Data Insights

Einer der größten Kreditversicherer der Welt will sein Data Warehouse auf ein neues Vertragssystem umstellen. Die Migration beginnt, doch das neue System ist noch nicht fertig. Das erfordert vor allem eines: Flexibilität. Zum Glück ist genau das eine Spezialität von Markus Geitz und seinem Team.

Wenn es denn gut konstruiert und gebaut ist, ist ein Data Warehouse eine extrem wichtige Basis für Unternehmensentscheidungen und die Geschäftsentwicklung. Und wenn dem nicht so ist: es ist nie zu spät, um gute Architektur- und Integrationsprinzipien einzuführen. So wie es ITGAIN bei einem der größten deutschen Versicherungskonzerne aus Hannover getan hat.

Daten verschaffen Unternehmen Wettbewerbsvorteile – allerdings nur, wenn sie sich analysieren und für Entscheidungen oder Aktionen nutzen lassen. Doch daran hapert es oft. Auch in der Sparte Immobilienwirtschaft in einem Telekommunikationsunternehmen war der Datenberg im Laufe der Jahre unüberschaubar gewachsen. Gemeinsam mit deren Experten haben wir ein Data Warehouse konzipiert, um den Vertrieb effizient zu steuern.

Industrie 4.0 ist ein Schlagwort der Stunde. Als das Werk eines Technik-Konzerns eine neue Fertigungsstraße aufbaut, ist von Anfang an klar: Die Daten, die hier generiert werden, sind ein Schatz. Nur: Wie hebt man ihn?

Finanzdienstleister wollen in Bezug auf ihre Kunden die richtigen Entscheidungen treffen. Daher nutzen sie seit langem Analytics-Verfahren. Ein deutsches Kreditinstitut wollte seine Daten mithilfe des Tools KNIME für noch mehr Mitarbeiter zugänglicher machen.

Analytics ist der Königsweg zu schnellen, verlässlichen Handlungsempfehlungen und sogar zur Ableitung von Vorhersagen aus unzähligen Kundendaten. Wie Unternehmen zur Anwendung kommen? Unser Spezialist Thilo Boehnke liefert Antworten und wagt eine Fußball-Prognose.

Wer sich von Künstlicher Intelligenz unterstützen lassen will, muss wissen: Analytics ist ein andauernder Prozess. Hat man ein Vorhersagemodell entwickelt, fängt die Arbeit erst richtig an. Denn die Welt verlangt – auch hier – nach permanenter Evolution. Wie der Lebenszyklus eines Modells aussieht, beschreibt unser Analytics-Consultant Timo Schulz.

Wir befinden uns im Gehirn eines Unternehmens – im Data-Warehouse. Hier lagert das wichtigste Gut: Daten. Lieferdaten, Rechnungsdaten, Kundendaten, Produktdaten, Unternehmensdaten, kurz: Alles, womit sich der Erfolg des Unternehmens definieren, analysieren, messen und steuern lässt. Doch ein Warehouse zu haben reicht nicht.

Intelligente Algorithmen sollen das Kundenverhalten analysieren, darauf basierend Kaufempfehlungen geben und so den Kunden ein entspanntes Einkaufserlebnis bereiten. Damit dies reibungslos funktioniert, müssen zwei Fragen beantwortet werden: Wie kommt der Algorithmus auf seine Empfehlungen? Und wie stabil sind seine Lernprozesse?

Wenn Anwender oder Kunden zum Hörer greifen müssen, weil Verantwortlichkeiten in der Datenverwaltung nicht klar geregelt sind, dann ist an Automation und Digitalisierung erst gar nicht zu denken.

Die Cloud ist derzeit das Buzzword für Unternehmen, die überlegen ihre Datenbankinfrastruktur zu modernisieren oder gar ein neues Data Warehouse errichten wollen. Dabei sind die meisten noch unsicher, ob die Cloud der richtige Schritt für sie ist.

Im Rahmen dieser Blogserie werden wir Euch Schritt-für-Schritt mit in die Wolke nehmen, damit Ihr Eure ersten eigenen Gehversuche und Erfahrungen mit Snowflake sammeln könnt.

Seit dem ersten Entwurf des Data Warehouse Konzepts ist viel Zeit verstrichen. Neue Technologietrends und Innovationen sorgen für eine stetige Veränderung. Einer dieser Trends, der aktuell sehr hohe Aufmerksamkeit genießt, ist die Cloud.

Schön, dass Du dabeigeblieben bist und nach einem ersten Überblick über das User-Interface jetzt die ersten Schritte in der Snowflake unternehmen möchtest. Reden wir gar nicht lange um den heißen Brei herum, sondern legen direkt los.

Gutes Datenqualität-Management (DQM) ist der Schlüssel für dauerhaft hohe Datenqualität

Auch wenn einige Darstellungen des Themas im Internet suggerieren, dass mittels Cloud-basierter Lösungen die Einbindung von A.I. jedem Unternehmen offen steht, so steckt unserer Meinung nach doch mehr dahinter. So sind zum Beispiel Daten oft ausreichend vorhanden, nur liegen diese ggf. nicht in der richtigen Form vor, oder es gibt keine Anbindung der notwendigen Quellen.

In diesem Blogeintrag wirst du Schritt für Schritt durch den Prozess der Konfiguration einer kostenlosen Matillion-Instanz geleitet, welche als Zieldatenbank die Snowflake angebunden hat. Das Ziel ist der Aufbau einer Sandbox-Umgebung, mit welcher das Tool auf Leib und Seele getestet werden kann.