Ein Überblick-Workshop zu den Themen BigData und Predictive Analytics.

1. Prof. Tim Bruysten | richtwert GmbH | brand & sense GmbH | intelligence GmbH | Innovation & Excellence
Foto: DirkJan Ranzijn
BIG DATA
and
Predictive Analytics

2. 1 Engage

3. „640kb should be
enough for
anybody…“
Bill Gates, 1981

4. https://medium.com/backchannel/the-crazy-tiny-next-generation-of-computers-17e89e472839

8. Quelle: Wikipedia
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*
Exabyte-Spickzettel

9. 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
UNDERSTANDING
BIG DATA

10. Mit den Mitteln von 2006 kann man die Datenthemen 2016 nicht bewerten
– geschweige denn bewältigen
LEARNING
ONE

11. 2 Overview

12. BEGRIFFE
DIMENSIONEN DER DIGITALISIERUNG
Network Identity Experience Technology
Kunden-Netzwerk
Empfehlungs-Netzwerk
Verständnis
Marke & Services
Erleben
Gestalten
Devices
Prozesse & Tools

13. Klassische Definition
BigData beschreibt die Verwendung von
Daten, deren Menge in kurzer Zeit um mehrere
Größenordnungen gewachsen ist.
Quelle: BITKOM; Leitfaden BigData, 2012
BEGRIFFE
BIGDATA

14. Die Analyse und Interpretation von Daten, die
1) in sehr großer Menge vorliegen
2) sehr heterogen (in Struktur und Qualität) sein können
3) 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
BEGRIFFE
BIGDATA

15. Interpretation von Daten zum Zweck der Vorhersage
1) von Ereignissen
2) von Übereinstimmungen (z.B.: Produkt <=> Kunde)
3) von Risiken
Bruysten, 2014
BEGRIFFE
PREDICTIVE ANALYTICS

16. Die Industrie hat bereits 3 große
Umschwünge hinter sich und
steckt nun im vorerst größten:
Der Total-Vernetzung.
BEGRIFFE
INDUSTRIE 4.0

17. Industrie 4.0
“Die vierte Stufe der industriellen Revolution kann als eine
Weiterführung oder als konsequente Umsetzung der Ideen und
Technologien aus der dritten Industrierevolution verstanden werden.
Sie wird neben einem fundamentalen Umdenken in der
Funktionsweise von Produktionsanlagen auch zu Umbrüchen in der
Arbeitswelt führen.”
Definition CPS
CPS – Cyber-Physical Systems – bezeichnet die Verschmelzung der
physikalischen mit der virtuellen Welt. Das heißt es entsteht eine
Vernetzung zwischen Mensch, Maschine, Produkt, Objekt und IKT-
System. Als Objekt werden Werkzeuge, Behälter und andere
Hilfsmittel bezeichnet, die über Barcodes, Sensoren und Aktoren von
passiven zu aktiven Einsatzmitteln in der Produktion mutieren.
Maschinen können neben dem Bediener (= Mensch) und anderen
Maschinen auch mit den Objekten und Produkten kommunizieren, so
dass permanent Informationsströme, beispielsweise über
Auftragsstand, Materialoder Wartungsbedarf, vorhanden sind.
Quelle: IAB-Forschungsbericht 8/2015
BEGRIFFE
INDUSTRIE 4.0

18. Das Internet der Dinge betrifft den gesamten Produktlebenszyklus
und kann während der gesamten Phase den Kontakt zwischen
Kunde und Anbieter fördern
h"ps://www.flickr.com/photos/ciscoibsg/59351695189
BEGRIFFE
DAS INTERNET DER DINGE

19. Die Übersicht von IBM zeigt technische
Spielfelder des IoT.
BEGRIFFE
DAS INTERNET
DER DINGE

20. Das Internet der Dinge erlaubt flexibelste
Lösungen um Menschen mit Marken, Objekte
mit Objekten, Orte mit Ereignissen,
Kunden mit Themen (…) zu vernetzen.
BEGRIFFE
DAS INTERNET
DER DINGE

