Cyberforum RoundTable "Social Media Strategie & Planung"
Smart Data Workshop
1. www.td-berlin.com
SMART DATA WORKSHOP
Neue Datenquellen für die Wirkungsmessung sozialer Projekte?
17. November 2016
Gufeng Zhou, Birte Schaper, Nadja Büttner, Kristina Bongardt
3. Agenda
Smart Data Quellen
Gallery Walk
15min pro Datenquelle/Station
+ 10min Kaffeepause
Input zu Smart Data &
Gruppen-Einteilung
Offene Diskussion zum
Ausblick & Reflektion
14:30 – 14:50
14:50 – 16:30
16:30 – 17:00
Smart Data Workshop by td Berlin @ labtogether 2016
5. Google Search Data:
Das Messen von Interesse
https://www.google.de/trends/
Regionale
Verteilung
Verwandte
Suchanfragen
Zeitverlauf
Beispiel: Google Trends
Smart Data Workshop by td Berlin @ labtogether 2016
6. Google Search Data:
Das Messen von Interesse
https://www.google.de/trends/
• Die Analyse von Google Suchdaten gibt
Aufschluss über das Interesse der
Gesellschaft an konkreten Themen,
Personen und Produkten
• Mit Hilfe von Google Trends lässt sich die
Popularität einzelner Begriffe im Zeitablauf
analysieren, was Rückschlüsse auf sich
formierende Trends in der Welt, einem Land
oder einer Region erlaubt
• Dies ermöglicht weitere Analysen wie die
Korrelation des Suchvolumens von Themen
mit anderen Themen (Google correlate) oder
bestimmten Ereignissen
• Diese Korrelationen erlauben Aussagen über
den Effekt von Ereignissen (z.B. Kampagnen,
Veröffentlichungen), sowie die Vorhersage
bestimmter Ereignisse (Beispiel Suche nach
Grippe und tatsächliche Verbreitung)
Smart Data Workshop by td Berlin @ labtogether 2016
7. Google Search Data: Nach Veröffentlichung der Studie zu
Kinderarmut der BM Stiftung steigen die Suchen zu dem Begriff
https://www.bertelsmann-stiftung.de/de/themen/aktuelle-meldungen/2016/september/kinderarmut-in-
deutschland-waechst-weiter-mit-folgen-fuers-ganze-leben/
12.09.2016, Studie der Bertelsmann Stiftung:
„Kinderarmut in Deutschland wächst weiter –
mit Folgen fürs ganze Leben“
Smart Data Workshop by td Berlin @ labtogether 2016
8. 0
20
40
60
80
100
Nov. 11 Mai. 12 Nov. 12 Mai. 13 Nov. 13 Mai. 14 Nov. 14 Mai. 15 Nov. 15 Mai. 16
HeForShe Gender Equality
Google Search Data: Emma Watsons „HeForShe“ Kampagne
führt zu einer Steigerung der Suchen nach Gender Equality
https://www.google.de/trends/
September 2014
Emma Watson HeForShe Speech at UN March 2015
Emma Watson Live Chat on Facebook
March 2016
HeForShe Art Week Launch
Smart Data Workshop by td Berlin @ labtogether 2016
9. Google Search Data: Electionland, ein Projekt von ProPublica
und Google zur Messung von Unregelmäßigkeiten am Wahltag
https://projects.propublica.org/electionland/Smart Data Workshop by td Berlin @ labtogether 2016
10. Online Text Data:
Das Messen von Meinungen
https://trend-sonar.com/
Quellen Art
Zeitverlauf &
Prognose
Alle Artikel zum
Thema
Subthemen
Beispiel: Sonar
Smart Data Workshop by td Berlin @ labtogether 2016
11. Online Text Data:
Das Messen von Meinungen
• Die Analyse von Online-Gesprächen wie
Nachrichten, Blogs, Foren und Posts in Social
Media Kanälen wie Facebook, Twitter oder YouTube
ermöglicht Einblicke in und Perspektiven von
Bedürfnisse und Meinungen von Personen
• Mit Hilfe von Buzz Listening Tools lässt sich
quantifizieren, wie intensiv (Buzz Volumen) auf
welchen Kanälen über bestimmte Themen und
Aspekte im Zeitverlauf gesprochen wird
• Text AnalyticsTools erlauben zudem die
automatisierte qualitative Analyse von Dokumenten,
also beispielsweise wie positiv oder negativ
(Sentiment) und worüber (z.B. als Textcloud)
gesprochen wird.
