• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Big Data and advanced analytics
 

Big Data and advanced analytics

on

  • 58,806 views

Big Data is plenty big, and it's getting bigger. By using advanced analytics, companies are figuring out how to turn that data into value, sales, and growth to beat out the competition.

Big Data is plenty big, and it's getting bigger. By using advanced analytics, companies are figuring out how to turn that data into value, sales, and growth to beat out the competition.

Statistics

Views

Total Views
58,806
Views on SlideShare
22,442
Embed Views
36,364

Actions

Likes
175
Downloads
2
Comments
3

73 Embeds 36,364

http://www.linkedin.com 22315
https://www.linkedin.com 8329
http://blog.zenoss.com 2427
http://www.scoop.it 1820
http://futurecmo.org 266
http://www.maddyness.com 211
http://www.pridea.sk 199
http://huguesrey.wordpress.com 96
https://twitter.com 90
http://scoop.mheir.com 89
http://blog.c24.co.uk 87
https://www.facebook.com 75
http://athamim.blogspot.co.uk 56
http://www.facebook.com 45
http://strategicdesignagency.com 44
https://tasks.crowdflower.com 34
http://pipelinemarketingalliance.blogspot.com 33
http://crowdflower.com 22
https://ja-jp.facebook.com 10
http://athamim.blogspot.ca 10
http://pinterest.com 9
http://blog.jonathanfrei.com 9
http://www.twylah.com 6
http://cloud.feedly.com 5
http://www.americanaraballiance.com 4
http://www.pinterest.com 4
http://feeds.feedburner.com 4
http://inoreader.com 4
http://spotlightideas.co.uk 3
http://www.notsizedata.com 3
https://www.rebelmouse.com 3
https://m.facebook.com 3
https://content-preview.socialcast.com 2
http://news.google.com 2
http://safe.txmblr.com 2
https://content-preview-philips.socialcast.com 2
http://www.strategicdesignagency.com 2
http://blackhaturricane.collected.info 2
https://fr.twitter.com 2
http://athamim.blogspot.com 2
http://webcache.googleusercontent.com 1
http://www.diffbot.com&_=1360850219686 HTTP 1
http://www.diffbot.com&_=1360947271769 HTTP 1
http://futurecmo.wordpress.com 1
http://www.diffbot.com&_=1360936234388 HTTP 1
http://www.diffbot.com&_=1360932981736 HTTP 1
http://www.diffbot.com&_=1360894586796 HTTP 1
http://www.diffbot.com&_=1360894568798 HTTP 1
http://buzzingtribe.com 1
http://www.diffbot.com&_=1360853576264 HTTP 1
More...

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel

13 of 3 previous next Post a comment

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
  • Join probux now and earn every 60 seconds!
    NO INVESTMENTS!
    100% FREE!
    100% LEGIT!
    For a more detailed explanation about probux, visit my blog...
    http://earnmoneywithprobuxasbusiness.blogspot.com/
    Are you sure you want to
    Your message goes here
    Processing…
  • ETPIK - Eksportir Terdaftar Produk Industri Kehutanan

    Peraturan Menteri Perdagangan 20/M-DAG/PER/5/2008 Ketentuan Ekspor Produk Industri Kehutanan

    Persyaratan ETPIK:

    1. Copy NPWP Perusahaan.

    2. Copy SIUP.

    3. Copy TDP

    4. Asli Berita Acara Pemeriksaan dan Rekomendasi dari Instansi Teknis di daerah setempat yang membina bidang industri kehutanan

    5. Copy TDI atau IUI.

    6. Copy KTP Direktur.

    - Lama proses : 7 hari kerja, harga : Rp 4.000.000,-
    - Payment setelah terbit
    - Dokumen pick up and delivery system (sistem antar jemput) khusus Jabodetabek, luar kota pakai TIKI

