Vom Datenpuzzle zum Gesamtbild

Haben Sie jemals versucht, auf der Basis eines einzigen Werts eine Entscheidung zu treffen oder einen Trend abzuleiten? Schwierig, denn ein einziger Datenpunkt liefert kein nutzbares Gesamtbild. Ein einziger Datenpunkt kann alles Mögliche bedeuten. Sagen wir, die Temperatur beträgt 25°C. Das könnte fantastisch sein, wenn es sich dabei um die Außentemperatur am nächsten Feiertag handelt. Es könnte aber auch weniger schön sein – nämlich wenn es die Grilltemperatur ist, bei der Ihr Hähnchen nie im Leben gar wird.

Interessanter sind daher mehrere Datenpunkte. Wenn sie so verarbeitet, interpretiert, organisiert, strukturiert oder präsentiert werden, dass sie eine Bedeutung erlangen und einen Nutzen bieten, fügen sich all diese Datenpunkte wie Puzzleteile zusammen. Indem Daten den Kontext für andere Daten bilden, können sie sich in Informationen verwandeln, die ein Gesamtbild ergeben und real, also zu einem greifbaren Geschäftsvorteil werden.

Wie bringen Organisationen aber die Vielzahl an Datenpunkten zusammen, die ihnen verstreut über ihre IT-Landschaft in System-, Anwendungs- und Speichersilos zur Verfügung stehen? Die ideale Plattform dafür ist ein Enterprise Data Hub, der aus diesen Daten einen realen geschäftlichen Nutzen herausfiltert. So ein Hub kann das Business auf eine Weise vorantreiben, die klassische Datenverwaltungssoftware einfach nicht leisten kann, und ermöglicht Organisationen wirkliche Innovation und Abgrenzung vom Markt. Drei Beispiele verdeutlichen die Möglichkeiten.

Beispiel 1 – Kundenwünsche: Der Teufel steckt im Detail

Banken melden sich meist bei ihren Kunden, wenn sie ihnen ein neues Produkt verkaufen wollen. Es gibt Nachwuchs? Ihre Bank sagt Ihnen, wie wichtig es ist, Ihre Lebensversicherung aufzustocken, weil Sie jetzt ein weiteres Familienmitglied haben. Das Kind ist jetzt groß und fängt an zu studieren? Ihre Bank wird Sie fragen, ob Sie nicht Interesse hätten an einem Darlehen, um die Studiengebühren zu finanzieren. Die Liste ist endlos. Die meisten Verbraucher sind jedoch weniger begeistert von diesen Taktiken. Zwar stimmt das zugrunde liegende Detail “das Datum”, aber die Annahmen, die die Bank macht, sind meist falsch.

Das war nicht immer so. Vielleicht erinnern Sie sich noch an die persönliche Beziehung, die unsere Eltern und Großeltern häufig mit ihren Bankmanagern hatten. Genau das bietet die Royal Bank of Scotland ihren Kunden wieder an, indem sie alle verfügbaren Daten betrachtet und verknüpft und dann herausfindet, welche scheinbar unbedeutenden Dinge eine große Wirkung auf die Kunden haben könnten. Beispielsweise werden Kunden informiert, wenn es ein besseres Produkt gibt als das aktuell von ihnen genutzte oder wenn sie für die gleichen Versicherungsleistungen doppelt bezahlt haben, einfach so.

Beispiel 2 – IoT: Licht ins Dunkel bringen

Viele herkömmliche Händler haben Schwierigkeiten herauszufinden, was in ihren Geschäften eigentlich passiert. Ihre Läden ähneln einer Black Box: Kunden gehen hinein, und einige von ihnen werden zu Käufern. Verglichen mit Online-Händlern fehlt ihnen der Einblick, was sich Kunden angeschaut haben, welche Produkte ihnen gefielen und welche nicht und wie lange sie sich umgeschaut haben, bevor sie schließlich etwas gekauft haben. Traditionelle, zeit- und kostenintensive Befragungen im Laden spiegeln nur einen Teil der Realität wider. Sie liefern Momentaufnahmen, die zusammen mit spärlichen historischen Daten und einer gehörigen Portion Bauchgefühl die Basis bilden, auf der Händler und Marken große Investitionen in Marketingkampagnen und die Herstellung neuer Produkte vornehmen.

Unser Kunde Shoppermotion bietet Händlern den Überblick, was tatsächlich im Laden läuft. Das geschieht nicht nur durch kleine Peilsender, die an den Trolleys und Einkaufskörben angebracht sind, sondern auch durch die Analyse der Daten, die in Echtzeit über die Bewegungen des Kunden im Geschäft bereitgestellt werden. Zum ersten Mal ist damit eine kontinuierliche Analyse des aktuellen Kundenverhaltens möglich – welche Gänge sie besuchen, aus welcher Richtung sie in den Gang kommen, und sogar wie lange sie vor verschiedenen Produkten stehen bleiben. Diese Senderdaten wirken sich massiv real aus: Produkte werden nicht mehr nur nach Gutdünken platziert, und Stoßzeiten lassen sich voraussagen und somit die Personalbesetzung besser planen. Wie bei Online-Händlern profitieren nun auch herkömmliche Geschäfte zunehmend von höheren Verkäufen durch solche Einblicke in Daten.

Beispiel 3 – Betrugsprävention: Vorbeugen ist besser als heilen

Betrug ist der Fluch vieler Geschäftszweige, aber keiner ist dafür anfälliger als die Versicherungsbranche. Die Folgekosten betreffen beide Seiten: die Versicherungsgesellschaften in Form von Verlusten und die Kunden in Form von höheren Prämien. Viele, wenn nicht sogar alle Versicherungen arbeiten mit Schadensregulierern, um Leistungsansprüche zu validieren, Haftungssummen auf ein berechtigtes und faires Maß zu begrenzen und Betrugsversuche aufzudecken. Aber trotz allem beträgt der Schaden durch Versicherungsbetrug allein im Vereinigten Königreich schätzungsweise einige Milliarden Pfund, was zu einem Anstieg von ungefähr 5 % bei den Versicherungsprämien führt. Der Grund? Versicherungsbetrug kann nicht durch ein Muster erfasst werden, das sich nur auf einen einzigen Fall, einen einzigen Datenpunkt stützt.

Die britische Versicherungsgesellschaft Markerstudy hat Daten aus Schadensersatzansprüchen über viele Jahre analysiert und mit Quellen innerhalb und außerhalb der Organisation kombiniert. Durch die Verwendung von Daten im Kontext sowie durch den Einsatz von Machine Learning lassen sich heute erste Anzeichen eines Betrugs in Form von Trends und Mustern wie die sprichwörtliche Nadel im Heuhaufen aufspüren. Da ständig aktuelle Daten ins System fließen, kann die Organisation Betrugsversuche in Echtzeit aufdecken und verhindern, wodurch mehr als 5 Millionen Pfund allein an Leistungsansprüchen gespart werden. Diese Einsparungen können dann an die Kunden weitergegeben werden.

Die Plattform macht den Unterschied

Die drei Beispiele zeigen, wie Organisationen aus ihren Daten, ungeachtet von Volumen, Geschwindigkeit oder Art, einen realen Geschäftsnutzen ziehen können. Eins haben alle drei Organisationen gemeinsam: sie nutzen einen zentralen Cloudera Enterprise Data Hub, um ihre Daten zu verwalten und zu analysieren. Dies sind nur drei Beispiele, aber sie verdeutlichen, welche außerordentlichen Ergebnisse Unternehmen erzielen können, wenn sie ihre Daten einfach nur anders betrachten und verarbeiten.