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.
CORPORATE LEGAL SERVICES at CORPORATE LEGAL SERVICESETPIK - 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.com1 month ago
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.)
Net profitIndexed675 All promotions post-evaluated All range reviews use substitutability analysis Shopper panel launch "Value index" integrates price and promotion indices Rollout to international markets £1billion given back to customers Macro space optimization Standard reporting of customer insight KPIs and analytics Coupons@Till Promotions data Tesco personal finance launch Clubcard relaunched with key fobs Tesco baby club launch, followed by wine club Promotions cut by 1/4, customer perception improves Revise price strategy to price- sensitive customers Assortment tool 100% data Lifestyles segmentation Price sensitivity segmentation First statement mailing Tesco.com launched 10% data Finest launched Clubcard launched Identify "gaps" in baskets100 Pilot with basket data from 14 stores 1991 1995 2000 2005 2010
Capturing value from Advanced Analytics … Big data … is based on 3 guiding principles Decision backwards Predictive and Step by step optimization Test and learn modelsOrganizationaltransformation
example Direct mailing campaign
The traditional approachDirect mailing based ongeneric segmentation
Regression + clusteringbased on transactionhistoryPredictive modeling basedon customer preferences> 100 campaigns per year> 2 million customers> 10 million transactions
Customer value modelingIntelligent segmentationfor direct mail campaigns
Control group Test group Average profitfrom promoted products EUR 0.08 EUR 0.31 + 288% Impact Average profit from whole basket EUR 0.32 EUR 0.79 + 147%
example Next product to buy
80 million consumers100 million transactions
Multivariate statisticsAssociation rule analysis
"infrequent shoppers" Are being offered the most probable recommendation Get recommendations "frequent shoppers" to generate maximum margin Receive recommendations from other categories to broaden "site lovers" their purchase behavior
USD 1 billion identified Impact USD 300 million already realized within 6 months
example Assortment optimization
The traditional approach
The traditional approachGeneric allocationof limited shelf spaceSKUs ranked by salesNo substitutionof SKUs consideredLimited granularity
The Big Data approach
Terabytes of dataMulti-year transaction dataConsumer panel dataLoyalty card data
Market Segment 1 Segment 2 Advanced statistical methods Brand A Brand B Multidimensional scaling (consumer decision tree)Type 1 Type 2 Type 1 Type 2 ▪ Actual behavior (switching, walk rates) Flavor 1 Flavor 2 ▪ Statistically relevant ▪ Optimal SKU selection per store Size 1 Size 2 ▪ Predictive sales forecast
Revenue growth more than Impactdouble the category growth in the market
example Optimizing branch networks
Segment customersbased on channelbehaviour and 0.08 FTEwillingness to travel Determine required capacity by customer and plot capacity within micromarket using geo- marketing methodsDefine branch con-cepts (e.g., advicebranch) in line withmulti-channel strategy
0.08FTE 4.3 14.1 9.2 Assess footprint risk profile 6.4 and adjust if risks are too high 9.4 2.4
4.3 14.1 9.2 Optimize locations to set6.4 up branch for success 9.4 2.4
Carefully plan and execute micromarket transition
Multiple scenarios based on 90 processes 7 million customers 1,000 branches
40% cost reduction Impact< 1% revenue at risk
A new approach
Data Data consultanciesModels IT software vendorsTransformation Management consultants
Data Center infrastructure to supportData Tb+ datasets Analytics Center of Competence DeliveringModels with state-of the-art statistics end-to-end Solutions Office (MSO) selects, modifies, builds and implements software capabilities IT – BTO with experience in implementing sustain- able solutions in existing IT landscape Process – broad expertise in ops, technology, merchandizing, etc.Transformation People – capability building, transformational change, organizational design Strategy – decades of experience in developing and implementing strategies
Big Data & Advanced Analytics: Success Storiesfrom the Front Lineshttp://www.forbes.com/sites/mckinsey/2012/12/03/big-data-advanced-analytics-success-stories-from-the-front-lines/Making Advanced Analytics Work For Youhttp://cmsoforum.mckinsey.com/article/making-advanced-analytics-work-for-you Additional ReadingThe One Tool You Need to Make Big Data Work: from McKinseyThe Pencilhttp://www.forbes.com/sites/mckinsey/2012/10/09/the-one-tool- Advanced Datayou-need-to-make-big-data-work-the-pencil/ and AnalyticsGetting Beyond the Buzz: Is Your Social MediaWorking?http://cmsoforum.mckinsey.com/article/getting-beyond-the-buzz-is-your-social-media-workingSimplify Big Data - Or Itll Be Useless for Saleshttp://cmsoforum.mckinsey.com/article/simplify-big-data-or-itll-be-useless-for-sales
tim_mcguire@mckinsey.comMcKinsey Consumer Marketing Analytics Center thank you Vicky & Tanja inspired by Gerhard Richter
Let LinkedIn power your SlideShare experience
+
Let LinkedIn power your SlideShare experience
Customize SlideShare content based on your interests
We will import your LinkedIn profile and you will be visible on SlideShare.
Keep up to date when your LinkedIn contacts post on SlideShare
Nuno Fernandes
1–2 of 2 previous next