Think Big Start Small Grow Fast

Transkript

1 BIG DATA: ADRESSING THE TOP 5 QUESTIONS THAT BEGINN WITH «BUT,» Think Big Start Small Grow Fast Robert Schumacher Customer Intelligence Solutions SAS Institute AG ROBERT SCHUMACHER CUSTOMER INTELLIGENCE SOLUTIONS MANAGER SAS INSTITUTE AG 19. Mai 2015

2 DAS UNTERNEHMEN Der weltweit grösste private Lösungsanbieter Dr. James H. Goodnight CEO & Gründer von SAS Weltweit vertrauen Kunden an mehr als Standorten und 90% der «FORTUNE Global 500»-Unternehmen auf Softwarelösungen von SAS. Grösstes Softwareunternehmen in privater Hand Gegründet 1976 in Cary, North Carolina Mitarbeitende in 52 Ländern Seit 1982 mit über 600 Mitarbeitende in D-A-CH mit 9 Niederlassungen Great Place to Work Das Urteil der Analysten 1976 SAS 1980 Umsatz International: 3,02 Mrd. US$ Umsatzentwicklung Investition in F&E 25 % Dauerhafte Mehrwerte durch prämierte Lösungen 22 Mio. CHF

3 LESE-EMPFEHLUNG Erfolgreiche Unternehmen sind datengetriebene Unternehmen «Die Ära der Intuition ist vorüber. In den kommenden 24 Monaten wird sich das Marketing stärker verändern als in den 24 Jahren zuvor.» «Es muss uns in diversifizierten Massenmärkten gelingen, ein ähnlich gutes Verständnis des Einzelkunden zu gewinnen, wie Tante Emma es hatte.» «Echtzeitanalyse wird auf vielen Geschäftsfeldern zur Killer-App werden. Analytische Marktführer bauen Strategie und Wachstum auf der intensiven Nutzung von Daten auf.» Prof. Dr. Björn Bloching; Partner und Leiter Marketing & Sales bei Roland Berger «Die Gewinner [ ] werden Unternehmen sein, die durch Analytik und datenbasiertes Marketing einen klar erkennbaren Nutzen für Kunden schaffen.»

4 HYPE-ZYKLUS Gartner Hype Cycle of Emerging Technologies* Visibility Technology Triggers Peak of Inflated Expectation Trough of Disillusionment Slope of Enlightenment Plateau of Productivity * Copyright: Gartner. Quelle:

5 HYPE-ZYKLUS Gartner Hype Cycle of Emerging Technologies. Hypes und Trends für 2014* Internet of Things Speech-Speech Translation Consumer 3D Printing Visibility Brain-Computer Interface Cloud Computing Big Data Augmented Reality NFC Gesture Control Predictive Analytics Speech Recognition Technology Triggers Peak of Inflated Expectation Trough of Disillusionment Slope of Enlightenment Plateau of Productivity * Quelle: Vereinfacht:

6 BIG DATA Volume, Variety, Velocity: Value!

7 «Big data is what happened when the cost of storing information became less than the cost of making the decision to throw it away.» George Dyson

8 BIG DATA Besser als jede Definition: Visualisierung

9 BIG DATA

10 Digitalisierung der Gesellschaft = Digitalisierung des Marketing

11

12 Die Technologie ist nicht der Flaschenhals. Die Herausforderung ist, wie man als Unternehmen damit umgeht.

13 Digitalisierung der Gesellschaft = Digitalisierung des Marketing = Datengetriebenes Marketing

14

15

16

17 DATEN, MARKETING UND ANALYTICS Von Daten zu Analytics im Marketing Mehr Daten Mehr Marketing Analytics 125 Mio. Möglichkeiten

18 ERFAHRUNGSWERTE oder doch besser faktenbasiert? Frage: Schätzen Sie die resultierende Dicke, wenn das Papier (theoretisch) 40 Mal gefaltet wird. Ein normales Blatt Papier hat eine Dicke von 0,193 mm

19 ERFAHRUNGSWERTE oder doch besser faktenbasiert? <= 0,5 cm? <= 5 cm? <= 50 cm? > 50 cm? Richtige Antwort: mm Das sind Kilometer! Distanz zum Mond: Kilometer

20 REIFEGRAD VON ANALYTICS Wettbewerbsvorteil Warum passiert dies? Was wäre das Beste, das passieren könnte? Was wird als Nächstes passieren? Was, wenn Trends fortbestehen? Statistische Analyse Forecasts Predictive Modelling Optimierung PRÄDIKTIVE ANALYTIK DESKRIPTIVE ANALYTIK Standardberichte Ad hoc reports Drill down Was ist passiert? Alarm Wo sind Massnahmen nötig? Wie lässt sich das Problem eingrenzen? Wie häufig, wann und wo ist es passiert? Analytischer Reifegrad

21 DATA MINING Was macht eigentlich Data Mining? (prädiktive Analytik) Entdeckt Muster, Trends und Beziehungen innerhalb von Daten («Korrelation», nicht «Kausalität») Versteht und beschreibt Charakteristiken, basierend auf diesen Mustern Verwendet die gewonnenen Insights und entwickelt daraus Modelle, um so zukünftige Wahrscheinlichkeiten (Optionen, Varianten) zu evaluieren («Predictive Analytics») Befähigt so faktenbasierte Entscheidungen und, diese Resultate als Scores bereitzustellen, um eine entsprechende Aktion auszulösen PAST FUTURE TIME Observed Events Prediceted Events

22 ANALYTISCHE SEGMENTIERUNG Mehr mit gleich viel gleich viel mit weniger Kum. Response in % Do More With the Same Do the Same With Less Kundenportfolio: Dezile anhand Scoreberechnung Beispiel: Innerhalb von 25% der Empfänger, werden durch das analytische Modell 75% der möglichen Käufer gefunden!

23 Unternehmen können mit Analytics die richtigen, faktenbasierten Entscheidungen treffen und dadurch die Wirkung der Marketingaktivitäten signifikant verbessern.

24

25 KAMPAGNEN-DESIGN Verschiedene Selektionsgruppen für das Pilotprojekt Kampagne Analytisches Modell Bisherig Zufall Ausserhalb Kampagne

26 RESULTAT 1: VERGLEICH ZWISCHEN SELEKTIONSTYPEN Data-Mining-Modell 3-mal effektiver für Bucher Model Best Practice Random Out of campaign % bookers

27 RESULTAT 2: VERGLEICH INNERHALB SLEKTIONSTYPEN Data-Mining-Modell viel trennschärfer als bisherige Selektionen! Model Best Practice Random bookers non-bookers

28 ZIELGENAUERE KUNDENANSPRACHE Vom «One Fits All» hin zum «1:1-Marketing» Kum. Response in % Kundenportfolio

29 RESULTAT 3: VERGLEICH HINSICHTLICH BEITRAG ZUM PROFIT Data-Mining-Modell liefert signifikant mehr Profitbeitrag! Sehr hoher ROPO-Effekt!! 2 Model Best Practice Random K CHF profit

30 THINK BIG

31 START SMALL

32 GROW FAST

33