Smart Data Workshop

www.td-berlin.com

SMART DATA WORKSHOPNeue Datenquellen für die Wirkungsmessung sozialer Projekte?

17. November 2016

Gufeng Zhou, Birte Schaper, Nadja Büttner, Kristina Bongardt

Smart Data Workshop by td Berlin @ labtogether 2016

Agenda

Smart Data Quellen

Gallery Walk

15min pro Datenquelle/Station

+ 10min Kaffeepause

Input zu Smart Data &

Gruppen-Einteilung

Offene Diskussion zum

Ausblick & Reflektion

14:30 – 14:50

14:50 – 16:30

16:30 – 17:00


SMART DATA!SMART

DATA!

CRM

DATA

OPEN

DATA

SENSOR

BASED

DATA

ONLINE

TEXT

DATA

WEB

ANALYTIC

DATA

GOOGLE

SEARCH

DATA


Google Search Data:

Das Messen von Interesse

https://www.google.de/trends/

Regionale

Verteilung

Verwandte

Suchanfragen

Zeitverlauf

Beispiel: Google Trends


Google Search Data:

Das Messen von Interesse


• Die Analyse von Google Suchdaten gibt

Aufschluss über das Interesse der

Gesellschaft an konkreten Themen,

Personen und Produkten

• Mit Hilfe von Google Trends lässt sich die

Popularität einzelner Begriffe im Zeitablauf

analysieren, was Rückschlüsse auf sich

formierende Trends in der Welt, einem Land

oder einer Region erlaubt

• Dies ermöglicht weitere Analysen wie die

Korrelation des Suchvolumens von Themen

mit anderen Themen (Google correlate) oder

bestimmten Ereignissen

• Diese Korrelationen erlauben Aussagen über

den Effekt von Ereignissen (z.B. Kampagnen,

Veröffentlichungen), sowie die Vorhersage

bestimmter Ereignisse (Beispiel Suche nach

Grippe und tatsächliche Verbreitung)Smart Data Workshop by td Berlin @ labtogether 2016

Google Search Data: Nach Veröffentlichung der Studie zu

Kinderarmut der BM Stiftung steigen die Suchen zu dem Begriff

https://www.bertelsmann-stiftung.de/de/themen/aktuelle-meldungen/2016/september/kinderarmut-in-

deutschland-waechst-weiter-mit-folgen-fuers-ganze-leben/

12.09.2016, Studie der Bertelsmann Stiftung:

„Kinderarmut in Deutschland wächst weiter –

mit Folgen fürs ganze Leben“


0

20

40

60

80

100

Nov. 11 Mai. 12 Nov. 12 Mai. 13 Nov. 13 Mai. 14 Nov. 14 Mai. 15 Nov. 15 Mai. 16

HeForShe Gender Equality

Google Search Data: Emma Watsons „HeForShe“ Kampagne

führt zu einer Steigerung der Suchen nach Gender Equality


September 2014

Emma Watson HeForShe Speech at UN March 2015

Emma Watson Live Chat on Facebook

March 2016

HeForShe Art Week Launch


Google Search Data: Electionland, ein Projekt von ProPublica

und Google zur Messung von Unregelmäßigkeiten am Wahltag

https://projects.propublica.org/electionland/Smart Data Workshop by td Berlin @ labtogether 2016

Online Text Data:

Das Messen von Meinungen

https://trend-sonar.com/

Quellen Art

Zeitverlauf &

PrognoseAlle Artikel zum

Thema

Subthemen

Beispiel: Sonar


Online Text Data:

Das Messen von Meinungen

• Die Analyse von Online-Gesprächen wie

Nachrichten, Blogs, Foren und Posts in Social

Media Kanälen wie Facebook, Twitter oder YouTube

ermöglicht Einblicke in und Perspektiven von

Bedürfnisse und Meinungen von Personen

• Mit Hilfe von Buzz Listening Tools lässt sich

quantifizieren, wie intensiv (Buzz Volumen) auf

welchen Kanälen über bestimmte Themen und

Aspekte im Zeitverlauf gesprochen wird

• Text AnalyticsTools erlauben zudem die

automatisierte qualitative Analyse von Dokumenten,

also beispielsweise wie positiv oder negativ

(Sentiment) und worüber (z.B. als Textcloud)

gesprochen wird.

