Kommentar von Martina Neumayr, Experian Analytische Plattformen – Motoren der digitalen Wirtschaft

Von Martina Neumayr

Anbieter zum Thema

Dass Daten der Treibstoff der digitalen Wirtschaft sind, ist eine oft gehörte Feststellung. Was aber bedeutet das für die Motoren, die diesen Treibstoff nutzen sollen, die Systeme also, die Daten verarbeiten, um ein Unternehmen voran zu bringen? Der digitale Motor eines Unternehmens kann den nötigen Treibstoff zum Beispiel nicht an einer zentralen Tankstelle tanken und darüber hinaus muss ein und derselbe Motor verschiedene Sorten Treibstoff verarbeiten können, verschiedene Sorten strukturierter und unstrukturierter Daten nämlich.

Die Autorin: Martina Neumayr ist Senior Vice President Credit Risk & Fraud Services bei Experian DACH
Die Autorin: Martina Neumayr ist Senior Vice President Credit Risk & Fraud Services bei Experian DACH
(Bild: Experian)

Welche Herausforderungen sich dadurch für Unternehmen ergeben und wie die entsprechenden Lösungsansätze aussehen, lässt sich an Beispielen aus der Praxis des E-Commerce und der Bankenwelt darstellen.

E-Commerce

Im E-Commerce werden eher klassische Daten wie Stammdaten und Daten zu Bestell- oder Buchhaltungsvorgängen beispielsweise durch Daten ergänzt, die darüber Aufschluss gewähren, was zu welchem Zeitpunkt über welchen Verkaufskanal die Aufmerksamkeit bei welchem Kunden weckt. Kunden generieren diese zusätzlichen Daten, die ein Online-Händler berücksichtigen sollte, will er konkurrenzfähig sein. Es kann beispielsweise relevant sein, ob ein neuer Kunde auf dem Weg über eine Vergleichsplattform auf die Homepage des Unternehmens kam und daher eventuell preisbewusster ist als andere Kunden. Betrachtet ein Kunde vor einem Kauf auch die Bewertungen anderer Kunden auf der Homepage, kann das ein Zeichen für mehr Qualitätsbewusstsein sein. Gibt es einen Punkt, an dem Kunden häufig den Kaufprozess abbrechen, sollten entsprechende Verbesserungsmaßnahmen ergriffen werden.

Finanzwelt

Ein Blick in die Finanzwelt zeigt, dass eine klassische Bank heute an zwei Fronten Wettbewerber hat. Erstens sind es die großen Tech-Unternehmen wie Apple und Google, die bestimmte Leistungen wie etwa den Zahlungsverkehr revolutionieren. So wird geschätzt, dass auf mehr als 500 Millionen iPhones Apple Pay aktiviert ist, und nach eigenen Angaben hat Google Pay inzwischen 150 Millionen Nutzer in 30 Ländern. Zweitens sind es die Neobanken und FinTechs, die sich gezielt auf Leistungsbausteine konzentrieren und nicht das ganze Spektrum einer Universalbank abdecken müssen. Von Beginn an setzen die meisten Wettbewerber auf Cloud-basierte und modular aufgebaute IT-Landschaften. Die flexible Integrierbarkeit von Drittanbieter-Anwendungen ist direkt eingeplant. Die klassischen Banken müssen also ebenfalls datentechnisch nachrüsten, um wettbewerbsfähig zu bleiben. Sie müssen neue IT-Systeme installieren, die zusätzliche Daten produzieren, und diese Daten mit denen aus den vorhandenen Altsystemen zusammenführen. Darüber hinaus müssen die Gesamtsysteme gegen eine steigende Anzahl von Betrugsfällen geschützt werden, was bei einer derart heterogenen IT-Landschaft besonders schwierig ist.