• So lassen sich beispielsweise Aussagen darüber
treffen, wie erfolgreich eine Kampagne war, worüber
die Gesellschaft vermehrt diskutiert oder was sie an
bestimmten Themen oder Produkten stört
Smart Data Workshop by td Berlin @ labtogether 2016
Tools
Tool-
Einblicke
Beispielhafte
Datenquellen
12. news
50%
facebook
19%
forum
14%
twitter
10%
blog
4%
Others
3%
…Känale
Online Text Data: Diskussion über und Probleme mit
Blutspenden analysieren und verstehen
0
500
1000
1500
2000
2500
Buzzvolume Blutspende in Deutschland
April 2015
News: Homosexuelle und Blutspende
Juni 2015
Weltblutspendetag
Juni 2016
Weltblutspendetag
Feb 2016
Zugunglück in Bayern: Aufruf zur Blutspende
Diskussionen nach
…Bundeslandändern
DRK
86%
BRK
10%
Haema
4%
…Organisationen
Stammzell
40%
Blutplasma
33%
Vollblut
17%
Thrombozyten
10%
…Spendenarten
187
314
443
Wo kann man spenden?
Wie oft kann man spenden?
Wer darf spenden?
Top 3 Fragen
https://brandwatch.com/Smart Data Workshop by td Berlin @ labtogether 2016
13. Online Text Data: Textdaten-Analyse zur Optimierung von
Fundraising
http://www.datakind.org/projects/helping-great-causes-get-funded/
Ausgangslage
• GlobalGiving ist viel mehr als nur eine
Fundraising-Website. Neben der Verwaltung
von Spendengeldern hilft GlobalGiving
Organisationen, die Effizienz ihrer
Fundraising Aktivitäten zu verbessern und
ihre Wirkung zu erhöhen.
Vorgehen
• GlobalGiving untersuchte bisherige
Fundraising-Kampagnen oder Projekte, um
zu ermitteln, welche Faktoren dazu führen,
dass Projekte erfolgreich finanziert werden.
• Sie wollten wissen: Gab es eine Formel für
den Projekterfolg?
Ergebnis
• Durch die Textanalyse der Wörter auf jeder
Projektseite fanden sie Korrelationen
zwischen der Spezifität der Sprache und dem
Projekterfolg.
• Organisationen waren z.B. weniger
erfolgreich, wenn sie generische Worte wie
"Kunst" versus ein konkretes Projekt wie
"eine Fotografie-Ausstellung“ verwendeten.
• Erfolgreiche Projekte erreichten in der Regel
ihre Finanzierungsziele innerhalb der ersten
zwei Monate nach der Entsendung des
Projekts.
Smart Data Workshop by td Berlin @ labtogether 2016
14. Web Analytics Data:
Das Messen von Online Verhalten
Visits über
die Zeit
Total Visits
Traffic Sources
Verwandte Visits
Beispiel: Similar Web
Smart Data Workshop by td Berlin @ labtogether 2016
15. Web Analytics Data
Das Messen von Nutzungsverhalten
• Die Analyse von Webseiten- & App-Daten liefert
quantifizierbare Erkenntnisse über die Nutzung
von einer Seite oder App
• Mithilfe von Web Analytics Tools kann die
Performance von verschiedenen KPIs (Key
Performance Indicators) gemessen werden
(Besuche, Absprungrate, Verweildauer,
Registrierungen etc.)
• Typische Fragestellungen sind z.B.: Wie viele
Besucher gab es? Wie lange waren sie auf der
Seite? Was haben sie sich angeschaut? Haben
sie sich registriert/ gespendet/ teilgenommen?
Wie sind sie auf meine Seite gekommen (z.B.
Newsletter, Search, Ads)?
