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


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


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


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


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


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


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


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 …


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


Folie 18 | 04.11.2016 | © infas 360

Auszug aus der CASA-Profilierung


Folie 19 | 04.11.2016 | © infas 360

Beispiel aus der Verschneidung CASA und Nutzungsdaten


Folie 20 | 04.11.2016 | © infas 360

Beispiel aus der Verschneidung CASA und Nutzungsdaten


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


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



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)

=

+



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



Regionale Verteilung der Kaufinteressierten für e-Autos innerhalb der nächsten 12 Monate



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%



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



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!

Wie aus Daten neue Zielgruppen werden

Marketing

Transcript of Wie aus Daten neue Zielgruppen werden