21. “Datenqualität” ist die Basis für Unternehmensentwicklung, Produktdesign
und Kundenzufriedenheit. Dabei muss der Begriff Qualität systematisch
definiert sein.
Hintergrund
BigData-, Maschine- und Deeplearning können mit unstrukturierten Daten
in heterogenen Formaten umgehen. Somit sind die Datenqualitätsdimensionen
nicht zwangsläufig die Homogenität und Normalisierung der Daten, sondern
zum Beispiel auch die Vielfalt der verfügbaren Metadaten, sowie die pure
Menge der Datensätze.
exemplarische Big-Data-Datenqualitäten
• Menge der Datensätze
• Vielfalt der Datenquellen
• Häufigkeit von Feedback-Zyklen
• Heterogenität der Feedback-Arten
• Verfügbarkeit von Metadaten
• Geschwindigkeit des Zugriffs
• Modellfreie Analyse
Data Quality
BigData Treemap
BEGRIFFE
DATA QUALITY

22. Im Folgenden sehr allgemein verwendet.
Ein Sensor generiert Daten, zum Beispiel:
1) Physik/Umwelt: Temperatur, Beschleunigung, Lage, Kompass, …
2) Bio/Health: Puls, Fingerabdruck, Gehirnströme, …
3) Feeds/Algorithmen: Social Media Ereignisse, Alerts, …
BEGRIFFE
SENSOR

23. Differenziert zu betrachten:
Physikalischer Speicher: HDD / SSD
Anbindung: z.B.: NAS / Cloud
Logischer Speicher: Dateien, MySQL, No-SQL, …
BEGRIFFE
SPEICHER

24. Mega Trends
Trend bis 2020
Digital World > 4 MRD Menschen haben bis 2020 einen Internet Zugang
Internet der Dinge > 50 MRD Systeme werden 2020 am Netz hängen
Sensormania Es wird billiger sein, ein Gerät mit Sensoren zu bauen als ohne
Datarama BigData & Predictive Analytics werden den Alltag bestimmen
Industrie 4.0 Interaktionen zwischen Unternehmen werden automatisiert stattfinden
Plattformication Integrierte Prozesse und APIs bilden Plattformen und Marktplätze
Integration Produkte müssen in Wallet-Garden Plattformen positioniert werden
Wearables Wearables werden Logistik und Service erobern
Convenience „Smart“ wird aktiv und selbstständig Menschen unterstützen

25. Big Data ist eingebettet in zahlreiche Themen, Methoden und Technologien
LEARNING
TWO

26. A Exkursion A
Informationsarchitektur

27. „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
BEGRIFFE
TAXONOMIE

28. 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.
BEGRIFFE
MONODIMENSIONALE TAXONOMIE

29. Beispiel: Napoleon
Ist er ein Imperator? Ein Feldherr? Ein General?
Ein Staatsmann? Ein Kaiser? Ein Korse? Ein
Franzose? Ein Mann? Ein Held? Ein Tyrann?
BEGRIFFE
MONODIMENSIONALE TAXONOMIE

30. c
f
d
a
b
e
Mehrdimensionale Erweiterung der monodimensionalen Taxonomie
BEGRIFFE
POLYDIMENSIONALE TAXONOMIE

31. Napoleon
Imperatoren
Alexander
der Große
Berühmt
Coco Chanel
Frankreich
Beispiel: Napoleon
BEGRIFFE
POLYDIMENSIONALE TAXONOMIE

32. Person:
Napoleon
Beruf:
Imperator
Person:
Alexander
der Große
Eigenschaft:
Berühmt
Person:
Coco Chanel
Ort:
Frankreich
Verschiedene Knotentypen
BEGRIFFE
POLYDIMENSIONALE TAXONOMIE

