Post on 09-May-2015
description
transcript
BIG DATA & PREDICTIVE ANALYTICSEinführung für Verlage Prof. Tim Bruysten richtwert GmbH | Mediadesign Hochschule
Foto: Achim Lammerts
Das ist alles erst der Anfang** do not play dominated strategies
Vorgeschichte
1 2Szenarien
3Praxis
Begriff Big Data
Die Analyse und Interpretation von Daten, diea) in sehr großer Menge vorliegenb) sehr heterogen (in Struktur und Qualität) sein könnenc) 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
Begriff Predictive Analytics
Interpretation von Daten zum Zweck der Vorhersagea) von Ereignissenb) von Übereinstimmungen (z.B.: Produkt <=> Kunde)c) von Risiken
Big Data & Predictive Analytics
Quelle: BITKOM; Leitfaden BigData, 2012
Vorgeschichte
1
„640kb should be enough for anybody…“
„640kb should be enough for anybody…“
Bill Gates, 1981
Über 50%: im Bett Über 40%: im Bad Über 30%: beim Essen
Exabyte
1018 Byte1 Trillion Byte555.555.555.555.556 Normseitenca. 1.388.888.888.889 gedruckte BücherDeren Stapel würde 185x zum Mond reichen!Die Gesamtheit aller gedruckten Werke wird auf 0,2 EB geschätzt*
*Quelle: Wikipedia
Quelle: BITKOM; Leitfaden BigData, 2012 / Experton Group 2012
Quelle: BITKOM; Leitfaden BigData, 2012
Big Data
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
Merke 1:
Mehr Daten führen nicht zwangsläufig zu einer höheren Aussagekraft einer Statistik.
Loading Digitalization…
1% Finished
Szenarien für Sensoren & Devices
2
Trend of Convenience
Smart TV Smart WatchesTablets
Szenario: All Situations Digital
There’s an App for that Jedes „Ding“ wird zu einem „Device“. Inkl. App-Store.
Context Awareness Jede Situation wird erkannt und antizipiert
Öffentlichkeit & Privatsphäre Verändern sich dramatisch
http://www.cs.rochester.edu/hci/pubs/pdfs/FoodMood.pdf
Augmented Reality Augmented Environments Augmented Platforms
Trend of Augmentation
Augmented Bodies
Szenario: The World is not enough
Neue Kooperationen Games + Recht & Risk + AppDev (Beispiel: EU-Projekt)
Neue Spieler und neue Spielfelder z.B. im Geldmarkt Bezahlen an der Tankstelle mit iTunes?
Silent Information Wearables geben unsichtbares Feedback… … machen die Datenwelt körperlich spürbar
Trend of Platformication
Wallet Garden Platforms Open Web Platforms Everything as a Platform
Szenario: Finite and Infinite Games
Plattform War Wer wird die (neuen) Standards setzen?
- für Informationsaustausch
- für Geld-Austausch
- für Lernen und Lehren
Blue Ocean! Keine Idee ist zu abwegig…
http://www.dailykos.com/story/2013/05/15/1209284/-Tesla-at-war-with-sleazy-auto-dealershttps://www.youtube.com/watch?v=QweNsLesMrM
Connecting Retail & Consumer Connecting Factory & Consumer
Trend of Proximity
Connecting Everything
Szenario: Reinvention of Infrastructure
Immer weniger Filialgeschäft Öffnungszeiten-Alarm
Neue Nutzungssituationen Was macht man in selbstfahrenden Autos?
http://www-05.ibm.com/de/pov/watson/index.html http://www.youtube.com/watch?v=Qv5JVRfYGnU
Brain Reading
Trend of Singularity
Brain Writing Artificial Intelligence
Szenario: Ästhetische Welt
Das Gehirn als Passwort Computer to Brain Interfaces
Artificial Enterprises Software as an Enterprise
Merke 2:
Gegen Komplexität kann man nicht protestieren.(Niklas Luhmann)
Praxis
3
Einführung zwei Herausforderungen
Zwei Herausforderungen
Woher weiß ein Unternehmen, was es für Daten besitzt?!
Wie können diese Daten am besten genutzt werden?
