Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Market Research Meets Business Intelligence

1.077 visualizaciones

Publicado el

Market research data provides important impulses for corporate management. When combined with corporate data in particular, relevant insights turn up. However, data transformation and merging is often a big challenge. Dr. Benedikt Köhler demonstrates how the analysis and visualization software DataLion makes the merging, analyzation and automated visualization of data sources a piece of cake.

Publicado en: Software
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Market Research Meets Business Intelligence

  1. 1. MARKET RESEARCH MEETS BUSINESS INTELLIGENCE DR. BENEDIKT KÖHLER / FRANZISKA SCHARCH RESEARCH & RESULTS, 24.OKTOBER 2019 – INSIGHT IS KING
  2. 2. 1. Was ist DataLion? 2. Herausforderungen im „Daten-Dschungel“ am Beispiel einer Case-Study 3. Umsetzung in der Praxis 4. Fragerunde AGENDA
  3. 3. 1. WAS IST DATALION?
  4. 4. Webbasierte Dashboards … Echte PPTX Exporte … Export verschachtelter Tabellen … … schneller, einfacher und intuitiver als andere Dashboard Lösungen
  5. 5. 1. PPTX-Export in Ihrem Mastertemplate mit echten nativen Charts (keine Bilder) 2. Gelayoutete Excel-Exports mit Vorfiltern, Berechnungen, Gewichten 3. Dynamische Verknüpfung von Datenquellen 4. Layout ist komplett anpassbar 5. Schnelle und einfache Usability 6. Differenziertes Rechtemanagement 7. Responsive Design 8. Entwickelt und CO2-neutral gehosted in Deutschland UNSERE USPs
  6. 6. 2. HERAUSFORDERUNGEN IM „DATEN- DSCHUNGEL“ AM BEISPIEL EINER CASE-STUDY
  7. 7. Case-Study: Datenmanagement in einem internationalen Modeunternehmen • 10 Länder • Unterschiedliche Datenquellen (Marktforschung: Brand Tracker, Sales Daten, Online Daten von Google Analytics) • Ziel: länderübergreifende Datenauswertung, um Status- Quo und Optimierungs- möglichkeiten zu generieren
  8. 8. Spezifische Ziele: • Verfügbarkeit: Zu jeder Zeit sind alle aktuellen Daten verfügbar und in ihrer Struktur sofort nutzbar • Keine starren Reports: Jederzeit können Sonderauswertungen z.B. für den Vorstand erstellt werden • Minimaler manueller Aufwand: Aktualisierung und Integration der Daten verläuft automatisch Voraussetzungen: • Datenstrukturen sind klar definiert und ändern sich nicht (=Definition von Standards) • Alle halten sich an Standards • Es gibt klar definierte Schnittstellen IN EINER IDEALEN WELT …
  9. 9. CRM MR Google ETL Data Warehouse IN EINER IDEALEN WELT … Die verschiedenen Datenquellen werden automatisiert in einer Zieldatenbank vereinigt:
  10. 10. Reports Visualisierung Data Driven Decisions Die Daten können aufbereitet und visualisiert werden, um Insights und Optimierungsansätze zu generieren. Data Warehouse IN EINER IDEALEN WELT …
  11. 11. REALITÄT … IDEALE WELT … REALITÄT …
  12. 12. Jeder Standort schickt die Daten an eine zentrale Stelle: Head of „Copy & Paste“ IN DER REALITÄT …
  13. 13. Und so sehen die Daten dann aus: IN DER REALITÄT …
  14. 14. Herausforderungen • Datenformate: Excel, CSV, Tabellen, Datum, Komma • Datenstrukturen: Tabellen in Tabellen • Kodierung: „KĶln“ • Umfang der Daten • Verschiedene Aggregationsebenen • Veränderungen der Datenformate fehleranfällig Copy & Paste zeitaufwändig Datenchaos keine Schnittstelle IN DER REALITÄT …