• So lassen sich beispielsweise Aussagen darüber

treffen, wie erfolgreich eine Kampagne war, worüber

die Gesellschaft vermehrt diskutiert oder was sie an

bestimmten Themen oder Produkten stört


Tools

Tool-

Einblicke

Beispielhafte

Datenquellen

news50%

facebook19%

forum14%

twitter10%

blog4%

Others3%

…Känale

Online Text Data: Diskussion über und Probleme mit

Blutspenden analysieren und verstehen

0

500

1000

1500

2000

2500

Buzzvolume Blutspende in Deutschland

April 2015

News: Homosexuelle und Blutspende

Juni 2015

Weltblutspendetag

Juni 2016

Weltblutspendetag

Feb 2016

Zugunglück in Bayern: Aufruf zur Blutspende

Diskussionen nach

…Bundeslandändern

DRK86%

BRK10%

Haema4%

…Organisationen

Stammzell40%

Blutplasma33%

Vollblut17%

Thrombozyten10%

…Spendenarten

187

314

443

Wo kann man spenden?

Wie oft kann man spenden?

Wer darf spenden?

Top 3 Fragen

https://brandwatch.com/Smart Data Workshop by td Berlin @ labtogether 2016

Online Text Data: Textdaten-Analyse zur Optimierung von

Fundraising

http://www.datakind.org/projects/helping-great-causes-get-funded/

Ausgangslage

• GlobalGiving ist viel mehr als nur eine

Fundraising-Website. Neben der Verwaltung

von Spendengeldern hilft GlobalGiving

Organisationen, die Effizienz ihrer

Fundraising Aktivitäten zu verbessern und

ihre Wirkung zu erhöhen.

Vorgehen

• GlobalGiving untersuchte bisherige

Fundraising-Kampagnen oder Projekte, um

zu ermitteln, welche Faktoren dazu führen,

dass Projekte erfolgreich finanziert werden.

• Sie wollten wissen: Gab es eine Formel für

den Projekterfolg?

Ergebnis

• Durch die Textanalyse der Wörter auf jeder

Projektseite fanden sie Korrelationen

zwischen der Spezifität der Sprache und dem

Projekterfolg.

• Organisationen waren z.B. weniger

erfolgreich, wenn sie generische Worte wie

"Kunst" versus ein konkretes Projekt wie

"eine Fotografie-Ausstellung“ verwendeten.

• Erfolgreiche Projekte erreichten in der Regel

ihre Finanzierungsziele innerhalb der ersten

zwei Monate nach der Entsendung des

Projekts.


Web Analytics Data:

Das Messen von Online Verhalten

Visits über

die Zeit

Total Visits

Traffic Sources

Verwandte Visits

Beispiel: Similar Web


Web Analytics Data

Das Messen von Nutzungsverhalten

• Die Analyse von Webseiten- & App-Daten liefert

quantifizierbare Erkenntnisse über die Nutzung

von einer Seite oder App

• Mithilfe von Web Analytics Tools kann die

Performance von verschiedenen KPIs (Key

Performance Indicators) gemessen werden

(Besuche, Absprungrate, Verweildauer,

Registrierungen etc.)

• Typische Fragestellungen sind z.B.: Wie viele

Besucher gab es? Wie lange waren sie auf der

Seite? Was haben sie sich angeschaut? Haben

sie sich registriert/ gespendet/ teilgenommen?

Wie sind sie auf meine Seite gekommen (z.B.

Newsletter, Search, Ads)?

