+ All Categories
Home > Data & Analytics > Big Data & Predictive Analytics – Eine Einführung für Verlage

Big Data & Predictive Analytics – Eine Einführung für Verlage

Date post: 09-May-2015
Category:
Upload: tim-bruysten
View: 270 times
Download: 1 times
Share this document with a friend
Description:
Die begleitenden Folien zu meinem Einführungs-Workshop bei der Akademie des dt. Buchhandels in München am 15.07.2014. Zielgruppe: Verlage / Medienhäuser.
98
BIG DATA & PREDICTIVE ANALYTICS Einführung für Verlage Prof. Tim Bruysten richtwert GmbH | Mediadesign Hochschule Foto: Achim Lammerts
Transcript
Page 1: Big Data & Predictive Analytics – Eine Einführung für Verlage

BIG DATA & PREDICTIVE ANALYTICSEinführung für Verlage Prof. Tim Bruysten richtwert GmbH | Mediadesign Hochschule

Foto: Achim Lammerts

Page 2: Big Data & Predictive Analytics – Eine Einführung für Verlage

Das ist alles erst der Anfang** do not play dominated strategies

Page 3: Big Data & Predictive Analytics – Eine Einführung für Verlage

Vorgeschichte

1 2Szenarien

3Praxis

Page 4: Big Data & Predictive Analytics – Eine Einführung für Verlage

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

Page 5: Big Data & Predictive Analytics – Eine Einführung für Verlage

Begriff Predictive Analytics

Interpretation von Daten zum Zweck der Vorhersagea) von Ereignissenb) von Übereinstimmungen (z.B.: Produkt <=> Kunde)c) von Risiken

Page 6: Big Data & Predictive Analytics – Eine Einführung für Verlage

Big Data & Predictive Analytics

Quelle: BITKOM; Leitfaden BigData, 2012

Page 7: Big Data & Predictive Analytics – Eine Einführung für Verlage

Vorgeschichte

1

Page 8: Big Data & Predictive Analytics – Eine Einführung für Verlage

„640kb should be enough for anybody…“

Page 9: Big Data & Predictive Analytics – Eine Einführung für Verlage

„640kb should be enough for anybody…“

Bill Gates, 1981

Page 10: Big Data & Predictive Analytics – Eine Einführung für Verlage

Über 50%: im Bett Über 40%: im Bad Über 30%: beim Essen

Page 11: Big Data & Predictive Analytics – Eine Einführung für Verlage

Und manche im Regen…

Foto: Mario Sixtus

Page 12: Big Data & Predictive Analytics – Eine Einführung für Verlage
Page 13: Big Data & Predictive Analytics – Eine Einführung für Verlage
Page 14: Big Data & Predictive Analytics – Eine Einführung für Verlage
Page 15: Big Data & Predictive Analytics – Eine Einführung für Verlage
Page 16: Big Data & Predictive Analytics – Eine Einführung für Verlage

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

Page 17: Big Data & Predictive Analytics – Eine Einführung für Verlage

Quelle: BITKOM; Leitfaden BigData, 2012 / Experton Group 2012

Page 18: Big Data & Predictive Analytics – Eine Einführung für Verlage

Quelle: BITKOM; Leitfaden BigData, 2012

Page 19: Big Data & Predictive Analytics – Eine Einführung für Verlage

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

Page 20: Big Data & Predictive Analytics – Eine Einführung für Verlage

Merke 1:

Mehr Daten führen nicht zwangsläufig zu einer höheren Aussagekraft einer Statistik.

