Predictive Analytics

Hannover 96: Gläsernes Merchandising dank „Predictive Analytics“

Das Unternehmen Global Interlacing hat mithilfe von „Predictive Analytics“ die Merchandising-Zahlen von Hannover 96 unter die Lupe genommen. Dabei fanden die Digital-Analysten unter anderem heraus, dass auch das Wetter für Umsatzeinbrüche verantwortlich war. SPONSORs stellt die Form der vorausschauenden Datenanalyse vor und zeigt auf, welche Trends sich für Unternehmen und Clubs ableiten lassen.

In der Merchandising-Planung von Hannover 96 wurde Kontinuität bislang großgeschrieben. In der Regel setzte der Club mehr oder weniger die gleiche Jahresplanung auf, die das Team dann autark abarbeitete. Verkürzt zusammengefasst heißt das: Im Sommer kamen die neuen Fanartikel mit den Trikots für die anstehende Saison in den Verkauf, anschließend die Herbst- und dann die Winterkollektion  und ab Januar startete in der Regel die „Sale“-Phase. Das Ganze wiederholte sich Jahr für Jahr. Dieses wenig dynamische Vorgehen führte dazu, dass der Club auf kurzfristige Vorkommnisse und damit Umsatzschwankungen kaum bis gar nicht reagieren konnte. Auch, weil die Club-Verantwortlichen häufig gar nicht wussten, was überhaupt die Gründe für gestiegene oder rückläufige Umsätze waren. Denn unterjährig wurden nur ausgewählte Kennzahlen wie zum Beispiel Umsatz nach Vertriebswegen und Produktkategorien erhoben und analysiert.

Mit dieser Vorgehensweise ist Hannover in der Fußballbundesliga offenbar nicht allein. Josip Grbavac, als Leiter Marketing auch für das Merchandising bei Hannover 96 verantwortlich, sagte beim SPOBIS: „Wir unterscheiden uns da nicht wesentlich von vielen anderen Clubs.“ Der ehemalige Marketingleiter des FC St. Pauli geht davon aus, dass bei den meisten Fußballclubs in erster Linie die sportliche Leistung der Profimannschaft als Grund für Absatz- oder Umsatzveränderungen herhalten muss. Nach dem Motto: Spielt die Mannschaft gut, steigt die Kaufbereitschaft der Anhänger.

Nicht immer jedoch kann sportlicher (Miss-)Erfolg eine Universalantwort auf Umsatzschwankungen eines Bundesliga-Clubs sein– auch nicht im Merchandising.

Dafür gibt es bei Hannover 96 verschiedene Beispiele, eines davon aus der Hinrunde der Saison 2015/16. Wie im Nachhinein herausgefunden wurde, verzeichnete der Club damals einen Umsatzrückgang im Merchandising von 2,7 Prozent. Mit der schlechten sportlichen Leistung des Profiteams, das am Ende der Saison in die 2. Bundesliga abstieg, stand der vermeintliche Grund damals schnell fest.

Was die Club-Verantwortlichen aber nicht bemerkt hatten: Bis Ende November hatten sie fast drei Prozent mehr Umsatz im Merchandising erzielt als noch im Jahr zuvor. Erst im Dezember, also in den letzten fünf Wochen des Jahres 2015, ging der Umsatz um fast sechs Prozent zurück. Das führte dazu, dass auch die Merchandising-Erlöse des gesamten Geschäftsjahres 2015 im Vergleich zum Vorjahr zurückgingen.

An der sportlichen Misere allein konnte es also nicht liegen – weshalb brachen die Zahlen von 96 dann im Dezember derart ein? Und was können Clubs tun, um solche Schwankungen schnellstmöglich zu erkennen und im Idealfall zu vermeiden?

Wie man sich einer solchen Frage annähern kann, weiß Patrick Petter. Der 29-Jährige besitzt unter anderem Master-­Abschlüsse in Mathematik und Astrophysik sowie einen Doktortitel in Angewandter Statistik. Außerdem hat er verschiedene Start-ups aufgebaut, unter anderem gründete er im Jahr 2011 im Silicon Valley das Digitalunternehmen Global Interlacing, das mittlerweile in New York und Berlin be­heimatet ist. Mit einem Team aus Mathematikern und Analysten hat sich Global Interlacing auf komplexe Problemstellungen im Bereich der Big-Data-Analyse spezialisiert. Das Unternehmen berät unter anderem Versicherungen, Einzelhändler, Banken sowie Unternehmen aus dem Gesundheitsgewerbe oder der Logistik.