• So können Webseiten und Apps hinsichtlich
Nutzerfreundlichkeit und Erfolgsfaktoren
(z.B. Registrierungen) optimiert werden
Smart Data Workshop by td Berlin @ labtogether 2016
Tools
Tool-Einblicke
16. Web Analytics Data: Verbesserung des Online Mentorship
Programms von iCouldBe durch die Analyse von Webdaten
http://www.datakind.org/projects/uncovering-the-abcs-of-successful-online-mentoring/
Ausgangslage
• iCouldBe‘s Ziel ist es gefährdete Jugendliche
durch ein Online Mentorship Programm zu
ermutigen, die Schule zu beenden und
Zukunftspläne zu schmieden.
• Seit 15 Jahren misst iCouldBe die
Interaktionsdaten zwischen Mentor und
Mentee auf ihrer Website.
• Frage: Welche Faktoren führen dazu, dass
die Jugendlichen das Mentorship Programm
abschließen und nicht vorzeitig abbrechen?
Vorgehen
• Erarbeitung einer Definition von Erfolg des
Mentorship Programms (3 bearbeite
Lernmodule in 3 Monaten)
• Text-Daten basiertes Vorhersagemodell zur
Identifikation von Erfolgsfaktoren
Ergebnis
• Schnelle und positive Rückmeldung von
Mentoren sowie Sätze wie "I'm here for you“
steigern die Motivation.
• Ein zu langer Text führt zu einer höheren
Abbruchwahrscheinlichkeit.
• Kate Schrauth (Director): “Now we can start
really training mentors on how to be
successful based on more than just
anecdotes.”
Smart Data Workshop by td Berlin @ labtogether 2016
17. CRM Data:
Das Messen von Engagement relevanter
Stakeholder
INTERAKTION
CRM Database
KOOPERATION
Smart Data Workshop by td Berlin @ labtogether 2016
18. CRM Data:
Das Messen von Engagement relevanter Stakeholder
• CRM-Datenbanken bieten ein umfassendes
Spektrum von Einblicken zu Nutzer- und
Zielgruppen, deren Verhalten und
Interessen z.B. ihre Geschichte, Ziele,
Präferenzen, Probleme, ihre Zufriedenheit,
Kooperationen
• Die Analyse von Daten wie z.B. Newsletter
Performance, Registrierungen, Interaktionen,
Nutzungsprofile geben Rückschlüsse auf den
erfolgreichen Umgang mit Stakeholdern
• So kann individualisiert auf die Bedürfnisse der
einzelnen Stakeholder eingegangen und eine
zielgruppengerechte Ansprache aller
Stakeholder (z.B. Spender, Teilnehmer/ Nutzer,
Betroffene, Kunden, Kooperationspartner,
Freiwillige) ermöglicht werden
(RE)
AKTIVIERUNG
ANSPRACHE
PERSONALISIERUNG
INTERAKTION
CRM Database
KOOPERATION
Smart Data Workshop by td Berlin @ labtogether 2016
19. CRM Data:
Den Erfolg von Programmen messbar machen und optimieren
https://blog.dssg-berlin.org/datenanalyse-f%C3%BCr-das-gemeinwohl-e964566cdd99#.m2r4zd4n7
https://www.uschamberfoundation.org/food-data-great-opportunities
Ausgangslage
• DC Central Kitchen bieten neben dem
Kerngeschäft u.a. auch Fortbildungen für
sozial unterpriviligierte Bürger an.
• Das Ziel des DC Central Kitchens
„Culinary Job Training-Programms ist es,
Erwachsene auf die Anforderungen im
Berufsalltag der Lebensmittel-Service-
Industrie vorzubereiten.
Ergebnis
• Durch die Analyse der vorhandenen Daten
über ihre Teilnehmer und deren Historie
konnte aufgedeckt werden, dass
Teilnehmer oft kurz vor Ende des
Trainings aus dem Programm
ausscheiden.
• Daraufhin hat DC Central ein Praktikums-
Programm lanciert, um den Übergang von
der Ausbildung in den Joballtag zu
erleichtern.