Page 21: Big Data & Predictive Analytics – Eine Einführung für Verlage

Loading Digitalization…

1% Finished

Page 22: Big Data & Predictive Analytics – Eine Einführung für Verlage

Szenarien für Sensoren & Devices

2

Page 23: Big Data & Predictive Analytics – Eine Einführung für Verlage

http://vimeo.com/23164779

Page 24: Big Data & Predictive Analytics – Eine Einführung für Verlage

https://www.youtube.com/watch?v=4yT2zrIUDjM

Page 25: Big Data & Predictive Analytics – Eine Einführung für Verlage

http://vimeo.com/64389936

Page 26: Big Data & Predictive Analytics – Eine Einführung für Verlage

Trend of Convenience

Smart TV Smart WatchesTablets

Page 27: Big Data & Predictive Analytics – Eine Einführung für Verlage

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

Page 28: Big Data & Predictive Analytics – Eine Einführung für Verlage

https://www.youtube.com/watch?v=aBCVlIGQ0B4

Page 29: Big Data & Predictive Analytics – Eine Einführung für Verlage

https://www.youtube.com/watch?v=sUIqfjpInxY

Page 30: Big Data & Predictive Analytics – Eine Einführung für Verlage

https://www.youtube.com/watch?v=RhIa4KtrqqU

Page 31: Big Data & Predictive Analytics – Eine Einführung für Verlage

http://www.cs.rochester.edu/hci/pubs/pdfs/FoodMood.pdf

Page 32: Big Data & Predictive Analytics – Eine Einführung für Verlage

Augmented Reality Augmented Environments Augmented Platforms

Trend of Augmentation

Augmented Bodies

Page 33: Big Data & Predictive Analytics – Eine Einführung für Verlage

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

Page 34: Big Data & Predictive Analytics – Eine Einführung für Verlage

https://www.youtube.com/watch?v=4FunXnJQxYU

Page 35: Big Data & Predictive Analytics – Eine Einführung für Verlage

https://www.facebook.com/f8

Page 36: Big Data & Predictive Analytics – Eine Einführung für Verlage

http://vimeo.com/87522764

Page 37: Big Data & Predictive Analytics – Eine Einführung für Verlage

Trend of Platformication

Wallet Garden Platforms Open Web Platforms Everything as a Platform

Page 38: Big Data & Predictive Analytics – Eine Einführung für Verlage

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…

Page 39: Big Data & Predictive Analytics – Eine Einführung für Verlage
Page 40: Big Data & Predictive Analytics – Eine Einführung für Verlage

http://www.dailykos.com/story/2013/05/15/1209284/-Tesla-at-war-with-sleazy-auto-dealershttps://www.youtube.com/watch?v=QweNsLesMrM

Page 41: Big Data & Predictive Analytics – Eine Einführung für Verlage

https://www.youtube.com/watch?v=6ZdSMAG90Rs

Page 42: Big Data & Predictive Analytics – Eine Einführung für Verlage

Connecting Retail & Consumer Connecting Factory & Consumer

Trend of Proximity

Connecting Everything

Page 43: Big Data & Predictive Analytics – Eine Einführung für Verlage

Szenario: Reinvention of Infrastructure

Immer weniger Filialgeschäft Öffnungszeiten-Alarm

Neue Nutzungssituationen Was macht man in selbstfahrenden Autos?

Page 44: Big Data & Predictive Analytics – Eine Einführung für Verlage

https://www.youtube.com/watch?v=76lIQtE8oDY

Page 45: Big Data & Predictive Analytics – Eine Einführung für Verlage

https://www.youtube.com/watch?v=rNRDc714W5I

Page 46: Big Data & Predictive Analytics – Eine Einführung für Verlage

http://www-05.ibm.com/de/pov/watson/index.html http://www.youtube.com/watch?v=Qv5JVRfYGnU

Page 47: Big Data & Predictive Analytics – Eine Einführung für Verlage

Brain Reading

Trend of Singularity

Brain Writing Artificial Intelligence

Page 48: Big Data & Predictive Analytics – Eine Einführung für Verlage

Szenario: Ästhetische Welt

Das Gehirn als Passwort Computer to Brain Interfaces

Artificial Enterprises Software as an Enterprise

Page 49: Big Data & Predictive Analytics – Eine Einführung für Verlage

Merke 2:

Gegen Komplexität kann man nicht protestieren.(Niklas Luhmann)

Page 50: Big Data & Predictive Analytics – Eine Einführung für Verlage

Praxis

3

Page 51: Big Data & Predictive Analytics – Eine Einführung für Verlage

Einführung zwei Herausforderungen

Page 52: Big Data & Predictive Analytics – Eine Einführung für Verlage

Zwei Herausforderungen

Woher weiß ein Unternehmen, was es für Daten besitzt?!

