Präsentation der (Zwischen-) Ergebnisse einer Machbarkeitsstudie (Forschungsprojekt). Vortrag im Rahmen der Kulturplanner Impulse Veranstaltung am 20.02.2014 im Glasspitz der Münchner Kammerspiele. Nähere Informationen zum Big Data Analytics Tool & Managementinformationssystem "Kulturplanner" finden Sie unter www.kulturplanner.com

1. 20.2.2014
„Big Data als Basis für den IT-gestützten „Forecast” der
besuchermäßigen sowie finanziellen Auslastung von
Vorstellungen und Produktionen als Basis für gezielte
Maßnahmen im Marketing und Vertrieb
Univ. Prof. Dr. A. Rauber, Michael Heil, Gerald Stockinger
KULTURPLANNER Impulse
BIG DATA ANALYTICS
München
Münchén, 20. Februar 2014 www.kulturplanner.comKulturplanner Impulse

2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data als Basis für IT-gestützten
Forecast der Auslastung von
Vorstellungen und Produktionen
Ao.univ.Prof. Andreas Rauber,
Michael Heil
Department of Software Technology and
Interactive Systems
Vienna University of Technology
rauber@ifs.tuwien.ac.at
http://www.ifs.tuwien.ac.at/~andi
Gerald Stockinger
Graf Moser Management GmbH
gerald.stockinger@kulturplanner.com
http://www.kulturplanner.com

3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data @ ifs
Offshore platform located in the Gulf of Mexico, port location Cd. Del Carmen.
http://flickr.com/photos/22437367@N00 Chad Teer] from Coquitlam, Canada
The Library of Babel. Marianne Gunderson,
http://www.flickr.com/photos/asfaltkatt/8510502695/

4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data @ Kultur
Viele Daten & Viele Methoden
Viele Analysemöglichkeiten

5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data
 Viele Analysemöglichkeiten
- Welche Fragen sind relevant / interessant?
- Wie gut müssen die Antworten sein, welche die
Verfahren liefern?
- Wie gut sind die derzeitigen Antworten?

6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Machbarkeitsstudie
 Ziel: Verwendung bisheriger Verkaufsdaten zur
Prognose zukünftiger Verläufe
 Werkzeuge: Data Mining und Zeitreihenanalyse
- Basieren auf Statistik und maschinellem Lernen
- „Predictive Analytics“
 Der Computer soll ein „Bauchgefühl“ bekommen
- Es soll aus vergangenen Situationen gelernt werden und durch
Analogieschlüsse Vorhersagen gemacht werden
- Erfahrungen können jedoch nur auf vorhandene Daten und
darin enthaltene Konstellationen/Situationen gestützt werden

7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rahmenbedingungen
 Ticketverkäufe eines En-Suite-Betriebs
 Zeitraum: 8 Jahre
 3.200.000 Ticketverkäufe sowohl an Endkunden als
auch Partnerunternehmen
- Verkäufe betreffen 50 Veranstaltungen bzw. 3.250
Vorstellungen
- Davon sind 8 große Veranstaltungen und 3.000 Vorstellungen
effektiv nutzbar

8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Auswahl der Ziele
 Analyse typischer Verkaufsverläufe von Vorstellungen
 Auslastungsvorhersage einzelner Vorstellungen
- Herunterbrechen auf einzelne Preiskategorien
 Verkaufsvorhersage laufender Veranstaltungen
 Generell: Verhalten des Endkunden

9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenaufbereitung
 Extraktion von Daten aus Ticketing-System
 Bereinigung von
- Mehrfachbezeichnungen (Stemming)
- Falscheingaben
- Unbrauchbare Daten
 Erweiterung um Attribute wie
- Wetter
- Google Trend
- Feiertage/Ferien
 Aufbereitung für die Verarbeitung durch Data Mining

10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenquellen

11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Typische Verkaufsverläufe

12. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung des Verlaufs 0

13. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Typische Verkaufsverläufe

14. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Szenario I
 Vorhersage des Verkaufsmusters und der Auslastung
jedes zukünftigen Tages einer beliebigen Vorstellung zu
verschiedenen Stichtagen

15. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 125

16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 90

17. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 70

18. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 50

19. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 30

20. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 20

21. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Szenario II
 Vergleich dieser Vorhersage-Methode mit klassischem
Ansatz
- Dieser basiert auf einer einfachen Formel mit drei Parametern
und beinhaltet einen manuell geschätzten Anteil
 445 Szenarien aus 246 Vorstellungen einer
Veranstaltung über einem Zeitraum von 10 Monaten

22. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vergleich Klassisch – Data Mining

23. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Szenario III
 Entscheidung über Verlängerung einer laufenden
Veranstaltung
 Ausgangslage:
- Veranstaltung läuft bereits etwa 200 Tage
- Spielplan umfasst 10 weitere Monate
- Verkaufszahlen für etwa 200 Tage nach Entscheidungsstichtag
verfügbar
 Zur Entscheidungsstützung: Verkaufszahlenvorhersage
für gesamtes nächstes Jahr

24. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Veranstaltung y – Gesamt
Ø Abw.: 92,217
Endabw.: 841

25. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Veranstaltung y – Detail I
Ø Abw.: 92,217
Endabw.: 841

26. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Veranstaltung y – Detail II
Ø Abw.: 92,217
Endabw.: 841

27. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Weitere Auswertungen

28. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Folien Gerald Stockinger:
Screenshot Kulturplanner
-> Demo

29. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ansätze für Folgeprojekte
 Umsetzung in Repertoire-Betrieben
 Technische Erweiterungen wie:
- Finanzielle Äquivalente als Zielmerkmale
• Um bewussten Eingriffe in das Kaufverhalten durch verkaufsfördernde
Maßnahmen teilweise vorzubeugen
- Einbinden weiterer Informationsquellen
- Erweiterung des Datenumfangs
• Je mehr, desto mehr Situationen darin enthalten
- Berücksichtigung von Großkundenverkäufen durch Umlage
- …

30. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenquellen – alt

31. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenquellen – neu

32. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Zusammenfassung
 Viele Analysemöglichkeiten
- Welche Fragen sind relevant / interessant?
- Wie gut müssen die Antworten sein, welche die
Verfahren liefern?
- Wie gut sind die derzeitigen Antworten?
(Präzision? Nachvollziehbarkeit? …)