Im Vorfeld des SPOBIS 2019 brachte SPONSORs Petter und sein Team mit den Verantwortlichen von Hannover 96 zusammen. Hauptziel der Zusammenarbeit war es, mithilfe von „Predictive Analytics“ (Definition siehe unten) die Merchandising-Zahlen des Clubs unter die Lupe zu nehmen, um das operative Ergebnis in diesem Bereich zu optimieren.

Was ist und wie funktioniert Predictive Analytics?

Mithilfe von „Predictive Analytics“ (übersetzt: vorausschauende Analyse) können Wahrscheinlichkeitsszenarien und Vorhersagen zu möglichen Ereignissen und Trends in der Zukunft getroffen werden. Die Analyseform wird unter anderem von Banken und Versicherungen, aber auch in den Bereichen Marketing und Sicherheit verwendet. Dabei werden die Variablen zu einem Modell kombiniert und es werden mithilfe verschiedener Berechnungsmodelle Wahrscheinlichkeiten errechnet.

Bei Versicherungen wird Predictive Analytics zum Beispiel genutzt, um die Wahrscheinlichkeit eines Unfalls und die Höhe des Versicherungsbetrags zu errechnen. Bei der Vergabe eines Kredits kann die Wahrscheinlichkeit berechnet werden, mit der eine Person einen Kredit in einer definierten Höhe zu einer bestimmten Laufzeit zurückbezahlen kann.

Das maschinelle Gegenstück zu „Predictive Analytics“ ist „Predictive Maintenance“, also die vorausschauende Wartung. Sie wird zum Beispiel in der Logistik, in der Automobilbranche und der Luftfahrt und in vielen IT-Teilbereichen verwendet. Dabei geht es um Modelle, die vorhersagen, wann und mit welcher Wahrscheinlichkeit eine Maschine, ein Sensor oder Ähnliches kaputtgehen wird, sodass diese proaktiv ausgetauscht werden können, bevor ein Schaden entsteht.

Mittels Predictive Maintenance könnten im Motorsport beispielsweise technische Defekte verhindert werden, indem in Echtzeit alle Fahrzeugteile und Maschinen im Wagen analysiert werden und man damit genau weiß, wann zum Beispiel die richtige Zeit für einen Boxenstopp oder eine Reparatur gekommen ist.

70 bis 90 Variablen

Im ersten Schritt schaute sich Global Interlacing verschiedene Kennzahlen von Hannover 96 an. Dabei konzentrierten sich die Experten zunächst auf historische KPIs des Clubs im Merchandising. Dazu gehörten die Umsätze und verschiedene Aufwandspositionen, unter anderem für Marketing und Wareneinkauf, in den Jahren 2014 bis 2018, aber auch in kürzeren Zeitintervallen.

Hauptaufgabe war es jedoch, ein genaues Bild über die Merchandising-Kunden von Hannover 96 zu bekommen. Dafür wurde jeder Kunde nach verschiedenen Eigenschaften (sogenannten Features oder auch Variablen) sortiert, um im nächsten Schritt Kundengruppen bilden zu können. Solche Variablen sind beispielsweise:

  • das Geschlecht
  • Altersgruppen
  • die Herkunft (zum Beispiel nach Postleitzahlregionen)
  • Warenkorbhöhen
  • Shopping-Intervalle: Wurde alle sechs, zwölf oder 18 Monate eingekauft?
  • oder auch gekaufte Produktkategorien

Abhängig von der Zielsetzung und der Komplexität der Datenstruktur „sind es bei einem Club zwischen 70 und 90 relevante Variablen“, erklärt Petter. Wobei laut dem Global-Interlacing-Geschäftsführer „in aller Regel am Ende maximal acht bis zwölf Variablen für die finale Analyse in einem Modell genutzt werden“. Dabei gilt: „Je mehr Variablen genutzt werden, desto komplexer, aber auch genauer wird das Modell.“

Bei einem solchen Analyseprozess werden jedoch nicht nur clubeigene Kennzahlen untersucht, sondern auch externe KPIs betrachtet. Nicht alle Kennzahlen würde man sofort mit dem Merchandising-Verkauf eines Clubs in Verbindung bringen.

