Wie aus Daten neue Zielgruppen werden
Transcript of Wie aus Daten neue Zielgruppen werden
Folie 1 | 04.11.2016 | © infas 360
Smart Data für kommunale Unternehmen
Wie aus Daten neue Zielgruppen werden
Folie 2 | 04.11.2016 | © infas 360
2011 kannte kaum jemand den Begriff Smartphone
Folie 3 | 04.11.2016 | © infas 360
2011 kannte kaum jemand den Begriff Smartphone
Aktuell besitzen mehr als 60% der Menschen
ein Smartphone
Folie 4 | 04.11.2016 | © infas 360
40
30
20
10
0 2010 2012 2014 2016 2018 2020
Zett
abyt
es /
Jahr
Alle zwei Jahre verdoppelt sich das digitale Datenvolumen
Das Ergebnis: Big Mobile Data
mit Ort- und Zeitbezug
Folie 5 | 04.11.2016 | © infas 360
Die neue Ausgangslage
Reale Mobilität
Virtuelle Mobilität
Beruf Privat
als entscheidende Faktoren zur Beschreibung von Aktivitäten/Bedürfnisse des Menschen
WANN, WAS, WO, WANN und WIE LANGE?
+ Zeit und Raum
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 6 | 04.11.2016 | © infas 360
Das Resultat: Mehr Wissen über unsere Lebensräume …
Reale Mobilität
Virtuelle Mobilität
Beruf Privat
Urlaub
Shoppen
Hobbies
Entertainment
Am Strand Im Fitnessstudio
Beim Einkaufen Auf dem Konzert
Zu Hause Auf der Arbeit
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 7 | 04.11.2016 | © infas 360
MEHR WISSEN. GEZIELTER HANDELN. In der Freizeit
Im Fitnessstudio
Beim Einkaufen
Im Museum
Zu Hause
Auf der Arbeit
Im Restaurant
Beim Sport
+ CRM- DATEN
+ MARKTDATEN
+ GEODATEN
+ MAFO-DATEN
Folie 8 | 04.11.2016 | © infas 360
… um gezielter Handeln zu können
Institut für angewandte Sozialwissenschaft
Data Driven Marketing In Zeiten von Big Data gezielte Antworten finden
auf WER WAS WANN WIE WO .
Datenerhebung und -entwicklung für Märkte und Zielgruppen
Marketing Research
Customer Analytics
Geo-marketing
Sozialforschung Gesundheitsforschung Markt- und Verkehrsforschung
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 9 | 04.11.2016 | © infas 360
So z.B. beschreiben Ihre Zielgruppen in Zeiten von Big Data
20 Minuten zur Arbeit
Firmen- und Gebäudegröße
Anzahl Mitarbeiter und Führungsebenen
Office-Zeiten 8h-18h
Höchste Frequenzen 8h, 12h und 18h
Nächste ÖPNV-Anbindung, in 10 Minuten
Familien m. Kindern
Prokurist
Wechselaffin
Online-Shopper
Sporthobby Tennis
E-Auto-Affin
Gewerbedaten
Arbeitsmarkt
…
Beruf Privat
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 10 | 04.11.2016 | © infas 360
Anwendungsbeispiel Menthal-App
Wie aus App-Daten
Zielgruppenwissen entsteht
Folie 11 | 04.11.2016 | © infas 360
Die Menthal-App der Universität Bonn
Die Menthal-App unterstützt einen nachhaltigen digitalen Lebensstil. Sie leistet Hilfe zu Selbsthilfe, indem sie dem Nutzer Auskunft über seinen Umgang mit dem Telefon erteilt.
Gleichzeitig erhebt die Studie das Mobilfunkverhalten tausender Nutzer.
Ca. 300.000 Downloads, davon 75.000 „Heavy-Nutzer“, alle mit Einverständnis zur umfassenden „Überwachung“
Betriebssystem Android-App, erfasst werden u.a.:
Telefonate: [anonymisierte Telefonnr., Startzeit, Endzeit]
Eingehende und ausgehende SMS und Chat Messages: [anonymisierte Telefonnr., Anzahl Buchstaben, Sendezeitpunkt],
alle im Telefonbuch des Telefons gespeicherten Telefonnummern, und kommunizieren diese (wie oben anonymisiert)
Geografische Position: Ortung über GPS des Smartphones. Ist kein kein GPS-Signal zu empfangen (Abschattung, in vielen Gebäuden selbst), so versucht das Telefon anhand der verfügbaren Mobilfunk- und Wifi-Signale die aktuelle Position zu schätzen. Die Genauigkeit der Ortung liegt i. A. zwischen 10 und 100 Metern. Konkret wird alle zwanzig Minuten eine Ortung vorgenommen [Zeitpunkt, geografischer. Längengrad, geografischer Breitengrad, Genauigkeit].