  15. 15. Vergleich Unternehmens- vs. Marktforschungsdaten Marktforschungsdaten Unternehmensdaten Inhalt Informationen über Verhaltensweisen und Wahrnehmungen, z.B. Motive, Einstellungen, Meinungen etc. Typisch: Zeitreihen zu Absatz, Umsatz, Unique Visitors, Leads etc. Struktur/ Format SPSS-Daten, Excel-Daten (1 Spalte je Variable, 1 Zeile je Befragter), fehlende Werte, Gewichtung DWH-Daten, Datenbank, hunderte Tabellen mit foreign Keys verknüpft („Star-Schema“) Quellen Primäre und sekundäre Datenquellen (z.B. Befragungen, Desk-Research) CRM, ERP, Kassensysteme, Kampagnendaten, Webtracking, Finance, HR Ziel Status Quo und Insight-Generierung als Basis für unternehmerische Entscheidungen
  16. 16. Marktforschung vs. Business Intelligence Marktforschung Business Intelligence Bestimme Art von Datenquellen (oft) erzeugte Daten Prozess der Datenverarbeitung und Datenanalyse Spezifische Art von Daten/struktur Spezifische Erkenntnisziele (Marktforschungsdaten können eine Datenquelle neben anderen sein) Richtet sich an Marketing Richtet sich an Marketing, Produktion, Vertrieb … Kennzahlen Prozentuierung von Ausprägungen Summe von EUR / Stück Weitere verwandte Begriffe: Data Mining, Data Science, Data Governance
  17. 17. Beispiel Marktforschung „Brand Tracker“ Für das Modeunternehmen „FashionData“ soll kontinuierlich die Bekanntheit, die Wahrnehmung und das Markenbild erhoben werden. Befragt wird die Marketingzielgruppe (Frauen und Männer zwischen 14-65 Jahre). Darüber hinaus soll der BrandTracker auch als Wettbewerbsanalyse dienen.
  18. 18. KPIs „Brand Tracker“ Marken KPIs • ungestützte Bekanntheit • gestützte Bekanntheit • Markenbild/Image • Imagescore • Weiterempfehlung • Vergleich mit Wettbewerb / Benchmark Zielgruppenanalyse • Soziodemografie • Fashion-Type
  19. 19. Datenstruktur „Brand Tracker“ Zeitstempel Gewicht Einfachantworten und Skalen Mehrfachantworten Offene Nennungen
  20. 20. Output „Brand Tracker“
  21. 21. Beispiel Unternehmensdaten Aufbau eines DWH mit verknüpften Daten für: • Shops • Adressen und Ansprechpartner • Produkten und Marken • Absatz und Umsatz
  22. 22. Auswertung Unternehmensdaten Auswertung als OLAP Cube -> Zeitreihe x Produkt x Shop
  23. 23. Was ist ein OLAP-Würfel? • Datenwürfel, engl. OLAP Cube oder auch Data Cube • Anordnung der Daten als Elemente eines mehrdimensionalen Würfels • Zugriff auf die Daten über eine oder mehrere Achsen des Würfels • Verschiedene Dimensionen können in Abhängigkeit voneinander ausgewertet werden
  24. 24. Folgende Analysen sind möglich: • Wie viele Produkte wurden im letzten Monat in der Filiale München verkauft? • Welcher Verkäufer hat den höchsten Umsatz erzielt? • Wie viele Produkte befinden sich noch im Laden? • In welcher Filiale wurde letztes Jahr der höchste Umsatz erreicht? Beispiel: Data Cube mit drei Dimensionen
  25. 25. Die Daten werden in einer relationale oder multidimensionalen Datenbank gespeichert Quelle: https://www.datenbanken-verstehen.de/datenbank- grundlagen/datenbankmodell/relationales-datenbankmodell/ -> können direkt in DataLion so abgebildet werden oder in ein zeilenbasiertes Format umgewandelt werden (z.B. Tabellen für Umsatz / Absatz und Produkte mit Metadaten)