Relevant sind demografische Daten, die Kaufkraft in einer Stadt oder Region, Feiertage, aber auch Kennziffern aus dem Wirtschaftsindex wie die Arbeitslosenquote in einer Stadt oder Region. Für Hannover 96 untersuchte Global Interlacing zum Beispiel auch Wetter- und Klimaveränderungen in bestimmten Zeiträumen. Und dadurch zeigte sich, dass in der Hinrunde der Saison 2015/16 nicht nur das schlechte sportliche Abschneiden – wie vom Club zunächst irrtümlicherweise gedacht – die Merchandising-Umsätze von 96 beeinflusst hatte.

Kurz zusammengefasst: Im November 2015 wurde mit durchschnittlich minus neun Grad Celsius die niedrigste Temperatur des Jahres gemessen. Das Problem dabei: Hannover 96 hatte in seinem Shop zu diesem Zeitpunkt noch gar keine Winterkleidung vorrätig. Als die Winterkollektion dann ab Anfang Dezember im Shop war, sorgte ein nicht erwarteter Wetterumschwung von minus neun auf plus neun Grad dafür, dass Anfang Dezember plötzlich kein 96-Fan mehr dicke Winterjacken ­kaufen wollte.

Laut Petter hätte man mithilfe sogenannter inferenzstatistischer Analysen, die auch von Wetterdiensten oder Klimaforschern genutzt werden, vorhersehen und errechnen können, wie sich das Klima oder das Wetter in der Stadt und Region um Hannover in den kommenden zwei Jahren entwickelt, um daraus Zusammenhänge und Tendenzen abzuleiten – auch für den Merchandising-Verkauf.

Onlineshop
Bildunterschrift
Anzeigenmotiv auf der 96-Website: Im Sale bislang 20 bis 30 Prozent Rabatt für alle Bestandskunden.

Erste Querverbindungen

Bereits beim Sammeln der Variablen und Untersuchen der Kunden können also bereits erste Erkenntnisse und Querverbindungen herausgefiltert werden. Dabei spricht man von der „Descriptive-Analytics“-Phase (siehe Infokasten „Vorgehensweise bei Predictive Analytics“, unten). Erkannt wurde dabei zum Beispiel der beschriebene Einfluss des Wetters auf den Fanartikelverkauf.

Ein anderes Beispiel sind die sportlichen Ergebnisse eines Teams in den vergangenen Jahren und deren Einfluss auf die Verkaufszahlen im Merchandising. Dabei wurde bei Hannover 96 ersichtlich, dass die Umsatzzahlen des Clubs bereits bei drei aufeinanderfolgenden Niederlagen der 96-Profis rückläufig waren. Bei einer erfolgreichen sportlichen Serie des Fußballbundesligisten dauerte es hingegen bis zu zwei Monate, bis die Verkaufszahlen im Merchandising wieder stiegen. 

Herausgefunden wurde im ersten Analyseschritt aber auch, dass 18 Prozent der Merchandising-Käufer bei 96 Stammkunden sind. Das heißt: Lediglich etwa jeder fünfte Kunde kaufte in den vergangenen Spielzeiten mehr als zweimal pro Jahr im 96-Shop ein. Der Anteil der Großabnehmer mit über 30 Einkäufen pro Jahr lag bei gerade mal 0,4 Prozent.

Geodaten in Heatmap

Hilfreich kann es dabei sein, die Daten zu visualisieren. Um zu erkennen, in welchen Regionen im Onlineshop von Hannover 96 welche Absätze erzielt wurden – und in welcher Höhe –, wurden die Umsätze zum Beispiel in einer Heatmap dargestellt. Mithilfe der Geodaten erkannten die Analysten zum Beispiel, dass in bestimmten Gebieten Deutschlands mit deutlicher Entfernung zu Hannover größere Merchandising-Umsätze entstanden waren – so auch in Teilen Bayerns, wo es niemand vermutet hätte.

Der Grund dafür war recht simpel. Nachdem auch die Aktivitäten anderer Abteilungen untersucht worden waren, fiel auf, dass die Fußballschule von Hannover 96 in diesen Regionen Station gemacht hatte. 96-Marketingchef Grbavac sagt dazu im Nachhinein: „Das hat uns nochmals gezeigt, dass wir innerhalb des gesamten Clubs noch deutlich vernetzter arbeiten und Marketingmaßnahmen über alle Abteilungen hinweg zusammenführen müssen – nicht nach dem Zufallsprinzip, nicht im Nachhinein, sondern proaktiv und geplant.“

Zu wissen, woher ein Kunde stammt, kann aber auch aus anderen Gründen wichtig sein. So wird das Kaufverhalten eines Kunden auch davon beeinflusst, ob er in einer ländlichen Region oder zum Beispiel in einer Stadt lebt. Das hängt laut Petter damit zusammen, „dass in ländlichen Regionen weniger Möglichkeiten bestehen, stationär einzukaufen, und die Bevölkerung dort mehr auf den Online-Handel angewiesen ist“.

