CREATIEF MET DATA. Patrick Swart Michel Blaauw. 8 oktober 2015 Xplor Enterprise Information Management - Zaltbommel 1

CREATIEF MET DATA

Patrick Swart Michel Blaauw

8 oktober 2015 – Xplor – Enterprise Information Management - Zaltbommel

1

Hoe big data het zakelijke landschap verandert

Agenda -

Over GEA DATA Een data analyse van onszelf Rondvraag: hoe ‘data driven’ ben je al? Wat is ‘big data’ eigenlijk: het speelveld en de data maturity index Cases . Case 1: Ja, data science kan een best seller voorspellen . Case 2: Ja, data science zorgt voor meer contractverlengingen - De ‘data driven’ organisatie: een team samenstellen en starten - Interactief/discussie . Welke positie neem je in op de ‘data maturity index’?


2


Wie is GEA?


3


GEADATA portfolio


4


Wie ben ik?


5


Wie ben ik?


6


Data ‘self assesment’


7


Data self assesment…


8




9




10




11


Data mining you…


12

Hoe ‘data driven’ zijn jullie eigenlijk?


13

Hoe ‘data driven’ zijn jullie?

Hoe ‘data driven’ vind je jouw organisatie?

Welke stappen hebben jullie o.h.g.b. data analyse en data science al gezet?


14

Wat is ‘big data’ eigenlijk? Het speelveld & de data maturity index 8 oktober 2015 – Xplor – Enterprise Information Management - Zaltbommel

15

Big data is eigenlijk de verkeerde term


16

Het verbindende vakgebied heet ‘data science’ Data science

Big Data

Machine Learning

Econometrie

Data mining

Artificial Intelligence

Text analytics/ NLP


Programming

Visualisation

Wiskunde/ statistiek

17


18

Het doel is het creëren van ‘actionable insights’ en het worden van een ‘data gedreven’ organisatie


19

Hoe ziet deze ontwikkeling er van een afstand uit?


20

Met big data een bestseller

Case 1: kun je een bestseller voorspellen?


21



22


Bestsellers en badsellers OMZET 1000K

800K

600K

400K

200K

0K 100K

200K

300K

400K

500K

600K

700K

800K

900K

1000K KOSTEN


23

language detection similarity descriptive analysis readability lexicon diversity sentiment analysis keyword analysis named entity extraction tags # sequals j/n statistics readability reference books books from same author demografic data spychografic data

ONLINE RETAILERS BOL.com Amazon.com Goodreads Crimezone Boekenliefde etc... page views visitor data

Wat we weten van een boek

order history touchpoints audience classifications delivery data online sales user profiles media mentions sentiment analysis weight measures publisher (house)

frequence blogs reviews newsgroups influencers

title additional ISBN code ISBN codes (versions) author NUR code (classification) line spacings fontsize pages lay-out typifications languages amount of words translations y/n Mb/Kb prices hard cover folded y/n prices print pocket prices e-book

ratings comments GOOGLE search history metadata royalties

creation costs marcom costs production costs distribution costs storage costs

value chain costs cost allocations

book returns (reversed logistics) sales per day_week_month turn-over per day_week_month Retail cash register data cash conversions


per day 24


25


26


27


28


29


Resumé: wat kunnen we er dan mee? -

om de voorspelbaarheid van succes te verbeteren om het risico op badsellers te reduceren een duidelijke portfolio strategie te kiezen het creeren van een recept voor marketing en sales inspanningen de werklast voorspelbaar te maken timing van de uitgeefactiviteiten optimaliseren productie- en distributiekosten te synchroniseren met de actuele behoefte kwaliteitstoetsing op generieke kenmerken benchmarks: hoe presteer ik zelf t.o.v. de concurrentie? besparen van tijd en geld en een betere besteding reduceren royalty kosten en voorschotten minder waste (meer marge)


30


Bestsellers en badsellers: 3 strategieën 1. Bestseller uitgeverij: acquireert een beperkt aantal titels, zeer kapitaalintensief focus op bepaalde thema’s en een zeer sterk promotieapparaat om succes af te dwingen (vergelijk artiesten management/voetbal makelaar) 2. Midden uitgeverij wordt veel geïnvesteerd in acquisitie en promotie (met lagere budgetten) in een beperkt aantal titels, zonder ‘self-publish’ opdracht van auteurs. Bij het bereiken van een bepaalde afzetdrempel kan een titel worden overgeheveld naar de bestseller uitgeverij en komt die strategie in werking 3. Doe-het-zelf uitgeverij: auteurs betalen services of doen veel zelf, nadruk op online. De nadruk ligt in het schaalbaar maken van dienstverlening en daar geld mee te verdienen (de ’0’ te houden). Scouting is een belangrijke rol: bij bepaalde afzetten kan een titel transfereren naar Midden uitgeverij of zelfs Bestseller uitgeverij 8 oktober 2015 – Xplor – Enterprise Information Management - Zaltbommel

31


Was 50 tinten grijs te voorspellen?