33. Person:
Napoleon
Person:
Coco Chanel
Ort:
Frankreich
beherrschtgeboren
BEGRIFFE
GRAPH
Klassifizierung der Kanten

34. Person:
Napoleon
Person:
Coco Chanel
Ort:
Frankreich
beherrschtgeboren
BEGRIFFE
GRAPH
Gerichtetheit der Kanten

35. Person:
Albert
Einstein
Photo-
elektrischer
Effekt
schreibt über
Entdecker
BEGRIFFE
GRAPH
Gerichtetheit der Kanten

37. 3 Pipeline

38. BIGDATA
PIPELINE
Sensor Speicher Interpreter Ereignis Zweck

39. BIGDATA
PIPELINE
Sensor Speicher Interpreter Ereignis Zweck
Big Data

40. BIGDATA
PIPELINE
Sensor Speicher Interpreter Ereignis Zweck
Big Data
Predictive Analytics

41. Otto Group: Bestellaufkleber
Der Otto-Versand will ähnlich wie
Amazon mit den Kunden über seine
Produkte in Kontakt bleiben. Bei
Amazon gibt es den Dash-Button mit
WLAN zum Nachbestellen von
Verbrauchsmaterialien, bei Otto jetzt
einen NFC-Aufkleber namens Otto-
Produktassistent.
http://www.golem.de/news/otto-
produktassistent-otto-verteilt-
bestellaufleber-fuer-seine-
produkte-1511-117398.html
BEISPIEL
SMART MACHINE

42. BEISPIEL
SMART CONTACTS

43. Smart-Home
Leuchtmittel, Leuchtsprecher,
Lauschmittel
Beispiele für Smart-Home-
Applikationen bietet der chinesische
Hersteller Sengled. Eine LED wird mit
Mikrophone und Lautsprechern
ausgestattet zum Ambient-Assistant
und kann sich in B2B, wie B2C in
zahlreiche Umgebung ohne großen
Aufwand integrieren.
Integrationen mit IBM-Watson,
Amazon Alexa oder Microsoft Cortana
sind denkbar.
siehe auch:
- CNET
- heise.de
BEISPIEL
SMART HOME

44. Technik Beispiel
NFC-Tag als Aufkleber
Lesegeräth"ps://www.flickr.com/photos/37996583811@N01/12204406165
BEISPIEL
SMART TAG

45. Use-Case: mcs Label-Standard
Der mcs Indent-Aufkleber enthält einen QR-Code, einen Webcode und ist
mit NFC oder RFID erweiterbar. Der Aufkleber verweist zunächst auf den
mcs-Ident-Server und kann über diesen verschiedene Inhalte zurückgeben.
BEISPIEL
SMART TAG
Diese Inhalte können für verschiedene Nutzergruppen variieren. mcs-
Mitarbeiter sehen das Produktdatenblatt und ihre Aufgaben mit diese
Produkt, ein Endkunde bekommt ein Video – und wenn er auf einer Messe
ist, zusätzlich eine Kaffee-Einladung auf dem Stand des mcs-Kunden.

46. TOOLS
THE BIG DATA TECHNOLOGY STACK

47. Data Science Studio
Dataiku DSS is the collaborative data science software
platform that enables teams to explore, prototype,
build, and deliver their own data products more
efficiently
Wizard Pro
Wizard is a new way to analyze data on your Mac.
No programming, no typing. Just click and explore.
• Elegant graphical results
• Instantaneous statistical tests
• Advanced multivariate modeling
• Interpret models with ease
• Flexible import and export
TOOLS
PERSONAL TOOLS

48. Elastic Search
Elasticsearch is a distributed, open source search and
analytics engine, designed for horizontal scalability,
reliability, and easy management. It combines the
speed of search with the power of analytics via a
sophisticated, developer-friendly query language
covering structured, unstructured, and time-series data
Kibana
Kibana is an open source data visualization platform
that allows you to interact with your data through
stunning, powerful graphics. From histograms to
geomaps, Kibana brings your data to life with visuals
that can be combined into custom dashboards that
help you share insights from your data far and wide.
TOOLS
ELASTIC STACK

49. IBM SPSS Modeler
IBM SPSS Modeler gives you the ability to
understand people in more subtle and useful
ways and predict their behavior more accurately
than you can with any other method.
• Customer intimacy /
customer experience management
• Fraud and risk mitigation
• Human capital management/resource planning
• Inventory management
• Marketing effectiveness
• Operational excellence
TOOLS
IBM