Zudem kann ein Unternehmen oder ein Club auch die Kaufkraft oder die Glaubwürdigkeit eines Kunden ableiten. Petter sagt dazu: „Die Kaufkraft eines Menschen, der in Berlin-Mitte lebt, ist in aller Regel höher als bei einem Berliner aus Marzahn.“ Versicherungsunternehmen, aber auch Kreditunternehmen untersuchen daher beispielsweise auch die Anzahl von Schufa-Einträgen in einer bestimmten Straße oder einem Viertel, um daraus ableiten zu können, wie vertrauenswürdig ein potenzieller Versicherungskunde ist, der eben in diesem Viertel wohnt.

Grbavac_Petter
Bildunterschrift
Foto (v.l.n.r.): Josip Grbavac (Leiter Marketing von Hannover 96) und Patrick Petter (Geschäftsführer von Global Interlacing) auf dem SPOBIS 2019

Intelligente Datenbank

Damit Hannover 96 am Ende Rückschlüsse und Trends für die Zukunft und Handlungsempfehlungen für sein eigenes Geschäft ableiten kann, wurden im Rahmen der Predictive-Analytics-Phase verschiedene Variablen miteinander kombiniert. Dabei spricht man von der Erstellung eines Modells. Daraus entstanden 49 relevante Kundengruppen von 96. Eine Kundengruppe bestand zum Beispiel aus Menschen, die zwischen 18 und 24 Jahre alt sind, Babyartikel gekauft hatten und durchschnittlich eine Warenkorbhöhe von 50 Euro hatten.

Mithilfe von Tausenden historischen Daten und unter Anwendung von verschiedenen mathematischen Berechnungsmethoden wie der „Chi-Squared-Verteilung“ oder „Multilayer Perceptrons (MLP)“ – mit deren Namen wohl die wenigsten Vertreter aus der Sportbranche vertraut sind – konnten Petter und Co. vorhersagen, dass ein Mensch aus dieser Kundengruppe nach sechs Monaten mit einer Wahrscheinlichkeit von 53 Prozent nicht mehr im Onlineshop von Hannover 96 einkaufen würde. Kam ein Kunde aus diesem Segment nach zwölf Monaten noch immer nicht wieder zurück, so lag die Wahrscheinlichkeit, dass er komplett abspringen würde, laut Berechnungen bei 81 Prozent, nach eineinhalb Jahren sogar bei 94 Prozent.

Damit nicht jeder Neukunde, jede neue Kennzahl und jede Veränderung des Kundenverhaltens händisch nachgetragen werden muss, nutzt Global Interlacing einen sogenannten „Machine-Learning-Algorithmus“, also künstliche Intelligenz (AI). Einmal angelernt, sorgt der Algorithmus dafür, dass das Data-Warehouse in der Folge selbstständig arbeitet.

Kommt zu einem späteren Zeitpunkt also beispielsweise ein neuer Kunde in den Onlineshop von Hannover 96, registriert er sich und kauft ein, wird er automatisch in die richtige Kundengruppe einsortiert. Das Gleiche gilt für Kunden, die ihr Kaufverhalten verändern. Auch hier sorgt die künstliche Intelligenz dafür, dass der Kunde beispielsweise nach drei Wochen automatisch in die entsprechende neue Kundengruppe einsortiert wird.

Vorgehensweise bei Predictive Analytics

Phase 1: Daten sammeln

Im ersten Schritt werden verschiedene Unternehmensdaten aus der unternehmenseigenen Datenbank gesammelt. Das können Umsätze und Aufwendungen in gewissen Zeiträumen sein, aber auch die Zahl der Unique Buyer, der Stammkunden oder der Großabnehmer. Die gesammelten Unternehmens- und Kundenkennzahlen werden anschließend zumeist um externe Datensätze ergänzt. Das können verschiedene demografische Daten sein, aber auch Wetter- und Klimadaten, Feiertage, die Arbeitslosenquote oder die Kaufkraft in einer Region.

Alle internen und externen Variablen fließen gemeinsam in ein Data-Warehouse ein. Je nach Größe des Unternehmens und dessen Datenstruktur kommen in dieser für Analysezwecke optimierten zentralen Datenbank mehrere Hundert Variablen zusammen.