Am Anfang…
Datenquellen - finden- bewerten- vernetzen- visualisieren- integrieren
Daten finden
Mitarbeiter fragenKunden fragenDienstleister fragenExperten fragen
Daten bewerten
Mitarbeiter fragenKunden fragenDienstleister fragenExperten fragen
Daten vernetzen
Wer braucht welche Daten:- an welchem Ort- zu welcher Zeit- für welchen Zweck- in welchem Kontext- in welchem Format
Daten visualisieren
Visualisierung…- des Datensatzes selbst- der Netzwerke um einen Datensatzes- der Verwendung/Historie eines Datensatzes
Daten integrieren
Integration in…- die Prozesse der Nutzer- die tech. Umgebung der Nutzer- die soziale Umgebung der
Nutzungssituation
Einführung Informationsarchitektur
„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
Taxonomie
Monodimensionale Taxonomie
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.
Monodimensionale Taxonomie Beispiel: Napoleon !Ist er ein Imperator? Ein Feldherr? Ein General? Ein Staatsmann? Ein Kaiser? Ein Korse? Ein Franzose? Ein Mann? Ein Held? Ein Tyrann?
Monodimensionale Taxonomie Beispiel: Napoleon !Ist er ein Imperator? Ein Feldherr? Ein General? Ein Staatsmann? Ein Kaiser? Ein Korse? Ein Franzose? Ein Mann? Ein Held? Ein Tyrann? !Problem: Unsicherheiten bei der Eingabe führen zu Unwohlsein beim Benutzer: Man möchte nichts falsch machen, schon gar nicht, wenn es „alle“ online sehen können. !Ergo: Das System wird oft gemieden.
Polydimensionale Taxonomie
c
f
d
a
b
e
Pragmatische Erweiterung der monodimensionalen Taxonomie.
Polydimensionale Taxonomie Beispiel: Napoleon
Napoleon
Imperatoren
Alexander der Große
Berühmt
Coco Chanel
Frankreich
Polydimensionale Taxonomie Beispiel: Napoleon Es gibt verschiedene Typen von Knoten
Person: Napoleon
Beruf: Imperator
Person: Alexander der Große
Eigenschaft: Berühmt
Person: Coco Chanel
Ort: Frankreich
Graph Beispiel: Napoleon Es gibt Informationen zu den Kanten
Person: Napoleon
Person: Coco Chanel
Ort: Frankreich
beherrschtgeboren
Graph Beispiel: Napoleon Kanten können Richtungen haben
Person: Napoleon
Person: Coco Chanel
Ort: Frankreich
beherrschtgeboren
Graph Beispiel: Napoleon Kantismus
Person: Albert
Einstein
Photo-elektrischer
Effekt
schreibt über
Entdecker
Vertiefung Pipeline
Begriff Sensor
Im Folgenden sehr allgemein verwendet.!Ein Sensor generiert Daten, zum Beispiel:a) Physik/Umwelt: Temperatur, Beschleunigung, Lage, Kompass, …b) Bio/Health: Puls, Fingerabdruck, Gehirnströme, …c) Feeds/Algorithmen: Social Media Ereignisse, Alerts, …
Begriff Speicher
Sollte differenziert betrachtet werden:!a) Physikalischer Speicher: HDD / SSDb) Anbindung: z.B.: NAS / Cloudc) Logischer Speicher: Dateien, MySQL, No-SQL, …
Begriff Interpreter
Sollte sehr differenziert betrachtet werden:!a) Lineare Datenfeedsb) Komplexe Datenintepretationc) Künstliche Intelligenzd) Allgemeine künstliche Intelligenz
Pipeline
Sensor Speicher Interpreter Ereignis Zweck
Big Data
Pipeline
Sensor Speicher Interpreter Ereignis Zweck
Big Data
Input Output
Pipeline
Sensor Speicher Interpreter Ereignis Zweck
Big Data
Predictive Analytics
Pipeline
Sensor Speicher Interpreter Ereignis Zweck
Big Data
Predictive AnalyticsInduktion Deduktion
WorkshopDigital Pipeline
Pipeline (Verlage)
Sensor Speicher Interpreter Ereignis Zweck
Innen!• Redaktions • CRM • Newsletter • Website !Außen!• Abo / Leser • POS / POI • News / Alerts • Social Media im
Netzwerk • Wikipedia !Überaußen!• Wetter • restl. SM • Konkurrenz
Physisch!• local HDD / SSD • NAS • Cloud !Organisatorisch!• Filesystem • Intranet • Wiki / Blog • Datawarehouse !Logisch!• einzeln • relational • graph
Linear!• nur strukturelle
Interpretation • z.B.: Sammlung &
Bereitstellung: RSS !Semantisch!• inhaltliche
Verknüpfung • z.B.: Tagging /
erweiterte Tags / Taxonomien, Ontologien
!KI!• z.B.: IBM Watson !
