Big Data & Predictive Analytics – Eine Einführung für Verlage

  • View
    259

  • Download
    1

Embed Size (px)

DESCRIPTION

Die begleitenden Folien zu meinem Einführungs-Workshop bei der Akademie des dt. Buchhandels in München am 15.07.2014. Zielgruppe: Verlage / Medienhäuser.

Text of Big Data & Predictive Analytics – Eine Einführung für Verlage

  • 1.BIG DATA & PREDICTIVE ANALYTICS Einfhrung fr Verlage Prof. Tim Bruysten richtwert GmbH |Mediadesign Hochschule Foto:Achim Lammerts

2. Das ist alles erst der Anfang* * do not play dominated strategies 3. Vorgeschichte 1 2 Szenarien 3 Praxis 4. Begri Big Data Die Analyse und Interpretation von Daten, diea) in sehr groer Menge vorliegenb) sehr heterogen (in Struktur und Qualitt) sein knnenc) aus verschiedenen Quellen stammen knnen Big Data bezeichnet die Analyse groer Datenmengen aus vielfltigen Quellen in hoher Geschwindigkeit mit dem Ziel, wirtschaftlichen Nutzen zu erzeugen. Bitkom, 2012 5. Begri Predictive Analytics Interpretation von Daten zum Zweck der Vorhersagea) von Ereignissenb) von bereinstimmungen (z.B.: Produkt Kunde)c) von Risiken 6. Big Data & Predictive Analytics Quelle: BITKOM; Leitfaden BigData, 2012 7. Vorgeschichte 1 8. 640kb should be enough for anybody 9. 640kb should be enough for anybody Bill Gates, 1981 10. ber 50%: im Bett ber 40%: im Bad ber 30%: beim Essen 11. Und manche im Regen Foto: Mario Sixtus 12. Exabyte 1018 Byte1 Trillion Byte555.555.555.555.556 Normseitenca. 1.388.888.888.889 gedruckte BcherDeren Stapel wrde 185x zum Mond reichen! Die Gesamtheit aller gedruckten Werke wird auf 0,2EB geschtzt* *Quelle: Wikipedia 13. Quelle: BITKOM; Leitfaden BigData, 2012 / Experton Group 2012 14. Quelle: BITKOM; Leitfaden BigData, 2012 15. 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 16. Merke 1: Mehr Daten fhren nicht zwangslug zu einer hheren Aussagekraft einer Statistik. 17. Loading Digitalization 1% Finished 18. Szenarien fr Sensoren & Devices 2 19. http://vimeo.com/23164779 20. https://www.youtube.com/watch?v=4yT2zrIUDjM 21. http://vimeo.com/64389936 22. Trend of Convenience Smart TV Smart WatchesTablets 23. Szenario: All Situations Digital Theres an App for that Jedes Ding wird zu einem Device. Inkl. App-Store. Context Awareness Jede Situation wird erkannt und antizipiert ffentlichkeit & Privatsphre Verndern sich dramatisch 24. https://www.youtube.com/watch?v=aBCVlIGQ0B4 25. https://www.youtube.com/watch?v=sUIqfjpInxY 26. https://www.youtube.com/watch?v=RhIa4KtrqqU 27. http://www.cs.rochester.edu/hci/pubs/pdfs/FoodMood.pdf 28. Augmented Reality Augmented Environments Augmented Platforms Trend of Augmentation Augmented Bodies 29. 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 krperlich sprbar 30. https://www.youtube.com/watch?v=4FunXnJQxYU 31. https://www.facebook.com/f8 32. http://vimeo.com/87522764 33. Trend of Platformication Wallet Garden Platforms Open Web Platforms Everything as a Platform 34. Szenario: Finite and Innite Games Plattform War Wer wird die (neuen) Standards setzen? - fr Informationsaustausch - fr Geld-Austausch - fr Lernen und Lehren Blue Ocean! Keine Idee ist zu abwegig 35. http://www.dailykos.com/story/2013/05/15/1209284/-Tesla-at-war-with-sleazy-auto-dealershttps://www.youtube.com/watch?v=QweNsLesMrM 36. https://www.youtube.com/watch?v=6ZdSMAG90Rs 37. Connecting Retail & Consumer Connecting Factory & Consumer Trend of Proximity Connecting Everything 38. Szenario: Reinvention of Infrastructure Immer weniger Filialgeschft ffnungszeiten-Alarm Neue Nutzungssituationen Was macht man in selbstfahrenden Autos? 39. https://www.youtube.com/watch?v=76lIQtE8oDY 40. https://www.youtube.com/watch?v=rNRDc714W5I 41. http://www-05.ibm.com/de/pov/watson/index.html http://www.youtube.com/watch?v=Qv5JVRfYGnU 42. Brain Reading Trend of Singularity Brain Writing Articial Intelligence 43. Szenario: sthetische Welt Das Gehirn als Passwort Computer to Brain Interfaces Articial Enterprises Software as an Enterprise 44. Merke 2: Gegen Komplexitt kann man nicht protestieren.(Niklas Luhmann) 45. Praxis 3 46. Einfhrung zwei Herausforderungen 47. Zwei Herausforderungen Woher wei ein Unternehmen, was es fr Daten besitzt?! Wie knnen diese Daten am besten genutzt werden? 