Big Data-Driven Desicions 24 april 2013 - Mieke De Ketelaere

Maak een Begin. Het is Gratis
of registreren met je e-mailadres
Rocket clouds
Big Data-Driven Desicions 24 april 2013 - Mieke De Ketelaere Door Mind Map: Big Data-Driven Desicions 24 april  2013 - Mieke De Ketelaere

1. Mieke De Ketelaere

1.1. bio

1.1.1. Mieke is de Customer Intelligence Lead South-West Europe bij SAS

1.1.2. verantwoordelijk is voor alle Integrated Marketing Management-projecten

1.2. zie de overige mindmaps

1.2.1. http://www.alexisvandam.nl/mindmapping/bigdata-driven-desicions-livemindmapping/

1.3. passie voor data

1.4. verbonden aan universiteit antwerpen

1.4.1. neuromarketing

1.4.1.1. wat gaat er om in de mind (centrale cortex)

1.4.2. compulsive buying disorder

1.4.2.1. vrouwen: kleding

1.4.2.2. mannen gadgets

1.4.2.3. als je in buying modus ben kan je shipping cost hoger maken dan als je in normale modus bent

1.4.2.4. obv webstreams dit bepalen

2. intro

2.1. windows vista

2.1.1. was dood voordat het werd gelanceerd

2.1.2. bloggers hadden het doodverklaard

2.1.3. MS: vista lanceren in diverse landen

2.1.4. belangrijkste gebouw

2.1.4.1. brussel: 1 bol (atomium) per dag €500.000

2.1.4.1.1. maar 200 mensen

2.1.4.1.2. wie nodig je uit?

2.1.5. als je toen de data van nu had

2.1.5.1. had je een beter resultaat

2.2. uitdaging

2.2.1. 1 buikgevoel als decissionmaker

2.2.2. 2 CMO moet zijn weg vinden tussen andere CXO's

2.2.2.1. trusted brand

2.2.2.2. customer exp

2.2.2.3. cust intimacy

2.2.2.4. relevant interactions

2.2.2.5. gaat om taalgebruk

2.2.2.6. BD zorgt voor beter vocabulaire

2.2.2.7. samen met CIO

3. SAS

3.1. klanten

3.1.1. bol

3.1.2. ziggo

3.2. data driven marketing

3.2.1. model: klant

3.2.1.1. inzicht

3.2.1.2. interactie

3.2.1.3. improve

3.2.1.4. continu proces

3.2.2. objectives

3.2.3. 2 type data

3.2.3.1. gestructuteerd

3.2.3.2. ongestructureerd

3.2.3.3. intern

3.2.3.4. extern

3.3. Busines Intelligence (BI)

3.3.1. dashboard

3.3.2. big data BI

3.3.3. big data analytics

4. customer dna

4.1. 360 customer data

4.1.1. socio demographic data

4.1.2. transactionele data

4.2. big data

4.2.1. webstream data (online reacie)

4.2.1.1. gedragsverandering

4.2.2. social profiel

4.2.2.1. legale wijze

4.2.2.1.1. optin

4.3. interactie verbeteren

4.4. andere segmentatie

5. bestaande data

5.1. creditcard data

5.1.1. lifestyle analyses uitvoeren

5.2. loyalty card

5.2.1. alles zien wat er gekocht is

5.2.1.1. weet je pas als iemand langs checkout is geweest

5.2.2. online: zie je al data voordat de checkout is gedaan

5.2.3. webstream data

5.2.3.1. veel explicite gegevens

5.2.3.2. je kunt het ook verkeerd doen

5.2.3.2.1. 3 weken later een direct message: heb je alles in huis voor de baby

5.2.3.2.2. grenzen aan intelligent gebruik van webstream data

5.2.4. socialdata

5.2.4.1. gestructureerd

5.2.4.1.1. boeken

5.2.4.2. indirecte data

5.2.4.2.1. sentiment

5.2.4.2.2. netwerk

5.2.4.2.3. mood analysis

5.2.4.2.4. context

5.2.4.3. vb, negatieve reactie via twitter

5.2.4.3.1. is het een eenmalige vlieger of een heel belangrijke klant obv daarvan inschatten

6. nieuwe data stromen

6.1. universities

6.1.1. google

6.1.2. amazon

6.1.3. facebook

6.1.4. kijk er eens op

6.2. vb

6.2.1. rfid chip inbouwen obv gedrag in de auto, achteraf een rekening sturen

6.3. analyse op data

6.3.1. de aloude techniek

6.3.2. data is nieuw

6.3.2.1. technek dezelfde

7. big data cases

7.1. visualiseren

7.1.1. wat heb je nodig?

7.1.2. niet alleen phd's

7.2. case retail

7.2.1. challenge

7.2.1.1. omnichannel

7.2.1.2. klant meer macht

7.2.2. dichterbij de klant

7.2.3. backbone optimaliseren

7.2.4. correlatie

7.2.4.1. segment

7.2.4.2. age

7.2.5. analyses

7.2.5.1. geen power in handen vd marketeers

7.2.5.2. marketbasket analyse

7.2.5.2.1. meest verkocht

7.2.5.3. geen data analyst nodig

7.3. case kabelaar

7.3.1. ipdr (ip detailed record)

7.3.1.1. opgestructureerde data

7.3.1.2. lifestyle analyse

7.3.1.3. info zit in url

7.3.2. zoals amazon, aanbeveling doen obv mood

7.4. case utilities

7.4.1. gevoel: contract aansmeren

7.4.2. obv lifestyle en gedrag opmaat aanbiedingen

7.5. case bank

7.5.1. banken doen veel aan analyses

7.5.2. lead mgmt, berekenen op offline gegevens

7.5.2.1. hoe vaker credit card gebruik, hogere kans voor een lening

7.5.2.2. kwaliteit vd leads: niet te best

7.5.3. vele banken hebben die data

7.5.3.1. customer journey start online

7.5.4. combi

7.5.4.1. online

7.5.4.2. sales

8. wrapup

8.1. 3 whitepapers

8.2. data analyst nodig

8.3. niet alleen phd's

8.4. data visualiseren

8.5. zit veel geheimen verstopt in de huidige data

9. Q&A

9.1. Q: wat doet sas?

9.1.1. A: ze haken partijen aan

9.2. Q: ibm data banking model, denkt sas na over meta data ongestructureerd

9.2.1. A: taxonomie gemaakt: tax analytics

9.2.1.1. welk thema is het

9.2.2. voor EU

9.2.2.1. correlatie tussen online & socialmedia

9.3. Q: is er nog een vrije wil voor de consument? als je commericeel zwaker staat en je wordt uitgebuit

9.3.1. A: toestemming vd klant nodig om de data t ekunnen gebruiken

9.3.2. platformen zouden moeten terugkoppelen als iemand heeft aangeven dat bijv fb gegevens niet wil laten doorsturen

9.3.3. volgens jaar digital identity congres?