Business Intelligence und Web Data Mining · 5. Business Intelligence und Web Data Mining . Prof....

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

mailto:[email protected]



2 Prof. Dr. Wolfram Höpken Business Intelligence und Web Data Mining


Agenda

Business Intelligence & Data Mining im Tourismus

Aktuelle BI-Trends

Technologische Herausforderungen

Nutzen und Potentiale im Tourismus

Zusammenfassung


Agenda


Aktuelle BI-Trends



Zusammenfassung


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 • Erklärung des Konsumverhaltens

von Touristen • Optimale Produktbündelung /

Warenkorbanalysen • Cross-Selling

Customer Relationship Management • Kundensegmentierung • Adaptives Marketing


Beispiel – Erklärung des Cancellation-Verhaltens

Welche Eigenschaften des Kunden, seines Verhaltens, des gebuchten Produkts erklären das Cancellation-Verhalten?

“Klassifikation”

first year of arrival > 2009

bookings of customer > 1

skipass > 1

other products > 0

days to arrival > 42 days to arrival <= 42

first year of arrival <= 2009

bookings of customer <= 1

skipass <= 1

other products <= 0

ski equipment <= 2

Root node (65,455)

Booked: 91.63%, Cancelled: 8.37%

Node 1 (41,160)

Booked: 98.53%, Cancelled: 1.47% Node 2 (24,295)


Node 3 (21,719)



ski equipment > 2

Node 5 (20,344)



Node 7 (17,536)



Node 9 (4,987)



Node 11 (10,408)




Aktuelle Situation

Das Potential Explosionsartige Zunahme verfügbarer Daten über nahezu

alle touristisch relevanten Abläufe und Aktivitäten

Transaktionsdaten (Buchungen, Aufenthalte, Konsum, etc.)

Navigationsverhalten auf Webseiten

Kundenfeedback und Produktbewertungen

Starke Zunahme von Rechenleistung und Speicherkapazität

Die Herausforderung Diese wertvollen Informationen bleiben oftmals ungenutzt

“we are drowning in information but starved for knowledge” (John Naisbitt)


Agenda


Aktuelle BI-Trends



Zusammenfassung


Traditionelle BI-Anwendungen

Merkmale traditioneller BI-Anwendungen Fokus: klassische Geschäfts-Transaktionen Klare Trennung von operativen und dispositiven Systemen Daten: Intern, strukturiert

Data Warehouse

Reporting

OLAP

Data Mining

CRS

ERP

CRM

Online-Plattformen

Operative Systeme (OLTP) Dispositive Systeme (OLAP)


Trend 1: Operationales BI

Direkte Rückkopplung mit den operativen Systemen

Automatische Berücksichtigung der Analyse-Ergebnisse innerhalb der operativen Systeme • Dynamische Preisfindung, Yield Management • Intelligente Produktempfehlungen (Recommender-Systeme) • Personalisierung von Angeboten und Werbung (Targeting)

Data Warehouse

Reporting

OLAP

Data Mining

CRS

ERP

CRM

Online-Plattformen

Stärkerer Fokus auf analytischem BI • Prognosemodelle zur

Vorhersage der Nachfrage

• Clusteranalysen zur Kundensegmentierung

• Association Rules zur Produktempfehlung und Cross Selling



Trend 1: Operationales BI

Direkte Rückkopplung mit den operativen Systemen

Data Warehouse

Reporting

OLAP

Data Mining

CRS

ERP

CRM

Online-Plattformen

Rückfluss der Erkenntnisse in Echtzeit (Realtime BI) • Dynamische Preisfindung aufgrund aktueller

Nachfrageschwankungen • Produktempfehlungen aufgrund aktuellem Kundenfeedback

(Auslastung/Wartezeit, Attraktivität, etc.)