Wie können diese Daten am besten genutzt werden?

Page 53: Big Data & Predictive Analytics – Eine Einführung für Verlage

Am Anfang…

Datenquellen - finden- bewerten- vernetzen- visualisieren- integrieren

Page 54: Big Data & Predictive Analytics – Eine Einführung für Verlage

Daten finden

Mitarbeiter fragenKunden fragenDienstleister fragenExperten fragen

Page 55: Big Data & Predictive Analytics – Eine Einführung für Verlage

Daten bewerten

Mitarbeiter fragenKunden fragenDienstleister fragenExperten fragen

Page 56: Big Data & Predictive Analytics – Eine Einführung für Verlage

Daten vernetzen

Wer braucht welche Daten:- an welchem Ort- zu welcher Zeit- für welchen Zweck- in welchem Kontext- in welchem Format

Page 57: Big Data & Predictive Analytics – Eine Einführung für Verlage

Daten visualisieren

Visualisierung…- des Datensatzes selbst- der Netzwerke um einen Datensatzes- der Verwendung/Historie eines Datensatzes

Page 58: Big Data & Predictive Analytics – Eine Einführung für Verlage

Daten integrieren

Integration in…- die Prozesse der Nutzer- die tech. Umgebung der Nutzer- die soziale Umgebung der

Nutzungssituation

Page 59: Big Data & Predictive Analytics – Eine Einführung für Verlage

Einführung Informationsarchitektur

Page 60: Big Data & Predictive Analytics – Eine Einführung für Verlage

„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

Page 61: Big Data & Predictive Analytics – Eine Einführung für Verlage

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.

Page 62: Big Data & Predictive Analytics – Eine Einführung für Verlage

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?

Page 63: Big Data & Predictive Analytics – Eine Einführung für Verlage

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.

Page 64: Big Data & Predictive Analytics – Eine Einführung für Verlage

Polydimensionale Taxonomie

c

f

d

a

b

e

Pragmatische Erweiterung der monodimensionalen Taxonomie.

Page 65: Big Data & Predictive Analytics – Eine Einführung für Verlage

Polydimensionale Taxonomie Beispiel: Napoleon

Napoleon

Imperatoren

Alexander der Große

Berühmt

Coco Chanel

Frankreich

Page 66: Big Data & Predictive Analytics – Eine Einführung für Verlage

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

Page 67: Big Data & Predictive Analytics – Eine Einführung für Verlage

Graph Beispiel: Napoleon Es gibt Informationen zu den Kanten

Person: Napoleon

Person: Coco Chanel

Ort: Frankreich

beherrschtgeboren

Page 68: Big Data & Predictive Analytics – Eine Einführung für Verlage

Graph Beispiel: Napoleon Kanten können Richtungen haben

Person: Napoleon

Person: Coco Chanel

Ort: Frankreich

beherrschtgeboren

Page 69: Big Data & Predictive Analytics – Eine Einführung für Verlage

Graph Beispiel: Napoleon Kantismus

Person: Albert

Einstein

Photo-elektrischer

Effekt

schreibt über

Entdecker

Page 70: Big Data & Predictive Analytics – Eine Einführung für Verlage

Vertiefung Pipeline

Page 71: Big Data & Predictive Analytics – Eine Einführung für Verlage

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, …

Page 72: Big Data & Predictive Analytics – Eine Einführung für Verlage

Begriff Speicher

Sollte differenziert betrachtet werden:!a) Physikalischer Speicher: HDD / SSDb) Anbindung: z.B.: NAS / Cloudc) Logischer Speicher: Dateien, MySQL, No-SQL, …

Page 73: Big Data & Predictive Analytics – Eine Einführung für Verlage

Begriff Interpreter

Sollte sehr differenziert betrachtet werden:!a) Lineare Datenfeedsb) Komplexe Datenintepretationc) Künstliche Intelligenzd) Allgemeine künstliche Intelligenz

