Business Intelligence und Web Data Mining

Business Intelligence und Web Data Mining Prof. Dr. Wolfram Höpken eBusiness-Lotse Oberschwaben-Ulm @ Hochschule Ravensburg-Weingarten wolfram.hoepken...
Author: Sigrid Adenauer
6 downloads 0 Views 6MB Size
Business Intelligence und Web Data Mining Prof. Dr. Wolfram Höpken eBusiness-Lotse Oberschwaben-Ulm @ Hochschule Ravensburg-Weingarten [email protected]

Amadeus Technology Forum München/Erding

13.11.2013

2

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Agenda

3



Business Intelligence & Data Mining im Tourismus



Aktuelle BI-Trends



Technologische Herausforderungen



Nutzen und Potentiale im Tourismus



Zusammenfassung

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Agenda

4



Business Intelligence & Data Mining im Tourismus



Aktuelle BI-Trends



Technologische Herausforderungen



Nutzen und Potentiale im Tourismus



Zusammenfassung

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Einsatz von BI & Data Mining im Tourismus

Revenue Management • • •

Erklärung des Buchungs- und Cancellation-Verhaltens Vorhersage der touristischen Nachfrage Vorhersage von Flugpreisen (DINAMO: Yield Management System entwickelt von American Airlines 1988)

Produktoptimierung & Vertrieb • • •

5

Erklärung des Konsumverhaltens von Touristen Optimale Produktbündelung / Warenkorbanalysen Cross-Selling

Business Intelligence und Web Data Mining

Customer Relationship Management • •

Kundensegmentierung Adaptives Marketing

Prof. Dr. Wolfram Höpken

Beispiel – Erklärung des Cancellation-Verhaltens 

Root node (65,455) Booked: 91.63%, Cancelled: 8.37%

Welche Eigenschaften des Kunden, seines Verhaltens, des gebuchten Produkts erklären das CancellationVerhalten? “Klassifikation”

days to arrival > 42

days to arrival 2

ski equipment 2009

first year of arrival 80%) wird Preis erhöht

28

Business Intelligence und Web Data Mining

Bei gesunkener Zufriedenheit wird versucht, die ServiceQualität zu erhöhen, um höheren Preis zu rechtfertigen

Prof. Dr. Wolfram Höpken

Revenue Management 

Preisgestaltung auf Basis von Marktbeobachtungen Analyse von Hotelpreisveränderungen (SEMAMO)

29

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Optimierung des Realprodukts 

Verbesserung der Produkt-/Dienstleistungsqualität auf Basis der automatisierten Auswertung von Kundenfeedback (Sentiment Analysis)

Extraction des Kundenfeedbacks von Review-Plattformen (Are)

30

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Optimierung des Realprodukts 

Verbesserung der Produkt-/Dienstleistungsqualität auf Basis der automatisierten Auswertung von Kundenfeedback (Sentiment Analysis) Detaillierte Betrachtung des Kundenfeedbacks (positive/negative Statements)

31

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Optimierung des Realprodukts 

Verbesserung der Produkt-/Dienstleistungsqualität auf Basis der automatisierten Auswertung von Kundenfeedback (Sentiment Analysis) Benchmarking entlang der Produktbereiche

32

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Marketing & Vertrieb 

Intelligente Produktempfehlungen (Recommendation) 

Content-based Filtering 



Collaborative Filtering 





Empfehlung von Produkten, die ähnlichen Kunden gefallen haben Ähnliche Kunden = Kunden mit ähnlichen Präferenzen, mit ähnlichen Eigenschaften oder Verhalten, Freunde in sozialen Netzwerken

Beispiele  

33

Empfehlung von Produkten, die dem Kunden in der Vergangenheit gefallen haben (auf Basis seiner Bewertungen und seines Feedbacks in sozialen Medien)

Extreme Search oder Featured Results von Amadeus Know Me von British Airways

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Beispiel - Intelligente Produktempfehlungen

34

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Marketing & Vertrieb

Vorhersage von Flugverspätungen Vorhersage Historische Flugdaten

Historische Wetterdaten

Learned Flight Vorhersagemodell Flugverspätungen Delay Predictor

(Knoblock 2004)

