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.
Die Energieversorgung Mittelrhein AG wollte die Customer Journey ihrer Kundinnen und Kunden besser nachvollziehen und dafür eine belastbare Datenbasis schaffen. Ziel war es, Vertrags- und Verhaltensdaten für eine kundenspezifische Ansprache nutzbar zu machen sowie Prognosen und Trends als wirtschaftliche Entscheidungshilfen analysierbar zu machen.
Vor dem Projekt war die Datenbasis der evm zu ungenau und zu fragmentiert, um Data-Science-Verfahren zuverlässig einzusetzen. Besonders problematisch waren unzureichende Datenqualität im Abrechnungssystem sowie mehrere isolierte Datensätze pro Haushalt, die eine konsistente Kundensicht erschwerten.
taod entwickelte gemeinsam mit der evm einen MVP-Ansatz für Data-Science-Initiativen und setzte dafür ein Record-Linkage-Modell zur Datenbereinigung und Kundenidentifikation ein. Ergänzt wurde das durch den Aufbau eines cloudbasierten Modern Data Warehouse in Azure Synapse mit ETL-Pipelines, Spark-Clustern und Microsoft Power BI als Teil der technologischen Grundlage.
Die Einführung begann mit zwei aufeinanderfolgenden Data Thinking- und Data Discovery Workshops, in denen Ist-Situation und erste Use Cases analysiert wurden. Danach wurde das Record-Linkage-Verfahren implementiert, die Azure-Synapse-Architektur aufgebaut und die bereinigten Ergebnisse in das operative Monitoring sowie in das neue Modern Data Warehouse überführt.
Die evm erhielt durch das Matching isolierter Datensätze eine 360°-Kundensicht als Grundlage für personalisierte Ansprache und valide Prognosen. Die neue Architektur verarbeitet auch bei Millionen Datenpunkten pro Vorgang Analysen mit unter einer Sekunde Latenz, und das Record-Linkage-Modell bereinigt mehr als 100.000 Kundendatensätze automatisiert. Zudem schafft der neue Azure-basierte Cloud-Stack die Grundlage für weitere Use Cases wie Churn Prediction, Prognosemodelle und dynamische Scoringverfahren.
Lass uns deine Fragen bei einem unverbindlichen Erstgespräch klären.
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.