Abfragen zum Befinden, Mentalen Zuständen, Lebenszufriedenheit und Persönlichkeit
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 12 | 04.11.2016 | © infas 360
Erkenntnisbasis Raumbezug: Alleine circa 2 Milliarden möglicher Koordinaten p.a. von 75.000 Heavy-Nutzer bilden eine Basis für neue Bewegungs- und Hot-Spot-Analysen
Quelle: Alle aufgezeichneten Lokationen der Menthal-App
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 13 | 04.11.2016 | © infas 360
Je nach Analyseebene und „Zielsetzung“ ist eine Lagegenauigkeit relativ
Hier: Internationales Bewegungsprofil eines Probanden an einem Tag *
* Zusätzliches Einverständnis für Veröffentlichung der Daten liegt vor
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 14 | 04.11.2016 | © infas 360
Je nach Analyseebene und „Zielsetzung“ ist eine Lagegenauigkeit relativ
Hier: Innerstädtisches Bewegungsprofil eines Probanden*
* Zusätzliches Einverständnis für Veröffentlichung der Daten liegt vor
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 15 | 04.11.2016 | © infas 360
Hier: Generelles Heatmap-Modell für Bonn; Identifikation von 100x100 Meter HotSpots
Zur Erstellung von Heatmaps und Identifikation von HotSpots ist die Lage-genauigkeit ebenfalls (noch) relativ …
Wohnen
Arbeiten
Freizeit
DIGITAL RESEARCH MEETS REAL WORLD Handy-Koordinaten
Folie 16 | 04.11.2016 | © infas 360
Hier: HotSpots-Identifikation nach Ortsteilen in Bonn 1. Endenich (Wohnen) 2. Castell (Arbeiten) 3. Südstadt (Freizeit)
Zur Erstellung von Heatmaps und Identifikation von HotSpots ist die Lage-genauigkeit ebenfalls (noch) relativ …
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 17 | 04.11.2016 | © infas 360
Zur Identifikation eines adressgenauen HotSpot ist die Lagegenauigkeit wesentlich
Hier: Innerstädtisches Bewegungsprofil eines Probanden
Hier: Motorola Moto G, 1. Generation
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 18 | 04.11.2016 | © infas 360
Auszug aus der CASA-Profilierung
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 19 | 04.11.2016 | © infas 360
Beispiel aus der Verschneidung CASA und Nutzungsdaten
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 20 | 04.11.2016 | © infas 360
Beispiel aus der Verschneidung CASA und Nutzungsdaten
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Folie 21 | 04.11.2016 | © infas 360
Anwendungsbeispiel E-Mobility-Befragung
Wie aus Mafo-Daten operatives
Zielgruppenwissen entsteht
Folie 22 | 04.11.2016 | © infas 360 Folie 22 | SMART RESEARCH | Der CASA Monitor | 15.04.2016 | © infas 360 | Michael Herter
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Befragungsmethode: CAWI (Panel)
Stichprobengröße: 10.000
Befragungsdauer : Mindestens 10 Minuten
Frequenz: Vierteljährlich, aktuell 07/16, nächste 10/16
Klient: Multi-Client / wechselnd
Scope: Wechselnd, 07/10 Cross-Channel-Kauf mit Schwerpunkt Automotive
Special features: Anonymisierte Anreicherung der Befragungsdaten mit über 200 Merkmalen aus der CASA Datenbank.
Dadurch Generierung zahlreicher weiterer Insights und neue Anwendungsmöglichkeiten.
