Geschäftswertsteigerung durch Data Lakes: Praxisbeispiele für zusammengesetzte Datenprodukte

Ich möchte Ihnen etwas erzählen, worüber ich in letzter Zeit nachgedacht habe: den Wandel von Data Lakes als riesigen Speicherorten hin zu ihrer aktiven Grundlage für zusammengesetzte Datenprodukte. Dieser Wandel verändert die Art und Weise, wie Unternehmen ihre Daten tatsächlich nutzen. Mein Kollege Haricharuan hat kürzlich einen guten Blogbeitrag über die Grundlagen von Datenprodukten geschrieben: Datenprodukte 101: Was sie sind, warum sie wichtig sind, wie man anfängt? – SOLIX Blog

Worüber wir hier wirklich sprechen

Wenn ich von „zusammengesetzten Datenprodukten“ spreche, meine ich etwas ganz Konkretes: kuratierte, geschäftstaugliche Datensätze, die Rohinformationen aus verschiedenen Quellen Ihres Datenpools kombinieren und sie dann so aufbereiten, dass sie von Geschäfts- und KI-Anwendungen tatsächlich genutzt werden können. Stellen Sie sich das wie den Unterschied vor, ob Sie Zutaten in Ihrer Speisekammer verstreut haben oder fertige Kochsets zum Kochen haben.

Beispiele aus der Praxis, die tatsächlich funktionieren

360-Grad-Kundenansichten im Einzelhandel

Ich habe mehrere Einzelhandelsunternehmen beim Aufbau ihrer sogenannten „Customer 360“-Datenprodukte beobachtet. Nehmen wir einen großen Omnichannel-Einzelhändler – dort läuft alles wie am Schnürchen:

• Point-of-Sale-Transaktionen in physischen Geschäften
• E-Commerce-Clickstream- und Kaufdaten
• Protokolle der Kundenservice-Interaktionen
• Kennzahlen zur Einbindung von Treueprogrammen
• Daten zur Stimmung in sozialen Medien

Das zusammengesetzte Datenprodukt zentralisiert all dies in der Data-Lake-Umgebung und erstellt ein einheitliches Kundenprofil, das direkt in die Marketing-Automatisierungsplattform, Kundenservice-Dashboards und Personalisierungs-Engines eingespeist wird. Die Geschäftsanwendung muss nicht mehr sechs verschiedene Systeme abfragen, sondern greift auf ein angereichertes, validiertes Datenprodukt zu.

Die praktische Auswirkung: Ihr Marketingteam kann nun personalisierte Kampagnen basierend auf dem tatsächlichen Kundenverhalten über alle Kanäle hinweg auslösen, nicht nur auf dem, was in einem Silo passiert ist.

Vorausschauende Wartung in der Fertigung

Hier ist ein Anwendungsfall, der die Leistungsfähigkeit der Komposition deutlich demonstriert. Ein Fertigungsunternehmen, das ich begleitet habe, erstellt ein Datenprodukt für die vorausschauende Wartung durch die Kombination von:

• Echtzeit-Sensordaten von IoT-Geräten an Fabrikanlagen
• Historische Wartungsaufzeichnungen und Arbeitsaufträge
• Teilebestand und Lieferketteninformationen
• Produktionspläne und Kennzahlen zur Ausgabequalität
• Externe Faktoren wie Wetterlagen, die die Leistung der Geräte beeinflussen

Dieser zusammengesetzte Datensatz speist die Wartungsplanungsanwendung und die Produktionsplanungssysteme. Das Schöne daran ist, dass das Datenentwicklungsteam die gesamte Komplexität übernimmt – Bereinigung der Sensordaten, Normalisierung der Wartungsaufzeichnungen, Anreicherung mit Kontextinformationen – und die Geschäftsanwendung lediglich ein sauberes, analysebereites Produkt nutzt.

Das Ergebnis? Sie haben ungeplante Ausfallzeiten reduziert, indem sie Muster der Geräteverschlechterung schon Wochen vor dem Ausfall erkannt haben.