35

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Marketing & Vertrieb

Vorhersage von Flugpreisen 2250

Price

1750 1250 750 250 12/8/2002 12/13/2002 12/18/2002 12/23/2002 12/28/2002 1/2/2003

1/7/2003

Date



Vorhersagemodell zur Entscheidung, ob gekauft oder noch gewartet werden sollte

(Hamlet: to buy or not to buy - 24% Ersparnis pro Passagier; 62% der max. möglichen Ersparnis) (Knoblock 2004) 36

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Fallbeispiel Tourismusdestination

Wissensverwendung

Wissensgenerierung

37

Kundenbasierte Wissensverwendung

Anbieterbasierte Wissensverwendung

• Recommender-Systeme • Location-based-Services • Community-Services

• Business Intelligence Applikationen (DMIS)

Kundenbasierte Wissensgenerierung

Anbieterbasierte Wissensgenerierung

• Informationsbedarf • Nutzungsverhalten im Web • Buchungs/Konsumverhalten • Bewegungsmuster • Feedback, Produktbewertungen

• Produkte/Kapazitäten • Marktteilnehmer • Marktinformationen

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Fallbeispiel Tourismusdestination

38

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Fallbeispiel Smart Hotel Room

Anpassung / Personalisierung der Umgebung

Mobiler Guide Kunde • Liefert personalisierte Informationen Pull/Push (z.B. Empfehlung von Speisen, Aktivitäten, Radio/TV-Progr.) Mobiler Guide Mitarbeiter • Zugriff auf Kundenprofile – Pull (Abfrage bevorzugter Tisch/Speisen, Aktivitäten) • Empfehlungen für Kundeninteraktion – Push (z.B. Erinnerung an geplante Aktivitäten, passende Angebote)

Elektronische Steuerungen • Automatische Steuerung von Anlagen/Geräten auf Basis des Nutzerprofiles (Klimaanlage, Licht, Radio/TV)

Nutzerprofile

Generierung von Nutzerprofile

39

Mobiler Guide Kunde • Basisfunktionalität (Steuerung von Anlagen/Geräten, Informations- & Reservierungsfunktionen) liefert Informationen über Kundenwünsche/verhalten (z.B. gewünschte Temperatur, Licht, Musik/TV-Programm, Info-Bedarf, Konsumverhalten) Mobiler Guide Mitarbeiter • Erfasst Kundenbedürfnisse/-verhalten (z.B. Tisch/Speisenwahl im Restaurant)

Business Intelligence und Web Data Mining

Elektronische Steuerungen • Liefert Informationen über manuelle Nutzerinteraktionen (Klimaanlage, Licht, Radio/TV) Sensoren • Liefert Informationen über Nutzerverhalten (z.B. Bewegungsmuster, Minibarentnahme)

Prof. Dr. Wolfram Höpken

Agenda

40



Business Intelligence & Data Mining im Tourismus



Aktuelle BI-Trends



Technologische Herausforderungen



Nutzen und Potentiale im Tourismus



Zusammenfassung

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Zusammenfassung 

Aktuelle Trends 

Der Tourist hinterlässt Spuren bei nahezu allen touristisch relevanten Aktivitäten 



Buchungs-/Konsumverhalten, Informationsbedarf, Vorlieben und Präferenzen, Bewegungsmuster, Feedback, usw.

Es ist heutzutage technisch möglich, alle diese Informationen zu beschaffen und auszuwerten 

Web Data Mining (Text Mining, Sentiment Analysis, etc.)

Verbesserung des Decision Support  Erweiterung eines Data Warehouses um neue Geschäftsprozesse und Datenquellen Steuerung operativer Abläufe und Personalisierung der Kundeninteraktion 

41

Operatives BI

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken

Herausforderungen & Empfehlungen 

Analysieren Sie das Potential für Ihr Unternehmen 







Erproben Sie die Realisierbarkeit 





42

Wo können neuartige Informationsquellen Ihre Entscheidungsprozesse unterstützen? Welche Kundenprozesse können durch neuartige Informationsquellen optimiert und personalisiert werden? Wo kann ein konkreter Kundennutzen generiert werden?

Liefern die Daten das gewünschte Wissen und lässt sich der geplante (Kunden)Nutzen realisieren? Technisch neuartige/komplexe IT-Lösungen können zunächst als add-on zu Ihrer bestehenden IT-Landschaft realisiert werden

Bauen Sie Know-how auf

Business Intelligence und Web Data Mining

Prof. Dr. Wolfram Höpken