-
prognosen

Daten treiben
die Logistik.
Dank dem Einsatz von Predictive Analytics fand Wal-Mart heraus, dass
bei Hurrikan-Warnungen der Absatz von Strawberry Pop-Tarts sprunghaft
ansteigt. Dabei handelt es sich um Teigtaschen von Kellog‘s, die einzeln
verpackt sind und keine Kühlung erfordern. Wal-Mart nutzt diese
Erkenntnis, um bei entsprechenden Ereignissen rechtzeitig die Regale zu
füllen. So vermeidet Wal-Mart Absatzengpässe und damit Verluste.

Marketing Innovation
Text
Analytics
Monitor-
ing
Krisen-/Trend-
Erkennung
Auslastungs-
prognosen
Absatz-
prognosen

Marketing Innovation
Churn-
Prediction
Text
Analytics
Monitor-
ing
Krisen-/Trend-
Erkennung
Auslastungs-
prognosen
Absatz-
prognosen

Daten treiben die
Kundenbindung.
Die Raiffeisen Analytik entwickelte für die
österreichischen Raiffeisenbanken ein Kündiger-
frühwarnsystem. Dieses System nutzt statistisch-
analytische Modelle, um Kunden zu identifizieren,
die kündigen werden. Es informiert und versorgt
die Bankberater vor Ort mit automatisierten Text-
Informationen, so dass diese ein persönliches
Gespräch mit dem Kunden führen können. So
reduzierte sich die Kündigungsquote um 30%.

Marketing Innovation
Churn-
Prediction
Fraud-
Detection
Text
Analytics
Monitor-
ing
Krisen-/Trend-
Erkennung
Auslastungs-
prognosen
Absatz-
prognosen

Daten treiben die
Betrugserkennung.
Der Spielehersteller Activision entwickelte ein
hochskalierbares System zur Betrugserkenn-
ung in Computerspielen wie Call of Duty. Dafür
analysiert das Unternehmen mittels (mehr als
10 unterschiedlichen) statistischen Modellen
bis zu 100 Milliarden Transaktionen pro Tag
(pro Modell). Die Anzahl der erkannten
Betrugsfälle stieg um den Faktor 200, während
sich der personelle Aufwand um den Faktor 4
reduzierte.

Ein Risiko entsteht, wenn du
nicht weißt, was du tust.
Warren Buffet (US-Investor)

Marketing Innovation
Open
Data
Market
Research

Netflix, Marktführer für Video-on-
Demand, stand vor der Entscheidung, die
US-Serie House of Cards zu produzieren.
Andere Unternehmen lehnten ab. Doch
Netflix analysierte das bisherige
Konsumverhalten seiner Nutzer, um den
Erfolg vorherzusagen. Das Unternehmen
entschied sich für die Produktion. House
of Cards ist mittlerweile eine der
erfolgreichsten US-Serien und exklusiv
bei Netflix zu sehen.
Daten treiben
die Medien.

Marketing Innovation
Open
Data
Data-as-
a-Service
Market
Modelling
Market
Research

Daten treiben
Prognosen.
Auf Basis der Statistiken
von Wikipedia-Seiten und
Verfahren des maschi-
nellen Lernens lässt sich
das Umsatzpotential von
Kinofilmen sehr genau
prognostizieren.

Marketing Innovation
Open
Data
Data-as-
a-Service
Market
Modelling
Market
Research Predictive
Applications

Predictive Applications …

… sind ubiquitär.
Top 28 Apps
Predictive Non-Predictive

Wo bleibt die
Inspiration?

Die Zukunft: Predictive Marketing
Das Prinzip
Serendipität.

Martin Szugat
Geschäftsführer
Telefon 0176 1019 0176
Email martin.szugat@datentreiber.de
Web datentreiber.de
Spannende Fallstudien & hilfreiche Informationen
zu Data-Driven Business finden Sie unter:
Blog datentreiber.de/blog
Twitter twitter.com/datentreiber
LinkedIn linkedin.com/company/datentreiber
SlideShare slideshare.com/datentreiber
Facebook facebook.com/datentreiber
DATENTREIBERWir treiben Ihr Unternehmen voran.

• Folie 9: Oracle.com
• Folie 14 und 15: http://commons.wikimedia.org
• Folie 16: Data Unser, ISBN 978-3-86881-319-7
• Folie 17: https://twitter.com/ResearchMark
• Folie 33: http://romankmenta.com/
• Folie 44: http://de.slideshare.net/PAWDeutschland/paw-2014-der-
einsatzvonupliftmodellingambeispielderlufthansamilesmorecreditcard
• Folie 50: http://www.slideshare.net/padday/how-your-customers-social-circles-
influence-what-they-buy-what-they-do-and-where-they-go
• Folie 52: www.forbes.com
• Folie 67: http://dataconomy.com/using-wikipedia-activity-data-forecast-movie-
success/
• Folie 70: https://homescreen.is/
• Folie 71: http://insidesearch.blogspot.co.uk/
• Folie 72: https://www.addthis.com/blog/2013/08/28/personalization-
innovators-amazon-netflix-and-yahoo/#.VXcTzc_tmko
• Sonstige Bilder: http://www.shutterstock.de – Diverse
Fotografen: donvictorio, ArtmannWitte, bikeriderlondon, Sascha
Burkard, E.G.Pors, razlomov, xtock, Jirsak, Ollyy, Karramba Production, Simon
Bratt, Oleksiy,Mark, patpitchaya, underworld, hxdbzxy, Thaiview, Nightman1965
, terekhov igor, Olga Danylenko, bikeriderlondon, Pot of Grass
Productions, phipatbig, Oleksii Sagitov, maximmmmum, philia, Vinko93,Petr
Jilek, Alexander Tihonov, Kondor83, Darryl Sleath, Stokkete, dvoevnore, mina,
mharzl, ChrisVanLennepPhoto, Stock Creative, PhotonCatcher, Alexey Boldin,
Digital Storm, Refat, vinnstock, donatas1205, Syda Productions, Pressmaster,
Adriano Castelli, Banana Republic images, 24Novembers, tomertu, Grasko,
Hasloo Group Production Studio, momente, Kaspars Grinvalds, Tyler Olson,
bluecrayola, AlexKol Photography, Digital Storm, Peter Bernik, Lunov Mykola,
Ollyy. Eugene Partyzan, maxim ibragimov, Creativa Images, Liudmila P.
Sundikova, Anton Watman, Brian A Jackson, Galina Kovalenko, Ollyy, Deskoul,
JonesHon. Die Liste erhebt keinen Anspruch auf Vollständigkeit.
Quellenangaben für die
verwendeten Bilder und Grafiken