Neue Möglichkeiten mit Data Vault 2.0
Data Vault 2.0 ermöglicht es Unternehmen, weit über das traditionelle Reporting hinauszugehen, indem neue Wege für Skalierbarkeit, Automatisierung und datenbasierte Entscheidungsfindung erschlossen werden. Von der Datenbereinigung und der Automatisierung von Geschäftsprozessen bis hin zum Einsatz fortschrittlicher Data-Science-Verfahren wie Machine Learning und Predictive Analytics bietet Data Vault 2.0 ein flexibles Framework für moderne Herausforderungen im Datenbereich. In diesem Artikel untersuchen wir, wie Data Vault 2.0 Data Science integriert, um operative Prozesse zu optimieren, fundierte Zukunftsprognosen zu erstellen und Enterprise Data Warehouses zielgerichtet zu erweitern und so einen nachhaltigen Wettbewerbsvorteil in der heutigen datengetriebenen Geschäftswelt zu sichern.
Über das Standard-Reporting hinausgehen
Reporting und Dashboarding sind in der Unternehmenspraxis zum Standard geworden, wenn es darum geht, KPIs und weitere Leistungskennzahlen zu überwachen. Dementsprechend haben sich Enterprise Data Warehouses als zentrales Fundament zur Unterstützung dieser Reporting-Prozesse etabliert. Angesichts des rasanten Wachstums an Datenmengen und Datenvielfalt reicht reines Standard-Reporting jedoch oft nicht mehr aus: Es bedarf moderner Methoden, um aus den vorhandenen Daten einen zusätzlichen, messbaren geschäftlichen Mehrwert zu generieren. Data Vault 2.0 bietet hierfür vielfältige Ansätze zur fundierten Entscheidungsunterstützung und liefert geschäftskritische Erkenntnisse für strategische Zukunftsentscheidungen. Begleiten Sie uns bei der Betrachtung praxiserprobter Lösungen, mit denen Sie das volle Potenzial Ihrer Unternehmensdaten ausschöpfen.
Über das Standard-Reporting hinausgehen
Wie bereits in den vorangegangenen Beiträgen dargelegt, ermöglicht Data Vault 2.0 moderne Implementierungen weit über klassische Reporting-Muster hinaus.
Im ersten Teil haben wir aufgezeigt, wie eine effiziente Datenbereinigung in Data Vault 2.0 erfolgt.
Der zweite Use Case verdeutlichte, wie sich eine automatisierte Geschäftsprozesssteuerung über Interface Marts realisieren lässt.
Dank der hohen Skalierbarkeit und Flexibilität von Data Vault 2.0 lässt sich eine breite Palette anspruchsvoller Use Cases umsetzen darunter die Optimierung und Automatisierung operativer Abläufe, Predictive Forecasting, das strukturierte Zurückspielen von Daten in operative Quellsysteme als neuer Daten-Input sowie das gezielte Auslösen externer Systemereignisse außerhalb des Data Warehouse.
Die konsequente Nutzung des Enterprise Data Warehouse für Data Science trägt zudem maßgeblich dazu bei, die Gesamtkosten (TCO) der Datenverarbeitung zu senken: Anstatt Datenbestände redundant für Reporting-Zwecke einerseits und Ad-hoc-Datenanalysen andererseits aufzubereiten, werden alle Daten zentral im Enterprise Data Warehouse vorgehalten und von dort aus flexibel durch verschiedene Fachanwendungen genutzt. Reporting und Advanced Analytics bilden dabei nur zwei von vielen Einsatzfeldern:
Figure 1: Data Vault Use Cases
Neben den genannten Beispielen eröffnen sich insbesondere durch die Geschäftsprozessautomatisierung sowie durch externe Schnittstellen für Write-Backs in Drittsysteme erhebliche Mehrwerte.
Data Science in Data Vault 2.0
Der folgende Anwendungsfall widmet sich einer Disziplin, die in den vergangenen Jahren stark an strategischer Bedeutung gewonnen hat und aus modernen Data-Warehouse-Architekturen nicht mehr wegzudenken ist: Data Science. Ob Data Mining, Machine Learning oder Deep Learning , analytische Verfahren dieser Art sind zentrale Treiber datenbasierter Innovationen.
Innerhalb von Data Vault 2.0 werden Data-Science-Methoden methodisch als Soft Business Rules eingeordnet, da im Zuge ihrer Ausführung Rohdaten transformiert oder gänzlich neue Informationswerte erzeugt werden. Folglich findet deren logische und physische Verarbeitung im Business Vault statt.
Figure 2: Data Science in Data Vault 2.0
Ein praxisnahes Anwendungsbeispiel für Machine Learning in Data Vault 2.0 stellt das Scoring neuer Leads dar.
Auf Basis historischer Daten bestehender Kunden, die bereits Leistungen bezogen haben, wird ein Vorhersagemodell trainiert. Dieses identifiziert vielversprechende Neukunden und quantifiziert deren potenziellen Kundenwert.
Das Modell ermöglicht es Vertrieb und Marketing, werthaltige Interessenten frühzeitig zu erkennen und nachgelagerte Interaktionen zielgerichtet einzuleiten.
Das Predictive Model kann über verschiedene Technologien bereitgestellt werden, etwa als Python- oder R-Skript. Ebenso lässt sich der gesamte Ablauf als Prozess in RapidMiner Studio abbilden: Hierbei werden die Rohdaten aus dem Business Vault geladen und für die weiterführende Modellierung vorverarbeitet. Anschließend trainiert der Algorithmus auf Basis der historischen Kundendaten.
Das trainierte Modell bewertet im nächsten Schritt die neu eingehenden Leads.
Abschließend werden die erzeugten Scores zusammen mit den zugrunde liegenden Modellparametern in das EDW zurückgeschrieben, um dort als neue Informationsobjekte im Business Vault bereitzustehen.
Figure 3: RapidMiner Studio Process
Fazit
Das dargestellte Lead-Scoring ist nur ein Beispiel für die nahtlose Einbindung von Data Science in Data Vault 2.0. Weitere Anwendungsfelder umfassen etwa das Laden und Aufbereiten unstrukturierter Daten aus dem Data Lake nach individuellen Business-Logiken oder die Veredelung von Daten innerhalb der Information Marts. Einen zusätzlichen Mehrwert bietet Managed Self-Service-BI: Fachanwender und Analysten können in dedizierten User Spaces eigenständig Machine-Learning-Modelle entwickeln, validieren und gewonnene Erkenntnisse kontrolliert mit anderen Teams teilen.
Die Automatisierung dieser Workflows steigert den strategischen Gesamtwert des EDW nachhaltig, schafft verlässliche Grundlagen für Zukunftssimulationen und unterstützt Führungskräfte bei weitsichtigen unternehmerischen Entscheidungen.