Big Data und Advanced

Analytics in der Reisebranche

SIEGFRIED WOLF

Senior Consultant

copyright by

Agenda

Begrüßung

Big Data und Advanced Analytics in der Reisebranche

Vorstellung QUNIS GmbH

Was bedeutet Big Data und Advanced Analytics

Vorstellung Big Data & Advanced Analytics Beispiele aus der Reisebranche

Kombination von Big Data & Advanced Analytics

o Buchung Durchgängige Reiseroute mit diversen Verkehrsmitteln

o Reiseplanung Durchgängiger Vorschlag für eine Individualreise

o Stornierung Stornierung einer Hotelbuchung

o Touristische Infrastruktur Digitale Aufwertung Touristischer Lehrpfade

Vorstellung QUNIS – Big Data Lösungsbibliothek

Lösungsansätze nach Datenquellen, Branchen, Unternehmensbereichen, Scorecard-Perspektiven, Messgrößen

(Kennzahlen), Unternehmensmerkmalen etc.

Weitere Vorgehensweise

QUNIS Big Data Workshop

copyright by

QUNIS-Kernkompetenzen

BIG DATA & Business Intelligence Kompetenz

Big Data Projekte setzen in der Regel auf bestehenden Datawarehouse bzw. Business Intelligence

Architekturen auf. Wir sind ein Team aus Mitarbeitern mit langjähriger Erfahrung in jedem dieser

Kernthemen

BIG DATA Lösungsbibliothek mit Fallstudien

Auf Basis einer umfangreichen Sammlung praxisbewährter Lösungsbausteine aus den Bereichen Big

Data, Industrie 4.0, Internet of Things und Advanced Analytics können abstrakte betriebswirtschaftliche

Aufgabenstellungen schnell konkretisiert werden. Ein umfangreiches Schlagwortverzeichnis nach

Branchen, Fachbereichen, Nutzenargumenten und Datenquellen unterstützt Sie dabei.

QUNIS TECHNOLOGIEN

Wir setzen auf bewährte Systeme wie Azure Cortana Analytics / Hadoop auf und nutzen für Ihr Big Data

Projekt die passende Cloud- oder serverbasierte Technologie

QUNIS METHODIK

Wir unterstützen Ihre Unternehmensziele auf Basis einer gemeinsam erstellten Big Data-Strategie und

sichern einen optimalen Nutzen durch eine professionelle Projektmethodik ab

copyright by

Referenzen

Projekte in unterschiedlichen Branchen

Big Data und Advanced Analytics

Big Data - Datenquellen

Operativsysteme:

Buchungs-/Reservierungs-/CRM-Systeme,

HR-Systeme, Fibu, Anbu, TQM,

Dokumenten-Management, Webshop,

Vertragsverwaltung….

Die Bedeutung von Daten wächst

Über welche Daten sprechen wir genau

Industrie 4.0

Internet / Commu.

RFID, Kameras, Sensordaten, Digitalisierter

Datenaustausch…

Autos, Handys, Sensoren, Lokalisierung,

Gesundheitsgeräte…

Social Media, Nutzungsdaten, Webtracking…..

Buchungs-,

Reservierungs-

CRM-Systeme

copyright by

Was verstehen wir unter Big Data?

Big Data bezeichnet Daten, welche zu groß, zu komplex, zu schnelllebig oder zu schwach strukturiert

sind, um sie mit manuellen und herkömmlichen Methoden auszuwerten

Zu Groß?

Durch die verwendeten Algorithmen können Big Data Plattformen unterschiedlichste Arten von Abfragen und

Analysen schnell und parallel durchführen. Ebenso müssen Daten durch das Verwenden sog. „Data Lakes“

nicht mehr zwingend vereinheitlicht werden. Durch das Zusammenschalten vieler leistungsfähiger Server

können Daten zusätzlich deutlich schneller bzw. im besten Fall in Realtime zur Verfügung gestellt werden.

Zu komplex?

Sehr komplexe Zusammenhänge wie z.B. die vielfältigen Einflussfaktoren auf Kaufgewohnheiten im Super-

markt, sind mit klassischen Tabellen-/OLAP-Analysen nur sehr schwer bzw. sehr zeitintensiv zu analysieren

Zu schnelllebig?

