Mit Daten Geld verdienen: Google, Facebook und Amazon machen es vor, aber wie mache ich es nach? Auch viele unserer Kunden produzieren genügend Daten, um diese gewinnbringend einzusetzen. Damit Daten aber nicht nur IT-Kosten verursachen, sondern an der Wertschöpfung beteiligt sind, müssen verschiedene Hebel in Bewegung gesetzt werden. Die technologischen Grundlagen müssen vorhanden sein, die Mitarbeiter müssen mit den Daten umgehen lernen, das Management muss die unterschiedlichen Monetarisierungsstrategien verstehen und bewerten können. In diesem Vortrag berichten wir aus einem unserer Projekte und gehen auf Erfolgsfaktoren und Hindernisse ein. Wir beleuchten dabei wie ein führendes Anzeigenportal mit mehreren Millionen Visits pro Tag einen Datenproduktmanagementprozess eingeführt, eine Big-Data-Plattform implementiert und Datenprodukte an den Markt gebracht hat.
Datum: 12.10.2016
Speaker: Dr. Christoph Tempich
Mehr Vorträge: https://www.inovex.de/de/content-pool/vortraege/
4. 4
Beispiel: KFZ-Preisbewertung
auf einer Online-Automobilplattform
Wie teuer soll ich
mein Auto anbieten?
3mio frühere Verkäufe
jedoch ist kein Angebot gleich
Lernen aus
Herausforderungen durch viele Freiheitsgrade
und hohen Explorationsbedarf
5. 5
Charakteristika von Data Analytics
Qualitätskriterien oft nicht binär
60%
9.000 11.000
95%
12.0008.000
Präzision versus Zuverlässigkeit
Kein natürliches richtig oder falsch
16. 16* Eric Ries– TheLean Startup
IDEA
BUILD
PRODUCT
MEASURE
DATA
LEARN
Was brauchen unsere Kunden
wirklich?
Lean StartupCycle*
** DesiréeSy: AdaptingUsabilityInvestigationsforAgileUser-centered Design
Dual Track Scrum**
Discovery
Delivery
„Liefern“
„Lernen“
Was bieten wir unseren Kunden an?
Können wir das?
Agilität
18. 18
Rückblick Beispiel: KFZ-Preisbewertung
Lernen aus
Analytics: Maschinelles Lernen über Preistreiber
Community: Angebot vieler Autos
Marktmodellierung: Plattform
Agilität: Anpassung der Darstellung nach A/B Test
Feedback: Je mehr Verkäufe, desto besser die Daten