• Weitere Analysen zeigten, dass
Teilnehmer mit bestimmten Eigenschaften
mit höherer Wahrscheinlichkeit aufgeben.
• Mit diesem Wissen konnten DC Central
Kitchen proaktiv auf spezielle Teilnehmer
zugehen und sie im Programm halten.
Smart Data Workshop by td Berlin @ labtogether 2016
20. CRM Data: Risikofaktoren für Obdachlosigkeit erkennen mit
verknüpften CRM Daten
http://www.datakind.org/projects/sharing-data-to-learn-about-homelessness/
Ausgangslage
• St Mungos Broadway, eine Organisation für
Obdachlose, hat eine große Menge an Daten
über ihre Klienten, jedoch wenig Informationen
über diese Personen, bevor sie obdachlos
wurden.
• Daher wollten sie herausfinden mit welcher Art
von Fragen, die Menschen zu Citizens Advice,
einer freie Beratung in allen Zivilthemen,
gehen bevor sie als Obdachlose in ihrem
System landen.
Vorgehen
• Das Verknüpfen beider Datensets zeigte, dass
1500 gemeinsame Klienten bestehen, deren
Daten mithilfe verschiedener Modelle
analysiert werden konnten.
• Mit Gephi wurden bspw. gemeinsame Wege
und das gemeinsame Auftreten von
Problemen analysiert und visualisiert.
Ergebnis
• Data Scientist fanden verschiedene
spannende Erkenntnisse z.B. sind Probleme
mit Arbeitsunfähigkeit 10% häufiger bei
späteren Obdachlosen gefunden worden.
• Zum anderen wurden Modelle erarbeitet, die
den Erfolg von Obdachlosen-Programmen bei
Personen mit bestimmten Merkmalen
hervorsagen sollten.
Smart Data Workshop by td Berlin @ labtogether 2016
22. Open Data:
Das Analysieren von öffentlichen Daten
• Open Data bezeichnet die freie Verfügbar- und
Nutzbarkeit von meist öffentlichen Daten
• Auf Regierungsseiten findet man mittlerweile
eine breite Palette von Bevölkerungs-,
Wirtschafts- und Geodaten, die von weltweiten
Klimaentwicklungen über regionale Kriminalitäts-
statistiken bis hin zu Obdachlosenzahlen in
einzelnen Stadtteilen reichen
• Auch wissenschaftliche Datenbanken machen
zunehmend akademische Abhandlungen,
empirische Studien und Patentdatenbanken frei
verfügbar, die mitunter Aufschluss über
technologische Entwicklungen geben können
• Mit Datenanalyse und Algorithmen lassen sich
diese Daten in Zusammenhang bringen und
können so eine wichtige Erkenntnisquelle für
unterschiedlichste Forschungsfragen sein
Smart Data Workshop by td Berlin @ labtogether 2016
23. Open Data: Effektive, regionale Budget Allokation im Kampf
gegen Kinderarmut auf Basis von offenen Regierungsdaten
http://www.datakind.org/blog/dc-action-for-children-long-term-collaboration-for-long-term-impact/
Ausgangslage
• Kinderarmut ist ein wichtiges Thema. Um es
zu lokalisieren und Ressourcen richtig zu
verteilen, muss man es messen. Allerdings
gibt es hierzu viele verschiedene öffentliche
Datenquellen und Metriken
• Das Ziel des DC KIDS COUNT Data Tools
2.0 ist es eine detaillierte geographische
Übersicht all dieser Variablen zu erhalten, um
eine informierte Entscheidung zu treffen
Ergebnis
• Visualisierung verschiedener Armuts-
Metriken in einer Kartendarstellung
• “What the neighborhood maps showed us
was that the success of far too many DC
children is predetermined by their ZIP Code –
and too many children lack access to
resources needed to thrive.” (HyeSook
Chung, Executive Director of DC Action for
Children)
• “We hope the DC KIDS COUNT Data Tool
2.0 ignites thoughtful conversations during
this budget season to ensure that resources
are both sufficiently, and effectively, allocated
to address the needs of children.” (HyeSook
Chung, Executive Director of DC Action for
Children)
Smart Data Workshop by td Berlin @ labtogether 2016
24. Open Data: Und wenn es keine verfügbaren Regierungsdaten
gibt? Satellitenbilder zur Identifizierung von Bedürftigen
http://www.datakind.org/blog/using-satellite-images-to-understand-poverty/
http://www.datakind.org/projects/using-the-simple-to-be-radical/
Zielsetzung
• GiveDirectly benötigte Informationen über
Armutsverhältnisse in Kenia, um Bedürftige
besser identifizieren zu können.