  26. 26. Output „Unternehmensdaten“
  27. 27. 3. PRAKTISCHE UMSETZUNG IN VIER SCHRITTEN
  28. 28. Schritt 1: Datenquellen verknüpfen Unterschiedliche Datenquellen in einem Projekt
  29. 29. Schritt 1: Datenquellen verknüpfen • Projekte können auf mehrere Datenquellen und Tabellen zugreifen • Verknüpfungen zwischen verschiedenen Tabellen können über Dropdown- Menüs definiert werden • Verknüpfungen werden abhängig von den Filtern und Metriken in einem Dashboard dynamisch angewendet • Alternativen: Joins <-> gemeinsame Filter (z.B. Datum, Store) • Aufwändige Daten- vorbereitung entfällt
  30. 30. Schritt 1: Automatische Imports konfigurieren • Import von Dateien über FTP, API, Datenbankverbindungen (SQL) • Zeitlicher Rhythmus • Umgang mit neuen / entfallenen Merkmalen • Backfill von historischen Daten • Regelbasierte Recodes • Berechnete Variablen
  31. 31. Schritt 2: Report erstellen mit verschiedenen KPIs und Filtern Report benennen
  32. 32. Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns Ein Report besteht aus mehreren Tabs. Es können (dynamische) Filter- Dropdowns angelegt werden.
  33. 33. Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns
  34. 34. Schritt 2: Report erstellen mit verschiedenen KPIs und Filter DropDowns
  35. 35. Schritt 2: Report erstellen mit verschiedenen Berechnungen Berechnung von Differenzen und gleitenden Summen / Durchschnitten (YoY, YTD) Numerische Variablen können als Berechnungsvariable verwendet werden.
  36. 36. Schritt 2: Report erstellen mit verschiedenen Berechnungen Berechnungen und Metriken sind per Klick auswählbar. Charteinstellungen
  37. 37. Schritt 3: Benutzer und Zugriffsrechte freischalten Benutzerverwaltung
  38. 38. Schritt 3: Benutzer und Zugriffsrechte freischalten Nutzer anlegen Projekte freischalten
  39. 39. Schritt 3: Benutzer und Zugriffsrechte freischalten Es können Zugriffsrechte bis auf Datenebene benutzerindividuell konfiguriert werden.
  40. 40. Schritt 3: Benutzer und Zugriffsrechte freischalten Reportfreigabe: Benutzer: Read-Only-Modus Bearbeiter: können Änderungen im Report speichern
  41. 41. Schritt 4: Exporte Exporte in unterschiedlichen Formaten möglich
  42. 42. Schritt 4: Exporte • Dashboards können als Excel-Dokumente mit mehreren Registerkarten exportiert werden • Vollständig konfigurierbar: • Verschachtelte Spaltenköpfe • Verschachtelte Zeilenfilter • Berechnung der Fallzahl, Spalte%, Zeile%, Gesamt%, Index, gewichtet vs. ungewichtet, Mittelwert, Summe • Caching von aufwändigen Reports möglich
  43. 43. Schritt 4: Exporte
  44. 44. Schritt 4: Exporte • PPTX-Export im individuellen Mastertemplate • Export echter, nativer Charts (keine Bilder) • Flexible Ausrichtung von Diagramm-, Text- oder Tabellenobjekten mithilfe von Platzhaltern • Online-Dashboards können unterschiedliche Folienvorlagen zugewiesen werden • Automatisches Ersetzen von Platzhaltern für Titel, Datum usw.
  45. 45. Schritt 4: Exporte
  46. 46. FRAGERUNDE
  47. 47. KONTAKT DataLion GmbH Herzog-Wilhelm-Straße 1 80331 Munich Germany +49 89 716 772 100 www.datalion.com info@datalion.com @datalion_en Made with <3 in Bavaria Sie finden uns an Stand 130

×