48. Am Anfang Datenquellen - nden- bewerten- vernetzen- visualisieren- integrieren 49. Daten nden Mitarbeiter fragenKunden fragenDienstleister fragenExperten fragen 50. Daten bewerten Mitarbeiter fragenKunden fragenDienstleister fragenExperten fragen 51. Daten vernetzen Wer braucht welche Daten:- an welchem Ort- zu welcher Zeit- fr welchen Zweck- in welchem Kontext- in welchem Format 52. Daten visualisieren Visualisierung- des Datensatzes selbst- der Netzwerke um einen Datensatzes- der Verwendung/Historie eines Datensatzes 53. Daten integrieren Integration in- die Prozesse der Nutzer- die tech. Umgebung der Nutzer- die soziale Umgebung der Nutzungssituation 54. Einfhrung Informationsarchitektur 55. Taxonomie (v. griech. txis Ordnung, -nmos Gesetz) ist primr die sprachwissenschaftliche Klassikation aller Gegenstnde (Entitten) und Ereignisse in begrifiche Taxa (Sing.: Taxon) (Gruppen) bzw. in Kategorien. Anthropologische Untersuchungen zeigen, dass Taxonomien in rtliche, kulturelle und soziale Systeme eingebettet sind und verschiedenen sozialen Zwecken dienen. http://de.wikipedia.org/wiki/Taxonomie Taxonomie 56. Monodimensionale Taxonomie Ist ein guter Ausgangspunkt, fhrt aber oft zu Problemen bei der Einordnung, da es oft keine wirklich przise Einordnung gibt, oder aber mehrere gleichwertige Einordnungen mglich sind. 57. 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? 58. 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 fhren zu Unwohlsein beim Benutzer: Man mchte nichts falsch machen, schon gar nicht, wenn es alle online sehen knnen. ! Ergo: Das System wird oft gemieden. 59. Polydimensionale Taxonomie c f d a b e Pragmatische Erweiterung der monodimensionalen Taxonomie. 60. Polydimensionale Taxonomie Beispiel: Napoleon Napoleon Imperatoren Alexander der Groe Berhmt Coco Chanel Frankreich 61. Polydimensionale Taxonomie Beispiel: Napoleon Es gibt verschiedene Typen von Knoten Person: Napoleon Beruf: Imperator Person: Alexander der Groe Eigenschaft: Berhmt Person: Coco Chanel Ort: Frankreich 62. Graph Beispiel: Napoleon Es gibt Informationen zu den Kanten Person: Napoleon Person: Coco Chanel Ort: Frankreich beherrschtgeboren 63. Graph Beispiel: Napoleon Kanten knnen Richtungen haben Person: Napoleon Person: Coco Chanel Ort: Frankreich beherrschtgeboren 64. Graph Beispiel: Napoleon Kantismus Person: Albert Einstein Photo- elektrischer Effekt schreibt ber Entdecker 65. Vertiefung Pipeline 66. Begri Sensor Im Folgenden sehr allgemein verwendet.! Ein Sensor generiert Daten, zum Beispiel:a) Physik/Umwelt: Temperatur, Beschleunigung, Lage, Kompass, b) Bio/Health: Puls, Fingerabdruck, Gehirnstrme, c) Feeds/Algorithmen: Social Media Ereignisse, Alerts, 67. Begri Speicher Sollte dierenziert betrachtet werden:! a) Physikalischer Speicher: HDD / SSDb) Anbindung: z.B.: NAS / Cloudc) Logischer Speicher: Dateien, MySQL, No-SQL, 68. Begri Interpreter Sollte sehr dierenziert betrachtet werden:! a) Lineare Datenfeedsb) Komplexe Datenintepretationc) Knstliche Intelligenzd) Allgemeine knstliche Intelligenz 69. Pipeline Sensor Speicher Interpreter Ereignis Zweck Big Data 70. Pipeline Sensor Speicher Interpreter Ereignis Zweck Big Data Input Output 71. Pipeline Sensor Speicher Interpreter Ereignis Zweck Big Data Predictive Analytics 72. Pipeline Sensor Speicher Interpreter Ereignis Zweck Big Data Predictive AnalyticsInduktion Deduktion 73. Workshop Digital Pipeline 74. Pipeline (Verlage) Sensor Speicher Interpreter Ereignis Zweck Innen! Redaktions CRM Newsletter Website ! Auen! Abo / Leser POS / POI News / Alerts Social Media im Netzwerk Wikipedia ! berauen! 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 Verknpfung 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 Loyalitt Verstndnis Kohrenz Akzeptanz Integration 75. Use Case Marketing 76. Person 1 Person 2 mnnlich mnnlich Englnder Englnder 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 77. ATTENTION INTEREST DESIRE ACTION ?Kritik: Das Leben ist keine reibungslose Sammlung von Erfolgen 78. Customer Journey Customer JourneyAIDA 1. Akt 2. Akt 3. Akt Mentor Schwellenhter Verbndete Feinde Elixier Rckkehr Neue WeltAlte Welt Prfung Verfhrung Besttigung & Support Befriedigung 79. Workshop Digital Customer Journey & User Taxonomy 80. Use Case Mobile 81. Begrie ! Push Notications Kontext-Abhngigkeit Lesemodi Situationsbezogen 82. Begrie: Push Notications ! Gibt es wichtige News direkt an den User senden. 83. Begrie: Kontext Abhngigkeit ! Was ist in der Umgebung? Welcher Termin ist als nchstes im Kalender? 84. Begrie: Lesemodi ! Tag / Nacht Leise / Laut Privat / ffentlicht 85. Begrie: Situationsbezogen (1) ! Lnge Pendeln in der Bahn - 2 - 10 Minuten