Big Data ist z.B. wichtig, Sensoren eine Unmenge Daten übertragen, die eine Reaktionsfähigkeit innerhalb

kürzester Zeit benötigen wie die Meldung vom Ausfall oder dem Defekt von PKW, Maschinen, Heizungen etc.

Zu unstrukturiert?

Wenn Daten nicht in Datenbankformaten vorhanden sind, wie z.B. emails, Bewertungen, Kommentare,

Diskussionsgruppen oder Videos sind neue Auswertemethoden wie z.B. Textmining, Stimmungsanalysen,

Gesichts- oder Gestenerkennung erforderlich

copyright by

Advanced Analytics?

Was verstehen wir unter Advanced Analytics?

umfasst die Methoden zur möglichst automatisierten

Erkennung und Nutzung von Mustern,

Zusammenhängen und Bedeutungen. Zum Einsatz

kommen u.a. statistische Verfahren,

Vorhersagemodelle, Optimierungsalgorithmen, Data

Mining, Text- und Bildanalytik.

Die Geschwindigkeit der Analyse (Real-/Neartime) und

gleichzeitig die einfache Anwendbarkeit sind

ausschlaggebende Faktoren beim Einsatz von

analytischen Methoden.

Die Zeitintervalle der Prognosen sind dynamisch

anpassbar und ermöglichen anhand der Informationen

wichtige Management-entscheidungen für die Zukunft

zu wählen bzw. fortlaufend anzupassen.

• vgl. BITKOM-Leitfaden „Big Data im Praxiseinsatz – Szenarien, Beispiele, Effekte“ “

Statistische

Modelle

Entscheidung

fällen

Kommunikation

Statistische

Modelle

Konsum

verhalten

Zielgruppen

Identifikation

Machine

Learning

Mustererkennung

Scoring

Visualisierung

Advanced

Analytics

copyright by

Trends - Ereignisbeeinflussung von BI zu Big Data

Ereignisanalyse und Ereignisbeeinflussung

Was

passiert?

Descriptive Analytics

- Analyse -

Warum

passiert es?

Diagnostic Analytics

- Diagnose -

Was wird

passieren?

Predictive Analytics

- Prognose -

Was tue ich dass

es passiert?

Prescriptive Analytics

- Beeinflussung -

Difficulty

Valu

e

Quelle: Gartner

"Traditional" BI Advanced Analytics

Big Data und Advanced Analytics

Unterschiedliche

Anwendungsfälle

copyright by

Big Data: Welche Szenarien erwarten uns in der Reisebranche

copyright by

Big Data: Beispiele und Szenarien aus der Reisebranche

Buchung

Stornierung

Touristische Infrastruktur

Reiseplanung

copyright by

Buchung: Durchgängige Reiseroute mit diversen Verkehrsmitteln

Per App oder Online die besten Verbindungen aus mehr als 15 Verkehrsmitteln finden

• vgl. „https://www.plattform-i40.de“

Interaktive Lehrtafel

copyright by

Buchung: Durchgängige Reiseroute mit diversen Verkehrsmitteln

Datengrundlage

Unterschiedliche Anbieter von Verkehrsmitteln mit deren kompletten Fahrplänen und Preisinformationen

Zu Fuß, Bus, Zug, Flug, Mitfahrzentrale, Taxi,

Dateneingabe der gewünschten Reiseroute

Big Data Bausteine

Berechnung verschiedener Reiserouten in Real-/Neartime zur optimalen Auswahl der individuell besten

Route (kürzeste / Billigste / bequemste …)

Nutzenargumente

Umständliches und Zeitintensives „Scannen“ verschiedener Anbieter von Verkehrsmitteln entfällt

Erhebliches Sparpotential (Geld / Zeit) durch die Darstellung unterschiedlicher Reisevarianten

Verknüpfung verschiedener günstiger Optionen führt mittelfristig zu einem niedrigeren Preisniveau

