Fra data til guld om hvordan (grund)data bidrager til datadrevet kommunikation

Transkript

1 Fra data til guld om hvordan (grund)data bidrager til datadrevet kommunikation 5. februar 2016 Fagligt møde 2016 Nyborg Strand

2

3 GEO? 3

4 Frie grunddata bidrager til: Bedre markedsføring og kommunikation Med grunddata optimeres målrettet kommunikation styret af geodemografien. Med segmentering baseret på grunddata opnås en optimeret markedsføringsindsats og øget indtjening for erhvervslivet. Det skaber vækst og arbejdspladser. Effektivisering Geoinformatik giver nye muligheder for at aktivere egne og eksterne data, så de understøtter effektivisering og nye værdiskabende processer for samfund, virksomheder, medarbejdere, borgere og kunder. Bedre tilgang til offentlige og private data Med kvalitetssikrede offentlige grunddata gives nyt liv til offentlige og private services, der gavner samfundet i form af nye analysemuligheder og mere helhedsorienterede løsninger. Bedre beslutninger Grunddata bidrager til at træffe de rette beslutninger ud fra et geografisk grundlag, hvor rigtige beslutninger er afgørende som fx ved placering af butikker/sportshallen, eller ved omlægning af trafik eller udbygning af boliger. 4

5 Relevante data løfter kommunikationen Big data Smart data Succes 5

6 One size does not fit all Relevans Timing 6

7 FRA GEOINFORMATIK TIL GEOKOMMUNIKATION 7

8 Grunddata og persondata i samspil HUSSTANDE PERSONER Adresse Opvarmnings -form Bolig type Familie type Alder Bolig alder Økonomi Habitations -zone Materiale Bolig str. Uddannelse Bilrådighed Beskæftigelse 8

9 Den geodemografiske klassifikation BLØDE VÆRDIER Index DK DATA- MODELLERING PÅ HÅRDE FAKTA: 9 GRUPPER 36 TYPER DISKRETIONERING ADFÆRD, LIVSSTIL, HOLDNINGER min respondenter pr. type DATA INPUT CVR DSt CPR OIS GLR 9

10 Frie grunddata kræver privatlivspolitik 1:1 relation Datadiskretion Du kunne være den ene 1:1 persondata Ingen individer kan identificeres 10

11 Den geodemografiske klassifikation A Velfunderede husejere 20,0% B Komfort og hygge 13,8% C Livet på landet 13,0% A1 Karriereorienterede familier med overskud 4,1% B1 Kortuddannede familier uden børn 2,0% C1 Familier med aktivt landbrug 2,0% A2 Veluddannede og børnerige familier 3,7% B2 Veluddannede børnefamilier på vej 3,3% C2 Børnefamilier i det åbne land 2,4% A3 Formuende familier med fraflyttede børn 3,7% B3 Seniorfamilier med fraflyttede børn 3,9% C3 Seniorfamilier i det åbne land 1,6% A4 Erhvervsdrivende fra hjemmeadressen 2,6% B4 Par og enlige i ældre huse 2,3% C4 Formuende familier på landet 3,8% A5 Midaldrende med gode kår 5,9% B5 Små familier i mindre rækkehuse i provinsen 2,2% C5 Par og enlige med landboliv 3,2% D Velhavere 6,9% E Urban mangfoldighed 16,6% F Vid og velstand 5,4% D1 Veluddannede, etablerede højindkomstfamilier 2,7% E1 Unge lejere under uddannelse 2,2% F1 Yngre, veluddannede højindkomstfamilier 1,5% D2 D3 Formuende og ressourcestærke børnefamilier Veluddannede, velstillede, voksne familier 1,5% 2,7% E2 E3 Veluddannede i andelslejligheder Voksne enlige midt i byen 2,2% 4,3% F2 F3 Veluddannede byfamilier Familier med formue og forstand 3,1% 0,8% E4 Unge og ældre i ydre by 3,4% E5 Enlige med lave indkomster 4,5% G Seniorer 9,4% I Provinsliv 11,2% G1 G2 Seniorfamilier i rækkehuse i provinsen Vise og velstillede veteraner 2,4% 2,2% H Unge på vej 3,7% I1 I2 Unge singler i provinsbyerne Lejere uden for arbejdsmarkedet 2,0% 3,3% G3 Enlige seniorer i lejligheder 2,2% H1 Studerende på kollegier 1,4% I3 Midaldrende i ældre lejligheder 1,8% G4 De ældste og borgere i særlige boliger 2,6% H2 Unge singler i første bolig 2,3% I4 Enlige voksne med lave indkomster 4,1%

12 Det specielle gør os klogere på målgrupper 12

13 og det kan aflæses i geografien A5 I2 A2 B3 D3 C4 13

14 FRA MASSEN TIL MADSEN 14

15 Alle kæmper om opmærksomhed 15

16 Opsøg borgeren, hvor borgeren er FØR Digital DNA Profil GEO-cookies NU 16

17 Vores digitale DNA kobles til GEO-cookies 23 primære kategorier Underopdelt i 300 specifikke kategorier Geokodet og 100% anonymiseret 17

18 Tvillinger identificeres men alle er vi unikke! To tvillinger kan have 75% identisk adfærd og derfor være forskellige på de resterende 25% af deres parametre. 18