Analytische Plattformen

Bei der Bewältigung der beschriebenen Herausforderungen kommt modernen analytischen Plattformen eine zentrale Rolle zu. Die Art von Big-Data-Verarbeitung, die erforderlich ist, können klassische relationale Datenbanksysteme sowie Statistik- und Visualisierungsprogramme zumeist nicht leisten. Es müssen neue Datenspeicher- und Analysesysteme zum Einsatz kommen, die parallel auf bis zu Hunderten oder Tausenden von Prozessoren bzw. Servern arbeiten. Moderne analytische Plattformen ermöglichen Unternehmen, kundengerechte, digitale Prozesse verbunden mit einer intelligenten Datenanalyse zu realisieren. Verfügbare Datentöpfe, die oft in den Organisationen verstreut sind, können damit zusammengeführt und die analytischen Möglichkeiten erweitert werden.

Effiziente analytische Plattformen sollten in der Cloud betrieben werden können, um flexibel genutzt zu werden, und technisch offen sein, sodass sich beispielsweise auch bewährte und kostengünstige Open-Source-Lösungen nutzen lassen. So können durch die Überführung statistischer Analytik-Software auf kostenlose Open-Source-Computersprachen wie Python und R Lizenzgebühren eingespart werden. Dabei muss die Plattform so gestaltet sein, dass die gesamte analytische Wertschöpfungskette abgebildet werden kann. Sie muss Datenhaltung, Analyse und Ergebnisdarstellung so vereinen, dass für diese Schritte keine unterschiedlichen Ressourcen notwendig sind, sondern ein einzelner Anwender sie, vom System unterstützt, bewältigen kann.

Darüber hinaus kann und sollte eine analytische Plattform auch den Einsatz von Machine Learning (ML) ermöglichen. Der Einsatz von ML wird nicht durch die bloße Menge der zu verarbeitenden Daten erforderlich, sondern durch die Notwendigkeit, auch unstrukturierte Daten mit in die Analyse einzubeziehen. So spielt ML bei der Identitätskontrolle in Online-Handel und Online-Banking eine wichtige Rolle, vor allem in Form avancierter Text- und Gesichtserkennungssoftware. Entsprechend trainierte ML-Algorithmen können so beispielsweise die Authentizität der vom Antragsteller fotografierten Identitätsdokumente überprüfen. Mit ML-Algorithmen zur Gesichtserkennung lässt sich zudem das Foto auf dem Ausweisdokument mit einem aktuellen Selfie des Antragstellers abgleichen und gleichzeitig verifizieren, dass es sich um eine Live-Selfie-Übertragung eines echten Gesichts handelt.

Jetzt Newsletter abonnieren

Täglich die wichtigsten Infos zu Big Data, Analytics & AI

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Übersicht

Eine leistungsfähige analytische Plattform kann den tatsächlichen Motor eines digitalen Unternehmens bilden. Sie kann alle relevanten Treibstoffquellen anzapfen und die unterschiedlichsten Formen Treibstoff verarbeiten, um Unternehmen die bestmöglichen Insights und die nötige Übersicht zu geben, um ihren Kunden den bestmöglichen Service zu bieten und sich in ihrem Umfeld gegen ihre Konkurrenten behaupten zu können.

Exemplarische Illustration für die Einbindung einer analytischen Plattform in die digitale Wertschöpfungskette
Exemplarische Illustration für die Einbindung einer analytischen Plattform in die digitale Wertschöpfungskette
(Bild: Experian)

Zeit zu handeln

Es zeigt sich, dass beinahe in jedem Unternehmen Big Data anfallen, in vielen aber eine Infrastruktur fehlt, die geeignet ist, umfassenden Nutzen aus ihnen zu ziehen. Die Erkenntnis, dass Silos in der Infrastruktur möglichst zu vermeiden sind, ist nicht neu, gilt aber nirgends so nachdrücklich wie in der Datenanalyse, wo gerade Beziehungen zwischen Daten aus unterschiedlichen Quellen die wertvollsten Einsichten ermöglichen. Vorreiterunternehmen sind bereits auf zentrale analytische Plattformen in der Cloud umgestiegen und haben sich so Wettbewerbsvorteile verschafft. Unternehmen, die weiter an herkömmlichen Infrastrukturen festhalten, geraten ins analytische Hintertreffen und verpassen zudem Möglichkeiten, durch zentrale Prozesse und den Einsatz von open Source-Lösungen Kosten zu sparen – keine gute Kombination. Sie sollten handeln, bevor es zu spät ist.

(ID:47756129)