Phase 2: Daten bereinigen

Wichtig ist es dabei, die Werte um falsche Datensätze (sogenannte „Zero Values“) zu bereinigen. Das könnte zum Beispiel eine Handynummer in der Datenbank sein, die fälschlicherweise im Feld der Postleitzahl eingetragen war.

Phase 3: Descriptive Analytics

Bei der „beschreibenden Analyse“ wird der Ist-Zustand der Datensätze analysiert, um daraus erste Rückschlüsse sowie Muster und Trends zu erkennen. Beispielfragen dafür sind:

  • Wie hat sich der Umsatz in den vergangenen drei Jahren auf Monats- oder Quartalsebene entwickelt? Und gibt es dafür einfache Gründe?
  • Welche Wachstumsraten gab es bei den Stamm- und Einzelkunden in den vergangenen Jahren?
  • In welchen Städten und ländlichen Regionen sind die Verkaufszahlen besonders hoch – und warum?

Phase 4: Predictive Analytics

Im letzten Schritt kann der eigentliche Predictive-Analytics-Prozess starten. Dabei werden die Kunden zunächst in verschiedene -Kundengruppen oder -Cluster eingeteilt, um auf Basis von Mustern der vergangenen Jahre Vorhersagen über sie treffen zu können, zum Beispiel, wie hoch die Wiederkehrrate einer gewissen Kundengruppe in sechs oder zwölf Monaten sein wird. Oder mit welcher Wahrscheinlichkeit ein Kunde wieder eine gewisse Produktkategorie kaufen wird. Aber auch, um künftige Verkaufstrends in einzelnen Regionen zu erkennen, um diese dann zur richtigen Zeit dort auszunutzen.

Für Clubs oder Unternehmen stellen solche Zusammenhänge wichtige Entscheidungsgrundlagen dar. Damit können sie ihr Marketing (Analyse der Wiederkehrrate und des Kundenverhaltens), ihren Einkauf (auf Basis einer Verkaufsprognose) oder ihre Personalressourcen besser planen, um in der Folge ihren operativen Gewinn zu steigern.

Kundenverhalten kennen

Was bringt Predictive Analytics also?

Durch die Einteilung in Kundengruppen haben Clubs die Möglichkeit, in Erfahrung zu bringen, wie sich welcher Kunde verhält. Sie können also zum Beispiel planen, in welchen Zeitintervallen ein bestimmter Kunde wiederkommt oder welche Art von Produkten er einkaufen wird. Sie wissen, zu welchem Zeitpunkt sie ihn in Ruhe lassen müssen und wann sie ihn individuell mit persönlich adressiertem Newsletter, Coupons oder Rabatten füttern können.

Petter sagt: „Damit spart ein Unternehmen ein enormes Marketingbudget, da es nicht mehr die breite Masse abdecken muss, sondern jeden Kunden nur noch direkt ansteuert – und das eben dynamisch.“

Um den Algorithmus weiter anzulernen, lassen sich auch die erhobenen externen Daten einpflegen – das sind statistische Daten von Spielen, Wetter- und Klimadaten oder eben wirtschaftliche Kennzahlen. Der Algorithmus erkennt dabei, wenn der Merchandising-Umsatz nach einer Niederlagenserie des Clubs zurückgeht. Und der Club wiederum weiß: Die Fans sind enttäuscht, ich muss sie anders ansprechen als bei einem Sieg oder Remis. Damit lässt sich auch die Preisgestaltung dynamischer gestalten. Dazu sagt Petter: „Wir können auf Wochen- oder sogar auf Tagesebene den Preis analysieren und wissen damit, was ein Zielkunde zu einem gewissen Zeitpunkt bereit ist, zu bezahlen.“

Mit dem Wissen, dass der Sommer noch bis Mitte Oktober anhält, lässt sich zudem auch der Zeitpunkt, wann eine Kampagne startet und wann ein Artikel in den Handel kommt, exakter terminieren. Außerdem lassen sich für einen Club damit auch beim Einkauf Ressourcen einsparen, weil gezielter Waren geordert werden können.

Petter prognostiziert, dass sich der Merchandising-Umsatz eines Bundesliga-Clubs durch den gezielten Einsatz von Predictive Analytics um 30 bis 50 Prozent erhöhen lässt – wobei dies eine eher konservative Annahme ist. Und auch auf der Kostenseite lassen sich aus seiner Sicht allein im Marketingbereich 30 bis 35 Prozent einsparen. Wobei er einschränkend ergänzt, dass bei Clubs wie Bayern München, Borussia Dortmund, Schalke 04 oder auch St. Pauli, die im Merchandising überdurchschnittlich gut aufgestellt sind, die Steigerungsraten entsprechend niedriger sein dürften.

