Wie aus Daten neue Zielgruppen werden

Folie 1 | 04.11.2016 | © infas 360
Smart Data für kommunale Unternehmen
Wie aus Daten neue
Zielgruppen werden

Folie 2 | 04.11.2016 | © infas 360
2011 kannte kaum jemand
den Begriff Smartphone

Folie 3 | 04.11.2016 | © infas 360
2011 kannte kaum jemand
den Begriff Smartphone
Aktuell besitzen mehr als
60% der Menschen
ein Smartphone

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

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

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

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

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

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

Folie 10 | 04.11.2016 | © infas 360
Anwendungsbeispiel Menthal-App
Wie aus App-Daten
Zielgruppenwissen entsteht

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

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

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

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

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

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 …

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

Folie 18 | 04.11.2016 | © infas 360
Auszug aus der CASA-Profilierung

Folie 19 | 04.11.2016 | © infas 360
Beispiel aus der Verschneidung CASA und Nutzungsdaten

Folie 20 | 04.11.2016 | © infas 360
Beispiel aus der Verschneidung CASA und Nutzungsdaten

Folie 21 | 04.11.2016 | © infas 360
Anwendungsbeispiel E-Mobility-Befragung
Wie aus Mafo-Daten operatives
Zielgruppenwissen entsteht

Folie 22 | 04.11.2016 | © infas 360Folie 22 | SMART RESEARCH | Der CASA Monitor | 15.04.2016 | © infas 360 | Michael Herter
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

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)
=
+

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

Regionale Verteilung der
Kaufinteressierten für e-Autos
innerhalb der nächsten 12 Monate

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%

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

Zielgruppenprofil in der Stadt Troisdorf

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!

Wie aus Daten neue Zielgruppen werden

Recommended

Recommended

More Related Content

Similar to Wie aus Daten neue Zielgruppen werden

Similar to Wie aus Daten neue Zielgruppen werden (20)

Wie aus Daten neue Zielgruppen werden