Presentatie gegeven in Antwerpen en Gent of 30 Mei 2017 en 18 Mei 2017 over Big Data en verkoop.
In deze introductie werd de theorie over Big Data uitgelegd zoals voorbeelden van toepassingen om data te valoriseren. Speciaal aandacht werd gevestigd op juridische aspecten zoals GDPR.
2. • Oprichter van het
marktonderzoeksbureau
IntoTheMinds
– Kwalitatief onderzoek
– Kwantitatief onderzoek (verwerking
van massale data)
– Combinatie van 2 technieken
• MBA strategie, dokter in de
marketing
• Tweets: @pnschwab of
@intotheminds
• Blog: intotheminds.com/blog
Wie ben ik?
2
3. • Pragmatisch uitleggen wat
‘Big Data’ betekent
(demystificeren)
• Maximaal illustreren aan de hand
van concrete voorbeelden
• Met u samenwerken rond wat er
in uw organisatie gedaan kan
worden om Big Data-technieken
te gebruiken voor commerciële
doeleinden
(Mijn) doelstellingen voor
deze workshop
3
4. • Let op: het is niet de bedoeling
om van u specialisten in Big Data
te maken
(Mijn) doelstellingen voor
deze workshop
4
5. Wat u moet onthouden van deze
workshop:
• Inzicht in het doel van de « Big
Data »-verwerking
• Beperkingen en zakelijke
opportuniteiten van de « Big
Data »-verwerking toegepast op
de verkoop
• Toepassingsmogelijkheden van
« Big Data » in uw organisatie
(Uw) doelstellingen voor deze
workshop
5
6. • De slides zijn beschikbaar
op slideshare (slideshare.net/Into
theminds)
• Consolideer uw kennis door het
lezen van onze artikelen op de
blog van IntoTheMinds (in 3
talen): www.intotheminds.com/B
log
• Connecteer u met mij
via Linkedin om te
communiceren na de vorming.
Praktische info
vooraleer we starten
6
7. 1. Algemene toelichting over
Big Data: 25'
2. Concrete toepassingen: 20’
3. (Werken rond uw eigen
situaties: 45’)
Structuur van de workshop
1
2
3
7
8. • Ik hou van magie en vooral van
mentalisme
• Op de foto: Frédéric Da Silva en
ikzelf vorige maand in Las Vegas
Teaser
8
9. • Hij raadde het getal dat ik in
gedachten had (22)
• Door verwerking van een groot
aantal gegevens kan
geanticipeerd worden op datgene
wat een individu doet/wilt
Teaser
9
10. • Facebook weet:
– wat u hebt ge« liked"
– met wie u bent verbonden
– waar u geweest bent
– wat u hebt geschreven
– en nog veel meer …
• En gebruikt dat om een profiel
van u te maken meer
doelgericht, meer verkoop
Digitale sporen worden
verwerkt via Big Data
10
11. • Facebook is het meest volmaakte
voorbeeld van gebruik van
Big Data voor commerciële
doeleinden
– Exploitatie van gegevens (new business)
– Profilering van « klanten »
• Grote verscheidenheid aan
gegevens gebruikt voor
« profilering » van gebruikers
– Tekst
– Beeld
– Acties
Facebook: het manna van
gebruikersprofilering
11
12. • Uw Likes bepalen wie u bent,
maar uw commentaar en wat u
deelt, is waardevoller
• Door emoticons (feb 2016) zijn
uw emoties gekend
• Wat u schrijft, wordt
geanalyseerd door algoritmen
om zo uw interesses te bepalen
Facebook
Uw acties verraden u
12
13. Facebook definieert uw netwerk en
trekt conclusies over uw eigen
profiel (« gelijkgestemden zoeken
elkaar »)
• uw "vrienden"
• De mensen met wie u op foto’s staat
Facebook
Uw vrienden bepalen wie u
bent
13
15. • Het profiel van een persoon
wordt verhandelbare informatie
voor bedrijven
• Profieltest
Facebook
Gegevens zijn business
15
16. • Vooreerst is het een
« buzzword » om falende IT-
systemen en projecten te
verkopen (80% van de projecten
mislukken*)
• Vooral het gevolg van een
technische en commerciële
ontwikkeling, waarmee bedrijven
grote hoeveelheden data kunnen
verwerken tegen een redelijke
kostprijs
Wat zijn Big Data?
1
16
*Bron: Gartner
17. • Aanwezige data kunnen
verwerken, werd altijd al gezien
als een bron van kennis
(« insights »)
• De methodes en doelstellingen
van gegevensverwerking zijn de
voorbije 40 jaar geëvolueerd
• De middelen om toegang te
krijgen tot deze kennis zijn
maximaal toegankelijk gemaakt
Big Data zijn niet nieuw
1
17
19. Big Data zijn niet nieuw
Wat is er veranderd: de opslag
1
19
Bron: a history of storage costs
20. Big Data zijn niet nieuw
Wat is er veranderd: de verwerkingskosten
1
20
Bron: Sandberg en Bostrom (2008)
21. Big Data zijn niet nieuw
Wat is er veranderd: gegevens zijn er overal
1
21
Bron: IDC’s Digital Universe Study
22. Big Data zijn niet nieuw
Wat is er veranderd: gegevens zijn er overal
1
22
23. Big Data zijn niet nieuw
Wat is er veranderd: gegevens zijn er overal
1
23
24. • Waarom gegevens
verwerken? Om de toekomst te
kunnen voorspellen!
