Intersystems Updates
Von Datensümpfen zu sauberen Datenseen

Dass Daten der Rohstoff der Zukunft sind, ist längst in allen gesellschaftlichen Bereichen von Industrie über Sport bis Politik angekommen. Unternehmen etwa gewinnen aus ihnen wertvolle Informationen, die bei der strategischen und operativen Planung hilfreich sind. Die richtigen Schlüsse aus den Daten zu ziehen, ist allerdings nicht immer einfach. Die schiere Anzahl an Daten kann überfordern und dazu führen, dass der Datenschatz in Datensümpfen verloren geht. Diese müssen in saubere Data Lakes (zu Deutsch: Datenseen) verwandelt werden, damit ein vollumfänglicher Einblick in die eigenen Daten möglich ist. Wie schwierig dieser Prozess ist und welche Vorteile Analytics Workflow und künstliche Intelligenz bringen, veranschaulicht das Beispiel der Analyse einer Customer Churn (zu Deutsch: Kundenabwanderung).
Auswertung durch künstliche Intelligenz und Machine Learning
Die Abwanderung von Kunden zu Mitbewerbern ist die „Höchststrafe“ für ein Unternehmen und wirkt sich unmittelbar auf die heutigen und auch antizipierten Einnahmen eines Unternehmens aus. Die Abwanderungsgefahr zu analysieren und anschließend gezielt Gegenmaßnahmen (wie zum Beispiel das Retention-Marketing) einzuleiten, ist deshalb essenziell. Im Idealfall übernimmt an dieser Stelle eine künstliche Intelligenz die Auswertung, da so Abläufe und Analysen vollautomatisch und schnell miteinander verzahnt werden. Damit dies funktioniert, sind jedoch einige Vorarbeiten zu leisten. Am Anfang steht die zweckmäßige Aufbereitung der zur Auswertung benötigten Daten. Im nächsten Schritt ist dann Machine Learning erforderlich, um der künstlichen Intelligenz beizubringen, wie sie künftig in bestimmten Fällen zu handeln hat. Unsere Datenplattform InterSystems IRIS unterstützt die Methode Analytics Workflow, bei der diese Vorarbeiten in mehrere Prozessabschnitte aufgeteilt, die Arbeitsabläufe abgestimmt werden und dadurch an Komplexität verlieren.
Analytics Workflow
In der Praxis führen mehrere Akteure jeweils aufeinanderfolgende Aufgaben durch. Beispielsweise besteht das IT-Team eines Versandhandels aus Stefan (Data Engineer), Michael (Data Modeler), Alexandra (Data Scientist) und Nicole (Interface Engineer). Der Analytics Workflow spielt sich mit ihnen wie folgt ab:
- Im ersten Schritt erfasst Stefan Daten aus der eigenen Customer Relationship Management- und Kundendienstdatenbank und führt diese zusammen. Sie enthalten unter anderem demografische Informationen über Kunden und Angaben zu ihren bisherigen Erfahrungen mit dem eigenen Unternehmen.
- Michael nutzt im Anschluss den kombinierten Datensatz, um Abfragefunktionen zu erstellen, durch die Details über die Kundenabwanderung zu Tage kommen. Dafür führt er auch die Aggregation und Denormalisierung des ursprünglichen Datensatzes durch.
- Auf Grundlage des neuen Datensatzes und der Abfragefunktionen erstellt Alexandra ein Modell zur Vorhersage des künftigen Kundenabwanderungsrisikos. Um eine möglichst genaue Berichterstattung zu erhalten, muss das Modell auf den gesamten Datensatz angewendet werden. Anschließend stellt Alexandra das Modell für die Einbettung in den Geschäftsprozess bereit.
- Jetzt greift der Machine Learning-Prozess: Anhand des Modells befähigt Michael die künstliche Intelligenz dazu, Datenanalysen automatisch zu verrichten und standardisierte Berichte für die proaktive Kundenansprache zu liefern.
- Im letzten Schritt bettet Nicole das Modell zusammen mit der künstlichen Intelligenz in den aktiven Geschäftsprozess ein. Kundendienstmitarbeiter werden dann fortwährend auf Kunden aufmerksam gemacht, bei denen eine Abwanderung droht und können individuell auf diese Kunden zugehen.
Aus den zuvor undurchsichtigen Datensümpfen sind nun saubere Datenseen geworden, die aussagekräftige Resultate bereithalten und dabei helfen, Gegenmaßnahmen im Falle einer drohenden Kundenabwanderung in die Wege zu leiten.
Machine Learning leicht(er) gemacht
Am Machine Learning-Prozess sind viele Mitglieder eines Teams wesentlich beteiligt. Häufig verwendet jeder Akteur dabei jeweils andere Tools und Programmiersprachen, die häufig nicht miteinander kommunizieren können. Mit InterSystems IRIS gelingt es, den Gesamtprozess zu steuern und Fehler zu minimieren. Alle Werkzeuge sind an die Datenplattform angebunden und diese schafft als Vermittler die notwendige Interoperabilität zwischen den Tools. Ohne InterSystems IRIS müssten die Daten nach jedem Schritt aufwendig standardisiert und portiert werden. Ein weiterer Vorteil: Die Datenplattform vereint sowohl Funktionen für den Analyse-Workflow als auch für die Auswertung selbst. Um den ML-Prozess zu initiieren, lassen sich die Einzelvorgänge via InterSystems IRIS effizient orchestrieren. So lässt sich das bestmögliche Resultat erzielen.
Weitere interessante Themen

