Datenökonomie und digitale Transformation

Martina Neumayr, Senior Vice President Credit Risk & Fraud Services bei Experian, zeigt ein anschauliches Beispiel für die Datenökonomie.

Es ist beinahe eine Binsenweisheit: je mehr die digitale Transformation voranschreitet, desto mehr Daten fallen an. Gar nicht so trivial ist die Frage, was ein Unternehmen mit diesen Daten anfangen kann. Analoge Prozesse zunehmend zu digitalisieren, ist schön und gut. Von wahrer Transformation lässt sich allerdings erst sprechen, wenn auch die entstehenden Daten genutzt werden, um wertvolle Insights zu gewinnen, die helfen Prozesse zu optimieren, neue Umsatzchancen zu identifizieren oder Betrugsversuche zu erkennen. Die Anwendungsfelder sind vielfältig erweiterbar.

Analytische Plattformen

Das größte Hindernis für die meisten Unternehmen, diese zweite Stufe der digitalen Transformation zu erreichen, besteht in einem Mangel an geeigneten Tools. Die Art von Big Data-Verarbeitung, die erforderlich ist, können klassische relationale Datenbanksysteme sowie Statistik- und Visualisierungsprogramme zumeist nicht leisten. Abhilfe schaffen analytische Plattformen. Diese ermöglichen es, kundengerechte, digitale Prozesse mit einer intelligenten Datenanalyse zu verbinden. Datenquellen, die in einem Unternehmen oft an vielen Stellen in „Silos“ abgelegt sind, können damit zusammengeführt und die analytischen Möglichkeiten erweitert werden. Die Nutzung einer solchen Plattform in der Cloud erlaubt einen einfachen Einstieg mit skalierbaren Investitionen und bietet Flexibilität. Zudem lassen sich bei einer analytischen Plattform in der Cloud häufig bewährte, kostengünstige und datenschutzrechtlich konforme Open-Source-Lösungen nutzen. Mit der Migraton von statistischer Analytik-Software auf kostenlose Open-Source-Computersprachen wie Python und R lassen sich Lizenzgebühren in signifikanter Höhe sparen. Die Plattform sollte Datenhaltung, Analyse und Ergebnisdarstellung so vereinen, dass für diese Schritte keine unterschiedlichen Ressourcen notwendig sind, sondern der einzelne Anwender sie, vom System unterstützt, bewältigen kann.

Nicht ohne Machine Learning

Sollen auch unstrukturierte Daten mit in die Analyse einbezogen werden und die volle Bandbreite an heutigen analytischen Möglichkeiten ausgeschöpft werden, macht das den Einsatz von Machine Learning (ML) erforderlich. Bei der Identitätskontrolle in Online-Handel und Online-Banking beispielsweise kann ML die Authentizität der vom Antragsteller fotografierten Identitätsdokumente überprüfen. Mit ML-Algorithmen zur Gesichtserkennung lässt sich auch das Foto auf dem Ausweisdokument mit einem aktuellen Selfie des Antragstellers abgleichen und gleichzeitig verifizieren, dass es sich um eine Live-Selfie-Übertragung eines echten Gesichts handelt.

Blick nach vorne

Wir sehen, dass Unternehmen zunehmend analytische Plattformen mit ML einsetzen, um konkurrenzfähig zu bleiben. Unternehmen, die hingegen auf der ersten Stufe der digitalen Transformation stehen bleiben, der bloßen Digitalisierung vormals analoger Prozesse, werden in der Datenökonomie schnell das Nachsehen haben.

Weitere Informationen unter:
https://www.experian.com/