32

Met big data churn minimaliseren

Case 2: contract opzeggen ja/nee


33

Van ‘Sense & Respond’ naar ‘Predict & Act’

2016

2014


34

Welke stappen maken we? • • • • •

Centralisatie van alle relevante data Het voorspellen van klantgedrag Het optimaliseren van klant retentie en voorkomen van churn Het A/B testen van features van digitale producten Het automatisch redigeren van nieuws pagina's op basis van algoritmes • Het automatisch produceren van bedrijfs- en financiële nieuws artikelen (machine writing)


35

Het optimaliseren van klant retentie en voorkomen van churn


36


37

Welke stappen • Verzamelen van alle historische abonnement data • Hieraan gekoppeld wordt alle data die mogelijk relevant is voor de keuze die de klant maakt (zeg op/blijf) • Pas een logistieke regressie (of een ander algoritme) toe op deze data set. Dit kwantificeert welke variabele hoeveel invloed heeft op de kans dat een klant blijft of opzegt • Stop deze logica in een model en pas dit toe op het klantenbestand. Alle klanten krijgen nu een score tussen de 0 (blijft) en de 1 (gaat weg). • Elke maand wordt de top 2000 van de klanten die mogelijk weggaan gebeld met vier verschillende interventies waar ze uit kunnen kiezen als ze minimaal een jaar blijven.


38

Resultaat (na 6 maanden) • Oude situatie – Ongeveer 20% churn – Callcenter conversie: 17-25% • Nieuwe situatie – 8% churn – Callcenter conversie: 84-92% – Door het aanbieden van vier interventies, verkrijgen we meer data over de voorkeuren/smaken van de klant. Waardoor we in de toekomst nog meer grip op het gedrag van de klant krijgen.


39


40

Naar een ‘data gedreven’ organisatie

Zomaar wat ‘nieuwe’ functies: •Data Scientist •Data Engineer •Machine Learning Scientist •Business Analytics Specialist •Data Visualiser •Data architect •Data change agent •Data Modelers •Statistician •Data steward Alles draait om creativiteit en domein expertise 8 oktober 2015 – Xplor – Enterprise Information Management - Zaltbommel

41

Naar een data gedreven organisatie Focus komt volledig te liggen op hetgeen de organisatie uniek maakt. Een data gedreven organisatie bestaat niet uit een grote hoeveelheid ‘data werkers’.

Vooral strategische functies zijn van belang voor een data gedreven organisatie: - Borgen domein expertise is essentieel - Multi-disciplinaire teams (juiste balans) - Creativiteit wordt steeds meer een key-asset - Strategische denkers en voortrekkers (regie) Uitwisselbare functies worden ingekocht (of ingericht op minimale capaciteitsbehoefte) - Dus ook de data analisten en specialisten op verschillende data gebieden (machine learning, algoritme specialisten, data visualisatie experts, etc…)


42

Hoe ziet een core data team er dan uit?

creatieve strateeg aanjager

data scientist

data analist

data visualiser

Data engineer

veel domeinkennis verbinder opereert met mandaat van directie linking-pin business

lead data scientist data strategie linking pin technologie

stuurt eventueel andere analisten aan verzamelt data voert analyses uit

presentaties vormgeving dashboards

soms code kloppen borgt performance opslag vraagstukken ontsluiting data

strategische functie

strategische functie minimaal 1

inrichten op minimale capaciteit in huis




43

Enkele uitgangspunten -

Het mag geen ICT of Business Intelligence feestje zijn Het is echt multi-disciplinair, dus ook de data science projecten Je hebt een core-team met een flexibele schil Data science projecten zijn altijd business case gedreven: waarom doe je het ook alweer - De business is daarom altijd nauw betrokken (business betaald en bepaald) - Een top down benadering is noodzakelijk (data science is van strategische waarde, het heeft altijd bedrijfsbrede impact) - Je moet doorgaans allianties sluiten (want je beschikbare data is vrijwel nooit volledig/compleet) - Continue leercurve (steeds nieuwe inzichten, oplossingen en methodieken) - Het combineren van interne met externe bronnen geeft nieuwe inzichten en nieuwe context aan de vraagstelling


44

• onomkeerbaar proces

• welk effect heeft het op jouw business?


45

De essentie van elke transitie…

Visie

+

Vaardigheden

+

Vaardigheden

+

Visie

+

Visie

+

Vaardigheden

+

Visie

+

Vaardigheden

+

Visie

+

Vaardigheden

+

Prikkels

Prikkels

Prikkels

Prikkels

Prikkels

+

Middelen

+

Plan van aanpak = Transitie

+

Middelen

+

Plan van aanpak = Verwarring

+

Middelen

+

Plan van aanpak = Ongerustheid

Middelen

+

Plan van aanpak = Weerstand

Plan van aanpak = Frustratie

+

+


Middelen

= Tredmolen

46

Maturity index van de ‘data driven organisatie’


47

Positie op de maturity index -

Waar staat je organisatie Sense & Respond

WHAT HAPPENED

WHY DID IT HAPPEN

Predict & Act

WHAT WILL HAPPEN

WHAT IS THE BEST THAT COULD HAPPEN

-

Welke te nemen stappen zie je

-

Wat ga je morgen al op de agenda zetten, wat neem je mee naar huis?


48

Any further or data related questions?


49

GEADATA aanbod

Accelerator workshop ‘creatief met data’ Voor meer info over de inhoud en opzet: Patrick Swart 06 520 71 825 of kijk op geadata.nl (vanaf 1 november)


50

CREATIEF MET DATA. Patrick Swart Michel Blaauw. 8 oktober 2015 Xplor Enterprise Information Management - Zaltbommel 1

Recommend Documents