50. B Exkursion B
Netzwerktheorie

51. Nähe Closeness
Die Entfernung eines Knoten, zu allen anderen.
Degree Connectedness
Anzahl der Kanten.
Vermittlungsleistung Betweenness
Die Entfernung eines Knoten, zu allen anderen
Vermittlungsleistung.
BEGRIFFE
NETZWERKE

52. In social networks, group boundaries promote the spread of ideas
http://phys.org/news/2015-06-social-networks-group-boundaries-ideas.html
EXKURS
NETZWERKTHEORIE

53. David Ronfeldt, http://www.rand.org/pubs/working_papers/WR433.html
EXKURS
NETZWERKTHEORIE

54. "Structural Holes Versus Network
Closure as Social Capital," Ronald S.
Burt, in N. Lin, K. Cook and R. S. Burt:
Social Capital: Theory and Research.
Sociology and Economics: Controversy
and Integration series. New York: Aldine
de Gruyter, 2001, pp. 31-56
EXKURS
NETZWERKTHEORIE

55. Roles in Networks
EXKURS
PEOPLE IN NETWORKS

56. EXKURS
NETWORK TYPES

57. 80% der Menschen vertrauen Empfehlungen von Freunden*
(nur 14% vertrauen der Werbung)
*Quelle: PwC

58. Boris Holzer
Netzwerke
ISBN-13: 978-3899423655
NETZWERKE
LESEEMPFEHLUNG

59. 4 Business out of Data

60. Dark Data
Herausforderung
Die Menge der ungenutzten, vergessenen oder nicht für weitere Zwecke
als nutzbar identifizierten Daten nimmt stetig zu.
Beispiele
Spreadsheets
PowerPoints
Mehrfache alte Dokumentversionen
E-Mail-Attachments
Vergessene ZIP-Files
Inaktive Datenbanken
Backups
Daten von ehemaligen Mitarbeitern
Logfiles
Transaktions-Historien
Reports, Recherchen, Analysen
Lösung
Systematische, historische und organisatorische Datenfluss-Analyse
BUSINESS OUT OF DATA
DATENSCHÄTZE HEBEN

61. Data Potential Analysis
Identifikation
Datenquellen systematisch identifizieren
Informations- & Datenflussanalyse
Qualifikation
Datenquellen qualitativ bewerten
Bewertung der Datenquellen & der Interoperabilität
Model-Free oder Model-Based
Modifikation
Verbesserung der Datenbasis
Verbesserung des Datafunnels
Selektion
Detailentscheidungen der BigData-Strategie
Ergebnis
Klarheit über Datenpotentiale
Beschreibung der gegebenen technischen
Handlungsspielräume
Empfehlungen für Verbesserungen zur
Maximierung der Optionen
Data-Business-Modell
BUSINESS OUT OF DATA
DATENSCHÄTZE HEBEN

62. Data Potential Analysis
Vorgehensweise
Systematische Stakeholder-Interviews
Informations- & Datenflussanalyse
Bewertung der Datenquellen & der Interoperabilität
Analyse von Qualitäten & Quantitäten
Ergebnis
Klarheit über Datenpotentiale
Beschreibung der gegebenen technischen Handlungsspielräume
Empfehlungen für Verbesserungen zur Maximierung der Optionen
Mögliche Ergebnisse der Identifikation:
Kundenspezifische Produktempfehlungen
Ergebnis
Handlungsempfehlungen für BigData - Projekte mit Einschätzung der
Werthaltigkeit und Potentiale für PioneerInvestments.
BUSINESS OUT OF DATA
DATENSCHÄTZE HEBEN

63. BUSINESS OUT OF DATA
DATENSCHÄTZE HEBEN
Machine-Learning kann eingesetzt werden, um Unregelmäßigkeiten
in beliebigen größeren Datenmengen zu finden.
Anwendungsmöglichkeiten
Diese Technologie kann zur Erkennung von Betrugsversuchen oder
-fällen in Datenströmen mit wertschöpfenden Transaktionen eingesetzt werden.
Dies kann zum Beispiel sein:
• Gewinnspiele, Quizze usw.
• Bestellungen & Abrechnungen in Shops
• Login-Versuche
• Service- & Versicherungsfälle
• Kommentar-Spam
• Bewertungs-Betrug
• usw. usf.
UseCase: Fraud Detection, Spam-Recognition

