Neue Möglichkeiten mit Data Vault 2.0
Data Vault 2.0 ermöglicht es Unternehmen, über das traditionelle Berichtswesen hinauszugehen, indem es neue Wege für Skalierbarkeit, Automatisierung und datengesteuerte Entscheidungsfindung eröffnet. Von der Datenbereinigung und der Automatisierung von Geschäftsprozessen bis hin zu fortschrittlichen Data-Science-Techniken wie maschinellem Lernen und prädiktiven Analysen bietet Data Vault 2.0 einen flexiblen Rahmen für moderne Datenherausforderungen. In diesem Artikel erfahren Sie, wie Data Vault 2.0 Data Science integriert, um betriebliche Prozesse zu optimieren, Ergebnisse vorherzusagen und die data warehouses von Unternehmen zu verbessern und so einen Wettbewerbsvorteil in der heutigen datengesteuerten Landschaft zu sichern.
Über die Standardberichterstattung hinausgehen
Reporting und Dashboarding sind in der Wirtschaft zum Standard geworden, wenn es um die Ermittlung von KPIs und anderen Messgrößen geht. Als solche sind Enterprise Data Warehouses entstanden, um den Berichterstattungsprozess zu unterstützen. Aufgrund der großen Datenmenge und -vielfalt hat sich jedoch eine Nachfrage nach einer Methode entwickelt, mit der diese vorhandenen Daten so genutzt werden können, dass sie einen zusätzlichen geschäftlichen Nutzen für die Bedürfnisse eines Unternehmens darstellen. Data Vault 2.0 bietet eine breite Palette von Methoden zur Entscheidungsunterstützung, die über das Standard-Reporting hinausgehen, sowie wichtige Informationen für die Zukunft. Überzeugen Sie sich selbst und kommen Sie zu uns, wenn wir Ihnen verschiedene Ansätze und Lösungen vorstellen, wie Sie das Potenzial Ihrer Daten voll ausschöpfen können.
Über die Standardberichterstattung hinausgehen
Wie wir bereits in früheren Ausgaben gezeigt haben, ermöglicht Data Vault 2.0 es dem Einzelnen, über die herkömmlichen Methoden hinaus Berichte zu erstellen.
In der Im ersten Teil haben wir gezeigt, wie man eine Datenbereinigung durchführt. in Data Vault 2.0.
Und die Der zweite Anwendungsfall zeigte, wie die Automatisierung von Geschäftsprozessen umgesetzt werden kann. mit Interface Marts.
Die Skalierbarkeit und Flexibilität des Data Vault 2.0 bietet eine ganze Reihe von Anwendungsfällen, die realisiert werden können, z.B. um betriebliche Prozesse zu optimieren und zu automatisieren, die Zukunft vorherzusagen, Daten als neuen Input in betriebliche Systeme zurückzuspielen oder Ereignisse außerhalb des data warehouse auszulösen, um nur einige zu nennen.
Durch die Nutzung des Enterprise Data Warehouse für Data Science können die TCO der Datenverarbeitung gesenkt werden: Anstatt dieselben Daten zweimal zu verarbeiten, einmal für Berichtszwecke und einmal für die Ad-hoc-Datenanalyse, werden die Daten im zentralen data warehouse gespeichert und können dann von mehreren Anwendungen genutzt werden, und zwar nicht nur für die Berichterstattung, sondern auch für Datenanalytik gibt es nur zwei Fälle, wie das folgende Diagramm zeigt:
Abbildung 1: Data Vault Anwendungsfälle
Neben den bereits erwähnten Fällen stechen die Automatisierung von Geschäftsprozessen und externe Schnittstellen für Rückschreibungen in Anwendungen hervor.
Datenwissenschaft in Data Vault 2.0
Der folgende Anwendungsfall befasst sich mit einem Thema, das in den letzten Jahren immer mehr Aufmerksamkeit erregt hat und dessen Verwendung in data warehousing nicht ignoriert werden sollte. Data Science. Ob Data Mining, maschinelles Lernen oder Deep Learning, jedes dieser Themen ist sehr populär geworden.
Innerhalb von Data Vault 2.0 können Methoden aus dem Bereich Data Science als weiche Geschäftsregeln betrachtet werden, da die Daten während der Ausführung geändert oder neue Informationen erstellt werden. Folglich findet die Verwendung im Business Vault statt.
Abbildung 2: Datenwissenschaft in Data Vault 2.0
Eine mögliche Anwendung des maschinellen Lernens in Data Vault 2.0 ist das Scoring neuer Leads.
Hier wird auf der Basis bekannter Kunden, die bereits Dienstleistungen in einem Unternehmen in Anspruch genommen haben, ein Modell entwickelt, um potenzielle Neukunden zu identifizieren und deren möglichen Wert zu quantifizieren.
Das Modell ermöglicht es, vielversprechende Kunden zu identifizieren und weitere Prozesse gezielt einzuleiten.
Das Vorhersagemodell kann auf verschiedene Arten ausgeführt werden, z.B. als Python- oder R-Skript. Weiterhin können wir eine mögliche Umsetzung als Prozess in RapidMiner Studio zeigen. Hier werden die Daten aus dem Business Vault geladen und für die weitere Analyse vorverarbeitet. Der Algorithmus wird dann mit Hilfe von uns bereits bekannten Kunden trainiert.
Das sich daraus ergebende Modell wird dann zur Bewertung neuer Leads verwendet.
Schließlich werden die getroffenen Entscheidungen und die Daten, die zu der Entscheidung geführt haben, wieder in das EDW geladen, um neue Entitäten im Business Vault zu bilden.
Abbildung 3: RapidMiner Studio Prozess
Schlussfolgerung
Dies ist nur ein Beispiel dafür, wie Data Science im Rahmen von Data Vault 2.0 angewendet werden kann.
Weitere Optionen sind Prozesse wie das Laden von Daten aus dem Data Lake um die Rohdaten aus dem Quellsystem nach benutzerdefinierten Verfahren zu verarbeiten. Es ist erwähnenswert, dass es auch möglich ist, die Informationen aus den information marts zu nutzen, um sie noch wertvoller zu machen.
Die Optionen, die von Verwaltetes Self-Service-BI sind ebenfalls von großem Vorteil. So können verschiedene Nutzer Modelle in ihren eigenen Bereichen entwickeln und testen und die Ergebnisse bei Bedarf gemeinsam nutzen.
Die Automatisierung dieser Prozesse erhöht auch den Wert des EDW für das Unternehmen. Darüber hinaus können verschiedene Szenarien simuliert und wertvolle Entscheidungen für die Zukunft getroffen werden.
von Marcel Hilgert (Scalefree)