Trend 2: Integration allumfassender Informationen

Data Warehouse

Reporting

OLAP

Data Mining

CRS

ERP

CRM

Online-Plattformen

Web Content

• User Generated Content (Kundenfeedback/Meinungen) • Marktdaten und Daten über Konkurrenten (z.B. Veränderungen der

Angebotsstruktur, Preisentwicklungen)


Externe Datenquellen



Data Warehouse

Reporting

OLAP

Data Mining

CRS

ERP

CRM

Online-Plattformen

Web Content

• Ökonomische Daten (z.B. BIP, Beschäftigungsdaten in Sendeländern)

• Wetterdaten (historische Wetterdaten und Wettervorhersagen)

Umweltdaten





Data Warehouse

Reporting

OLAP

Data Mining

CRS

ERP

CRM

Online-Plattformen

Web Content

• Interaktion mit der lokalen Infrastruktur (Licht, Klimaanlage, Minibar, Musikanalage, TV, Telefon, etc. z.B. im Hotelzimmer)

Umweltdaten Lokale Infrastruktur


Externe Datenquellen Interaktion mit der Umwelt



Data Warehouse

Reporting

OLAP

Data Mining

CRS

ERP

CRM

Online-Plattformen

Web Content

• Location Tracking (GPS-basiert) • Aufenthalt an POIs (QR-Code/RFID/NFC-basiert)

Umweltdaten Lokale Infrastruktur

Bewegungs-profile


Externe Datenquellen Interaktion mit der Umwelt



Data Warehouse

Operative Systeme (OLTP)

Reporting

OLAP

Data Mining

Dispositive Systeme (OLAP)

CRS

ERP

CRM

Online-Plattformen


Web Content Umweltdaten Lokale Infrastruktur

Interaktion mit der Umwelt

Bewegungs-profile

Typische Eigenschaften dieser Daten • Oftmals unstrukturiert (Web Content) • Sehr große Datenmengen • Extern


Agenda


Aktuelle BI-Trends



Zusammenfassung



Informationsextraktion aus unstrukturierten Daten

Informationsintegration heterogener Daten

Große Datenmengen Realtime-BI



Wrapper-basierte Extraktion aus Webseiten Wrapper Induction

(semi)automatische Extraktion relevanter Informationen auf Basis wiederkehrender Strukturen



Opinion Mining / Sentiment Analysis Topikalität: Zuordnung eines Satzes zu einem Themengebiet

(Servicequalität, Zimmer, Verpflegung, usw.) Tonalität: Ermittlung der Stimmung eines Satzes (negativ, neutral,

positiv) Verwendete Verfahren

Wortlistenbasierte Verfahren Maschinelles Lernen (Text-Klassifikation,

Named Entity Recognition)

Erkennung der

Topikalität (wortlistenbasiert)

Erkennung der Tonalität

(Maschinelles Lernen: SVM mit Bi-grams)




Informationsintegration heterogener Daten

Große Datenmengen Realtime-BI


Große Datenmengen und Realtime-BI

In-Memory Datenbanken (SAP HANA, Oracle TimesTen) Bereitstellung des gesamten Data Warehouses im

Hauptspeicher

Unterstützt spaltenorientierte Datenspeicherung

Rapide Beschleunigung von Auswertungen (OLAP)

SAP bietet HANA Cloud Plattform


Große Datenmengen und Realtime-BI

Cluster-Lösungen mit der Map&Reduce Methode Parallelisierung der Verarbeitung in Server-Clustern (Hadoop)

Für komplexe ETL-Prozesse und Data Mining Analysen

Data Warehouse

Operative Systeme (OLTP)

Reporting

OLAP

Data Mining

Dispositive Systeme (OLAP)

CRS

ERP

CRM

Online-Plattformen


Web Content Umweltdaten

Lokale Infrastruktur

Interaktion mit der Umwelt

Bewegungs-profile

Hadoop Cluster


Agenda


Aktuelle BI-Trends



Zusammenfassung


Das Potential für den Tourismus

Extraktion des gesamten Wissens aus ALLEN erdenklichen Datenquellen • Buchungsverhalten, Kaufverhalten, etc. • Kundenprofile aus Kundendatenbanken • Surfverhalten, Informationsbedarf auf Web-Plattformen • Nutzungs- u. Bewegungsprofile über mobile Dienste • Kundenfeedback aus User Generated Content • Marktdaten / Angebotsstruktur der Konkurrenz • Ökonomische Daten, Umgebungsdaten (z.B. Wetterdaten)

