Upload
kulturplanner
View
92
Download
2
Embed Size (px)
Citation preview
20.2.2014
„Big Data als Basis für den IT-gestützten „Forecast” der
besuchermäßigen sowie finanziellen Auslastung von
Vorstellungen und Produktionen als Basis für gezielte
Maßnahmen im Marketing und Vertrieb
Univ. Prof. Dr. A. Rauber, Michael Heil, Gerald Stockinger
KULTURPLANNER Impulse
BIG DATA ANALYTICS
München
Münchén, 20. Februar 2014 www.kulturplanner.com Kulturplanner Impulse
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data als Basis für IT-gestütztenForecast der Auslastung von
Vorstellungen und Produktionen
Ao.univ.Prof. Andreas Rauber,Michael Heil
Department of Software Technology and Interactive Systems
Vienna University of [email protected]
http://www.ifs.tuwien.ac.at/~andi
Gerald Stockinger
Graf Moser Management GmbH
[email protected]://www.kulturplanner.com
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data @ ifs
Offshore platform located in the Gulf of Mexico, port location Cd. Del Carmen. http://flickr.com/photos/22437367@N00 Chad Teer] from Coquitlam, Canada
The Library of Babel. Marianne Gunderson, http://www.flickr.com/photos/asfaltkatt/8510502695/
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data @ KulturViele Daten & Viele Methoden
Viele Analysemöglichkeiten
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Big Data
Viele Analysemöglichkeiten
- Welche Fragen sind relevant / interessant?
- Wie gut müssen die Antworten sein, welche die
Verfahren liefern?
- Wie gut sind die derzeitigen Antworten?
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Machbarkeitsstudie
Ziel: Verwendung bisheriger Verkaufsdaten zur Prognose zukünftiger Verläufe
Werkzeuge: Data Mining und Zeitreihenanalyse- Basieren auf Statistik und maschinellem Lernen- „Predictive Analytics“
Der Computer soll ein „Bauchgefühl“ bekommen- Es soll aus vergangenen Situationen gelernt werden und durch
Analogieschlüsse Vorhersagen gemacht werden- Erfahrungen können jedoch nur auf vorhandene Daten und
darin enthaltene Konstellationen/Situationen gestützt werden
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rahmenbedingungen
Ticketverkäufe eines En-Suite-Betriebs
Zeitraum: 8 Jahre
3.200.000 Ticketverkäufe sowohl an Endkunden als auch Partnerunternehmen- Verkäufe betreffen 50 Veranstaltungen bzw. 3.250
Vorstellungen- Davon sind 8 große Veranstaltungen und 3.000 Vorstellungen
effektiv nutzbar
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Auswahl der Ziele
Analyse typischer Verkaufsverläufe von Vorstellungen
Auslastungsvorhersage einzelner Vorstellungen- Herunterbrechen auf einzelne Preiskategorien
Verkaufsvorhersage laufender Veranstaltungen
Generell: Verhalten des Endkunden
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenaufbereitung
Extraktion von Daten aus Ticketing-System
Bereinigung von- Mehrfachbezeichnungen (Stemming)- Falscheingaben- Unbrauchbare Daten
Erweiterung um Attribute wie- Wetter- Google Trend- Feiertage/Ferien
Aufbereitung für die Verarbeitung durch Data Mining
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenquellen
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Typische Verkaufsverläufe
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung des Verlaufs 0
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Typische Verkaufsverläufe
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Szenario I
Vorhersage des Verkaufsmusters und der Auslastung jedes zukünftigen Tages einer beliebigen Vorstellung zu verschiedenen Stichtagen
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 125
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 90
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 70
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 50
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 30
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vorstellung x – Tag 20
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Szenario II
Vergleich dieser Vorhersage-Methode mit klassischem Ansatz- Dieser basiert auf einer einfachen Formel mit drei Parametern
und beinhaltet einen manuell geschätzten Anteil
445 Szenarien aus 246 Vorstellungen einer Veranstaltung über einem Zeitraum von 10 Monaten
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vergleich Klassisch – Data Mining
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Szenario III
Entscheidung über Verlängerung einer laufenden Veranstaltung
Ausgangslage:- Veranstaltung läuft bereits etwa 200 Tage- Spielplan umfasst 10 weitere Monate- Verkaufszahlen für etwa 200 Tage nach Entscheidungsstichtag
verfügbar
Zur Entscheidungsstützung: Verkaufszahlenvorhersage für gesamtes nächstes Jahr
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Veranstaltung y – Gesamt
Ø Abw.: 92,217Endabw.: 841
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Veranstaltung y – Detail I
Ø Abw.: 92,217Endabw.: 841
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Veranstaltung y – Detail II
Ø Abw.: 92,217Endabw.: 841
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Weitere Auswertungen
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Folien Gerald Stockinger:Screenshot Kulturplanner
-> Demo
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ansätze für Folgeprojekte
Umsetzung in Repertoire-Betrieben Technische Erweiterungen wie:
- Finanzielle Äquivalente als Zielmerkmale• Um bewussten Eingriffe in das Kaufverhalten durch verkaufsfördernde
Maßnahmen teilweise vorzubeugen
- Einbinden weiterer Informationsquellen- Erweiterung des Datenumfangs
• Je mehr, desto mehr Situationen darin enthalten
- Berücksichtigung von Großkundenverkäufen durch Umlage- …
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenquellen – alt
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Datenquellen – neu
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Zusammenfassung
Viele Analysemöglichkeiten
- Welche Fragen sind relevant / interessant?
- Wie gut müssen die Antworten sein, welche die
Verfahren liefern?
- Wie gut sind die derzeitigen Antworten?
(Präzision? Nachvollziehbarkeit? …)