19 Vores forskelligartede digitale profiler D Velhavere I - Provinsliv Travel Family & Parenting 200 Home & Garden Travel Family & Parenting 250 Home & Garden Health & Fitness Pets Health & Fitness Pets Food & Drink 150 Hobbies & Interests Food & Drink 200 Hobbies & Interests 150 Arts & Entertainment 100 Shopping Arts & Entertainment Shopping 100 Education 50 Sports Education 50 Sports Careers - Business Careers - Business Technology & Computing Law and Govt & Politics Technology & Computing Law and Govt & Politics Science News Science News Real Estate Religion & Spirituality Real Estate Religion & Spirituality Personal Finance Automotive Society Style & Fashion Personal Finance Automotive Society Style & Fashion 19

20 Eksempel: Børsen & Biler PERSON A SØGEHISTORIK PERSON B Hvordan ved vi, hvem der har råd til en ny Audi? 20

21 Eksempel: Børsen & Biler med conzoom digital PERSON A Alder SØGEHISTORIK Alder PERSON B Beskæftigelse conzoom type D1 conzoom type H1 Boligtype Rådighedsbeløb Boligtype Rådighedsbeløb Med geografisk baseret conzoom segmentering ved vi meget mere om modtageren og kan koble dette til adfærd. 21

22 Eksempel: online madbestilling ØVELSE: Hvad skal annonceres og hvornår? kl 20.00? conzoom type H1 Kollegier kl 16.00? conzoom type D1 Formue og formåen 22

23 FRA DATA TIL GULD 23

24 Silkeborg Kommune: Borgermøde-forberedelse Projekt Borgermøde om placeringen af et biogasanlæg. Hvilke husstandstyper? Med kortlagene som en del af forberedelsen til borgermødet, kunne Teknik- og Miljøafdelingens ansatte få et overblik over de sociodemografiske kendetegn for borgerne i det berørte område. Det er en viden, der efterfølgende blev brugt i deres præsentationer og generelle kommunikation med de fremmødte til borgermødet. 24

25 Center for familiepleje: Målgruppe-analyse Projekt Hvervning af plejefamilier Målgruppens medieforbrug Analyse af eksisterende plejefamilie med henblik på en hvervekampagne efter nye plejefamilier. Geomatic analyserede, hvilke husstandstyper, der var hyppigst forekommende blandt eksisterende plejefamilier. Ud fra dette rådgav vi kommunen om, hvilke medieplatforme, der var mest hensigtsmæssige at benytte i en hvervekampagne. Rekruttering af gode plejefamilier er en stor udfordring for kommunerne. Derfor havde vi brug for et billede af hvilke typer vores nuværende plejefamilier er, så vi kan målrette vores hverveindsats og opnå kontakt med flere af de familier vi gerne vil bruge. Med conzoom har vi nu et rigtig godt grundlag for at vælge de medier vi annoncerer igennem. - Klaus Wilmann, Centerleder

26 Politik: Kortlægning af vælgerpotentiale E3 Hjerterum Her stemmer 9 % på Enhedslisten D1 Formue og formåen Her stemmer 23 % på Venstre A3 Gyldne hjem Her stemmer 25 % på Socialdemokratiet

27 Movia: Optimering af busruter Et konkret eksempel er, at vi brugte buskundepotentialet, da vi sidste år siden skulle oprette den nye buslinje 9A, der kører fra Glostrup st. og ind til centrum af København. Det var naturligt at inddrage en kortlægning af kunderne i den proces, for at blive klogere på kunderne langs ruten. -Troels Tofte Hansen, trafikplanlægger Buskundepotentialelaget er blevet et naturligt redskab i min rådgivning af kommuner og i min hverdag som planlægger af Movias busbetjening, -Troels Tofte Hansen, trafikplanlægger Sort linje: 9As rute Lyse farver: Lavt potentiale Mørke farver: Stort potentiale 27

28 Movia: Optimering af busruter Borgerengagement Fremtidig bus drift i København behandles under workshops hvor borgerne inddrages I beslutningen. 28

29 Faaborg-Midtfyn Kommune: Bosætningsstrategi Projekt Bosætningsstrategi Bosætningsanalysen er kommunens kompas En socioøkonomisk analyse afdækkede tilflytteres karakteristika og klargjorde også, at der er landsbyer med meget forskellige befolkningssammensætninger i kommunen. Analysen blev kombineret med kommunens egne data, interviews etc. og resultatet er en bosætningsanalyse, der skal understøtte kommunens udviklingsstrategiske arbejde. Med bosætningsanalysen har vi fået et stærkt værktøj til at sikre et godt liv for de borgere vi har, og tiltrække nye borgere til kommunen Sebastian Antoine, Udviklingskonsulent 29

30 SKAT: Ejendomsvurdering i finanssektoren Analytical Valuation Model (AVM) er bygget for og med danske pengeinstitutter for en løbende automatiseret og dokumenteret vurderingsproces. 30

31 SKAT: Ejendomsvurdering i finanssektoren 31

32 SKAT: Ejendomsvurdering i finanssektoren 32

33 COOP: Vores fødevareforbrug kortlægges Andel af potentiel fødevareforbrug i forhold til Danmarks statistik (gns.) Grunddata bidrager til at vi kan forbedre driften i butikkerne lokalt og tilsvarende arbejder vi målrettet med at forbedre tilbud til vores medlemmer så de bliver mere vedkommende. - Erhard Nielsen, COOP analyse 33

34 COOP: og hvad kan disse data fortælle om os Tartelet-lommen, Whisky-bæltet eller Skyr-ledet Vi har mere data om forbrugeren end vi kan anvende operationelt - Lars Aarup, COOP Analyse 34

35 Jeanette M. Olsen Consultant Martin K. Glarvig President & Founder creators of Geomatic a/s CVR-nr.: DK Besøg os her: Sankt Gertruds Stræde København K info@geomatic.dk