64. BEISPIEL
PRODUKT AKZEPTANZANALYSE

81. Psychosoziale Motivation
Clustering
Dimensionen der Personalisierung
Kunden bei Ihren Wünschen, Bedürfnissen und Vorlieben abholen
Um von einem Produkt überzeugt zu werden, haben unterschiedliche
Kunden, unterschiedliche Bedürfnisse.
Motivations- und
Intentionsmodell
Produktmodell
Stimmungsmodell
Modenmodell Netzwerkmodell
Angela möchte eher Zahlen, Datenblätter und
Statistiken sehen. Sie braucht das Gefühl von
Sicherheit und Stabilität, eine formale Sprache
und neutrale Farben.
Bernd möchte investieren, er ist bereit, ein Risiko
einzugehen, wenn er ein gutes Bauchgefühl hat.
Warme Farben, Bilder und eine kurze, prägnante
Sprache helfen ihm dabei, sich wohl zu fühlen.
Unser Personalisierungsmodell erlaubt das automatische
Clustern von Kunden nach Bedürfnissen, Stimmungen und
Motivationen und so eine ganz persönliche Individualisierung.Wir helfen, die Auswahl der Produkte, wie auch
deren Präsentation auf die Bedürfnisse der
Kunden abzustimmen.

82. Evans Cycles
UK Fahrradhändler
Aufgabe
Auch Gelegenheitsfahrer ansprechen
Herausforderung
Gelegenheitsfahrer lesen keine Fahrradzeitschriften
und keine Themen-Websites
Lösung
Hochpersonalisierte Werbung auf News-Seiten
Ergebnis
Kosten pro Akquisition: -47%
Umsatzsteigerung +80%
PRAXIS
EVANS CYCLES
Quelle: Absatzwirtschaft

83. 3 Day Blinds
US Rollladenhersteller
Aufgabe
Effektivere Marketingstrategie
Herausforderung
Weniger Abhängigkeit von Reichweite und weniger
Streuverlust
Lösung
Datenanalyse: Nur Kunden adressieren, die die
Marke schon kennen
Ergebnis
ROI für Kosten pro Lead: +140%
PRAXIS
3 DAY BLINDS
Quelle: Absatzwirtschaft

85. C Exkursion C
Artificial Intelligence

86. Abgrenzung
Artificial Intelligence vs. Artificial General Intelligence
Begriffe
Model Free
Domänenagnostisch
Unsupervised
OVERVIEW
ARTIFICIAL INTELLIGENCE

87. Alpha Go vs. Lee Sedol
4 : 1
2,08 × 10170
EXAMPLE
ARTIFICIAL INTELLIGENCE

88. EXAMPLE
ARTIFICIAL INTELLIGENCE

89. 5 Customer Journey

90. Studie im Web

91. 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
Ozzy OsbournePrinz Charles

93. Über 50%: im Bett Über 40%: im Bad Über 30%: beim Essen

94. 23:45 Düsseldorf
Grafenberger-Alle 128
3. Etage, Schlafzimmer387 Freunde auf Facebook
Hobby: Eigener Garten
ø Alter: 46
Gute Wohnlage
Interessen:
Automobil-Industrie
Geldanlagen
Europa
Interessen mit 215
Freunden geteilt
iPad Winkel: 43°
Prognose Einschlafzeitpunkt: 23:58
Sharing-Statistik
verheiratet
ElisabethAlter: 56
davon 15 Arbeitskollegen
Summe Facebook Freunde: 6241
Kalender:
Termine morgen
Termine mit 4 Personen
davon 3 bei FacebookGemeinsame Interessen
Historie