• So können Webseiten und Apps hinsichtlich

Nutzerfreundlichkeit und Erfolgsfaktoren

(z.B. Registrierungen) optimiert werden


Tools

Tool-Einblicke

Web Analytics Data: Verbesserung des Online Mentorship

Programms von iCouldBe durch die Analyse von Webdaten

http://www.datakind.org/projects/uncovering-the-abcs-of-successful-online-mentoring/

Ausgangslage

• iCouldBe‘s Ziel ist es gefährdete Jugendliche

durch ein Online Mentorship Programm zu

ermutigen, die Schule zu beenden und

Zukunftspläne zu schmieden.

• Seit 15 Jahren misst iCouldBe die

Interaktionsdaten zwischen Mentor und

Mentee auf ihrer Website.

• Frage: Welche Faktoren führen dazu, dass

die Jugendlichen das Mentorship Programm

abschließen und nicht vorzeitig abbrechen?

Vorgehen

• Erarbeitung einer Definition von Erfolg des

Mentorship Programms (3 bearbeite

Lernmodule in 3 Monaten)

• Text-Daten basiertes Vorhersagemodell zur

Identifikation von Erfolgsfaktoren

Ergebnis

• Schnelle und positive Rückmeldung von

Mentoren sowie Sätze wie "I'm here for you“

steigern die Motivation.

• Ein zu langer Text führt zu einer höheren

Abbruchwahrscheinlichkeit.

• Kate Schrauth (Director): “Now we can start

really training mentors on how to be

successful based on more than just

anecdotes.”


CRM Data:

Das Messen von Engagement relevanter

Stakeholder

INTERAKTION

CRM Database

KOOPERATION


CRM Data:

Das Messen von Engagement relevanter Stakeholder

• CRM-Datenbanken bieten ein umfassendes

Spektrum von Einblicken zu Nutzer- und

Zielgruppen, deren Verhalten und

Interessen z.B. ihre Geschichte, Ziele,

Präferenzen, Probleme, ihre Zufriedenheit,

Kooperationen

• Die Analyse von Daten wie z.B. Newsletter

Performance, Registrierungen, Interaktionen,

Nutzungsprofile geben Rückschlüsse auf den

erfolgreichen Umgang mit Stakeholdern

• So kann individualisiert auf die Bedürfnisse der

einzelnen Stakeholder eingegangen und eine

zielgruppengerechte Ansprache aller

Stakeholder (z.B. Spender, Teilnehmer/ Nutzer,

Betroffene, Kunden, Kooperationspartner,

Freiwillige) ermöglicht werden

(RE)

AKTIVIERUNG

ANSPRACHE

PERSONALISIERUNG

INTERAKTION

CRM Database

KOOPERATION


CRM Data:

Den Erfolg von Programmen messbar machen und optimieren

https://blog.dssg-berlin.org/datenanalyse-f%C3%BCr-das-gemeinwohl-e964566cdd99#.m2r4zd4n7

https://www.uschamberfoundation.org/food-data-great-opportunities

Ausgangslage

• DC Central Kitchen bieten neben dem

Kerngeschäft u.a. auch Fortbildungen für

sozial unterpriviligierte Bürger an.

• Das Ziel des DC Central Kitchens

„Culinary Job Training-Programms ist es,

Erwachsene auf die Anforderungen im

Berufsalltag der Lebensmittel-Service-

Industrie vorzubereiten.

Ergebnis

• Durch die Analyse der vorhandenen Daten

über ihre Teilnehmer und deren Historie

konnte aufgedeckt werden, dass

Teilnehmer oft kurz vor Ende des

Trainings aus dem Programm

ausscheiden.

• Daraufhin hat DC Central ein Praktikums-

Programm lanciert, um den Übergang von

der Ausbildung in den Joballtag zu

erleichtern.

• Weitere Analysen zeigten, dass

Teilnehmer mit bestimmten Eigenschaften

mit höherer Wahrscheinlichkeit aufgeben.