    CORPORATE LEGAL SERVICES.
    http://www.saranaijin.com

    Komplek Ruko Segitiga Atrium Blok A1 Lt 2 Jl. Senen Raya No. 135 Jakarta Pusat 10410.
    Tep: +(62) 21- 34833034.
    Fax : +(62) 21- 34833038
    Mobile: 081585427167
    Pin BB 285200BC
    Contact Person: M. Samosir, SH
    Email: legal@saranaizin.com
    Are you sure you want to
    Your message goes here
    Processing…
  • Thank you! Was just what i was after
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • Tesco have undergone a 20 year journey contributing to a increase in net profit Becoming insights-driven is a multiyear journeyThe journey is phased to deliver value at early stageToday "100% data", production of insights, continuous view across all aspects of the business"[insight] is used all over the business, not just in marketing but in the property programme, decisions on which product ranges to stock and in under-standing how different types of customers are responding to what we do"– Caroline Bradley, Marketing Director
  • Big Data: Creatively source internal and external data / Upgrade IT architecture and infrastructure for easy merging of data (Distinguish irrelevant and relevant data)Optimization Models: Focus on the biggest drivers of performance / Build models that balance complexity with ease of use (Translate data into insights)Organizational Transformation: Create simple, understandable tools for people on the front lines / Update processes and develop capabilities to enable tool use (Turn insights into impactful frontline actions)Definition of insightThe discovery of something fundamental about a consumer’s need, which business strategies and tactics can leverage to create customer value and competitive advantage3 guidingprinciples: - Decisionbackwards- Stepbystep- Test andlearnBuild the capability by starting with the business decisions you want to drive and working backwardYou need each element in place … a chain is only as strong as its weakest link“Test and learn” moves from data to decision, and from decision back to the data with which to measure the outcomeBig Data is only as relevant for a company as the business problem that it can solveBig Data projectsareprimarilybusiness initiatives andonlysecondarilytechnologyefforts
  • Client hadonly a rudimentarysegmentationofitscustomers, based on, forexample, genderorregion, despitesignificantdataavailabilityfromloyaltycard
  • WIE: Kunden klueger segmentiert und selektiert an Hand von Kaufverhalten, Verbindung einer transaktions- und kundenwertbasierten mit einer einstellungsorientierten Segmentierung für noch vollständigere Kundenprofile, Selektion von Kunden mit der höchsten Kaufwahrscheinlichkeit für bestimmte Produkte und Kampagnen, Vorhersage und Ansprache von Kunden mit hohem AbwanderungsrisikoWARUM ADVANCEDANALYTICSAND BIG DATA: Über 2 Mill Kunden, mit über 10 Mill Transaktionen, über 100 Kampagnen pro Jahr, analysiert mit Hilfe relationaler Datenbanken (MS SQL Server, IBM DB/2) und Statistiksoftware (SAS, SPSS), einige der statistischen Methoden die wir verwendet haben: Regressionsanalyse, Clustering, Multidimensional Scaling, Kundenwert- und NPTB-Modelle
  • WIE: Kunden klueger segmentiert und selektiert an Hand von Kaufverhalten, Verbindung einer transaktions- und kundenwertbasierten mit einer einstellungsorientierten Segmentierung für noch vollständigere Kundenprofile, Selektion von Kunden mit der höchsten Kaufwahrscheinlichkeit für bestimmte Produkte und Kampagnen, Vorhersage und Ansprache von Kunden mit hohem AbwanderungsrisikoWARUM ADVANCEDANALYTICSAND BIG DATA: Über 2 Mill Kunden, mit über 10 Mill Transaktionen, über 100 Kampagnen pro Jahr, analysiert mit Hilfe relationaler Datenbanken (MS SQL Server, IBM DB/2) und Statistiksoftware (SAS, SPSS), einige der statistischen Methoden die wir verwendet haben: Regressionsanalyse, Clustering, Multidimensional Scaling, Kundenwert- und NPTB-Modelle