• Es gab jedoch keine amtlichen Statistiken.
Vorgehen
• Data Scientists erstellten ein System, das
automatisch den Hausdachtyp (Metall- oder
Strohdach) auf Satellitenbildern erkennt.
• Mithilfe von Machine Learning konnten die
Armutsverhältnisse automatisch geschätzt
werden (Verhältnis Metall- zu Strohdächer).
Ergebnis
• Ansatz für das Automatisieren eines
datengesteuerten Prozesses für die
Ausrichtung von Bargeldtransfers
• Während der Algorithmus für GiveDirectly
nicht genau genug war, zeigt er dennoch
das Potenzial der Verwendung von
Satellitenbildern und Machine Learning,
welches in Entwicklungs- oder humanitärer
Arbeit eingesetzt werden kann.
Smart Data Workshop by td Berlin @ labtogether 2016
26. Sensor-based Data:
Das Messen von Offline Verhalten
• Smartphones, Wearables, Sensoren und immer
mehr andere vernetzte Produkte ermöglichen
es heute, Aspekte des offline Verhaltens
digital messbar zu machen
• Technologische Innovationen im Bereich
Internet of Things und Quantified Self
(Vermessung des Selbst) zeigen schon heute,
was in Zukunft vernetzt und messbar sein kann
• Das Aufzeichnen und Analysieren von solchen
(Verhalten-)Daten kann auf individueller Ebene
Einblicke in Verhaltensmuster hinsichtlich
Bewegung, Nutzung und Interesse geben
• Zwar können solche Daten einerseits dazu
dienen, Aspekte des menschlichen Lebens zu
optimieren (z.B. Health Apps), ebenso wächst
jedoch die Skepsis hinsichtlich ethischer
Aspekte in einer total vernetzten Gesellschaft
Smart Data Workshop by td Berlin @ labtogether 2016
27. Sensor-based Data: Ambient Assisted Living – Sensoren statt
Pflegeheime
http://www.zeit.de/2013/02/Pflege-Technologie-Ambient-Assisted-Living/seite-3/
Ausgangslage
• Nicht nur in Deutschland fürchtet man sich vor
den Folgen der demografischen Bombe. Seit
vier Jahren fördert die Europäische Union in 23
Ländern die Arbeit von Ingenieuren und
Informatikern, die sie entschärfen wollen.
Vorgehen
• Im schottischen Bezirk West Lothian ließ die
Bezirksverwaltung zwischen 2002 und 2006
über 2.000 Wohnungen mit Sensoren versehen
– für gerade einmal 2,1 Millionen Pfund.
• Installiert wurde ein einfaches
Hausnotrufsystem, das die Daten von tragbaren
Sturzsensoren, Bewegungs-, Rauch- und
Gasmeldern im Notfall an ein Callcenter funkt.
Dort beantwortet geschultes Personal Fragen
und kontaktiert bei Bedarf Pfleger, Ärzte oder
Angehörige.
Ergebnis
• Die durchschnittliche Aufenthaltsdauer in
Pflegeheimen des Bezirks wurde von 38 auf
unter 10 Monate gesenkt und den Menschen so
mehr Zeit im gewohnten Umfeld ermöglicht.
• Mittlerweile haben über 30.000 Schotten Zugriff
auf telemedizinische Dienstleistungen. Laut
einer Studie des New Haven Research Center
ließen sich in den letzten fünf Jahren eine halbe
Million Krankenhaustage einsparen.
