Data Vault 2.0 erm\u00f6glicht es Unternehmen, weit \u00fcber das traditionelle Reporting hinauszugehen, indem neue Wege f\u00fcr Skalierbarkeit, Automatisierung und datenbasierte Entscheidungsfindung erschlossen werden. Von der Datenbereinigung und der Automatisierung von Gesch\u00e4ftsprozessen bis hin zum Einsatz fortschrittlicher Data-Science-Verfahren wie Machine Learning und Predictive Analytics bietet Data Vault 2.0 ein flexibles Framework f\u00fcr 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 Gesch\u00e4ftswelt zu sichern.[\/vc_column_text][divider line_type=“No Line“][vc_column_text css=““ text_direction=“default“ el_class=“webinar-box“]\n
Reporting und Dashboarding sind in der Unternehmenspraxis zum Standard geworden, wenn es darum geht, KPIs und weitere Leistungskennzahlen zu \u00fcberwachen. Dementsprechend haben sich Enterprise Data Warehouses als zentrales Fundament zur Unterst\u00fctzung 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 zus\u00e4tzlichen, messbaren gesch\u00e4ftlichen Mehrwert zu generieren. Data Vault 2.0 bietet hierf\u00fcr vielf\u00e4ltige Ans\u00e4tze zur fundierten Entscheidungsunterst\u00fctzung und liefert gesch\u00e4ftskritische Erkenntnisse f\u00fcr strategische Zukunftsentscheidungen. Begleiten Sie uns bei der Betrachtung praxiserprobter L\u00f6sungen, mit denen Sie das volle Potenzial Ihrer Unternehmensdaten aussch\u00f6pfen.[\/vc_column_text][divider line_type=“No Line“][nectar_btn size=“jumbo“ open_new_tab=“true“ button_style=“regular“ button_color_2=“Accent-Color“ icon_family=“none“ el_class=“ctaBtn“ text=“Watch webinar recording“ url=“https:\/\/us02web.zoom.us\/webinar\/register\/WN_AKKNh_sLS4GJWoRYZh3Z1g#\/registration“][divider line_type=“No Line“][vc_column_text css=““ text_direction=“default“]
In this article:<\/p>
Wie bereits in den vorangegangenen Beitr\u00e4gen dargelegt, erm\u00f6glicht Data Vault 2.0 moderne Implementierungen weit \u00fcber klassische Reporting-Muster hinaus. <\/span> Dank der hohen Skalierbarkeit und Flexibilit\u00e4t von Data Vault 2.0 l\u00e4sst sich eine breite Palette anspruchsvoller Use Cases umsetzen darunter die Optimierung und Automatisierung operativer Abl\u00e4ufe, Predictive Forecasting, das strukturierte Zur\u00fcckspielen von Daten in operative Quellsysteme als neuer Daten-Input sowie das gezielte Ausl\u00f6sen externer Systemereignisse au\u00dferhalb des Data Warehouse.<\/span><\/p>\n Die konsequente Nutzung des Enterprise Data Warehouse<\/a> f\u00fcr Data Science tr\u00e4gt zudem ma\u00dfgeblich dazu bei, die Gesamtkosten (TCO) der Datenverarbeitung zu senken: Anstatt Datenbest\u00e4nde redundant f\u00fcr 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<\/a> bilden dabei nur zwei von vielen Einsatzfeldern:<\/span>[\/vc_column_text][divider line_type=“No Line“][image_with_animation image_url=“29598″ image_size=“full“ animation_type=“entrance“ animation=“Fade In“ animation_easing=“default“ animation_movement_type=“transform_y“ hover_animation=“none“ alignment=“center“ border_radius=“none“ box_shadow=“none“ image_loading=“default“ max_width=“100%“ max_width_mobile=“default“][vc_column_text]\n Figure 1: Data Vault Use Cases<\/span><\/em><\/p>\n[\/vc_column_text][divider line_type=“No Line“ custom_height=“50″][vc_column_text]Neben den genannten Beispielen er\u00f6ffnen sich insbesondere durch die Gesch\u00e4ftsprozessautomatisierung sowie durch externe Schnittstellen f\u00fcr Write-Backs in Drittsysteme erhebliche Mehrwerte. <\/span>[\/vc_column_text][divider line_type=“No Line“][vc_column_text]\n Figure 2: Data Science in Data Vault 2.0<\/span><\/em><\/p>\n[\/vc_column_text][vc_column_text]Ein praxisnahes Anwendungsbeispiel f\u00fcr Machine Learning in Data Vault 2.0 stellt das Scoring neuer Leads dar. <\/span> Das Modell erm\u00f6glicht es Vertrieb und Marketing, werthaltige Interessenten fr\u00fchzeitig zu erkennen und nachgelagerte Interaktionen zielgerichtet einzuleiten. <\/span><\/p>\n Das Predictive Model kann \u00fcber verschiedene Technologien bereitgestellt werden, etwa als Python- oder R-Skript. Ebenso l\u00e4sst sich der gesamte Ablauf als Prozess in RapidMiner Studio abbilden: Hierbei werden die Rohdaten aus dem Business Vault geladen und f\u00fcr die weiterf\u00fchrende Modellierung vorverarbeitet. Anschlie\u00dfend trainiert der Algorithmus auf Basis der historischen Kundendaten. <\/span> Figure 3: RapidMiner Studio Process<\/span><\/em><\/p>\n[\/vc_column_text][divider