  • IMPACT: 10 - 15% Wachstum im Umsatz von Direct Mailing (zB durch 20% erhöhte Conversions und 25% größere Warenkörbe)TRANSFORMATIONTrained client staff from day 1Restructured CLM organizationHired CRM analysts and managerCoached analytics team to segment customers and build predictive modelsin 1 roomFully integrated *McK&client( team with joint project plan and task listMcK Team used client IT systems in order to ease the implementation Rollout into additional countries done independently by client team members (McKinsey only supports)
  • WHATThe number of consumer products is increasing every day. The shelf space of retailers is limited.
  • Traditional approach would use excel sales ranking but this would not take into account substitution and uniqueness of specific skus.We found a new way to select those products that are relevant for the customer.
  • Traditional approach would use excel sales ranking but this would not take into account substitution and uniqueness of specific skus.We found a new way to select those products that are relevant for the customer.
  • Our methodology leverages advanced statistical methods like dendograms and entropy models to combine and analyze different data sets (like shopping baskets, loyalty card data, consumer panel data,...)
  • Our methodology leverages advanced statistical methods like dendograms and entropy models to combine and analyze different data sets (like shopping baskets, loyalty card data, consumer panel data,...)
  • McKinsey applies a methodology that allows us to calculate how a shoppers looks at the shelf and visualizes the decision making journey in a 'customer decision tree' (eg brand first, price level second, pack size third, functionality fourth ...). By this we can create the 'optimal product selection' and even calculate what happens if we take a product out of the shelf - how many customers walk away and how many switch to another SKU At a store level Ability to quantify business impact (based on expected volume transfers) for retailer (at store level) and manufacturerNOTE: We combine Art and Science, not just science, so there is still some Category expertise to bring to the mix for making the shelf looking good (e.g., with blocking of colors)
  • WAS: Analyse und Optimierung von Retail-Netzwerken, insbesondere Retail-BankenWIE: Basierend auf aktuellen Kundenstamm, demographische Faktoren und Wettbewerbsintensität wird für jeden einzelnen Store des Klienten ein optimales Store-Format zugewiesen. Interdependenzen und Kannibalisierung zwischen den Stores werden in die Optimierung einbezogen. Je nach Fokus des Klienten kann der Schwerpunkt auf Netzwerkreduktion (weniger Standorte), White-Spot Analyse (neue Standorte) oder Potentialoptimierung (gleiche Standorte besser nutzen) gelegt werden.WARUM ADVANCEDANALYTICSAND BIG DATA: In Klientensituation mit Fokus auf Potentialoptimierung Analyse von 7 Millionen Kunden und mehr als 1000 Stores. Mittels Verfahren aus der ComputationalGeometry sowie Integer Programming Techniken wurde ein Netzwerk mit mehr als 7 Milliarden potentiellen Kanten analysiert und mit Hilfe von Parallelisierungs-Techniken auf sechs Computern innerhalb von zwei Wochen berechnet.
  • WAS: Analyse und Optimierung von Retail-Netzwerken, insbesondere Retail-BankenWIE: Basierend auf aktuellen Kundenstamm, demographische Faktoren und Wettbewerbsintensität wird für jeden einzelnen Store des Klienten ein optimales Store-Format zugewiesen. Interdependenzen und Kannibalisierung zwischen den Stores werden in die Optimierung einbezogen. Je nach Fokus des Klienten kann der Schwerpunkt auf Netzwerkreduktion (weniger Standorte), White-Spot Analyse (neue Standorte) oder Potentialoptimierung (gleiche Standorte besser nutzen) gelegt werden.WARUM ADVANCEDANALYTICSAND BIG DATA: In Klientensituation mit Fokus auf Potentialoptimierung Analyse von 7 Millionen Kunden und mehr als 1000 Stores. Mittels Verfahren aus der ComputationalGeometry sowie Integer Programming Techniken wurde ein Netzwerk mit mehr als 7 Milliarden potentiellen Kanten analysiert und mit Hilfe von Parallelisierungs-Techniken auf sechs Computern innerhalb von zwei Wochen berechnet.