Date, Time, Place!• Wann • Wo • Wo genau? !Netzwerk!• Wer • Wer noch? !Vektor!• Warum
(motivational) • Thema
Nutzenfunktion!• Wozu (intentional) • Wie • Format !Marke!• Vertrauen • Loyalität • Verständnis • Kohärenz • Akzeptanz • Integration
Use Case Marketing
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
Klassische Marktforschung…
ATTENTION INTEREST DESIRE ACTION?Kritik: Das Leben ist keine reibungslose Sammlung von Erfolgen
Customer Journey
Customer JourneyAIDA
1. Akt 2. Akt 3. Akt
Mentor
Schwellenhüter
Verbündete
Feinde
Elixier
Rückkehr
Neue WeltAlte Welt
Prüfung
Verführung Bestätigung & Support Befriedigung
WorkshopDigital Customer Journey & User Taxonomy
Use Case Mobile
Begriffe !Push Notifications Kontext-Abhängigkeit Lesemodi Situationsbezogen
Begriffe: Push Notifications !Gibt es wichtige News… …direkt an den User senden.
Begriffe: Kontext Abhängigkeit !Was ist in der Umgebung? Welcher Termin ist als nächstes im Kalender?
Begriffe: Lesemodi !Tag / Nacht Leise / Laut Privat / Öffentlicht …
Begriffe: Situationsbezogen (1) !Länge Pendeln in der Bahn - 2 - 10 Minuten Warten am Flughafen: 5 - 15 Minuten In Flight/Train: 30 Minuten bis 2 Stunden …
Begriffe: Situationsbezogen (2) !Format Boardmeeting: Powerpoint / Keynote Messe: Video / PDF Meeting beim Lunch: iPad / QR-Code !
Neue, digitale Produkte !• Claiming des POS/POI auch in digitalen Netzwerken (Foursquare/Swarm, Google Maps) • Nutzung der Netzwerke der Besucher eines Ortes (CRM Integration) • Monitoring der Nutzerreaktionen in diesen Netzwerken (CRM Integration) • Aktive Gestaltung und Angebot von Informationen (Text, Bild, Videos, Links, …) für (individuelle)
Besucher eines Ortes “Location Based Services” (CP, Marketing, …) • In-Store Verhaltensanalyse (iBeacons, Internet of Things, …) • Definition von KPIs für Kommunikationen in diesen Netzwerken • Integration von Nutzern in Kreationsprozesse
(Social Innovation)
WorkshopDigital Product Design
Nutzer-Klassifizierung
Klassifizierung der Beziehung eines Nutzers zu einem Netzwerk. !Merke: Ein Nutzer kann in verschiedenen Netzwerken, verschiedene Rollen inne haben.
Dialog-Klassifizierung
Commonalities Complements Discurses Conflicts
destruktive Destruction Cell Conflict War
coordinative Planning Dialog Argument Attack
cooperative Prayer Conversation Debate Maneuver
collaborative Project Product Change Process
co-creativ Vision Procreation Society Discovery
disruptive Utopy Creation Divorce Dystopy
Herausforderungen / Risiken
IT nicht skalierbar genug / IT-Investitionszyklen zu großHerkömmliche Datenspeicher (SQL-based) im EinsatzManagement + Mitarbeiter nicht “digitalisiert”Wert von Daten wird falsch eingeschätztKeine angemessenen Werkzeuge für Management + MitarbeiterJuristische Fragen (Datenschutz usw.) nicht geklärtIT-Sicherheit nicht, oder nicht ausreichend
Das ist alles erst der Anfang** do not play dominated strategies
Prof. Tim Bruysten bruysten@richtwert.eu !www.bruysten.com xing.com/profile/Tim_Bruysten facebook.com/bruysten de.linkedin.com/in/bruysten twitter.com/timbruysten !
Danke!
richtwert GmbH www.richtwert.eu !Mediadesign Hochschule www.mediadesign.de