Data-Science-Verfahren liefern nur dann verwertbare Informationen, wenn die Grundlage stimmt. Ungenaue Daten bedeuten immer auch ungenaue Erkenntnisse. Oder, anders ausgedrückt: wenn im Erdgeschoss die Wände schief stehen, sind die Baupläne für den Dachausbau unbrauchbar. Wer trotzdem weiterbaut, macht es umso schlimmer, weil er am Ende mit dem Kaschieren nicht mehr hinterherkommt.
Bei der Energieversorgung Mittelrhein (evm) entwickelte sich der Wunsch, die Customer Journey der Kunden und Kundinnen gezielter nachvollziehen zu können. Darauf aufbauend stand eine automatisierte und kundenspezifische Ansprache auf Basis von Vertrags- und Verhaltensdaten auf dem Programm. Am Ende dieser Verwertungskette aus datengetriebenen Insights sollten schließlich Prognosen und Trends analysierbar gemacht und als wirtschaftliche Entscheidungshilfen genutzt werden.
Wie wird aus Daten eine 360°-Kundensicht?
Welche Technologien unterstützen Data-Science-Initiativen?
Wie gelingen detaillierte Prognosen?
In zwei aufeinanderfolgenden Workshops analysierten evm und taod die Ist-Situation und identifizierten erste Use Cases. Daraus entstand ein MVP-Ansatz, der in einem agilen Sprint-Modell auf Basis der bestehenden Datenstrategie weiterentwickelt wird.
Wegen unzureichender Datenqualität im Abrechnungssystem wurde ein Record-Linkage-Modell eingesetzt. Es erkennt Ähnlichkeiten zwischen Datensätzen mithilfe statistischer Verfahren wie Expectation Maximization – gestützt durch eine skalierbare Cloud-Infrastruktur.
Azure Synapse ermöglicht der evm eine leistungsfähige Datenverarbeitung durch ETL-Pipelines und Spark-Cluster. Kundenidentifikation wurde automatisiert, Ergebnisse in das Modern Data Warehouse überführt und ins operative Monitoring integriert.
Mit taod bereinigte die evm erfolgreich ihre komplexe Datenbasis mittels Record-Linkage. Das neue Azure-basierte Modern Data Warehouse liefert die skalierbare Grundlage für alle künftigen Data-Science-Initiativen des Unternehmens.
Gemeinsam mit taod ist der Energieversorgung Mittelrhein die komplexe und aufwändige Bereinigung ihrer Datenbasis gelungen. Mit Hilfe des Rekord-Linkage-Verfahrens wurden die bereinigten Daten anschließend einem Abgleich unterzogen, um eine korrigierte Historie aufzubauen. Der Aufbau eines neuen cloudbasierten Modern Data Warehouse in Azure bildet zudem eine zuverlässige und performante Grundlage für alle zukünftigen Data-Science-Initiativen.
Triff Vorhersagen, automatisiere deine Prozesse und decke Trends und Muster auf mit unserer AI Beratung.
Mit Microsoft Azure Services und unserem Azure Consulting erweiterst du die Grenzen deiner aktuellen Plattform.
Wie man Potenziale von Data-Initiativen erkennt, fördert und für Data Science Lösungen beschleunigt.