InterSystems IRIS – die bessere Alternative zu In-Memory-Datenbanken und Key-Value Stores
Für leistungsintensive Anwendungen, bei denen es auf extrem schnelle Antwortzeiten ankommt, nutzen Unternehmen häufig In-Memory oder Key-Value Datenbanken.

Von Datensümpfen zu sauberen Datenseen
Erfolgreiches Machine Learning erfordert komplexe Workflows, wie das Beispiel einer Analyse der Kundenabwanderung verdeutlicht.

Ideale Datenplattform für moderne Gesundheits-IT: Zwei neue Partner setzen auf InterSystems IRIS for Health™
Das Gesundheitswesen trägt eine besondere Verantwortung – wir liefern die zuverlässige Entwicklungsplattform für moderne Gesundheits-IT. Lernen Sie zwei neue Partner aus dem Bereichen Life-Sciences und MedTech kennen.
Unsere Events

InterSystems Virtual Summit 2020
20. Oktober 2020 – 5. November
Praktisch von überall auf der Welt und unabhängig von Ihrer Zeitzone. Wir wissen, dass wir uns auf neuem Terrain bewegen, aber wenn wir eines aus der Pandemie mitnehmen konnten, dann ist es die Anpassungsfähigkeit, über die wir auch in unseren Keynotes präsentieren. Beim Virtual Summit wird für jeden etwas dabei sein, egal ob Sie nun ein technisch versierter Manager, ein technischer Leiter, ein Entwickler oder ein Systemintegrator sind. Reservieren Sie sich heute schon den Termin für das Virtual Summit 2020 im Herbst und melden Sie sich an, um weitere Informationen zur Anmeldung, Referenten und Vorträgen zu erhalten.

DMEA 2020 & Healthcare Stammtisch
Messe Berlin GmbH, Messedamm 2216. - 18. Juni 2020
Besuchen Sie uns auf der DMEA 2020 in Halle 3.2, Stand D-106

InterSystems Partnertag CHAT
Radisson Blue Hotel Zürich Airport, Zürich16. Juni 2020
Am 16. Juni 2020 laden wir Sie und Ihre interessierten Kolleginnen und Kollegen wieder herzlich ein, gemeinsam mit uns über aktuelle Markttrends, Produktneuigkeiten und Anwendungsbeispiele aus der Praxis zu diskutieren.
Downloads

Umfassende Versorgung – ohne Silos und Sektorengrenzen
Die Notwendigkeit, Modelle für eine tragfähige Gesundheitsversorgung zu entwickeln, pressiert.

Experteninterview mit Helene Lengler mit Markus Plettendorf vom Handelsblatt
Daten sind das Gold des 21. Jahrhunderts. Erfahren Sie warum Innovation, Information und Interoperabilität gemeinsam gedacht werden müssen.

Sind Sie bereit für die digitale Transformation?
Für viele Unternehmen bedeutet digitale Transformation, einen tiefgreifenden Wandel zu vollziehen. Die Einführung neuer Technologien und Lösungen kann Betriebsabläufe grundlegend verändern.