Als PDF, PPTX herunterladen
Hochgeladen vonTim Bruysten
Überblick: BigData & Predictive Analytics
Das Dokument behandelt die Konzepte von Big Data und Predictive Analytics, einschließlich deren Definitionen, Anwendungen und Herausforderungen im Kontext der digitalen Transformation und Industrie 4.0. Es werden verschiedene Technologien und Tools vorgestellt, die zur Analyse und Interpretation großer Datenmengen verwendet werden, sowie Beispiele für deren Einsatz in der Praxis. Zudem wird die Bedeutung von Datenqualität und der Umgang mit ungenutzten Daten (Dark Data) thematisiert.
Weitere ähnliche Inhalte
Überblick: BigData & Predictive Analytics
- 1. Prof. Tim Bruysten| richtwert GmbH | brand & sense GmbH | intelligence GmbH | Innovation & Excellence Foto: DirkJan Ranzijn BIG DATA and Predictive Analytics
- 2.
- 3. „640kb should be enoughfor anybody…“ Bill Gates, 1981
- 4.
- 8. Quelle: Wikipedia 1018 Byte 1Trillion 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 bis2002 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 Mittelnvon 2006 kann man die Datenthemen 2016 nicht bewerten – geschweige denn bewältigen LEARNING ONE
- 11.
- 12. BEGRIFFE DIMENSIONEN DER DIGITALISIERUNG NetworkIdentity Experience Technology Kunden-Netzwerk Empfehlungs-Netzwerk Verständnis Marke & Services Erleben Gestalten Devices Prozesse & Tools
- 13. Klassische Definition BigData beschreibtdie Verwendung von Daten, deren Menge in kurzer Zeit um mehrere Größenordnungen gewachsen ist. Quelle: BITKOM; Leitfaden BigData, 2012 BEGRIFFE BIGDATA
- 14. Die Analyse undInterpretation 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 Datenzum Zweck der Vorhersage 1) von Ereignissen 2) von Übereinstimmungen (z.B.: Produkt <=> Kunde) 3) von Risiken Bruysten, 2014 BEGRIFFE PREDICTIVE ANALYTICS
- 16. Die Industrie hatbereits 3 große Umschwünge hinter sich und steckt nun im vorerst größten: Der Total-Vernetzung. BEGRIFFE INDUSTRIE 4.0
- 17. Industrie 4.0 “Die vierteStufe 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 derDinge 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 vonIBM zeigt technische Spielfelder des IoT. BEGRIFFE DAS INTERNET DER DINGE
- 20. Das Internet derDinge 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 dieBasis 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 sehrallgemein 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: PhysikalischerSpeicher: HDD / SSD Anbindung: z.B.: NAS / Cloud Logischer Speicher: Dateien, MySQL, No-SQL, … BEGRIFFE SPEICHER
- 24. Mega Trends Trend bis2020 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 isteingebettet in zahlreiche Themen, Methoden und Technologien LEARNING TWO
- 26.
- 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 guterAusgangspunkt, 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 erein 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 dermonodimensionalen Taxonomie BEGRIFFE POLYDIMENSIONALE TAXONOMIE
- 31. Napoleon Imperatoren Alexander der Große Berühmt CocoChanel Frankreich Beispiel: Napoleon BEGRIFFE POLYDIMENSIONALE TAXONOMIE
- 32. Person: Napoleon Beruf: Imperator Person: Alexander der Große Eigenschaft: Berühmt Person: CocoChanel Ort: Frankreich Verschiedene Knotentypen BEGRIFFE POLYDIMENSIONALE TAXONOMIE
- 33.
- 34.
- 35.
- 37.
- 38. BIGDATA PIPELINE Sensor Speicher InterpreterEreignis Zweck
- 39. BIGDATA PIPELINE Sensor Speicher InterpreterEreignis Zweck Big Data
- 40. BIGDATA PIPELINE Sensor Speicher InterpreterEreignis Zweck Big Data Predictive Analytics
- 41. Otto Group: Bestellaufkleber DerOtto-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.
- 43. Smart-Home Leuchtmittel, Leuchtsprecher, Lauschmittel Beispiele fürSmart-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 alsAufkleber Lesegeräth"ps://www.flickr.com/photos/37996583811@N01/12204406165 BEISPIEL SMART TAG
- 45. Use-Case: mcs Label-Standard Dermcs 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 DATATECHNOLOGY STACK
- 47. Data Science Studio DataikuDSS 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 isa 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 IBMSPSS 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.
- 51. Nähe Closeness Die Entfernungeines 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.
- 54. "Structural Holes VersusNetwork 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 PEOPLEIN NETWORKS
- 56.
- 57. 80% der Menschenvertrauen Empfehlungen von Freunden* (nur 14% vertrauen der Werbung) *Quelle: PwC
- 58.
- 59. 4 Business outof Data
- 60. Dark Data Herausforderung Die Mengeder 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 Datenquellensystematisch 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 SystematischeStakeholder-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 OFDATA 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.
- 81. Psychosoziale Motivation Clustering Dimensionen derPersonalisierung 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 AuchGelegenheitsfahrer 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 USRollladenhersteller 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 ArtificialIntelligence
- 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.
- 89.
- 90.
- 91. Person 1 Person2 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%: imBett 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.
- 96.
- 97. Ansprache Banner Mailing Newsletter OnBoarding Landingpage Call Center Service-Agent Präsentation Übersichten Itempages Selektion Call 2Action Warenkorb Abonemments Entscheidung Payment Vertrag Action! After Sales Upsales Newsletter Services EINFÜHRUNG PREDICTION FUNNEL
- 98. BigData Analysen aufBasis 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 CustomerJourney 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.
- 101. Motivations- und Intentionsmodell Produktmodell Stimmungsmodell ModenmodellNetzwerkmodell 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.
- 104.
- 105.
- 106. Personalisierung Landingpages Newsletter Suchergebnisse Empfehlungen Curation Produktauswahl Produktkonfiguration Produktvarianten Tonalitäten Ergebnis Conversion Rate Costs ofGoods Sold Loyalty CLV EINFÜHRUNG CUSTOMER SEGMENTATION
- 107. alt steht rum sieht gutaus 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 Wosind 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 BigDataAnwendungen 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.
- 112. Prof. Tim Bruysten bruysten@richtwert.eu MediadesignHochschule 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 derGeschäftsführung 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