line_type=“No Line“][vc_column_text]\n [vc_row type=“in_container“ full_screen_row_position=“middle“ column_margin=“default“ column_direction=“default“ column_direction_tablet=“default“ column_direction_phone=“default“ scene_position=“center“ text_color=“dark“ text_align=“left“ row_border_radius=“none“ row_border_radius_applies=“bg“ overflow=“visible“ overlay_strength=“0.3″ gradient_direction=“left_to_right“ shape_divider_position=“bottom“ bg_image_animation=“none“][vc_column column_padding=“no-extra-padding“ column_padding_tablet=“inherit“ column_padding_phone=“inherit“ column_padding_position=“all“ column_element_direction_desktop=“default“ column_element_spacing=“default“ desktop_text_alignment=“default“ tablet_text_alignment=“default“ phone_text_alignment=“default“ background_color_opacity=“1″ background_hover_color_opacity=“1″ column_backdrop_filter=“none“ column_shadow=“none“…<\/p>\n","protected":false},"author":91,"featured_media":60222,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3948,3994],"tags":[],"class_list":["post-60219","post","type-post","status-publish","format-standard","has-post-thumbnail","category-data-vault","category-fortgeschrittene"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t
\n<\/span>Im ersten Teil haben wir aufgezeigt, wie eine effiziente Datenbereinigung <\/a><\/span>in Data Vault 2.0 erfolgt.<\/span><\/span>
\n<\/span>Der<\/span> zweite Use Case verdeutlichte, wie sich eine automatisierte Gesch\u00e4ftsprozesssteuerung<\/a><\/span> \u00fcber Interface Marts realisieren l\u00e4sst.<\/span><\/p>\nData Science in Data Vault 2.0<\/span><\/h2>\n[\/vc_column_text][vc_column_text css=““ text_direction=“default“]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<\/a>. Ob Data Mining, Machine Learning oder Deep Learning , analytische Verfahren dieser Art sind zentrale Treiber datenbasierter Innovationen.<\/span>
\nInnerhalb von Data Vault 2.0 werden Data-Science-Methoden methodisch als Soft Business Rules eingeordnet, da im Zuge ihrer Ausf\u00fchrung Rohdaten transformiert oder g\u00e4nzlich neue Informationswerte erzeugt werden. Folglich findet deren logische und physische Verarbeitung im Business Vault statt.<\/span>[\/vc_column_text][image_with_animation image_url=“29597″ image_size=“full“ animation_type=“entrance“ animation=“Fade In“ animation_easing=“default“ animation_movement_type=“transform_y“ hover_animation=“none“ alignment=“center“ border_radius=“none“ box_shadow=“none“ image_loading=“default“ max_width=“100%“ max_width_mobile=“default“][vc_column_text]\n
\n<\/span>Auf Basis historischer Daten bestehender Kunden, die bereits Leistungen bezogen haben, wird ein Vorhersagemodell trainiert. Dieses identifiziert vielversprechende Neukunden und quantifiziert deren potenziellen Kundenwert. <\/span><\/p>\n
\n<\/span>Das trainierte Modell bewertet im n\u00e4chsten Schritt die neu eingehenden Leads. <\/span>
\n<\/span>Abschlie\u00dfend werden die erzeugten Scores zusammen mit den zugrunde liegenden Modellparametern in das EDW zur\u00fcckgeschrieben, um dort als neue Informationsobjekte im Business Vault bereitzustehen. <\/span>[\/vc_column_text][image_with_animation image_url=“29596″ image_size=“full“ animation_type=“entrance“ animation=“Fade In“ animation_easing=“default“ animation_movement_type=“transform_y“ hover_animation=“none“ alignment=“center“ border_radius=“none“ box_shadow=“none“ image_loading=“default“ max_width=“100%“ max_width_mobile=“default“][vc_column_text]\nFazit<\/span><\/h2>\n[\/vc_column_text][vc_column_text text_direction=“default“]Das dargestellte Lead-Scoring ist nur ein Beispiel f\u00fcr 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<\/a> nach individuellen Business-Logiken oder die Veredelung von Daten innerhalb der Information Marts.<\/span> Einen zus\u00e4tzlichen Mehrwert bietet Managed Self-Service-BI<\/a>: Fachanwender und Analysten k\u00f6nnen in dedizierten User Spaces eigenst\u00e4ndig Machine-Learning-Modelle entwickeln, validieren und gewonnene Erkenntnisse kontrolliert mit anderen Teams teilen.<\/span><\/span>
\n
Die Automatisierung<\/a> dieser Workflows steigert den strategischen Gesamtwert des EDW nachhaltig, schafft verl\u00e4ssliche Grundlagen f\u00fcr Zukunftssimulationen und unterst\u00fctzt F\u00fchrungskr\u00e4fte bei weitsichtigen unternehmerischen Entscheidungen.<\/span><\/p>\n[\/vc_column_text][\/vc_column][\/vc_row]\n","protected":false},"excerpt":{"rendered":"