Kulturplanner Impulse- Big Data als Basis für den IT- gestützten "Forecast" der besuchermäßigen...

20.2.2014

„Big Data als Basis für den IT-gestützten „Forecast” der

besuchermäßigen sowie finanziellen Auslastung von

Vorstellungen und Produktionen als Basis für gezielte

Maßnahmen im Marketing und Vertrieb

Univ. Prof. Dr. A. Rauber, Michael Heil, Gerald Stockinger

KULTURPLANNER Impulse

BIG DATA ANALYTICS

München

Münchén, 20. Februar 2014 www.kulturplanner.com Kulturplanner Impulse

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Big Data als Basis für IT-gestütztenForecast der Auslastung von

Vorstellungen und Produktionen

Ao.univ.Prof. Andreas Rauber,Michael Heil

Department of Software Technology and Interactive Systems

Vienna University of [email protected]

http://www.ifs.tuwien.ac.at/~andi

Gerald Stockinger

Graf Moser Management GmbH

[email protected]://www.kulturplanner.com

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Big Data @ ifs

Offshore platform located in the Gulf of Mexico, port location Cd. Del Carmen. http://flickr.com/photos/22437367@N00 Chad Teer] from Coquitlam, Canada

The Library of Babel. Marianne Gunderson, http://www.flickr.com/photos/asfaltkatt/8510502695/

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Big Data @ KulturViele Daten & Viele Methoden

Viele Analysemöglichkeiten

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Big Data


- Welche Fragen sind relevant / interessant?

- Wie gut müssen die Antworten sein, welche die

Verfahren liefern?

- Wie gut sind die derzeitigen Antworten?

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Machbarkeitsstudie

Ziel: Verwendung bisheriger Verkaufsdaten zur Prognose zukünftiger Verläufe

Werkzeuge: Data Mining und Zeitreihenanalyse- Basieren auf Statistik und maschinellem Lernen- „Predictive Analytics“

Der Computer soll ein „Bauchgefühl“ bekommen- Es soll aus vergangenen Situationen gelernt werden und durch

Analogieschlüsse Vorhersagen gemacht werden- Erfahrungen können jedoch nur auf vorhandene Daten und

darin enthaltene Konstellationen/Situationen gestützt werden

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Rahmenbedingungen

Ticketverkäufe eines En-Suite-Betriebs

Zeitraum: 8 Jahre

3.200.000 Ticketverkäufe sowohl an Endkunden als auch Partnerunternehmen- Verkäufe betreffen 50 Veranstaltungen bzw. 3.250

Vorstellungen- Davon sind 8 große Veranstaltungen und 3.000 Vorstellungen

effektiv nutzbar

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Auswahl der Ziele

Analyse typischer Verkaufsverläufe von Vorstellungen

Auslastungsvorhersage einzelner Vorstellungen- Herunterbrechen auf einzelne Preiskategorien

Verkaufsvorhersage laufender Veranstaltungen

Generell: Verhalten des Endkunden

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Datenaufbereitung

Extraktion von Daten aus Ticketing-System

Bereinigung von- Mehrfachbezeichnungen (Stemming)- Falscheingaben- Unbrauchbare Daten

Erweiterung um Attribute wie- Wetter- Google Trend- Feiertage/Ferien

Aufbereitung für die Verarbeitung durch Data Mining

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Datenquellen

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Typische Verkaufsverläufe

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Vorstellung des Verlaufs 0

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Typische Verkaufsverläufe

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Szenario I

Vorhersage des Verkaufsmusters und der Auslastung jedes zukünftigen Tages einer beliebigen Vorstellung zu verschiedenen Stichtagen

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Vorstellung x – Tag 125

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .


. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Szenario II

Vergleich dieser Vorhersage-Methode mit klassischem Ansatz- Dieser basiert auf einer einfachen Formel mit drei Parametern

und beinhaltet einen manuell geschätzten Anteil

445 Szenarien aus 246 Vorstellungen einer Veranstaltung über einem Zeitraum von 10 Monaten

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Vergleich Klassisch – Data Mining

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Szenario III

Entscheidung über Verlängerung einer laufenden Veranstaltung

Ausgangslage:- Veranstaltung läuft bereits etwa 200 Tage- Spielplan umfasst 10 weitere Monate- Verkaufszahlen für etwa 200 Tage nach Entscheidungsstichtag

verfügbar

Zur Entscheidungsstützung: Verkaufszahlenvorhersage für gesamtes nächstes Jahr

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Veranstaltung y – Gesamt

Ø Abw.: 92,217Endabw.: 841

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Veranstaltung y – Detail I

Ø Abw.: 92,217Endabw.: 841

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Veranstaltung y – Detail II

Ø Abw.: 92,217Endabw.: 841

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Weitere Auswertungen

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Folien Gerald Stockinger:Screenshot Kulturplanner

-> Demo

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ansätze für Folgeprojekte

Umsetzung in Repertoire-Betrieben Technische Erweiterungen wie:

- Finanzielle Äquivalente als Zielmerkmale• Um bewussten Eingriffe in das Kaufverhalten durch verkaufsfördernde

Maßnahmen teilweise vorzubeugen

- Einbinden weiterer Informationsquellen- Erweiterung des Datenumfangs

• Je mehr, desto mehr Situationen darin enthalten

- Berücksichtigung von Großkundenverkäufen durch Umlage- …

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Datenquellen – alt

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Datenquellen – neu

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Zusammenfassung


- Welche Fragen sind relevant / interessant?

- Wie gut müssen die Antworten sein, welche die

Verfahren liefern?

- Wie gut sind die derzeitigen Antworten?

(Präzision? Nachvollziehbarkeit? …)

Kulturplanner Impulse- Big Data als Basis für den IT- gestützten "Forecast" der besuchermäßigen...

Technology

Transcript of Kulturplanner Impulse- Big Data als Basis für den IT- gestützten "Forecast" der besuchermäßigen...