ADPAY
Advanced Data Analysis for Payment Systems
| Programm / Ausschreibung | BASIS, Basisprogramm, Budgetjahr 2016 | Status | abgeschlossen |
|---|---|---|---|
| Projektstart | 01.07.2016 | Projektende | 30.06.2017 |
| Zeitraum | 2016 - 2017 | Projektlaufzeit | 12 Monate |
| Keywords | |||
Projektbeschreibung
In der modernen Gastronomie besteht ein großes, ungenutztes Potential, da viele Kundenwünsche nicht erkannt und abgebildet werden können. Kundenbindungsprogramme sowie das Menu-Engineering können aktuell individuelle Wünsche nicht berücksichtigen. Mit ADPAY wird ein System geschaffen, welches den digitalen Fingerabdruck eines Kunden analysiert und Verhaltensweisen dadurch vorhersagen kann.
Gewählte Methodik: Die im System generierten Daten (Verkaufstransaktionen) werden mit externen, potentiell relevanten Daten verknüpft. Dies bildet die Basis für die Anwendung von Methoden aus dem Bereich des Data Mining und Machine Learning (clustering, frequent item mining, network analysis, community detecion in graphs, collaborativ filtering) um implizite Informationen und Vorhersagemodelle aus den Daten abzuleiten. Zusammen mit robusten Entscheidungsmodellen werden daraus (semi)automtisch entsprechende Vorschläge abgeleitet, in die Planung integriert und über entsprechende mobile Interfaces den Gästen kommuniziert. Die Integration von qualitativ und quantitativ hochwertigem Gästefeedback in die Analysen wird als wesentlicher Faktor gesehen. Deshalb werden Interfaces und Methoden zur Erfassung von Kundenrückmeldungen in (beinahe) Echtzeit entwickelt. Die Praxistauglichkeit der zu entwickelnden Methoden wird durch begleitende Fallstudien, gemeinsam mit den assoziierten Partnern, sichergestellt.
Angestrebte Ergebnisse und Erkenntnisse:
Ergebnis des Projekts ist ein Gesamtsystem, welches aus den bestehenden und angereicherten Daten präzise Vorhersagen ermöglicht und Vorschläge für Managemententscheidungen generiert. Das System sollte aus der rückwirkenden Analyse von Produktkombinationen und individuellem Userfeedback Vorhersagen für das Verhalten von Gästen mit ähnlichem, digitalem Abbild treffen. Eine wichtige Erkenntnis des Projektes ist, jene Datenquellen zu identifizieren, die derzeit nicht im System vorhanden sind, welche jedoch für die treffsichere Vorhersage notwendig sind. Dazu zählen Userfeedback und weitere externe Datenquellen, um ein qualitatives Datenmodell zur automatisierten Prognose zu erlangen.