Smart Data Workshop by td Berlin @ labtogether 2016
28. Sensor-based Data: Impf-Tracking zur Optimierung der Polio-
Bekämpfung in Nigeria
http://www.ehealthafrica.org/polio-program//
Ausgangslage
• Die Projekte von eHealthAfrice (eHA)
optimieren die lokalen, sowie nationalen Polio-
Impfkampagnen in Nigeria durch die
Bereitstellung von Smart Data und
Geoinformationen.
Vorgehen
• Über 12.000 Impfteams wurden mit GPS-
fähigen Android Smartphones ausgestattet,
wodurch mithilfe einer speziellen Tracking-App
die Bewegung der Teams verfolgt werden
konnten.
• eHA entwickelt ein Vaccinator-Tracking-System
(VTS) Dashboard, das die Bewegung der
Impfteams abbildet, Anteile abgedeckter
Siedlungen, sowie verpasste Siedlungen
überwacht.
• Zudem wurden die Daten von schwer zu
erreichenden Siedlungen an WHO und UNICEF
weitergegeben, deren mobile Teams
abgelegene Gemeinden versorgen.
Ergebnis
• Durch die Arbeit von eHA wurden 782 zuvor
undokumentierte Siedlungen identifiziert.
• In Zukunft kann so sichergestellt werden, dass
bei künftigen Impfkampagnen mehr Siedlungen
besucht und behandelt werden .
Smart Data Workshop by td Berlin @ labtogether 2016
29. Sensor-based Data: Digitale Autobahn – Sensoren messen
Bewegungsdaten
https://www.welt.de/regionales/bayern/article156192950/Digitale-Autobahn-Sensoren-messen-
Bewegungsdaten.html/
Ausgangslage
• Die Teststrecke für selbstfahrende Autos
wird aufgerüstet: An der A9 speichern
Radarsensoren die Bewegungsdaten von
Fahrzeugen.
Vorgehen
• Für die Erprobungsphase liefert Infineon
die Sensor-Chips, die Siemens dann in
Messgeräte einbaut und entlang der
Autobahn installiert.
• Verkehrsdichte, Tempo, Abstand und
andere Bewegungsdaten der Fahrzeuge
werden anonym gemessen
• Alle gesammelten Bewegungsdaten
werden im Internet jedermann offen zur
Verfügung gestellt.
Ergebnis
• App-Entwickler können damit digitale
Anwendungen für das vernetzte oder
autonome Fahren entwickeln um künftig
Unfälle und Staus zu vermeiden.
Smart Data Workshop by td Berlin @ labtogether 2016
31. Predictive Modeling: Wirkung messbar machen
Auf Basis von mathematischen Algorithmen und
modelbasierten Datenanalysieren kann
• die Wirkung von bestimmten Aktivitäten
(Kampagne / Programm) gemessen werden
(häufig auf Basis von Zeitreihendaten und
Grundlage für eine Effektivitätsbetrachtung)
• eine Vorhersage oder Klassifizierung
erstellt werden (welche wiederum als
Frühwarnsystem oder zur besseren
Allokation von Ressourcen genutzt werden
kann)
Die Auswahl der geeigneten Modelle hängt von
der gewählten Fragestellung ab. Beispielhafte
Modellierungsmethoden sind logistische
Regression, neuronale Netze, Random Forest,
Classification und Regression Tree (CART)
Smart Data Workshop by td Berlin @ labtogether 2016
32. Predictive Modeling: Das Vorhersagen von Hausbränden zur
gezielten Installation von Rauchmeldern
http://www.datakind.org/blog/american-red-cross-and-datakind-team-up-to-prevent-home-fire-deaths-and-injuries
Zielsetzung
• Jedes Jahr werden 25.000 Amerikaner
getötet oder verletzt als Folge von
Hausbränden.
• Das American Red Cross hat im Oktober
2014 die "Home Fire Campaign" ins Leben
gerufen, um solche Verletzungen und
Todesfälle in den USA innerhalb von 5
Jahren um 25% zu reduzieren.
Vorgehen
• Mit Open Data aus dem American
Community Survey und dem American
Housing Survey, sowie Daten aus dem
National Fire Incident Reporting System und
dem Red Cross Home Fire Response, wurde
ein Tool entwickelt, das risikoreiche Bereiche
in Städten in den USA identifiziert.