Im Gegenzug kostet eine erste umfangreiche Daten-Analyse – abhängig von der Datengrundlage, die zwischen zwei und vier Monate dauert – bei einem kleinen bis mittleren Fußballbundesligisten knapp 50 000 Euro. Je mehr Daten für die Analyse genutzt werden, desto höher ist der Preis. Bei einem größeren Club mit entsprechend komplexerer Datengrundlage liegt eine solche Analyse daher im sechsstelligen Euro-­Bereich.

Im Gegenzug wird dem Club am Ende nicht nur die Analyse bereitgestellt, sondern auch die Umsetzung. Global Interlacing entwickelt also die Algorithmen und implementiert diese dann in die bestehende oder neue IT-Infrastruktur des jeweiligen Vereins. Die Clubs bekommen im Nachgang zudem noch Support, falls Fragen oder Schwierigkeiten auftreten.

Fanshop
Bildunterschrift
Fanshop Hannover 96: „Klima- und Wetterprognosen nutzen, um Tendenzen fürs Merchandinsing abzuleiten.

Paradigmenwechsel bei 96

Seit dem ersten Zusammentreffen von Hannover 96 und Global Interlacing sind fünf Monate vergangen. Konkrete Steigerungsraten oder Kostenreduzierungen konnten bei Hannover 96 zwar noch nicht gemessen werden. Dafür war die Analyse im Rahmen des SPOBIS-Fallbeispiels nicht umfangreich genug. Dennoch stellte der gesamte Analyseprozess für Hannover 96 einen Paradigmenwechsel dar. Grbavac erinnert sich: „Wenn wir in den Sale gegangen sind, dann haben alle Bestandskunden 20 oder 30 Prozent Rabatt bekommen.“ Unterschieden wurde lediglich nach Geschlecht und Alter. Damit soll nun Schluss sein.

Die Einteilung in Kundengruppen soll laut Grbavac „künftig ein wesentlicher Baustein in der Sortimentsplanung“ werden. Weil der Club über die gesamte Produktschiene hinweg künftig weiß, welcher Kunde wann welche Artikel einkauft – und in welcher Konfektionsgröße –, lassen sich Kunden viel gezielter und persönlicher ansprechen.

Hat ein Fan also schon zweimal ein Heimtrikot gekauft, dann wird ihm das Trikot in der Sale-Phase nicht ein drittes Mal angeboten, sondern stattdessen die Hose oder ein Pullover zu einem vergünstigten Preis. Umgekehrt soll diese individuellere und persönlichere Kommunikation mit dem Kunden dazu führen, dass dieser sich besser abgeholt fühlt.

Es überrascht kaum, dass 96-Marketingleiter Grbavac das Pilotprojekt schon nach wenigen Tagen der Zusammenarbeit als Erfolg wertet. Er sagt: „Uns wurde sehr plausibel und verständlich gezeigt, wo unsere Schwächen bei der aktuellen Analyse liegen. Wir waren viel zu starr beim Merchandising.“ Weiter führt er aus: „Wir werden zukünftig sicherlich auch unabhängig vom Thema Merchandising auf die Vorgehensweise und Erfahrung von Dr. Petter und Global Interlacing zurückgreifen.“

Dass aus dem SPOBIS-Fallbeispiel bislang noch kein Folgeauftrag resultiert ist, liegt eher an der bislang ungeklärten sportlichen Situation des Clubs. Denn ob Hannover 96 am Ende der Saison 2018/19 aus der Bundesliga absteigt oder in der Liga bleibt, konnten Petter und Co. dann doch noch nicht vorhersagen.

Petter
SPONSORs Search
Petter: „Deutschland hat den Eintritt in das Big-Data-Zeitalter verschlafen“

Im SPONSORs-Interview erklärt Patrick Petter, Gründer und Geschäftsführer von Global Interlacing, wie Big Data und moderne Analytics-Techniken den Profit eines Clubs maximieren und das Scouting verbessern können. Außerdem zeigt er auf, was Deutschland dabei von anderen Nationen noch lernen kann.

Sie nutzen gerade das Kontingent an kostenlos lesbaren Artikeln. Sie wollen Zugang zu allen Artikeln?

JETZT INFORMIEREN