• Mit diesem Wissen konnten DC Central

Kitchen proaktiv auf spezielle Teilnehmer

zugehen und sie im Programm halten.


CRM Data: Risikofaktoren für Obdachlosigkeit erkennen mit

verknüpften CRM Daten

http://www.datakind.org/projects/sharing-data-to-learn-about-homelessness/

Ausgangslage

• St Mungos Broadway, eine Organisation für

Obdachlose, hat eine große Menge an Daten

über ihre Klienten, jedoch wenig Informationen

über diese Personen, bevor sie obdachlos

wurden.

• Daher wollten sie herausfinden mit welcher Art

von Fragen, die Menschen zu Citizens Advice,

einer freie Beratung in allen Zivilthemen,

gehen bevor sie als Obdachlose in ihrem

System landen.

Vorgehen

• Das Verknüpfen beider Datensets zeigte, dass

1500 gemeinsame Klienten bestehen, deren

Daten mithilfe verschiedener Modelle

analysiert werden konnten.

• Mit Gephi wurden bspw. gemeinsame Wege

und das gemeinsame Auftreten von

Problemen analysiert und visualisiert.

Ergebnis

• Data Scientist fanden verschiedene

spannende Erkenntnisse z.B. sind Probleme

mit Arbeitsunfähigkeit 10% häufiger bei

späteren Obdachlosen gefunden worden.

• Zum anderen wurden Modelle erarbeitet, die

den Erfolg von Obdachlosen-Programmen bei

Personen mit bestimmten Merkmalen

hervorsagen sollten.


Open Data:

Das Analysieren von öffentlichen Daten


Open Data:

Das Analysieren von öffentlichen Daten

• Open Data bezeichnet die freie Verfügbar- und

Nutzbarkeit von meist öffentlichen Daten

• Auf Regierungsseiten findet man mittlerweile

eine breite Palette von Bevölkerungs-,

Wirtschafts- und Geodaten, die von weltweiten

Klimaentwicklungen über regionale Kriminalitäts-

statistiken bis hin zu Obdachlosenzahlen in

einzelnen Stadtteilen reichen

• Auch wissenschaftliche Datenbanken machen

zunehmend akademische Abhandlungen,

empirische Studien und Patentdatenbanken frei

verfügbar, die mitunter Aufschluss über

technologische Entwicklungen geben können

• Mit Datenanalyse und Algorithmen lassen sich

diese Daten in Zusammenhang bringen und

können so eine wichtige Erkenntnisquelle für

unterschiedlichste Forschungsfragen sein


Open Data: Effektive, regionale Budget Allokation im Kampf

gegen Kinderarmut auf Basis von offenen Regierungsdaten

http://www.datakind.org/blog/dc-action-for-children-long-term-collaboration-for-long-term-impact/

Ausgangslage

• Kinderarmut ist ein wichtiges Thema. Um es

zu lokalisieren und Ressourcen richtig zu

verteilen, muss man es messen. Allerdings

gibt es hierzu viele verschiedene öffentliche

Datenquellen und Metriken

• Das Ziel des DC KIDS COUNT Data Tools

2.0 ist es eine detaillierte geographische

Übersicht all dieser Variablen zu erhalten, um

eine informierte Entscheidung zu treffen

Ergebnis

• Visualisierung verschiedener Armuts-

Metriken in einer Kartendarstellung

• “What the neighborhood maps showed us

was that the success of far too many DC

children is predetermined by their ZIP Code –

and too many children lack access to

resources needed to thrive.” (HyeSook

Chung, Executive Director of DC Action for

Children)

• “We hope the DC KIDS COUNT Data Tool

2.0 ignites thoughtful conversations during

this budget season to ensure that resources

are both sufficiently, and effectively, allocated

to address the needs of children.” (HyeSook

Chung, Executive Director of DC Action for

Children)


Open Data: Und wenn es keine verfügbaren Regierungsdaten

gibt? Satellitenbilder zur Identifizierung von Bedürftigen

http://www.datakind.org/blog/using-satellite-images-to-understand-poverty/

http://www.datakind.org/projects/using-the-simple-to-be-radical/

Zielsetzung

• GiveDirectly benötigte Informationen über

Armutsverhältnisse in Kenia, um Bedürftige

besser identifizieren zu können.