Ergebnis
• Empfehlungen auf regionaler Ebene, wo das
amerikanische Rote Kreuz seine
Feuermelder-Installationskampagnen
ausrichten sollte.
• Über 400.000 Alarmsysteme in über 175.000
Haushalten installiert, mit Sicherstellung .
dass der Rest der 2.5M Rauchmelder in den
Gemeinden installiert werden, wo sie am
meisten benötigt werden.
http://home-fire-risk.github.io/smoke_alarm_map/
Smart Data Workshop by td Berlin @ labtogether 2016
33. Predictive Modeling: Das Vorhersagen von Menschenrechts-
verletzungen zur Priorisierung von Ressourcen
1) http://www.datakind.org/projects/predicting-and-preventing-human-rights-abuses
2) https://www.washingtonpost.com/business/on-it/amnesty-international-considers-using-big-data-to-predict-human-rights-
violations/2013/11/22/3f4f1a1e-5388-11e3-a7f0-b790929232e1_story.html
Zielsetzung
• Amnesty International bekämpft
Menschenrechtsverletzungen.
• Die begrenzten Ressourcen müssen
jedoch priorisiert werden, um eine große
Anzahl von Fällen bearbeiten zu können.
Vorgehen
• In Hilfsanfragen, die über das Urgent
Action Network eingingen, konnten Data
Scientists Muster identifizieren.
• Diese Muster deuteten darauf hin, welche
Fälle in der Vergangenheit zu Krisen
eskaliert sind.
Ergebnis
• Anhand der Muster für neu eingehende
Fälle kann nun eine Dringlichkeitsstufe
geschätzt, vorhergesagt und somit
bestimmte Fälle priorisiert werden.
• Das gewonnene Modell kann auch darüber
informieren, welche Gegebenheiten am
stärksten zu einer großen Wirkung
beisteuern.
Smart Data Workshop by td Berlin @ labtogether 2016
34. Viele der in unserem Workshop vorgestellten Case Studies beziehen sich
auf Projekte von DataKind. DataKind ist ein weltweites Netzwerk, welches Non Profit
Organisationen unentgeltlich bei der Analyse ihrer Daten unterstützt. DataKind‘s Claim:
„Harnessing the power of data science in the service of humanity“
Auch in Deutschland gibt es ähnliche Organisationen und Netzwerke, die pro bono ihre
Datenexpertise anbieten:
Gern stehen auch wir für Projektanfragen zur Verfügung
http://dssg-berlin.org/ http://correlaid.org/ https://datenschule.de/
http://www.datakind.org/
An wen wenden? Für Inspiration und Bearbeitung eigener
Fragestellungen einfach Kontakt aufnehmen
(Kontakte nächste Seite)
35. Brain, heart & guts.
michael.proksch@td-berlin.com
Joscha Hofferbert
Birte Schaper
birte.schaper@td-berlin.com
Birtes Schwerpunkte sind Customer Insights und Data
Analytics. Sie konzeptioniert Datenstrategien, digitale
Lernkonzepte und Datenvisualisierungen.
Dr. Michael Proksch
Michael ist Senior Data Scientist. Sein Team
betreut Projekte im Bereich Advanced Data
Science für Marketing & Business Analytics.
Team
Kristina Bongardt
kristina.bongardt@td-berlin.com
Kristina betreut Research Projekte mit den
Schwerpunkten Consumer Insights, Trend und
Innovation.
Nadja Büttner
nadja.buettner@td-berlin.com
joscha.hofferbert@td-berlin.com
Gufeng Zhou
gufeng.zhou@td-berlin.com
Nadja erarbeitet Consumer Insights,
Innovations- und digitale Strategien auf Basis von
Datenanalysen und Design Thinking.
Neben seiner Zuständigkeit für R&D-Prozesse
kümmert sich Gufeng um die Themen Web
Analytics, Text Mining und Social Media Analytics.
Joscha’s Schwerpunkt liegt neben Consumer
Relations Management auf Web-Analytics und
datengestützte Consumer Insight Analysen.