Project

Project Einstein @jkartela

SAD* data AWESOME DATA

ME TEHDÄÄN DATA & ANALYTIIKKA-PALVELUITA JOTKA LUO PELKOA KILPAILIJOIHIN & SYNNYTTÄÄ RAKKAUTTA DATAA KOHTAAN MEILLÄ DNA:lla.

Analytics ETL

Analytics ETL Online Analytics Great wall of China

Analytics ETL Online Analytics Great wall of China Marketing? Greater wall of China

Brand stuff Product dev Land of no data Analytics ETL Online Analytics Great wall of China Marketing? Greater wall of China

Brand stuff Land of no data Product dev Cust. service Analytics ETL AI Online Analytics Great wall of China Marketing? Greater wall of China

Brand stuff Land of no data Product dev Cust. service Analytics Consultants ETL AI Online Analytics Great wall of China Marketing? Greater wall of China

this creates.

SAD* data *Data you forced to collect even though no-one wants it as a customer & no-one needs it in your business & no-one can find or utilize

Right o Play that Einstein tune

4818233 sähköpostiviestiä 1808665 chattiviestiä 5037683 soittoriviä (IN) 10807959 point-of-sales tapahtumaa 570685 someviestiä 732548567 webbivierailua 23271937 ostoriviä (ostot, vaihdot) 1607628962 dnatv-tapahtumaa 4601714 numsitapahtumaa 75383026 eea-eventtiä (datakäyttö) 2115847 adm-tapahtumaa 19400040 sibbe-tapahtumaa 9031737 tutkimusriviä -> mistä näissä on kyse? ja mitä asiakkaalle tarjotaan seuraavaksi?

web, crms, marketing automation, erps ai/machine learning TECHNOLOGY EDUCATION industrial revol. digital revol. From: Race between technology and eduction (Goldin & Katz)

miten?

TECHNOLOGY EDUCATION 1. technology should be easier to build and manage than before

TECHNOLOGY EDUCATION 2. with better technology, there should be more room for education & fun.

machine learning project learn stan first? watson/sas

Why? Machine learning needs scale Data warehousing needs scale Speed needs scale

Why? New services need easy infrastructure No-one needs to manage infrastructure anymore We want infrastructure as code Our infrastructure changes every hour or so

Why? Data should be in one place The same place should hold analytics The same place should serve everything from customers (personalization) to business (at all levels)

Why? Business wants personalization Business wants better analytics Business wants better marketing & adtech systems Business wants customer-centric data assets, not finance-centric

Why? -> DNA:n strategia on erottua asiakaskokemuksella mikä edellyttää, että olemme hyviä hyödyntämään tehokkaasti reaaliaikaista, rikasta asiakas-, verkko- ja käyttäytymisdataa läpi kanavien ja liiketoimintojen Näen tietoni palveluistani ja profiilistani lähes reaaliaikaisesti ja voin muuttaa ja laajentaa niitä helposti Asiointi DNA:n kanssa on helppoa ja asiantuntevaa ja henkilökohtaista Kilpailuttaminen Itsepalvelu Henkilökohtainen asiakaspalvelu Kiinnostava tarjooma Oikeat investoinnit Modulaarisuus ja muutosten hallinta Tyytyväi nen asiakas Erottuva oikea-aikainen vaikuttaminen Tyytyvä inen henkilö stö Käytettävyys ja laatu Saan tietoa ajankohtaisista asioista ja juuri minua kiinnostavista TV sisällöistä, laitevertailuista ja uutuuksista Vaihtoehtojen minulle relevanteissa medioissa kartoittaminen Ostamisen helppous Käyttöönottaminen DNA:n verkkopalvelut, myyjät ja edustajat tarjoavat juuri minua kiinnostavia ratkaisuja ja ymmärtävät mitä lisäarvoa ne minulle tuottavat Palveluiden käyttö ja muutosten teko on nopeaa ja helppoa 26

Asiakasdata Markkinatutkimus Digitaalinen data Ulkoiset tietolähteet Johdettu data Asiakastunnisteet Tuotetiedot Asiakkaan perustiedot Asiakkaan laitteet Kampanjat Uudet asiakkaat vs. poistumat Brand Tracking NPS Digitaalinen käyttäytymisdata Itsepalvelu Online ostoputket Tilastokeskuksen ruututietokanta (250 * 250) Talouksien elämänvaiheluokitus (Lifestar) Intellian raakatietopankki Ennustemallit Asiakasprofiilit Segmentit Tietosuojadata DNA ID Verkkodata Markkinointiluvat Tiedonkeruuluvat Kieltorekisterin tiedot Saatavuusrekisteritiedot Päätelaitetieto* Verkon QoS Sijaintitieto* Käyttötieto (määrät) Palvelulaatuindeksit Kontaktit Sibbe asset TV käyttödata Ulkoiset tietolähteet AI asset Kassahallinta-järjestel mien datat ASPA memo-kirjaukset Soitot, soittosyyt Chatit Hoitomallit Kertalähetykset AB-testit Email, SMS Kiikari Online kohdennukset DNA TV Web DNA TV mobiiliclient DNA TV Hubi Mediatalojen käyttäytymisdata (Q2) Mediaostajien online- mainontadata (Q2) Facebook connection API (Q2) Google API (Q2) Edistyneet ennustemallit ja asiakasprofiilit Next-Best Offer (NBO) Propensity to buy *Käyttö ei sallittua ilman kuluttajan eksplisiittistä lupaa, voi mahdollistaa kuitenkin erilaiset yhteistyömallit strategisella tasolla

4818233 sähköpostiviestiä 1808665 chattiviestiä 5037683 soittoriviä (IN) 10807959 point-of-sales tapahtumaa 570685 someviestiä 732548567 webbivierailua 23271937 ostoriviä (ostot, vaihdot) 1607628962 dnatv-tapahtumaa 4601714 numsitapahtumaa 75383026 eea-eventtiä (datakäyttö) 2115847 adm-tapahtumaa 19400040 sibbe-tapahtumaa 9031737 tutkimusriviä -> mistä näissä on kyse? ja mitä asiakkaalle tarjotaan seuraavaksi?