95. PRAXIS
BIG DATA
Quelle: McKinsey

96. EXPERIENCE MAP
UNSER PRODUKT MODELL

97. Ansprache
Banner
Mailing
Newsletter
OnBoarding
Landingpage
Call Center
Service-Agent
Präsentation
Übersichten
Itempages
Selektion
Call 2 Action
Warenkorb
Abonemments
Entscheidung
Payment
Vertrag
Action!
After Sales
Upsales
Newsletter
Services
EINFÜHRUNG
PREDICTION FUNNEL

98. BigData Analysen auf Basis von Machine Learning können
überraschend präzise und fokussierte Empfehlungen generieren.
Dies gilt für B2B- und B2C-Situationen.
Anwendung B2B
• Werbemittel-Empfehlungen für spezifische Situationen/Personen
in mcs-Shops für Einkäufer bei mcs-Kunden.
• Werbemittel-Ausgestaltungen (Farbe, Form, Modell, …) für
spezifische Situationen/Personen in mcs-Shops für Einkäufer
bei mcs-Kunden.
Anwendung B2C
• Analyse von Kunden-Verhalten im Umgang mit mcs-Produkten
und Empfehlung (z.B. als ergänzendes digitales Produkt in Form
eines Newsletters mit individuellen Inhalten).
USE CASE
PRODUKTEMPFEHLUNGEN

99. Argos
UK Retailer
Beispiel Customer Journey
1. Suche bei Google mit Tablet nach “4K TV”
2. Landingpage Online-Shop
3. Einfaches Erklärvideo
4. Testimonials
5. SmartPhone App hilft beim Ausmessen der Wand
6. Abbruch der Suche
7. Nachfass E-Mail mit Tipps zum angesehenen Produkt
8. Deeplink auf Landingpage mit Chat-Service
9. Kauf
PRAXIS
ARGOS
Quelle: Absatzwirtschaft

100. https://www.youtube.com/watch?v=sUIqfjpInxY
BEISPIEL
OFFLINE IST ONLINE

101. Motivations- und
Intentionsmodell
Produktmodell
Stimmungsmodell
Modenmodell Netzwerkmodell
EINFÜHRUNG
CUSTOMER SEGMENTATION

102. Gamifications-Mechaniken
Cluster “Anna”
Kompetitiv, Service,
Single, Party, Sport, CDU, 41
Status Access Power Stuff Points Badgets Leaderboards
Anerkennung
Beziehungen
Ehre
Eros
Essen
Familie
Idealismus
KörperlicheAktivität
Macht
Neugier
Ordnung
Rache
Ruhe
Sparen
Status
Unabhängigkeit
BEISPIEL
GAMIFIED CUSTOMER JOURNEY

103. EINFÜHRUNG
CUSTOMER SEGMENTATION

104. Personalisierung
Landingpages
Newsletter
Suchergebnisse
Empfehlungen
EINFÜHRUNG
CUSTOMER SEGMENTATION

105. Personalisierung
Landingpages
Newsletter
Suchergebnisse
Empfehlungen
Curation
Produktauswahl
Produktkonfiguration
Produktvarianten
Tonalitäten
EINFÜHRUNG
CUSTOMER SEGMENTATION

106. Personalisierung
Landingpages
Newsletter
Suchergebnisse
Empfehlungen
Curation
Produktauswahl
Produktkonfiguration
Produktvarianten
Tonalitäten
Ergebnis
Conversion Rate
Costs of Goods Sold
Loyalty
CLV
EINFÜHRUNG
CUSTOMER SEGMENTATION

107. alt
steht rum
sieht gut aus und verstaubt
10.000 Stk. produziert
ca 5.000 Stk. beim Kunden
neu
steht rum
sieht gut aus und verstaubt
7.500 Stk. produziert
6.287 Stk. beim Kunden
Bluetooth Beacon & GSM Chip
Verlinkt auf Microsite
1-Klick NL Anmeldung
Hat Rückruf-Service-Button
Meldet sich, wenn aufgestellt
Bild:Terry Johnston
BEISPIEL
VERNETZTES PRODUKT

