Big Data: Die Verknüpfung unterschiedlicher Datenquellen ist der Schlüssel zum Erfolg

Nach gängiger Einschätzung macht Big Data den Unterschied zwischen unternehmerischem Blindflug und kompletter Rundumsicht auf das wirtschaftliche Umfeld. Mit Big Data zu arbeiten, bedeutet aber nicht, einfach nur Daten zu sammeln. Ihr altes (aber immer noch verlässliches) Data Warehouse in einen Daten-See (oder noch schlimmer, in einen Daten-Sumpf) zu verwandeln, verschafft Ihnen keine Mitgliedschaft im „Big Data Club“.

Bei Big Data geht es nicht um möglichst große Datenmengen

Und es geht auch nicht darum, wer den größten Datenspeicher hat. Erfolgreiche Big-Data-Initiativen ermöglichen die Handhabung von uneinheitlichen Daten: unterschiedlichste Datenformate; separate Datenquellen; Datenbestände, die nur schwer miteinander verknüpft werden können; unsaubere Daten; unstrukturierte oder halbstrukturierte Daten.

Dieser Aussage stimmten laut der aktuellen Big Data Analytics Studie von NewVantage Partners mindestens 40% der Führungskräfte zu. Aber nur 14,5% der befragten hochrangigen Manager bereitete das zu verarbeitende Datenvolumen Sorgen.

Die Herausforderung ist nicht das Volumen, sondern die Komplexität der Daten

Die Big-Data-Probleme eines potenziellen OpenText-Kunden sind ein perfektes Beispiel dafür, warum die eigentliche Herausforderung nicht im Volumen, sondern die Komplexität der Daten besteht. Kürzlich erkundigte sich eine Fluggesellschaft nach OpenText™ Analytics. Das Unternehmen benötigte bessere Auswertungsergebnisse, um Maßnahmen gegen die Abwanderung von Kunden zu ergreifen. Der Billigflieger hatte entdeckt, dass einige ihrer treuesten Kunden plötzlich ohne Begründung keine Flüge mehr buchten. Dabei handelte es sich um Kunden, die regelmäßig einmal in der Woche oder einmal im Monat mit der Airline geflogen waren. Diese Kunden hatten vollkommen unerwartet ihre Buchungen eingestellt.

Der IT-Leiter der Fluggesellschaft wollte der Sache auf den Grund gehen. Also kämpfte sich die IT-Abteilung mit SQL-Abfragen durch diverse Systeme und Datenbanken und untersuchte die üblichen Ursachen für die Abwanderung von Kunden. Sie überprüften:

  • … das Buchungssystem auf der Suche nach verlorenen Kunden. Wer hatte in der Vergangenheit öfters gebucht, aber im letzten Monat damit aufgehört? Welche Flüge wurden zuletzt gebucht?
  • … das Customer Service Ticketsystem, um herauszufinden, ob sich einer der im Buchungssystem erfassten Abgänge kürzlich beschwert hatte. Waren die Probleme bereits gelöst? Oder war die Beschwerde vom Kunden zurückgezogen worden? Fanden sich irgendwelche Hinweise auf mangelnde Kundenzufriedenheit? Welche Begriffe tauchten in der Kommunikation zwischen Kunden und Airline am häufigsten auf? Preise? Kundenservice? Sitze? Verspätungen? Und wie waren der Ton und die Stimmung in diesen Nachrichten? Bloß verärgert, oder fuchsteufelswild und mit der Drohung, die Airline zu wechseln?
  • … die Flugverspätungs-Datenbank, um dort die letzten Buchungen der Abtrünnigen zu analysieren. Waren die Flüge überhaupt verspätet? Wenn ja, wie sehr? Wurde einer der verspäteten Flüge abgesagt?

Die Identifikation der Kunden, die dem Unternehmen im letzten Monat den Rücken gekehrt hatten – entweder wegen unbearbeiteter Beschwerden oder zu vieler verspäteter oder abgesagter Flüge – wäre der erste Schritt, um sie zurück zu gewinnen. An diesem Punkt lautet die vordringlichste Aufgabe an die IT, dem IT-Leiter zu liefern, was er angefordert hatte: eine vollständige Liste dieser Kunden.

Die IT-Abteilung brauchte mehr als einen Monat, um die obigen Fragen zu beantworten, weil zwischen den drei Systemen und ihren Datenbanken keine brauchbaren Schnittstellen existierten. Es musste also immer zuerst die lange Liste mit Kunden-ID, Buchungscodes und Flugnummern von einem System auf das andere übertragen werden. Und das so oft, bis die Ergebnisse akzeptabel waren. Ein einziger Albtraum aus fragmentierten Daten, komplexen SQL-Abfragen, manueller Datenübertragung und enormem Aufwand. Und die Antworten für den Entscheidungsträger kamen viel zu spät, denn in diesem Monat gingen weitere Kunden verloren.

Zu diesem Zeitpunkt wurde der Airline klar, dass sie eine bessere und flexiblere Analytics-Lösung benötigte, die problemlos verschiedene Datenquellen gleichzeitig nutzen kann. Beeindruckt von den Möglichkeiten von OpenText Analytics baten sie uns, ihnen Lösungen für ihr Problem zu präsentieren.

Mit Big Data Analytics verknüpften wir die drei separaten Datenquellen

Nach nur 24 Stunden konnten wir die Fragen beantworten. OpenText™ Big Data Analytics hatte wieder einmal gezeigt, was es kann.

Daten aus vielen verschiedenen Quellen und unterschiedlichen Abteilungen zur Ermittlung von Antworten heranzuziehen, das ist der wahre Nutzen von Big Data. Genau das ist die 360-Grad-Sicht auf Geschäftsprozesse, von der alle reden. Aber ohne eine agile und flexible Möglichkeit, diese Sicht zu erstellen, geht der Nutzen durch zeitliche Verzögerungen wieder verloren.

Durch den Einsatz von spaltenorientierter Datenbank-Technologie – auf der auch die OpenText Analytics-Lösungen basieren – liefert das Analyse-Repository schnelle Antworten. Antworten, die Entscheidungsträgern dabei helfen, wirtschaftliche Herausforderungen zu meistern, dann, wenn sie anstehen.

Dieser Artikel wurde aus dem Englischen übersetzt.

Isidre Royo

Isidre Royo ist OpenText Analytics Produktmanager und Spezialist für Predictive Analytics und Big Data. Er arbeitet am Standort Barcelona.

Weitere Artikel, die sie interessieren könnten

Schreibe einen Kommentar

Schaltfläche "Zurück zum Anfang"