• Es gab jedoch keine amtlichen Statistiken.

Vorgehen

• Data Scientists erstellten ein System, das

automatisch den Hausdachtyp (Metall- oder

Strohdach) auf Satellitenbildern erkennt.

• Mithilfe von Machine Learning konnten die

Armutsverhältnisse automatisch geschätzt

werden (Verhältnis Metall- zu Strohdächer).

Ergebnis

• Ansatz für das Automatisieren eines

datengesteuerten Prozesses für die

Ausrichtung von Bargeldtransfers

• Während der Algorithmus für GiveDirectly

nicht genau genug war, zeigt er dennoch

das Potenzial der Verwendung von

Satellitenbildern und Machine Learning,

welches in Entwicklungs- oder humanitärer

Arbeit eingesetzt werden kann.


Sensor-based Data:

Das Messen von

Offline Verhalten


Sensor-based Data:

Das Messen von Offline Verhalten

• Smartphones, Wearables, Sensoren und immer

mehr andere vernetzte Produkte ermöglichen

es heute, Aspekte des offline Verhaltens

digital messbar zu machen

• Technologische Innovationen im Bereich

Internet of Things und Quantified Self

(Vermessung des Selbst) zeigen schon heute,

was in Zukunft vernetzt und messbar sein kann

• Das Aufzeichnen und Analysieren von solchen

(Verhalten-)Daten kann auf individueller Ebene

Einblicke in Verhaltensmuster hinsichtlich

Bewegung, Nutzung und Interesse geben

• Zwar können solche Daten einerseits dazu

dienen, Aspekte des menschlichen Lebens zu

optimieren (z.B. Health Apps), ebenso wächst

jedoch die Skepsis hinsichtlich ethischer

Aspekte in einer total vernetzten Gesellschaft


Sensor-based Data: Ambient Assisted Living – Sensoren statt

Pflegeheime

http://www.zeit.de/2013/02/Pflege-Technologie-Ambient-Assisted-Living/seite-3/

Ausgangslage

• Nicht nur in Deutschland fürchtet man sich vor

den Folgen der demografischen Bombe. Seit

vier Jahren fördert die Europäische Union in 23

Ländern die Arbeit von Ingenieuren und

Informatikern, die sie entschärfen wollen.

Vorgehen

• Im schottischen Bezirk West Lothian ließ die

Bezirksverwaltung zwischen 2002 und 2006

über 2.000 Wohnungen mit Sensoren versehen

– für gerade einmal 2,1 Millionen Pfund.

• Installiert wurde ein einfaches

Hausnotrufsystem, das die Daten von tragbaren

Sturzsensoren, Bewegungs-, Rauch- und

Gasmeldern im Notfall an ein Callcenter funkt.

Dort beantwortet geschultes Personal Fragen

und kontaktiert bei Bedarf Pfleger, Ärzte oder

Angehörige.

Ergebnis

• Die durchschnittliche Aufenthaltsdauer in

Pflegeheimen des Bezirks wurde von 38 auf

unter 10 Monate gesenkt und den Menschen so

mehr Zeit im gewohnten Umfeld ermöglicht.

• Mittlerweile haben über 30.000 Schotten Zugriff

auf telemedizinische Dienstleistungen. Laut

einer Studie des New Haven Research Center

ließen sich in den letzten fünf Jahren eine halbe

Million Krankenhaustage einsparen.