Produkte zur finanziellen Risikobewertung

Im Finanzdienstleistungssektor habe ich einige hochentwickelte Datenprodukte zur Risikobewertung gesehen. Eine mittelgroße Bank erstellt ein zusammengesetztes Kreditrisikoprodukt, das Folgendes integriert:

• Transaktionsverlauf aus Kernbankensystemen
• Schufa-Auskünfte und -Scores
• Marktvolatilitätsindikatoren
• Demografische und Beschäftigungsdaten der Kunden
• Wirtschaftsindikatoren, die an geografische Regionen gebunden sind

Dieses zentralisierte Datenprodukt bildet die Grundlage für das Kreditvergabesystem, die Portfolio-Risiko-Dashboards und die Anwendungen für das regulatorische Reporting. Jede Geschäftsanwendung erhält genau die Ansicht der Risikodaten, die sie benötigt, ohne dass jemand die zugrunde liegende Data-Lake-Architektur verstehen muss.

Das Compliance-Team schätzt diesen Ansatz besonders, da es ein Datenprodukt prüfen und validieren kann, anstatt herauszufinden, wie jede Anwendung die Rohdaten unterschiedlich transformiert.

Darüber hinaus können Governance-Teams die Ergebnisse der Datenprodukte überprüfen, um sicherzustellen, dass diese Systeme frei von Verzerrungen sind. Ich habe bereits darüber geschrieben (Das fehlende Puzzleteil in der KI-Governance: Voreingenommenheit bekämpfen, Voreingenommenheit ausschalten – SOLIX Blog). In einem potenziell so sensiblen System wie der Risikobewertung ist die Beseitigung jeglicher Verzerrung konsolidierter Datenprodukte von entscheidender Bedeutung.

Ein Beispiel für Gesundheitsanalysen

Einer der interessantesten Anwendungsfälle, die ich kenne, betrifft ein Gesundheitsnetzwerk, das Produkte zur Bevölkerungsgesundheit erstellt. Sie erstellen:

• Elektronische Gesundheitsakten aus mehreren Krankenhaussystemen
• Schadens- und Abrechnungsdaten
• Apothekenabgabeaufzeichnungen
• Soziale Determinanten der Gesundheit aus gemeinschaftlichen Datenquellen
• Von Patienten berichtete Ergebnisse aus mobilen Apps

Das zusammengesetzte Datenprodukt speist Pflegemanagement-Anwendungen, identifiziert Hochrisikopatienten für Interventionsprogramme und unterstützt die wertorientierte Pflegeberichterstattung. Die klinischen Anwendungen erfordern kein Fachwissen im Bereich Datentechnik – sie nutzen lediglich das validierte, datenschutzkonforme Datenprodukt.

Die wichtigste Erkenntnis: Die Data-Lake-Umgebung ermöglicht die Speicherung detaillierter klinischer Daten im Ruhezustand, während das zusammengesetzte Datenprodukt entsprechend aggregierte, anonymisierte Ansichten für verschiedene Analysezwecke bereitstellt. Wie bereits erwähnt, ist es in gesundheitsbezogenen Systemen, die KI auf Basis zusammengesetzter Datenprodukte nutzen, unerlässlich, sicherzustellen, dass Governance-Teams auf mögliche Verzerrungen achten.

Supply Chain Intelligence im Konsumgüterbereich

Konsumgüterunternehmen entwickeln Datenprodukte zur Lieferkettenoptimierung für KI-Anwendungen, die Folgendes kombinieren:

• Leistungskennzahlen und Lieferdaten von Lieferanten
• Rohstoffkosten und Rohstoffpreisindizes
• Produktionskapazität und Planungsdaten
• Lagerbestände in Vertriebszentren
• Nachfrageprognosesignale von Einzelhandelspartnern

Dieses zusammengesetzte Produkt bildet die Grundlage für ihre Beschaffungsanwendungen, Produktionsplanungssysteme und Logistikoptimierungstools. Die Geschäftsanwender interagieren mit Anwendungen, die ein vollständiges Bild der Lieferkette abbilden, während der zugrunde liegende Data Lake die komplexe Integration von Daten von Dutzenden von Lieferanten, Produktionsstandorten und Vertriebspartnern bewältigt.