Vorkalkulation für die Taxifahrt

Vision: künftig Car Sharing, Ferngesteuertes Taxi

Vision: Ganzheitlicher Kaufvorgang für das Ticket

copyright by

Reiseplanung: Durchgängiger Vorschlag für eine Individualreise

Kompletter Reisevorschlag für Orte, Hotels, Restaurants, Veranstaltungen, Strände, Sehenswürdigkeiten (Museen, Parks, Wanderungen, Führungen,

copyright by

Reiseplanung: Durchgängiger Vorschlag für eine Individualreise

Datengrundlage

Unterschiedliche Anbieter von Reisedienstleistungen mit Preisinformationen

Hotel, Restaurants, Mietwagen, Routenplaner, Reiseforen, Reiseaktivitäten

Dateneingabe der gewünschten Reiseroute, der Reisewünsche, der Preiskategorie, der Programminhalte

Big Data Bausteine

Berechnung verschiedener Reisevorschläge in Real-/Neartime zur optimalen Auswahl der individuell

besten Route (Spannend / Preis / …..)

Nutzenargumente

Umständliches und Zeitintensives „Scannen“ verschiedener Anbieter von Reisedienstleistungen entfällt

Erhebliches Sparpotential (Geld / Zeit) durch die Darstellung unterschiedlicher Reisevarianten

Reise wird dem jeweiligen Reisebudget angepasst

copyright by

Stornierung: Stornierung einer Hotelbuchung

Stornierung

Email

copyright by

Datengrundlage Business Intelligence (DWH)

Kundenstamm

Auftragsdaten mit Buchungsnummer

Big Data Bausteine

Texterkennung (Email)

Machine Learning (Logik)

Real Time (Verarbeitungsgeschwindigkeit)

Nutzenargumente

100 Mill. Buchungen p.a. / Stornoquote 1% / Aufwand 5 Minuten / Stundensatz 10 € /

Spareffekt 85 Millionen € p.a.

Kundenzufriedenheit (Nach 2 Minuten Rückmeldung über Stornierung)

Stornierung: Stornierung einer Hotelbuchung

Beispiel Stornierung – Booking.com

copyright by

Touristische Infrastruktur: Digitale Aufwertung Touristischer Lehrpfade

o Mit statischen Lehrpfaden kann man heute nur noch wenige begeistern

o Es gibt eine unglaubliche Anzahl an „Lehrpfaden“ die digital optimiert werden könnten

Statische Lehrtafel auf touristischem Lehrpfad Interaktive Lehrtafel Digitale interaktive Lehrtafel

copyright by

Touristische Infrastruktur: Digitale Aufwertung Touristischer Lehrpfade

Was wird an Infrastruktur benötigt

Technische Grundlage

Verknüpfung einzelne Videos mit einem QR-Code

>> Vorteil: Video kann ausgetauscht werden (wie wechselnde Ausstellung im Museum)

Handyortung – Kunde muss registriert sein (Hotel / Verkehrsamt / Kurverwaltung)

>> Vorteil: Sponsoring Lehrtafeln / interessante Angebote für Touristen

copyright by

Beispiel: Warnung vor Reiserisiken in Echtzeit

Projekthintergrund

Firmen haben eine Fürsorgepflicht gegenüber ihren

Mitarbeitern auf Geschäftsreisen bzw. Reiseveranstalter für

ihre Kunden bei touristischen Reisen

Reisedaten werden in Echtzeit mit Warnungen über

Gefahren und Risiken auf der Reiseroute oder am Reiseziel

verknüpft

Die technische Herausforderung besteht darin, aus einer

Vielzahl von Datenquellen, zu denen Pressemitteilungen und

auch soziale Netze gehören, Reisewarnungen zu generieren

iTESA-Konsortium entwickelt eine App, in die verschiedene Projektpartner ihre Expertise einfließen lassen

copyright by

Beispiel: Warnung vor Reiserisiken in Echtzeit

Das technische Grundkonzept von besteht aus verschiedenen Ebenen

Daten aus verschiedenen Quellen gesammelt und mit Hintergrundinformationen verknüpft

Die Analyseebene enthält Algorithmen für hochkomplexes Datamining

Die Risikoqualifizierungsebene klassifiziert die auf der Analyseebene gefundenen Risiken

Auf der Abgleichebene werden diese Risiken mit den konkreten Reisedaten der Geschäftsreisenden

verknüpft, um dann auf der Ausführungsebene in konkrete Aktionen umgesetzt zu werden.