• Anticiperen =
concurrentievoordeel, beter
beheer van middelen (dat geldt
voor bedrijven en landen)
• Overgang van sociologische
massamodellen naar quasi
individuele modellen
Big Data: een 40 jaar lange
natuurlijke evolutie
1
24
25. • Landen: 1ste gebruikers van
historische gegevens:
– Voor het beheer van
maatschappelijke ontwikkelingen
– Om landen te « besturen »
• Sociale wetenschappen aan de
basis van de eerste modellen:
– Kwalitatieve analyse van variabelen
die van invloed zijn op het gedrag
– Kwantitatieve beoordeling van de
invloed van vooraf vastgestelde
variabelen
Big Data gisteren
1
25
26. Big Data gisteren
Een op voorhand vastgesteld model, dat wordt
« geverifieerd »
26
model
Variabele
1
Variabele
2
Variabele
3
Te
modelleren
gedrag
27. • Er wordt voor elk individu
gezocht naar correlaties in
meerdere gegevens, soms van
zeer uiteenlopende aard
• Er kunnen vreemde correlaties
opduiken
• De sociologische verklaring komt
op de tweede plaats: alleen het
statistische verband telt
Big Data vandaag
Geen vooraf bepaald model
1
27
28. Big Data vandaag
Opgelet voor toevallige correlaties
28
Bron: Tyler Vigen's « Spurious correlations »
29. Big Data vandaag
Opgelet voor toevallige correlaties
29
Bron: Tyler Vigen’s « Spurious correlations »
30. • Afstappen van de sociologische
invalshoek bij de interpretatie
van gegevens
• Zoeken naar correlaties zonder
de reden ervan te begrijpen: het
oorzakelijk verband wordt niet
langer uitgelegd!
Het probleem van Big Data
vandaag
30
31. • Wat is er veranderd:
– Het systematiseren van
gevensverzameling
– Het soort verzamelde gegevens
– Het niveau van "granulariteit"
– De verhouding kosten/snelheid van
de verwerking
– Het doel (inzicht in wereldwijde
trends commerciële oriëntatie)
Big Data vandaag
Wat is er veranderd?
31
33. • RTBF: verwerking van
verbruiksgegevens om inhoud
voor te stellen
(aanbevelingsalgoritmen)
• Telecom: voorspellen van uitval
• Bank: voorspelling van
stortingen, opnames en uitval
Voorbeelden uit ons eigen
werk
33
35. • Twee manieren om voordeel te
halen uit gegevens:
– B2B: verwerking van
« klant »gegevens om nieuwe
diensten met toegevoegde waarde
aan te kunnen bieden
– B2C: verzamelen en kruisen van
gegevens over individuen om te
anticiperen op hun behoeften/meer
te verkopen
• Enkele Belgische voorbeelden
van gegevensverwerking voor
commerciële doeleinden
B2B versus B2C2
35
36. • Gebruikte gegevens:
– Taxi in het gebied
– Vraag
– Waarschijnlijkheid van aankoop
(prijsgevoeligheid)
• « Dynamic Pricing », gebaseerd
op vraag en aanbod. In theorie
positief voor klanttevredenheid
(↘ wachttijd).
• Maar ook andere geheime
variabelen gebruikt
Uber
« Surge Pricing »2
36
37. • Belgische startup (Gent)
• Gebruik van openbare informatie
(publieke data) om de prijs van
onroerende goederen te
voorspellen
• Reactie op het monopolie van
notarissen op de prijzen van
vastgoedtransacties
• Foutmarge: 7-9%
Realo2
37
40. • Gebruik van uw
aankoopgeschiedenis (via uw
getrouwheidskaart) om u
kortingsbonnen aan te bieden
• Nooit korting voor reeds
verbruikte producten! (cross-
selling)
Delhaize, Colruyt2
40
41. • Gebruik van bestaande gegevens
(gsm-signaal) voor andere
doeleinden visualisatie van
personenbewegingen
• Kruising van deze gegevens met
andere gegevens van socio-
demografische aard
• Toepassingsgebied: kwantificatie
en kwalificatie van
personenstromen in
handelscentra
Proximus2
41
45. • Gebruikte celgegevens voor
mensenstromen op te sporen
• Identificatie van een brug die een
gevaar bij evacuatie kan zijn
(« bottleneck »)
Tsunami Japan
45
46. • Sociaal secretariaat
• Rijk aan klantgegevens (lonen,
ziekteverzuim, profiel van
werknemers, …)
• Vraag: hoe deze gegevens
gebruiken om klantenproblemen
op te lossen?