Sensor-based Data: Impf-Tracking zur Optimierung der Polio-

Bekämpfung in Nigeria

http://www.ehealthafrica.org/polio-program//

Ausgangslage

• Die Projekte von eHealthAfrice (eHA)

optimieren die lokalen, sowie nationalen Polio-

Impfkampagnen in Nigeria durch die

Bereitstellung von Smart Data und

Geoinformationen.

Vorgehen

• Über 12.000 Impfteams wurden mit GPS-

fähigen Android Smartphones ausgestattet,

wodurch mithilfe einer speziellen Tracking-App

die Bewegung der Teams verfolgt werden

konnten.

• eHA entwickelt ein Vaccinator-Tracking-System

(VTS) Dashboard, das die Bewegung der

Impfteams abbildet, Anteile abgedeckter

Siedlungen, sowie verpasste Siedlungen

überwacht.

• Zudem wurden die Daten von schwer zu

erreichenden Siedlungen an WHO und UNICEF

weitergegeben, deren mobile Teams

abgelegene Gemeinden versorgen.

Ergebnis

• Durch die Arbeit von eHA wurden 782 zuvor

undokumentierte Siedlungen identifiziert.

• In Zukunft kann so sichergestellt werden, dass

bei künftigen Impfkampagnen mehr Siedlungen

besucht und behandelt werden .


Sensor-based Data: Digitale Autobahn – Sensoren messen

Bewegungsdaten

https://www.welt.de/regionales/bayern/article156192950/Digitale-Autobahn-Sensoren-messen-

Bewegungsdaten.html/

Ausgangslage

• Die Teststrecke für selbstfahrende Autos

wird aufgerüstet: An der A9 speichern

Radarsensoren die Bewegungsdaten von

Fahrzeugen.

Vorgehen

• Für die Erprobungsphase liefert Infineon

die Sensor-Chips, die Siemens dann in

Messgeräte einbaut und entlang der

Autobahn installiert.

• Verkehrsdichte, Tempo, Abstand und

andere Bewegungsdaten der Fahrzeuge

werden anonym gemessen

• Alle gesammelten Bewegungsdaten

werden im Internet jedermann offen zur

Verfügung gestellt.

Ergebnis

• App-Entwickler können damit digitale

Anwendungen für das vernetzte oder

autonome Fahren entwickeln um künftig

Unfälle und Staus zu vermeiden.


Predictive Modeling:

Wirkung messbar

machen


Predictive Modeling: Wirkung messbar machen

Auf Basis von mathematischen Algorithmen und

modelbasierten Datenanalysieren kann

• die Wirkung von bestimmten Aktivitäten

(Kampagne / Programm) gemessen werden

(häufig auf Basis von Zeitreihendaten und

Grundlage für eine Effektivitätsbetrachtung)

• eine Vorhersage oder Klassifizierung

erstellt werden (welche wiederum als

Frühwarnsystem oder zur besseren

Allokation von Ressourcen genutzt werden

kann)

Die Auswahl der geeigneten Modelle hängt von

der gewählten Fragestellung ab. Beispielhafte

Modellierungsmethoden sind logistische

Regression, neuronale Netze, Random Forest,

Classification und Regression Tree (CART)


Predictive Modeling: Das Vorhersagen von Hausbränden zur

gezielten Installation von Rauchmeldern

http://www.datakind.org/blog/american-red-cross-and-datakind-team-up-to-prevent-home-fire-deaths-and-injuries

Zielsetzung

• Jedes Jahr werden 25.000 Amerikaner

getötet oder verletzt als Folge von

Hausbränden.

• Das American Red Cross hat im Oktober

2014 die "Home Fire Campaign" ins Leben

gerufen, um solche Verletzungen und

Todesfälle in den USA innerhalb von 5

Jahren um 25% zu reduzieren.

Vorgehen

• Mit Open Data aus dem American

Community Survey und dem American

Housing Survey, sowie Daten aus dem

National Fire Incident Reporting System und

dem Red Cross Home Fire Response, wurde

ein Tool entwickelt, das risikoreiche Bereiche

in Städten in den USA identifiziert.