Potentialanalyse und Zielgruppenlokalisierung
Berechnung hausgenauer Prognosen
z.B. Berechnung von Shopper-Typen und e-Autokauf-Affinität
Der CASA-Monitor
Folie 23 | 04.11.2016 | © infas 360 Folie 23 | SMART RESEARCH | Der CASA Monitor | 15.04.2016 | © infas 360 | Michael Herter
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Daten aus der Befragung
38 Jahre weiblich 4 Pers. 7 und 10 3.900 € (Netto) Marke ca. Euro 180 ca. Euro 20 ca. Euro 420 ca. Euro 210 Store
Alter: Gender Befragte/r:
Haushaltsgröße: Alter der Kinder: HH-Einkommen:
Kaufmotiv: Ausgaben/Monat Kleidung: Ausgaben/Monat Kosmetik: Ausgaben/Monat Nahrung: -> Davon Obst & Gemüse:
Bevorzugter Shopping-Kanal:
Verknüpfung mit der CASA-Daten (über 200 mikrogeographische Daten auf Haus)
Einfamilienhaus 140m² 2008 Stadtrand Ja (10 MWh) Sehr hoch Überdurchschnittlich Bis zu 50 Mbit 500 Meter 1800 Meter 1,5 Km
Wohngebäude: Wohnfläche:
Baujahr: Lage:
Solaranlage: Mieten:
Kaufkraft: Breitband:
Next Supermarkt: Next Aldi:
Next Shopping-District:
+ Smart Research: Befragung inkl. Big Data Enrichment und Prognose (Zwillingssuche)
=
+
Folie 24 | 04.11.2016 | © infas 360 Folie 24 | SMART RESEARCH | Der CASA Monitor | 15.04.2016 | © infas 360 | Michael Herter
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Etwas mehr als jeder Dritte wäre „nur“ bereit für ein e-Auto bis 10% mehr zu zahlen
Ja 26,5%
Nein 73,5%
Ja
38,2%
16,8%
26,5%
13,4%
5,2%
0% 10% 20% 30% 40% 50%
bis 10% mehr
> 10% bis 15% mehr
> 15% bis 20% mehr
> 20% bis 40% mehr
>40% mehr
Wären Sie bereit für ein Elektro-Auto mehr zu zahlen? Wieviel Prozent wären Sie bereit für ein Elektro-Auto mehr zu zahlen?
n=4591
n=1216, Mehrfachauswahl möglich Quelle: infas 360 / EuPD Research 2016
Folie 25 | 04.11.2016 | © infas 360 Folie 25 | SMART RESEARCH | Der CASA Monitor | 15.04.2016 | © infas 360 | Michael Herter
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Regionale Verteilung der Kaufinteressierten für e-Autos innerhalb der nächsten 12 Monate
Folie 26 | 04.11.2016 | © infas 360 Folie 26 | SMART RESEARCH | Der CASA Monitor | 15.04.2016 | © infas 360 | Michael Herter
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Nutzer solarer Energie doppelt so hoch kaufinteressiert
Ja 3,3%
Nein 96,7%
Photovoltaik-Anlage (PV) installiert Beabsichtigen Sie in den nächsten 12 Monaten ein Elektro-Auto zu kaufen?
n=9868 Quelle: infas 360 / EuPD Research 2016
9,3%
4,4%
67,3%
73,2%
23,3%
22,4%
0% 20% 40% 60% 80% 100%
Besitzer PV-Anlage(n=150)
Keine PV-Anlage(n=4012)
Ja Nein Vielleicht
Was sind / könnten Gründe sein, dass Sie sich für ein E-Auto entscheiden?: Man kann den Strom über Solarzellen selbst erzeugen
29,3%
16,5%
Folie 27 | 04.11.2016 | © infas 360 Folie 27 | SMART RESEARCH | Der CASA Monitor | 15.04.2016 | © infas 360 | Michael Herter
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Resultat: Detaillierte Zielgruppeninformationen inkl. mikrogeographisches Profil
Haupt-Kaufgrund ist Emissionssenkung
56% kennen die Kaufprämie
87,6% möchten Auto zu Hause aufladen
57% erwarten vom Stromversorger
Ladeinfrastruktur
Kaufinteressierte mit Solar sind doppelt so
häufig vertreten
eher städtisches und stadtnahes Profil
eher Jüngeres Umfeld gering erhöhter
Kaufkraft
eher klassisches Doppelhaushälfte und
Mehrparteien
Altersgruppe 31-45 Jahre
Folie 28 | 04.11.2016 | © infas 360 Folie 28 | SMART RESEARCH | Der CASA Monitor | 15.04.2016 | © infas 360 | Michael Herter
SMART DATA FÜR KOMMUNALE UNTERNEHMEN
Zielgruppenprofil in der Stadt Troisdorf
Folie 29 | 04.11.2016 | © infas 360
Michael Herter Geschäftsführer +49 (0)228/74887-360 [email protected] infas 360 GmbH Ollenhauerstraße 1 53113 Bonn www.infas360.de
Vielen Dank für Ihre Aufmerksamkeit!