• Een probleem van alle
werkgevers: ziekteverzuim
SD Worx2
46
47. • SD Worx bezit meer gegevens
over haar klanten dan de klanten
zelf
• 6500 waarnemingen, 980
voorspellende variabelen
• 8 voorspellende variabelen voor
ziekteverzuim. Geheim, maar
evaluatie van de werknemer en
aanwezigheid van een « back-
up » spelen blijkbaar een
belangrijke rol
SD Worx2
47
48. • Project « open data » : juridische
informatiebronnen
• Algoritmes van « text mining »
• Opzoeking en opvolging van
informatie over maatschappijen,
personen
Lex.be
48
49. • Verzamelen van publieke data
(Twitter + publieke posts op
facebook) en algoritmische
analyse van het type NLP
(Natural Langage Processing)
• Toegepast bij The Voice Belgique
in 2015: maakt het mogelijk
tendenzen,
tevredenheid/ontevredenheid, …
op te sporen
Ontdekken van trends dankzij
Twitter / Facebook
49
50. • Eerder (kleine) data: voorbeeld
van verzamelen eigen gegevens
• Verzamelen van gegevens over
verwachtingen van kandidaten,
hun perceptie van bedrijven die
aanwerven
• Opstellen van barometers voor
klantbedrijven
differentiatiecriteria
IT-aanwervingsbureau Brussel
50
51. • Innovatie in de gebruikte
gegevens levert nieuwe
inkomstenbronnen op
• De gegevens worden bijna altijd
gebruikt om een gedrag, een
toekomstige gebeurtenis, een
prijs te voorspellen
Eerste lessen2
51
52. • Realo: gebruik van openbare
gegevens (publieke data)
• SD Worx: gebruik van
klantgegevens om B2B-
problemen op te lossen
• Proximus:
– Valorisatie van bestaande
geanonimiseerde gegevens
– Verrijking met externe gegevens
Eerste lessen2
52
53. • Delhaize, Colruyt: gebruik van
bestaande nominatieve gegevens
(getrouwheidskaart) om de
consumptie in kaart te brengen
en te anticiperen op behoeften
– Kortingsbonnen
– Adaptieve prijszetting
– Voorspelling supply-chain
Eerste lessen2
53
54. • Mag u persoonsgegevens
verzamelen?
• Welke regelingen gelden?
– Wet van 8 december 1992
(bescherming van de privacy)
– GDPR (26 mei 2018)
– E-privacy (2018)
Juridische aspecten
54
56. • Alle bedrijven beschikken over
gegevens die ze kunnen
benutten. Begin met het
inventariseren ervan
• Reflectie/brainstormen over
mogelijk gebruik ervan
• Opgelet met juridische
beperkingen
Enkele conclusies
56
57. • Geen behoefte aan grote
investeringen test uw ideeën
van valorisatie van « data » uit op
uw klanten
• Start klein (een eenvoudige
statistiek volstaat) en ga
eventueel sneller te werk met
een gespecialiseerde partner
Enkele conclusies
57
59. Plan van aanpak voor het gebruik van Big Data
in uw onderneming
59
1. Waar zijn mijn databases? (kadaster)
2. Werden mijn gegevens rechtmatig
verkregen?
3. Werden de gegevens« ontdubbeld»
en gecentraliseerd
4. Wat weet ik over mijn klanten? Wat
wil ik weten?
1. Wat zijn de grootste
problemen inzake business en
handel? (anticiperen)
2. Wat zijn de grootste
problemen voor de klant?
(beter financieel beheer,
inzicht in hun klanten,
markttrends, …)
1. Hoe kunnen gegevens me helpen te beantwoorden aan de businessvragen?
2. Welke gegevens ontbreken? Kunt u ze zelf vinden? Zoniet, waar dan wel?
3. Welke competenties zijn intern beschikbaar om de gegevens te
« verfijnen »?
Data track business track
Data science track
60. Deel 3
3
60
Nu is het aan u om creatief te zijn!
3 vragen
45 minuten om na te denken over het
gebruik van Big Data in uw bedrijf
61. • Wat wilt u kunnen voorspellen in
uw activiteitensector?
• Wat zijn de onzekerheden
waarmee uw bedrijf of uw
klanten te maken hebben?
Vraag 1
De zakelijke behoefte (15')
61
62. • Welke gegevens verzamelt u over
uw klanten of voor rekening van
uw klanten?
• Welke gegevens verwerkt u al?
• Welke gegevens ontbreken om
voordeel te halen uit de
commerciële opportuniteiten van
vraag 1?
Vraag 2
De gegevens (15')
62
63. • Wat moet u doen om deze
mogelijkheden te kunnen
benutten?
Vraag 3
De zakelijke behoefte
63