Gold schürfen im Marketing mit Data Science

Transkript

1 Gold schürfen im Marketing mit Data Science SOMEXcircle 9. Mai 2017

2 Dr. Patricia Feubli Erfahrung 9 Jahre Economic Research und Data Science, 4 davon als Senior Economist im Credit Suisse Swiss Industries Research (vor allem Detail-, Gross- und Autohandel, Informatik, Telekom) Weiterbildungen Data Science Specialization (Johns Hopkins University, USA) Google Adwords Experten-Zertifizierung Vernetzung Economist und Data Scientist, PhD in Economics Referentin bei Somex Cloud und verschiedenen Online-Marketing-Events, Vernetzung im Detailhandel patricia.feubli@semsea.ch

3 Agenda 1. Daten: Warum sind sie so wichtig? 2. Was ist Data Science? 3. Zwei Cases: Prognose und Clustering 4. Was ist der Mehrwert von Data Science? 5. Best Practice

4 Daten: Warum sind sie so wichtig?

5 Riesige Datenmengen stehen zur Verfügung Zetabytes = Gigabytes 47 Zetabytes = Gigabytes 1.5 x Quelle: IDC

6 Daten bergen Wissen. Daten enthalten wertvolle Informationen DATEN Daten decken Zusammenhänge auf = WISSEN Daten werden für Reality-Checks verwendet

7 Was ist Data Science?

8 Data Science zieht Wissen aus den Daten Daten Data Science Wissen ,2 2, , , ,0 Mathematik + Statistik + Computer Science + Visualisierungstechnik + Business-Knowhow

9 Datenmanagement ist Grundvoraussetzung Deskriptiv Exploration Inferentiell Data Science/ Prädikativ Kausal Mechanistisch Datenanalyse Erheben Aktualisieren Sicher speichern Qualität sichern Zugriffe verwalten Rasch liefern Datenmanagement

10 Data Science verfügt über viele Werkzeuge Deskriptiv Explorativ Inferentiell Prädiktiv Kausal Mechanistisch Beschreiben Entdecken Testen Prognostizieren Ursachen Natur- Schätzen (u.a. machine finden wissenschaftlich Verallgemeinern learning)

11 Deskriptive Tätigkeiten - Beschreiben

12 Explorative Tätigkeiten - Entdecken

13 Inferentielle Tätigkeiten - Testen Hypothese Test mit Modell Webtraffic ist abhängig von Wetter und Tennisturnieren

14 Prädiktive Tätigkeiten - Prognostizieren Modelle Algorithmen

15 Kausale Analysen - Ursachen finden x

16 Mechanistische Analysen - Prozesse verstehen

17 Zwei Cases: Prognose und Clustering

18 Prognose: Webtraffic als Umsatzindikator Ziel: Spital will mittels Webtraffic Bettenbelegung bzw. Umsatz prognostizieren?

19 Prognose: Webtraffic als Umsatzindikator Grund: Bessere Planung, digitale Sensibilisierung Evidenz: Studien zeigen Zusammenhang zwischen Webtraffic und Anzahl Notaufnahmen

20 Prognose: Webtraffic als Umsatzindikator Vorgehen: 1. Verfeinerung der Frage: Einzelne Klinik, einzelne Webseiten, Prognosezeitraum (Lageplan vs. Angebot) 2. Daten zu Traffic auf einzelnen Webseiten, Bettenbelegung, Zeitraum zwischen Diagnose und Überweisung an Spital 3. Time series-regression mit Lag 4. Signifikanzanalyse, Treffgenauigkeit, Robustness-Check

21 Prognose: Webtraffic als Umsatzindikator Resultat: Prognose X Tage im Voraus mit durchschnittlicher Treffgenauigkeit von über 80%

22 Clustering: Data Science-optimierte AdWords Ziel: Kundengruppen mit den meisten Website-Besuchen Kundengruppen mit dem höchsten Umsatzanteil Grund: AdWords-Kampagnen auf Kundengruppen mit hohem Potenzial ausrichten

23 Clustering: Google Analytics liefert Daten =

24 Clustering: Kundengruppe nach Wichtigkeit

25 Was ist der Mehrwert von Data Science?

26 Richtig angewendet erhöht Data Science Erfolg Wissen Markt Kunden Kampagnen Traffic Prozesse Mehr Umsatz bzw. tiefere Kosten Gezieltere Marktpositionierung Gezieltere Kundenansprache Tieferer Streuverlust Optimale Ausrichtung der Webseite Prozessoptimierungen

27 Best Practice

28 Data Science ist interdisziplinär Business-Verständnis Visualisierung/ Verwendung ,2 2, , , ,0 Daten-Verständnis Evaluation/ Interpretation Datenaufbereitung Reporting/ Data Mining/ Modelle/ Prognose

29 Richtige Interpretation braucht gute Daten Voraussetzungen für Data Science-Projekte: Daten Datenbank Analysesoftware Spezialist Zeit

30 Richtige Interpretation braucht gute Daten

31 Richtige Interpretation braucht gute Daten Voraussetzungen für Data Science-Projekte: Daten Datenbank Analysesoftware Spezialist Zeit

32 Web-Analyse-Tools sind Hilfsmittel Quelle:

33 Web-Analyse-Tools sind Hilfsmittel Daten Datenbank Analysesoftware Spezialist Zeit Web-Daten Google Analytics Deskriptiv Explorativ Inferentiell Prädiktiv Kausal Mechanistisch

34 Best Practice - Step by Step A. Welche Frage wollen wir beantworten? B. Haben wir die richtige Datengrundlage? C. Welche Methode und Software wollen wir verwenden? D. Sind die Resultate robust? E. Wie sind die Resultate zu interpretieren? F. Wie visualisieren wir die Resultate? A. Welche Daten brauchen wir? B. Haben wir diese Daten bereits? C. Verstehen wir die Daten? D. Wie gut ist die Qualität der Daten? E. Wie und wo speichern wir die Daten? F. Wie aktualisieren wir die Daten? G. Wie entscheiden wir aufgrund der Resultate?

35 Key: Daten birgt wertvolles Wissen Entscheid Wert Wissen Information Daten

36