Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Wie aus Daten neue Zielgruppen werden

592 views

Published on

Smart Data für kommunale Unternehmen

Published in: Marketing
  • Be the first to comment

  • Be the first to like this

Wie aus Daten neue Zielgruppen werden

  1. 1. Folie 1 | 04.11.2016 | © infas 360 Smart Data für kommunale Unternehmen Wie aus Daten neue Zielgruppen werden
  2. 2. Folie 2 | 04.11.2016 | © infas 360 2011 kannte kaum jemand den Begriff Smartphone
  3. 3. Folie 3 | 04.11.2016 | © infas 360 2011 kannte kaum jemand den Begriff Smartphone Aktuell besitzen mehr als 60% der Menschen ein Smartphone
  4. 4. Folie 4 | 04.11.2016 | © infas 360 40 30 20 10 0 2010 2012 2014 2016 2018 2020 Zettabytes/Jahr Alle zwei Jahre verdoppelt sich das digitale Datenvolumen Das Ergebnis: Big Mobile Data mit Ort- und Zeitbezug
  5. 5. 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
  6. 6. Folie 6 | 04.11.2016 | © infas 360 Das Resultat: Mehr Wissen über unsere Lebensräume …     Reale Mobilität Virtuelle Mobilität Beruf Privat Urlaub Shoppen Hobbies Entertain ment Am Strand Im Fitnessstudio Beim Einkaufen Auf dem Konzert Zu Hause Auf der Arbeit SMART DATA FÜR KOMMUNALE UNTERNEHMEN
  7. 7. 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
  8. 8. 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
  9. 9. 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
  10. 10. Folie 10 | 04.11.2016 | © infas 360 Anwendungsbeispiel Menthal-App Wie aus App-Daten Zielgruppenwissen entsteht
  11. 11. 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
  12. 12. 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
  13. 13. 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
  14. 14. 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
  15. 15. 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
  16. 16. 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
  17. 17. 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
  18. 18. Folie 18 | 04.11.2016 | © infas 360 Auszug aus der CASA-Profilierung SMART DATA FÜR KOMMUNALE UNTERNEHMEN
  19. 19. Folie 19 | 04.11.2016 | © infas 360 Beispiel aus der Verschneidung CASA und Nutzungsdaten SMART DATA FÜR KOMMUNALE UNTERNEHMEN
  20. 20. Folie 20 | 04.11.2016 | © infas 360 Beispiel aus der Verschneidung CASA und Nutzungsdaten SMART DATA FÜR KOMMUNALE UNTERNEHMEN
  21. 21. Folie 21 | 04.11.2016 | © infas 360 Anwendungsbeispiel E-Mobility-Befragung Wie aus Mafo-Daten operatives Zielgruppenwissen entsteht
  22. 22. Folie 22 | 04.11.2016 | © infas 360Folie 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
  23. 23. Folie 23 | 04.11.2016 | © infas 360Folie 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) = +
  24. 24. Folie 24 | 04.11.2016 | © infas 360Folie 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 möglichQuelle: infas 360 / EuPD Research 2016
  25. 25. Folie 25 | 04.11.2016 | © infas 360Folie 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
  26. 26. Folie 26 | 04.11.2016 | © infas 360Folie 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%
  27. 27. Folie 27 | 04.11.2016 | © infas 360Folie 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
  28. 28. Folie 28 | 04.11.2016 | © infas 360Folie 28 | SMART RESEARCH | Der CASA Monitor | 15.04.2016 | © infas 360 | Michael Herter SMART DATA FÜR KOMMUNALE UNTERNEHMEN Zielgruppenprofil in der Stadt Troisdorf
  29. 29. Folie 29 | 04.11.2016 | © infas 360 Michael Herter Geschäftsführer +49 (0)228/74887-360 m.herter@infas360.de infas 360 GmbH Ollenhauerstraße 1 53113 Bonn www.infas360.de Vielen Dank für Ihre Aufmerksamkeit!

×