  • WAS: Analyse und Optimierung von Retail-Netzwerken, insbesondere Retail-BankenWIE: Basierend auf aktuellen Kundenstamm, demographische Faktoren und Wettbewerbsintensität wird für jeden einzelnen Store des Klienten ein optimales Store-Format zugewiesen. Interdependenzen und Kannibalisierung zwischen den Stores werden in die Optimierung einbezogen. Je nach Fokus des Klienten kann der Schwerpunkt auf Netzwerkreduktion (weniger Standorte), White-Spot Analyse (neue Standorte) oder Potentialoptimierung (gleiche Standorte besser nutzen) gelegt werden.WARUM ADVANCEDANALYTICSAND BIG DATA: In Klientensituation mit Fokus auf Potentialoptimierung Analyse von 7 Millionen Kunden und mehr als 1000 Stores. Mittels Verfahren aus der ComputationalGeometry sowie Integer Programming Techniken wurde ein Netzwerk mit mehr als 7 Milliarden potentiellen Kanten analysiert und mit Hilfe von Parallelisierungs-Techniken auf sechs Computern innerhalb von zwei Wochen berechnet.
  • WAS: Analyse und Optimierung von Retail-Netzwerken, insbesondere Retail-BankenWIE: Basierend auf aktuellen Kundenstamm, demographische Faktoren und Wettbewerbsintensität wird für jeden einzelnen Store des Klienten ein optimales Store-Format zugewiesen. Interdependenzen und Kannibalisierung zwischen den Stores werden in die Optimierung einbezogen. Je nach Fokus des Klienten kann der Schwerpunkt auf Netzwerkreduktion (weniger Standorte), White-Spot Analyse (neue Standorte) oder Potentialoptimierung (gleiche Standorte besser nutzen) gelegt werden.WARUM ADVANCEDANALYTICSAND BIG DATA: In Klientensituation mit Fokus auf Potentialoptimierung Analyse von 7 Millionen Kunden und mehr als 1000 Stores. Mittels Verfahren aus der ComputationalGeometry sowie Integer Programming Techniken wurde ein Netzwerk mit mehr als 7 Milliarden potentiellen Kanten analysiert und mit Hilfe von Parallelisierungs-Techniken auf sechs Computern innerhalb von zwei Wochen berechnet.
  • WAS: Analyse und Optimierung von Retail-Netzwerken, insbesondere Retail-BankenWIE: Basierend auf aktuellen Kundenstamm, demographische Faktoren und Wettbewerbsintensität wird für jeden einzelnen Store des Klienten ein optimales Store-Format zugewiesen. Interdependenzen und Kannibalisierung zwischen den Stores werden in die Optimierung einbezogen. Je nach Fokus des Klienten kann der Schwerpunkt auf Netzwerkreduktion (weniger Standorte), White-Spot Analyse (neue Standorte) oder Potentialoptimierung (gleiche Standorte besser nutzen) gelegt werden.WARUM ADVANCEDANALYTICSAND BIG DATA: In Klientensituation mit Fokus auf Potentialoptimierung Analyse von 7 Millionen Kunden und mehr als 1000 Stores. Mittels Verfahren aus der ComputationalGeometry sowie Integer Programming Techniken wurde ein Netzwerk mit mehr als 7 Milliarden potentiellen Kanten analysiert und mit Hilfe von Parallelisierungs-Techniken auf sechs Computern innerhalb von zwei Wochen berechnet.
  • Only McKinsey advancedanalyticscandeliveracrossentirevaluechain
  • …andhired a broadrangeofanalyticalexpertsfromcompanies such asIpsos, Amazon, AT&T, dunnhumby, Sprint, Citibank, eTrade~140 advanced analytics practitioners worldwideSecure data centers opening soon in AtlantaOffshoring capability in IndiaMulti-terabyte hosting environmentLogical data modelsETL, data cleansing and householdingHeuristics for matching disparate customer / household dataProprietary data sets (e.g., CLM Panel, eConsumer, etc.)
  • …andhired a broadrangeofanalyticalexpertsfromcompanies such asIpsos, Amazon, AT&T, dunnhumby, Sprint, Citibank, eTrade~140 advanced analytics practitioners worldwideSecure data centers opening soon in AtlantaOffshoring capability in IndiaMulti-terabyte hosting environmentLogical data modelsETL, data cleansing and householdingHeuristics for matching disparate customer / household dataProprietary data sets (e.g., CLM Panel, eConsumer, etc.)

Big Data and advanced analytics Big Data and advanced analytics Presentation Transcript