Nutzenargumente

Reisewarnung deutlich schneller verfügbar als bisher und bessere Absicherung der Reisenden

Kunde erhält in Echtzeit Alternativvorschlag zur Reiseroute

Nutzung der gewonnenen Erkenntnisse für andere Branche

Kosten für Schadensregulierung minimieren

Personalkosten vermeiden durch zusätzliche Umbuchungen

Risikominimierung durch Warnung über Gefahren der Reiseroute

QUNIS -Big Data Lösungsbibliothek

copyright by

Vertrieb -

Kundenzufriedenheit –

Taxiunternehmen

Erkennung ob ein Fahrer zu

schnell fährt – Fahrsicherheit

Erkennung ob vorgegebene

Route eingehalten wird

Erkennung wenn

Veranstaltungen beendet sind

Per App wird freies Taxi in der

Nähe gemeldet

Reduzierung der Leerfahrten

auf ein Minimum

Human Ressource

operative Einsatzplanung –

Handel

Beratungsqualität verbessern

und Personalkosten

reduzieren

Mitarbeiterzufriedenheit

steigern – bessere

Freizeitplanung

Umsatz steigern durch

bessere Bedarfsplanung

(NoS-Artikel)

Wetter, Brückentage, Ferien,

Anlieferung von Paletten,

Einspeisung geplanter

Urlaubstage / Freizeit…

QS / Service - Wartung

von Aufzügen –

Aufzughersteller

Ausfallquote deutlich

reduzieren

Personalkosten reduzieren

- Wegfall zyklische Wartung

Materialaufwand reduzieren

durch Ersatzteilprognose

Minimierung der

Aufzugfahrten bei

Parallelaufzügen

Umfangreiche Sammlung von

praxisbewährten Lösungsbausteinen.

Abstrakte betriebswirtschaftliche

Aufgabenstellungen können

konkretisiert werden

Schlagwortverzeichnis nach:

Branche

Fachbereich

Nutzenargumente

Datenquellen

Unternehmensgröße

Messgröße (Kennzahl)