Ergebnis

• Empfehlungen auf regionaler Ebene, wo das

amerikanische Rote Kreuz seine

Feuermelder-Installationskampagnen

ausrichten sollte.

• Über 400.000 Alarmsysteme in über 175.000

Haushalten installiert, mit Sicherstellung .

dass der Rest der 2.5M Rauchmelder in den

Gemeinden installiert werden, wo sie am

meisten benötigt werden.

http://home-fire-risk.github.io/smoke_alarm_map/


Predictive Modeling: Das Vorhersagen von Menschenrechts-

verletzungen zur Priorisierung von Ressourcen

1) http://www.datakind.org/projects/predicting-and-preventing-human-rights-abuses

2) https://www.washingtonpost.com/business/on-it/amnesty-international-considers-using-big-data-to-predict-human-rights-

violations/2013/11/22/3f4f1a1e-5388-11e3-a7f0-b790929232e1_story.html

Zielsetzung

• Amnesty International bekämpft

Menschenrechtsverletzungen.

• Die begrenzten Ressourcen müssen

jedoch priorisiert werden, um eine große

Anzahl von Fällen bearbeiten zu können.

Vorgehen

• In Hilfsanfragen, die über das Urgent

Action Network eingingen, konnten Data

Scientists Muster identifizieren.

• Diese Muster deuteten darauf hin, welche

Fälle in der Vergangenheit zu Krisen

eskaliert sind.

Ergebnis

• Anhand der Muster für neu eingehende

Fälle kann nun eine Dringlichkeitsstufe

geschätzt, vorhergesagt und somit

bestimmte Fälle priorisiert werden.

• Das gewonnene Modell kann auch darüber

informieren, welche Gegebenheiten am

stärksten zu einer großen Wirkung

beisteuern.


Viele der in unserem Workshop vorgestellten Case Studies beziehen sich

auf Projekte von DataKind. DataKind ist ein weltweites Netzwerk, welches Non Profit

Organisationen unentgeltlich bei der Analyse ihrer Daten unterstützt. DataKind‘s Claim:

„Harnessing the power of data science in the service of humanity“

Auch in Deutschland gibt es ähnliche Organisationen und Netzwerke, die pro bono ihre

Datenexpertise anbieten:

Gern stehen auch wir für Projektanfragen zur Verfügung

http://dssg-berlin.org/ http://correlaid.org/ https://datenschule.de/

http://www.datakind.org/

An wen wenden? Für Inspiration und Bearbeitung eigener

Fragestellungen einfach Kontakt aufnehmen

(Kontakte nächste Seite)

http://dssg-berlin.org/

http://correlaid.org/

https://datenschule.de/

Brain, heart & guts.

[email protected]

Joscha Hofferbert

Birte [email protected]

Birtes Schwerpunkte sind Customer Insights und Data

Analytics. Sie konzeptioniert Datenstrategien, digitale

Lernkonzepte und Datenvisualisierungen.

Dr. Michael Proksch

Michael ist Senior Data Scientist. Sein Team

betreut Projekte im Bereich Advanced Data

Science für Marketing & Business Analytics.

Team

Kristina [email protected]

Kristina betreut Research Projekte mit den

Schwerpunkten Consumer Insights, Trend und

Innovation.

Nadja Bü[email protected]

[email protected]

Gufeng [email protected]

Nadja erarbeitet Consumer Insights,

Innovations- und digitale Strategien auf Basis von

Datenanalysen und Design Thinking.

Neben seiner Zuständigkeit für R&D-Prozesse

kümmert sich Gufeng um die Themen Web

Analytics, Text Mining und Social Media Analytics.

Joscha’s Schwerpunkt liegt neben Consumer

Relations Management auf Web-Analytics und

datengestützte Consumer Insight Analysen.

Government & Nonprofit

Smart Data Workshop