MEGA digitale trends - Big Data og overvågningssamfundet

Transkript

1 MEGA digitale trends - Big Data og overvågningssamfundet Den 2. september 2016 Konference: Sikkerhed & Revision

2 Disposition 1. Lidt om Geomatic 2. Forstå samfundet gennem data 3. De største digitale MEGA trends 4. Bag om data 2

3 LIDT OM GEOMATIC 3

4 Geomatic Enabling You to Understand Society through Data Stiftet i 2002, 36 ansatte: data specialister, analytikere og udviklere. Nordisk kompetencecenter indenfor geoinformatik med hovedkontor i København. Bygger egne modeller og innovative applikationer fra data indsigt og offentlige registre. Mest kendte for vores Nordiske forbruger klassifikation conzoom (tidligere i samarbejde med mosaic TM ) Data played well since

5 EU Initiativer: Frihed under ansvar PSI-direktivet Artikel 3: Data fra den offentlige sektor skal genbruges og skabe værdi Dataforordningen Artikel 20: Retten til ikke at være genstand for beslutningstagen baseret på automatisk dataforarbejdning, inklusive profilering. PRIVAT & OFFENTLIG SEKTOR x5

6 Løsning: At vide meget om mange men intet om den enkelte! 1:1 relation Datadiskretion Du kunne være den ene 1:1 persondata Ingen individer kan identificeres 6

7 Danmark er fuld af registre Kortforsyning ESR/ SVUR Index DK DMI DSt BBR/ OIS CPR Trafikdata 34 Tele Kulturarv CVR PLAN Mini MAKS ODIN DAR Udbud s-data CLR KOB CRM RKI Skat PolSAS Tinglysning AIS DBR 7

8 FORSTÅ SAMFUNDET GENNEM DATA 8

9 9

10 Med conzoom ved vi meget om mange, men intet om den enkelte! A5 I2 A2 B3 D3 C4 10

11 Vi sætter dem på kort og ved hvor conzoom typerne færdes 11

12 Og vi følger conzoom typerne livet igennem A4 A4 Erhvervsdrivende fra hjemmeadressen G4 De ældste og borgere i særlige boliger G4 12

13 Eksempler på conzoom variable fra Geomatic Alder og familietype fra CPR G4 Indkomst og formue fra Skat D1 13

14 DE STØRSTE DIGITALE MEGA TRENDS 14

15 Data bliver mere tilgængelig og anvendt kreativt 15

16 Løft kommunikationen med geodemografiske data 16

17 Profil på Rønnealle 36 - fra grundtilbekymring.dk 17

18 Profil på Rønnealle 36 - fra grundtilbekymring.dk 18

19 Profil på Rønnealle 36: Indbrudsrisiko 19

20 Løft kommunikationen med geodemografiske data 100 nærmeste husstande 20

21 Er ejendomsmæglere de næste til at blive disrupted? 21

22 Mange data er offentlig tilgængelige og anvendes flittigt 22

23 Datastøttet relevant rådgivning forventes i fremtiden Øget risiko for skilsmisse med indeks 287 dersom Plads i reden bygger til i stedet for at rejse jorden rundt. 23

24 Big Data om konsumentvaner Tarteletlommen, Whisky-bæltet eller Skyrledet Vi har mere data om forbrugeren end vi kan anvende operationelt. Lars Aarup, COOP Analyse 24

25 GPS tracking af hjemløse 25

26 Muligheder med SMS og GPS Telefonnumre og positioner samles fra: konkurrencer TV-shows (X-factor mv.) afstemninger (debatprogram) tilbudsaviser SMS-billetter SMS-frimærker 26

27 Ejendomsvurdering i finanssektoren Analytical Valuation Model (AVM) er bygget for og med danske pengeinstitutter for en løbende automatiseret og dokumenteret vurderingsproces. 27

28 Ejendomsvurdering i finanssektoren 28

29 Ejendomsvurdering i finanssektoren 29

30 Ejendomsvurdering i finanssektoren 30

31 Politik: Kortlægning af vælgerpotentiale E3 Hjerterum Her stemmer 9 % på Enhedslisten A3 Gyldne hjem Her stemmer 25 % på Socialdemokratiet D1 Formue og formåen Her stemmer 23 % på Venstre 31

32 At drive et storcenter med geodemografisk analyse Alle nummerplader bliver scannet, men ingen kan genkendes. Danmarks Statistiks datafortroligheds-udvalg har godkendt konceptet hvor adresser på bilejerne hentes fra SKAT/Motorregistret for efterfølgende demografisk profilering. Ingen individdata kan udleveres og alle data slettes efter endt analyse. 32

33 Optimering af kundeoplevelsen ved brug af data Kilde: Footfall/Eurostat 33

34 Optimering af kundeoplevelsen ved brug af data Kilde: BlipSystems 34

35 Optimering af kundeoplevelsen ved brug af data Kilde: BlipSystems 35

36 Sociodemografi i logistisk planlægning movia 36

37 Sociodemografi i logistisk planlægning movia BIL FAKTOR fra Geomatic 37

38 Sociodemografi i logistisk planlægning movia Borgerengagement - Fremtidig bus drift i København behandles under workshops hvor borgerne inddrages i beslutningen. 38

39 BAG OM DATA 39

40 Sådan bliver conzoom klassifikation til DATA INPUT 2. CLUSTER MODELLING 3. BERIGELSE 4. DATA OUTPUT: conzoom classifications for all four Nordic countries 40

41 Introfilm om conzoom digital 41

42 Programbaseret indkøb er voksende indkøbsform 100% 90% 80% 70% 60% 50% 76 % 62 % 47 % 36 % 47 % 27 % 32 % 21 % 32 % 17 % 31 % 40% 25 % 30% 18 % 20% 52 % 47 % 13 % 41 % 34 % 10% 19 % 28 % 11 % 0% Kilde: GroupM RTB Non-RTB Programmatic Non Programmatic Her køber vi målgrupper Ikke medier 42

43 Eksempel: Hvordan ved vi, hvem der har råd til en ny Audi? PERSON A SØGEHISTORIK PERSON B 43

44 Eksempel: Hvordan ved vi, hvem der har råd til en ny Audi? Alder PERSON A SØGEHISTORIK PERSON B Alder Beskæftigelse conzoom type H1 conzoom type D1 Rådighedsbeløb Rådighedsbeløb Boligtype Boligtype 44

45 Eksempel: Online madbestilling ØVELSE: Hvad skal annonceres og hvornår? conzoom type H1 Kollegier kl 20.00? conzoom type D1 Formue og formåen kl 16.00? 45

46 Konklusion og anbefaling DET HANDLER OM MERE END IT COMPLIANCE 1. Forstå kundens forventninger - som ikke nødvendigvis er ens med hvad lovgivning tillader - ægte kontrol 2. Kommuniker og demonstrer jeres hensigter privatlivspolitik og ægte transparens 3. Demonstrer værdi via services og oplevelser så kunden kan se fordelene ved at dele data 46

47 Martin K. Glarvig CEO & Founder OPERATIONS geomatic.dk conzoom.dk Nyhedsbrev Facebook LinkedIn YouTube Twitter