QUNIS Lösungsbibliothek

Wie können wir aus Fallbeispielen anderer Unternehmen lernen

copyright by

Fallstudien

Branche Fallstudien Nutzen

Maschinen-/

Anlagenbau

• Globale Steuerung und Planung auf Produktebene

• Mess- und Videodaten zur

Produktionsüberwachung

• Dynamische Fehleranalyse und Fehlererkennung

• Detailgenaue Planung vom Artikel bis zum EBIT

• Qualität der Produktionsprozesse optimieren

• Serviceeinsätze reduzieren – gezielte

Ersatzteilprognose

Automotive

• Fehlererkennung/-abgleich auf dem Prüfstand

• Connected-Car Angebote im PKW

• Beschleunigung der Produktentwicklung

• Prüflaufzeit pro PKW deutlich reduzieren

• Angebot neuer Kundenservices

• Schwachstellenanalyse vor Modelleinführung

Finanzdienst

-leister

• Telematiktarife

• Kreditprüfung und Kreditvergabe

• Ermittlung Investmentportfolio Onlien

• Objektive Preisbildung für Kunden

• Minimierung des Kreditausfallrisikos

• Einfache Onlineabwicklung der Investmenttätigkeit

Logistik /

Supply Chain

• Fahrzeugverfügbarkeit durch Online Diagnoe

• Verknüpfung aller Logistikprozesse

• Servicezyklen reduzieren

• Ausfallquote erkennen durch Fehlererkennung

• Wartezeiten für Logistikdienstleister reduzieren

• Serviceeinsätze planen aufgrund von Sensormeldungen

Telekomm-

unikation

• Kampagnenmanagement

• Analyse von Bewegungsdaten

• Kundenbindung

• Ad hoc Entscheidungen fällen im Marketing

• Steuerung digitaler Werbetafeln

• Identifikation des "Riskscore" zum Abwanderungsrisiko

Tourismus

• Operative Einsatzplanung der Mitarbeiter

• Filialbezogene dynamische Preisbildung

• 360-Grad Marketing

• Deutlich bessere Kapazitätsauslastung

• Verbesserung der Abverkaufsquote

• Verkaufsoptimierung durch Gezielte Kundenansprache

Dienstllei-

stung / IT

• Zielgruppenoptimierung

• Verhinderung von Kundenkündigungen

• Videostreams in Daten umwandeln

• In Realtime Nutzungsverhalten der Webseite

analysieren

• Reduzierung der Abwanderungsquote

• Erkennung von emotionalen Zuständen

FALLSTUDIEN NACH

BRANCHEN

Welche Einsatzfälle sind

zum Beispiel typisch für

den Bereich Handel?

Wir geben Ihnen die

Antwort und sprechen

konkrete Einsatzfälle mit

Ihnen durch

copyright by

QUNIS - Vorgehensmodell

Big Data & Analytics Workshop

Ergebnis: ein individueller und strukturierter Bauplan

Das garantiert die 100 Prozent passgenaue Realisierung

der endgültigen Lösung in time, in budget und in quality!

copyright by

QUNIS - Vorgehensmodell

Big Data & Analytics Workshop

1. Vorstellung Big Data Philosophie – Schaffung gemeinsamen Verständnisses für Big Data

1.1 Erläuterung Big Data

1.2 Verschiedene Einsatzszenarien im Big Data Umfeld

2. Welche allgemeinen Ziele sind mit einem Big Data Projekt konkret verbunden

2.1 Allgemeinen Ziele

2.2 Big Data Roadmap / Timeline

3. Welche konkreten Themen wollen Sie im Umfeld Big Data angehen

3.1 Konkrete Themen die bereits definiert sind

3.2 Ideen die vorhanden sind aber noch nicht weiter definiert sind

3.3 Weitere Mögliche Ansätze im Unternehmen

3.3.1 Kostenintensive Geschäftsprozesse / Handlungsfelder / Werttreiber

3.3.2 Relevante Kostenblöcke im Unternehmen

3.3.3 Relevante Big Data Ansätze innerhalb der Branche bzw. bei Konkurrenten

3.3.4 Relevante Big Data Ansätze innerhalb der definierten Funktionsbereiche

3.3.5 Big Data Ansätze die häufig verwendet werden - QUNIS Lösungsbibliothek

3.4 Betriebswirtschaftlicher Nutzen der definierten Themen, konkrete Zielsetzungen und

Erwartungen der darauf anzuwendenden Applikationen

copyright by

QUNIS - Vorgehensmodell

Big Data & Analytics Workshop

4. Datengrundlage

4.1 Vorhandene prozessrelevante Datenquellen operative Systeme

4.2 Vorhandene prozessrelevante Datenquellen Big Data

4.3 Bekannte aber nicht vorhandene prozessrelevanten Datenquellen

4.4 Mögliche weitere Datenquellen

4.5 Zyklus und Historisierung der benötigten Datenabrufe

4.6 Datenumfang

5. Big Data Technologien und Big Data & BI-Infrastruktur

5.1 Bestehende Datawarehouse und BI-Architektur

5.2 Vorstellung relevanter Big Data Technologien

5.3 Benötigte Cloud Technologien und Dienste

5.4 Festlegung künftiger Cloudszenarien

6. Organisatorische Einbindung Big Data

6.1 Big Data & BI – Organisatorische Perspektive

6.2 Big Data – Rollenverständnis Data Scientist

6.3 Projektspezifische Rollen bei einer Projektumsetzung

QUNIS GmbH

Georg-Wiesböck-Ring 9

83115 Neubeuern

Phone: +49 8035 95790 0

E-Mail: info@qunis.de

WWW.QUNIS.DE

Phone: +49 176 114 80 226

E-Mail: siegfried.wolf@qunis.de

SIEGFRIED WOLF

Senior Consultant