Kick-up slides by the Museum Barberini, Potsdam. For the final results, visit https://github.com/Museum-Barberini-gGmbH/Barberini-Analytics and/or https://www.slideshare.net/ChristophThiede2/barberini-analytics-system-architecture-242783873.

1. Barberini Analytics
Optimierung der Kommunikations- und Marketingstrategie auf Grundlage von datenbasierten Insights
13.02.2019
Hasso-Plattner-Institut, Potsdam

2. 2
Data Analytics im Museumsbereich eröffnet innovative Möglichkeiten Feedback zu
sammeln, zu aggregieren, objektiv zu analysieren und für Entscheidungen zu nutzen
Internationale Museen nutzen bereits Data Analytics auf
unterschiedlichste Art und Weise für die Entscheidungsfindung
Quelle: https://medium.com/museum-tech-trends/how-7-museums-used-data-analytics-to-fix-real-problems-5065c287e7a3
Ausgangslage

3. 3
• Bewertungen:
• TripAdvisor
• Google Review
• Yelp
• Social Media:
• Facebook Messages
• Instagram
• Twitter
• E-Mails, Briefe, Comment Cards,
Gästebücher
Das Visitor Insights Team des British Museums nutzt für ihr Data Analytics Projekt Machine
Learning und Automatisierung um wertvolle Erkenntnisse gewinnen zu können
Quelle: https://medium.com/mcnx-london/invisible-insights-learning-from-trip-advisor-reviews-b5c825fa4409
Beispiel - Datensammlung
Datensammlung

4. 4
Das Visitor Insights Team des British Museums nutzt für ihr Data Analytics Projekt Machine
Learning und Automatisierung um wertvolle Erkenntnisse gewinnen zu können
Quelle: https://medium.com/mcnx-london/invisible-insights-learning-from-trip-advisor-reviews-b5c825fa4409
Beispiel - Katalogisierung
• automatisches „Taggen“ von
Textinhalten zu thematischen
Bereichen
• Zusammenführen von ähnlichen
Themengebieten
• Definition von Relationen und
Abhängigkeiten unter den
Themengebieten
Katalogisierung

5. 5
Das Visitor Insights Team des British Museums nutzt für ihr Data Analytics Projekt Machine
Learning und Automatisierung um wertvolle Erkenntnisse gewinnen zu können
Quelle: https://medium.com/mcnx-london/invisible-insights-learning-from-trip-advisor-reviews-b5c825fa4409
Beispiel - Datenanalyse
• Identifizieren von semantischen
Ähnlichkeiten und
Zusammenhängen bei genutzten
Wörtern in Bewertungen
• Identifikation von ähnlichen
positiven und negativen
Bewertungen durch Machine
Learning Algorithmen
• Erstellen eines „Cross-Platform
Satisfaction Scores“
Datenanalyse

6. 6
Das Visitor Insights Team des British Museums nutzt für ihr Data Analytics Projekt Machine
Learning und Automatisierung um wertvolle Erkenntnisse gewinnen zu können
Quelle: https://medium.com/mcnx-london/invisible-insights-learning-from-trip-advisor-reviews-b5c825fa4409
Beispiel - Daten Insights
• Herstellen einer
sprachenunabhängigen
Anwendbarkeit
• Skalierung durch die Kombination
von menschlicher Prüfung,
Machine Learning und
Automatisierung
• Objektive Wahrnehmung von
Gästemeinungen
Daten Insights

7. 7
Durch das Zusammenführen und Aufbereiten von bereits vorhandenen Daten könnten wir
schon jetzt wichtige Erkenntnisse über unser Gäste gewinnen
Online
Reviews
(TripAdvisor,
Google, Yelp)
Kundendaten
aus der
go~mus
Software
Social Media
(Facebook,
Twitter,
Instagram)
Online
Befragungen
Daten-
erfassung an
der Kasse
(z.B. PLZ,
Geschlecht,
Alter)
Vor Ort
Befragungen
Barberini App
Daten
(Reviews,
Verweildauer
im Museum,
Klickzahlen)
Digitales
Gästebuch
App
Webseiten
Daten
(Google
Analytics)
Potenzielle Fragen:
• Woher kommen die Besucher?
• Wie alt sind Sie?
• Welches Geschlecht haben sie?
• Wo und wie haben sie ihr Ticket
erworben?
• Wieviel nutzen die App und wie
genau?
• Wie lange verweilen Sie im
Haus?
• Worauf legen Sie besonderen
Wert?
Datenquellen und Fragen
Datenquellen

8. 8
Zusammen mit dem HPI möchten wir in einem ersten Schritt die bereits vorhandenen Daten
zusammenführen, analysieren und visualisieren
Datensammlung Aufarbeitung Visualisierung
Review Data
Access Export
Barberini
App CMS DB
go~mus
Excel Export
Power BI
Tableau
Power Pivot
GitHub
Repository
Tools
Code for
automated tagging
Manual
processing
Beispiele
Beispiel Vorgehen & Tools

9. 9
Unterschiedliche Projekt und Teamkonstellationen sind denkbar – je nach Umfang des und Dauer
der Initiative
HPI /
Museum
Barberini
Master
Arbeit
Bachelor
Arbeit
Seminar
Arbeit
Semester
Arbeit
• Ein kleines Team von engagierten HPI
Studenten
• Betreut durch HPI (Informationssysteme / Data
Engineering) und Barberini Digital
• Agiles Projektmanagement (SCRUM)
• Kurze Sprints mit Ergebnispräsentationen
• „Trail & Error“ Mentalität
• Direkter Austausch und Vorstellung in den
Häusern
• Ggf. weitere Kooperation mit FH Potsdam /
Professur für Open Access, Open Data, Open
Science
Ein erweitertes Data Analytics Projekt nach internationalem
Vorbild wäre einmalig an deutschen Museen
Beispiel Projektorg.
Beispiele

10. 10
Bereits vorhandene Datensätze ergeben die Grundlage für die nächsten Schritte sowie die
Entscheidung über das Durchführen komplexerer Analysen
Weiteres Vorgehen
Zusammenstellen
des Teams und
Festlegungen des
Geltungsbereiches
•Festlegung der
Projektkonditionen
sowie der Teamstruktur
und –stärke
•Definition der
Projektorganisation
•Team Kick-Off zur
Vorstellung des
Projektes sowie
Abstimmung über Rollen
und Verantwortlichkeiten
Identifikation und
Aggregation von
sofort nutzbaren
Daten
•Analyse vorhandener
Daten
•Auswahl und Test
potenzieller Datensätze
•Sammlung und
Aggregation
ausgewählter Daten aus
unterschiedlichen
Quellen
Erste Auswertung
und Präsentation
mit Vorschlägen
•Auswahl und Test
potenzieller
Visualisierungstools
•Erstellung erster simpler
Dashboards
•Erarbeitung erster
Handlungs-
empfehlungen anhand
Erkenntnissen aus den
Datensätzen
Entscheidung
über
fortgeschrittene
Auswertungen
•Sammlung von Ideen
hinsichtlich weiterer
nutzbarer Daten
•Erstellung von
Prototypen komplexer
Auswertungen
•Entscheidung über
weiteres Vorgehen auf
Basis eines PoCs
Erfassung
zusätzlicher
Daten und
komplexerer
Analysen
•Programmierung
komplexerer
Auswertungen unter
Bezugnahme zusätzlich
erhobener Daten
•Test und Auswertung
der Ergebnisse
•Präsentation
fortgeschnittener
Datenauswertungen
Vorschlag
PoC = Proof of Concept