108. 6 Fazit & Überblick

109. Checkliste
Dark Data Analyse
Wo sind welche Daten?
Digital Customer Journey
Was braucht der Kunde wann?
Data Potential Analysis
Wo sind welche Daten?
Data Business Model
Welche Daten können wo helfen?
Data Requirement Check
Welche Datenqualitäten werden benötigt?
Prototype
Try & Error
Rollout
Products, Services, Workflows, …
PRAXIS
TODOS
Quelle: Absatzwirtschaft

110. Nutzer von BigData Anwendungen
Kunden: Nutzen statt Spam
Personalisierte Newsletter, Landingpages, Apps, Push-Notifications, …
Marketing: Weniger Streuverlust
Neue KPI, Kunden-Analysen, Erfolgsprognosen, dynamische Banner
Vertrieb: Transparenter Kunde
Neue KPI, Personalisierter Funnel, bessere Erfolgsmessungen
Call Center: Perfekte Ansprache
Personalisierte Ansprache, individuelle Angebote, passende Lösungen
Management: Transparenter Markt
Prognosen, Trends, Insights, Planbarkeit
Service: Planung
Vorhersage von Servicefällen, Ersatzteilbeschaffung
PRAXIS
CLIENTS
Quelle: Absatzwirtschaft

111. 7 Kontakt

112. Prof. Tim Bruysten
bruysten@richtwert.eu
Mediadesign Hochschule
Prodekan Gamedesign
www.mediadesign.de
richtwert GmbH
thinktank for an accelerated future
www.richtwert.eu
Innovation & Excellence GmbH i.G.
we create digital enterprises
www.innovation-and-excellence.com
intelligence GmbH
creating business out of data
www.intelligence-gmbh.de
brand & sense GmbH
communication for networked markets
www.brandandsense.com
Kommunikationswissenschaftler, Gründer,
Unternehmer, Mitautor der Bitkom BigData Studie,
Zahlreiche Vorträge und Workshops in Industrie und
Wirtschaft zu Gamification, Social Media, BigData,
Machine-Learning; Akkreditierung als
Forschungsinstitut für innovative Technologien in
Frankreich im Jahre 2011, Mittelstandsbotschafter
der Verlagsgruppe Handelsblatt.
Seit 20 Jahren selbstständig; geschäftsführender
Gesellschafter der richtwert GmbH mit den
Tochtergesellschaften intelligence GmbH (BigData,
Machine-Learning, Deep-Learning), brand & sense
GmbH (Kommunikation & Agentur), innovation &
excellence GmbH i.G. (Innovationsberatung,
Technologiefolgenabschätzung, Change); seit 11
Jahren in der Hochschullehre mit Stationen in
Maastricht und Aachen, seit 2011 Professor für
Gamedesign an der MD.H Düsseldorf, seit 2013
Prodekan des Fachbereichs.

113. Sabrina Nicke
Assistenz der Geschäftsführung
Mail: nicke@richtwert.eu
Telefon: +49 211 63 55 195 4
Adressen:
richtwert GmbH
intelligence GmbH
brand & sense GmbH
Grafenberger-Allee 128
40237 Düsseldorf
Innovation & Excellence GmbH
Hanne Nüte 24
12359 Berlin
MD.H University of Applied Science
Fachbereich Gamedesign
Werdener Straße 4
40227 Düsseldorf
Kontakt
Referenz-Auszug
KfW – Kreditanstalt für Wiederaufbau
Deutsche Lufthansa AG
DLR – Deutsches Zentrum für Luft- und Raumfahrt
BT – British Telecom
Ubisoft & BlueByte
Daedalic West
MTU Aero Engines GmbH
Handelsblatt GmbH
Verlagsgruppe Handelsblatt
VDI – Verein Deutscher Ingenieure e.V.
Kunstsammlung NRW
Bundesarchitektenkammer
Bund deutscher Architekten BDA
Franckh-Kosmos Verlag
Rheinische Post Mediengruppe
RTL und SuperRTL
GREY Worldwide
Pioneer Investments
L’ORÉAL Deutschland
Langenscheidt GmbH & Co. KG
Athlon Car Lease Germany GmbH & Co. KG
T-Systems
Fraunhofer IAO