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