CUSTOMER SERVICE kivijalka online chat aspa REALTIME INSIGHT profilointi dashboardit vaikuttavuus RUUNEPERI - ymmärrys - luon. kieli - apu - tuki - palvelu INSIGHT data informed ADVANCED ANALYTICS segmentointi ennusteet potentiaali RECOMMENDER - myynti - ennusteet - markkinointi - kohdentaminen - optimointi ADTECH / MARTECH email, sms cc display EINSTEIN

CUSTOMER SERVICE kivijalka online chat aspa REALTIME INSIGHT REALTIME profilointi DATA FULLSTACK dashboardit INGESTION BIRST/SAP vaikuttavuus APP BLUMIX HANA 8800 WHAT RUUNEPERI - ymmärrys - luon. kieli - apu NATURAL - tuki LANGUAGE SEMANTICS - palvelu SYSTEM CUSTOMER SERVICE OPTIMIZATI ON PROGRAM 1.0 INSIGHT data informed + 10 S OF OTHER SYSTEMS ADVANCED ANALYTICS WATSONSPS segmentointi S-SAS ennusteet KILLER- potentiaali ANALYTICS RECOMMENDER - myynti - ennusteet RECOMMEN - markkinointi DATION - kohdentaminen SYSTEM - optimointi 7000 EINSTEIN ADTECH / ADTECH MARTECH SYSTEM + DMP email, + DATA sms STUDIO cc SUPERMEGA display MARTECH SYSTEM + WHOLE STACK MARKETING CLOUD 5500

data in 10 ms - 5 min data storage analytics & back to storage data usage

data in data in data indata in data storage data in data storage data storage data storage data analytics in data & back data storage storage back to storage analytics inanalytics & back & to back storage storage data data storage data usage inanalytics data storage & back usage data in data usage data usagestorage analytics data & storage data back usage to storage data storage analytics & back to storage data usage analytics analytics & back to storag data & back usage to storage data usage data usage

Operations (customer) first Marketing automation Chatbots and the like Data as customer experience (combined ML, AI, data platforms, operations) Qualitative research (more important than you d think) Machine learning Artificial intelligence Reporting first Business intelligence Big data Advanced analytics Data-level: beginner Data-level: pro Data-level: wizard

Operations (customer) first Marketing automation Qualitative research (more important than you d think) Chatbots and the like Data as customer experience (combined ML, AI, data platforms, operations) NY!!! Machine learning Pro tip: you can start here! Artificial intelligence Reporting first EI NY! Business intelligence Big data Advanced analytics Data-level: beginner Data-level: pro Data-level: wizard

WYSIWYG WYSIWYCAO* what you see is what you can act on

pimp my business intelligence: advanced analytics, classification, forecasts, attribution models, econometrics KICK-ASS DATA SCIENCE unstructured data wizardry: AI, text classification, neural networks, bots customer facing optimization systems: recommenders, marketing optimization, personalization, customer-level forecasts

We need to build simple systems if we want to build good systems. Rich Hickey: Simple made easy https://www.infoq.com/presentations/simple-made -Easy

Simple is often erroneously mistaken for easy. "Easy" means "to be at hand", "to be approachable". "Simple" is the opposite of "complex". Rich Hickey: Simple made easy https://www.infoq.com/presentations/simple-made -Easy

Rich Hickey: Simple made easy https://www.infoq.com/presentations/simple-made -Easy

MACHINE LEARNING IN PRACTICE -> RECOMMENDATIONS RUNNING 2X SALES

NLP on recommendations? CF + NLP + kmeans + gradient boosted trees

ONLINE

deep learning machine learning standard libraries for lemmatization

http://www.tivi.fi/kaikki_uutiset/linus-torvalds-innovaatiohehkutus-on-hevonpaskaa-6625294

streaming data pipelines customer service superpowers cloud wysiwycao data as marketing & cx marketing autom. & adtech text analytics / NLP real-time analytics & machine learning

Benefits Customer - unified experience across channels - personalized content - better offers - less time spent on browsing DNA services - overall better CX - coming: my data & ability to change the data about you as a customer Business - time spent on marketing 10x less than before - sales up 3x across AI-driven campaigns - sales up 2x-10x across campaigns triggered by real-time data - near real time (5 min) insight on what s happening - insight across channels IT / Analytics - better service quality with less time & resources - devops, automation - endless scale for analytics & data - cost effectiveness - one source of truth for data - ability to serve all channels & functions with one platform - 6 months to full scale production

one of the best value for money data scientist, the sexiest jobs of the 21st century

the future is here, it s just not evenly distributed. - William Gibson