Decision Support • Revenue Management • Optimierung des

Realprodukts

Operative Abläufe • CRM • Marketing & Vertrieb


Revenue Management

Vorhersage der Nachfrage oder Cancellations / No-shows auf Basis neuer Datenquellen

Wetterdaten, Konsumdaten, Location-tracking, UGC, Website-Traffic, etc.

Vorhersage der Nachfrage auf Basis des Website-Traffics


Revenue Management

Vorhersage der Nachfrage auf Basis des Google-Suchvolumens


Revenue Management

Preisgestaltung auf Basis der Kundenzufriedenheit (in der Hotellerie)

Bei gesunkener Zufriedenheit wird versucht, die Service-Qualität zu erhöhen, um höheren Preis zu rechtfertigen

Bei hoher Preis-Leistungszufriedenheit (>80%) wird Preis erhöht


Revenue Management

Preisgestaltung auf Basis von Marktbeobachtungen

Analyse von Hotelpreisveränderungen (SEMAMO)


Optimierung des Realprodukts

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

Extraction des Kundenfeedbacks von Review-Plattformen (Are)




Detaillierte Betrachtung des Kundenfeedbacks (positive/negative Statements)




Benchmarking entlang der Produktbereiche


Marketing & Vertrieb

Intelligente Produktempfehlungen (Recommendation) Content-based Filtering

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

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


Beispiel - Intelligente Produktempfehlungen



Vorhersage von Flugverspätungen

Historische

Flugdaten

Historische

Wetterdaten

Vorhersage

(Knoblock 2004)

Learned Flight Delay Predictor Learned Flight Delay Predictor Vorhersagemodell

Flugverspätungen



Vorhersage von Flugpreisen 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)

250

750

1250

1750

2250

12/8/2002 12/13/2002 12/18/2002 12/23/2002 12/28/2002 1/2/2003 1/7/2003Date

Pri

ce

(Knoblock 2004)


Fallbeispiel Tourismusdestination

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

Anbieterbasierte Wissensverwendung • Business Intelligence

Applikationen (DMIS)

Kundenbasierte Wissensgenerierung • Informationsbedarf • Nutzungsverhalten im Web • Buchungs-

/Konsumverhalten • Bewegungsmuster • Feedback,

Produktbewertungen

Anbieterbasierte Wissensgenerierung • Produkte/Kapazitäten • Marktteilnehmer • Marktinformationen

Wissens-generierung

Wissens-verwendung


Fallbeispiel Tourismusdestination


Fallbeispiel Smart Hotel Room

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)

Elektronische Steuerungen • Liefert Informationen über manuelle

Nutzerinteraktionen (Klimaanlage, Licht, Radio/TV)

Sensoren • Liefert Informationen über

Nutzerverhalten (z.B. Bewegungsmuster, Minibarentnahme)

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)

Anpassung / Personalisierung der Umgebung

Generierung von Nutzerprofile

Nutzerprofile


Agenda


Aktuelle BI-Trends



Zusammenfassung


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 Operatives BI


Herausforderungen & Empfehlungen

Analysieren Sie das Potential für Ihr Unternehmen Wo können neuartige Informationsquellen Ihre

Entscheidungsprozesse unterstützen? Welche Kundenprozesse können durch neuartige

Informationsquellen optimiert und personalisiert werden? Wo kann ein konkreter Kundennutzen generiert werden?

Erproben Sie die Realisierbarkeit

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 · 5. Business Intelligence und Web Data Mining . Prof....

Documents

Transcript of Business Intelligence und Web Data Mining · 5. Business Intelligence und Web Data Mining . Prof....