Social BI Fallbeispiel mit der Hochschule Kiel

In einem Projekt mit der Hochschule Kiel haben wir unsere Software ABIS zur Verfügung gestellt. Es ging darum mit einem fiktiven Szenario, die 50 Studenten aus dem Kurs für das Thema Social Business Intelligence zu begeistern. Die Studenten sollten ein Szenario innerhalb einer Firma nachstellen und mit Hilfe von ABIS untersuchen, wie Social Business Intelligence für die Steuerung von Teams eingesetzt werden kann und welche Vorteile es bringt.

Das Social BI Fallbeispiel und die Aufgabenstellung

Die SmartTech Ltd. vertreibt weltweit verschiedene Hardware Produkte. Die neuesten Produkte sind zwei Versionen eines Smartphones, einer SmartHome Lösung und einer Dashcam für Fahrzeuge.

Seit der Markteinführung, der oben benannten Produkte in 2017, wurden auf verschiedenen Werbeplattformen Anzeigen geschaltet. Neben der klassischen Vermarktung sollten in Online-Medien aktuelle Themen angesprochen werden um die Zielgruppe besser zu erreichen.

Fragestellungen mit Hilfe des Marketing KPI-Dashboards beantworten

Mithilfe des Social Business Intelligence Tools ABIS sollten die Plattformen Facebook, Twitter, Instagram und Google ausgewertet werden. Folgende Fragestellungen wurden näher beleuchtet:

1. Über welche Werbeplattform wurden in den letzten 90 Tagen die meisten Impressionen generiert?
2. Welche Plattform hat bisher den größten Marketing ROI erwirtschaftet?
3. Gibt es einen Zusammenhang zwischen Anzahl der Impressionen und Anzahl der Bestellungen?

Wer ist der „Verlierer bzw. Gewinner“ der vier Produkte? Mit diesem gewonnenen Wissen sollen die Kampagnen für die Zukunft besser gestaltet und verstärkt auf Social Media beworben werden um die Produkte effizienter zu vermarkten.

Wie wurden die fiktiven Daten für das Fallbeispiel generiert?

Erstmal mussten fiktive Demo-Daten erzeugt werden. In der Regel würde man davon ausgehen, dass es kein Problem sei, solche Daten zu erzeugen. In der Praxis ist jedoch die Erstellung von realistischen Demo-Daten gar nicht so trivial. Es müssen nämlich Variationen und sinnvolle Zusammenhänge in den Daten abgebildet werden. Zugleich sind die Zufallsgeneratoren der meisten Tools nicht ausreichend genug um Anomalien einzusetzen. Wie wurde das Problem also gelöst?

Drei Schritte um realistische Demo-Daten zu erzeugen:

1. Die Abfolge von Kennzahlen in einem Trichter modellieren. Anders ausgedrückt, die wichtigen KPIs aus dem Online-Nutzer-Fluss von Sichtung der Werbeanzeige bis hin zur Bestellung bzw. Rücksendung korrekt abbilden.
2. Die Abfolge der Kennzahlen je Produkt und Werbekanal anders gewichten und gruppieren. Manche Kanäle haben mehr, andere weniger Traffic etc.
3. Für jede Gruppe im zeitlichen Verlauf, Anomalien oder Trends einsetzen. Auf bereits bestehenden Zufallswerten, die jedoch relativ flach verlaufen, wurde eine logarithmische Gleichung eingesetzt um die Tageswerte zu randomisieren.

Als Ergebnis fiel ein CSV-Dokument heraus, welche wiederum in das Data-Warehouse importiert werden sollte. Hier ein Screenshot der Quelldatei:

Mit einer Excel-Formel wurden die Daten dann so verändert das mehr Zufall eingebaut wurde, siehe Chart:

Die reproduzierbare Integration der Quelldatei in das Data-Warehouse Zielschema

Um die Daten aus dem CSV in ein auswertbares Format zu übertragen, wurde eine ETL-Strecke entwickelt. „ETL“ steht für „Extract, Transform and Load“. Es beschreibt das Verfahren um eine Quelldatei in ein bestimmtes Zielschema der Datenbank zu importieren. Wichtig hierbei ist die Reproduzierbarkeit, damit man über die selbe ETL-Strecke auch neue Daten additiv anfügen kann.

Wir haben dafür in ABIS ein Data-Blending-Verfahren entwickelt, dass es uns erlaubt aus einer korrekt formatierten Quelldatei ein Schema automatisiert zu erkennen und zu erstellen. Damit spart man sich im Vergleich zu anderen Business Intelligence Tools 100% der Zeit für die Modellierung von Daten. So konnte die effektive Arbeitszeit von 6-8 Stunden auf wenige Sekunden reduziert werden. Wir verwenden ein klassisches Sternschema. Hier werden die Eingangsdaten in Dimensionen und Metriken unterteilt. Anbei findet sich das Datenmodell als Skizze:

Erstellung des Dashboards mit entsprechenden Drill-Down Funktionen

Anschließend wurde das Dashboard entwickelt. Mit diesem soll es möglich sein, einen tieferen Einblick in die Kennzahlen zu bekommen. Im Vergleich zu anderen Dashboards, die sich zumeist flach verhalten, besteht in ABIS die Möglichkeiten die Charts je nach Fragestellungen genau in die richtige Ausrichtung zu filtern und zu gruppieren. So können viel schneller Anomalien in den Daten gefunden werden. Entsprechende Filter und Gruppierungen, können als „Set-Konfiguration“ in einer Karte gespeichert werden. Diese Karten können anderen Teilnehmern einfacher und reproduzierbar zur Verfügung gestellt werden.

Das Ergebnis aus der Aufgabenstellung und die Vorteile in der Analyse mit ABIS

Folgende Teilschritte konnten wir im Vergleich zu einer händischen Erstellung automatisieren. Ein Business Intelligence Experte würde hierfür ca. einen Manntag benötigen. BI-Spezialisten sind derzeit sehr gefragt und verlangen im Durchschnitt 1.000 Euro pro Tag. Mit ABIS konnten wir die Arbeitszeit von einem Manntag auf unter eine Minute reduzieren.

Hier die Teilschritte die durch unser automatisiertes Data-Blending-Verfahren eingespart werden konnten:

• File in Datenbank laden
• Datenmodell erstellen
• Update Skript schreiben

Durch ein automatisiertes Data-Blending Verfahren konnten wir 140.000 Zeilen innerhalb von einer Minute integrieren und dabei 1.000 Euro BI-Kosten einsparen.

Die Studenten konnten nun mit dem Dashboard alle oben genannten Aufgaben innerhalb von kurzer Zeit lösen. Im Vergleich zu anderen BI-Tools konnten wir mit Hilfe des Auto-Data-Blendings viel Zeit einsparen und schnelle Ergebnisse liefern.