Page 74: Big Data & Predictive Analytics – Eine Einführung für Verlage

Pipeline

Sensor Speicher Interpreter Ereignis Zweck

Big Data

Page 75: Big Data & Predictive Analytics – Eine Einführung für Verlage

Pipeline

Sensor Speicher Interpreter Ereignis Zweck

Big Data

Input Output

Page 76: Big Data & Predictive Analytics – Eine Einführung für Verlage

Pipeline

Sensor Speicher Interpreter Ereignis Zweck

Big Data

Predictive Analytics

Page 77: Big Data & Predictive Analytics – Eine Einführung für Verlage

Pipeline

Sensor Speicher Interpreter Ereignis Zweck

Big Data

Predictive AnalyticsInduktion Deduktion

Page 78: Big Data & Predictive Analytics – Eine Einführung für Verlage

WorkshopDigital Pipeline

Page 79: Big Data & Predictive Analytics – Eine Einführung für Verlage

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

Page 80: Big Data & Predictive Analytics – Eine Einführung für Verlage

Use Case Marketing

Page 81: Big Data & Predictive Analytics – Eine Einführung für Verlage

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…

Page 82: Big Data & Predictive Analytics – Eine Einführung für Verlage

ATTENTION INTEREST DESIRE ACTION?Kritik: Das Leben ist keine reibungslose Sammlung von Erfolgen

Page 83: Big Data & Predictive Analytics – Eine Einführung für Verlage

Customer Journey

Customer JourneyAIDA

1. Akt 2. Akt 3. Akt

Mentor

Schwellenhüter

Verbündete

Feinde

Elixier

Rückkehr

Neue WeltAlte Welt

Prüfung

Verführung Bestätigung & Support Befriedigung

Page 84: Big Data & Predictive Analytics – Eine Einführung für Verlage

WorkshopDigital Customer Journey & User Taxonomy

Page 85: Big Data & Predictive Analytics – Eine Einführung für Verlage

Use Case Mobile

Page 86: Big Data & Predictive Analytics – Eine Einführung für Verlage

Begriffe !Push Notifications Kontext-Abhängigkeit Lesemodi Situationsbezogen

Page 87: Big Data & Predictive Analytics – Eine Einführung für Verlage

Begriffe: Push Notifications !Gibt es wichtige News… …direkt an den User senden.

Page 88: Big Data & Predictive Analytics – Eine Einführung für Verlage

Begriffe: Kontext Abhängigkeit !Was ist in der Umgebung? Welcher Termin ist als nächstes im Kalender?

Page 89: Big Data & Predictive Analytics – Eine Einführung für Verlage

Begriffe: Lesemodi !Tag / Nacht Leise / Laut Privat / Öffentlicht …

Page 90: Big Data & Predictive Analytics – Eine Einführung für Verlage

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 …

Page 91: Big Data & Predictive Analytics – Eine Einführung für Verlage

Begriffe: Situationsbezogen (2) !Format Boardmeeting: Powerpoint / Keynote Messe: Video / PDF Meeting beim Lunch: iPad / QR-Code !

Page 92: Big Data & Predictive Analytics – Eine Einführung für Verlage

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)

Page 93: Big Data & Predictive Analytics – Eine Einführung für Verlage

WorkshopDigital Product Design

Page 94: Big Data & Predictive Analytics – Eine Einführung für Verlage

Nutzer-Klassifizierung

Klassifizierung der Beziehung eines Nutzers zu einem Netzwerk. !Merke: Ein Nutzer kann in verschiedenen Netzwerken, verschiedene Rollen inne haben.

Page 95: Big Data & Predictive Analytics – Eine Einführung für Verlage

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

Page 96: Big Data & Predictive Analytics – Eine Einführung für Verlage

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

Page 97: Big Data & Predictive Analytics – Eine Einführung für Verlage

Das ist alles erst der Anfang** do not play dominated strategies

Page 98: Big Data & Predictive Analytics – Eine Einführung für Verlage

Prof. Tim Bruysten [email protected] !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


Recommended