Was diese in der Praxis ausmacht

Großartige Datenprodukte sind auffindbar (katalogisiert, markiert und Eigentum), adressierbar (stabile URIs und versionierte Endpunkte), sicher (Zugriff mit geringsten Berechtigungen, Maskierung, Verschlüsselung), verständlich (Geschäftsglossar, Herkunft, Beispiele), verwaltet (Richtlinien als Code, SLAs, Aufbewahrung oder rechtliche Sperren) und vertrauenswürdig (hochwertige SLOs, Prüfpfade, reproduzierbare Lesevorgänge).

Für die Bereitstellung erfolgreicher zusammengesetzter Datenprodukte sind jedoch noch weitere wichtige Eigenschaften erforderlich:

• Klare Unternehmenseigentumsverhältnisse: Für jedes Datenprodukt gibt es einen bestimmten Geschäftseigentümer, der die Anwendungsfälle versteht und bestätigen kann, dass die zusammengestellten Daten tatsächlich den Geschäftsanforderungen dienen.
• Geregelte Datenqualität: Die Kompositionsschicht implementiert Validierungsregeln, verarbeitet fehlende Daten und stellt die Konsistenz sicher, bevor Geschäftsanwendungen das Produkt verwenden.
• Versionskontrolle und Herkunft: Wenn sich Quelldaten ändern oder die Kompositionslogik weiterentwickelt, lässt sich klar nachverfolgen, was sich geändert hat und welche Auswirkungen dies auf nachgelagerte Anwendungen hat.
• Leistungsoptimierung: Das zusammengesetzte Datenprodukt wird in Formaten strukturiert und gespeichert, die die Abfrageleistung für Geschäftsanwendungen mit der Speichereffizienz in Einklang bringen.
• Zugriffskontrollen und Compliance: Sicherheits- und Datenschutzregeln werden auf der Ebene der Datenprodukte durchgesetzt, sodass Geschäftsanwendungen entsprechende Zugriffskontrollen erben, ohne diese unabhängig zu implementieren.

Die praktischen Vorteile, die ich sehe

Organisationen, die diese zusammengesetzten Datenprodukte erfolgreich implementieren, berichten von einigen greifbaren Vorteilen:

Sie verkürzen die Entwicklungszeit für neue Geschäfts- und KI-Anwendungen, da die aufwändige Datenintegration bereits erledigt ist. Ihre Business-Intelligence-Teams verbringen weniger Zeit mit der Datenanalyse und mehr Zeit mit der Gewinnung von Erkenntnissen. Die Datenkonsistenz verbessert sich, da mehrere Anwendungen dasselbe Produkt nutzen, anstatt eigene Transformationen zu erstellen. Und vielleicht am wichtigsten: Ihre Datenverwaltung wird einfacher, da sie kuratierte Produkte verwalten, anstatt jeden direkten Zugriff auf die Rohdaten des Data Lakes kontrollieren zu müssen.

Ich freue mich auf

Das Muster, das ich sehe, deutet darauf hin, dass wir uns in Richtung Data Lake-Umgebungen bewegen, die weniger wie passiver Speicher und mehr wie aktive Produktfabriken funktionieren, wie der Solix Data Lake Plus (SOLIXCloud Data Lake-Lösung | Vereinheitlichen Sie Ihre Daten). Die Rohdaten befinden sich im See, aber was Geschäftsanwendungen tatsächlich nutzen, sind diese sorgfältig zusammengestellten, validierten und geschäftsbereiten Datenprodukte.

Es handelt sich um eine subtile, aber wichtige Unterscheidung – und sie macht nachweislich den Unterschied zwischen Datenseen aus, die einen geschäftlichen Mehrwert liefern, und solchen, die zu teuren Datensümpfen werden.