Strategische Vorteile einer robusten Datenarchitektur

Die Vorteile einer gut aufgebauten Datenarchitektur gehen über den operativen Prozess hinaus. Die Vorteile erstrecken sich auf strategische Betriebseffizienz, tiefere Geschäftseinblicke und die Fähigkeit, angrenzende Geschäftschancen zu nutzen – und das alles auf eine flexiblere Art und Weise. 

Die Application zur Essenslieferung, erneut betrachtet, 6 Monate später …

In einem früheren Artikel haben wir einen hypothetischen Essensbestell- und -lieferservice vorgestellt und mehrere wichtige Arbeitsabläufe im täglichen Betrieb präsentiert: den Kundenbestellvorgang, den Arbeitsablauf für Abholung und Essenslieferung sowie die Zahlungsabwicklung. Wir haben untersucht, wie eine gezielte Datenstrategie rund um die wichtigsten Dateneingaben in die Arbeitsabläufe zu robusteren und agileren, skalierbaren Geschäftsprozessen führt.

In diesem Artikel möchte ich über die alltägliche Betriebseffizienz hinausgehen und die längerfristigen, strategischeren Vorteile einer durchdachten Datenarchitektur aufzeigen. Wenn wir unser ursprüngliches Szenario sechs Monate vorspulen und davon ausgehen, dass unsere Application erfolgreich war, haben die Unternehmensleiter nun einige neue und sich entwickelnde Chancen erkannt. Sie fragen die Techniker nun, wie schnell und einfach sich die zugrunde liegenden Systeme an bestimmte Möglichkeiten und damit verbundene Herausforderungen anpassen können:

1. Das Servicewachstum beschleunigt sich und das Unternehmen möchte in weitere Städte expandieren.
2. Im Rahmen der Expansion möchte der Dienst in den äußerst lukrativen kalifornischen Markt einsteigen, was zusätzliche Anforderungen an die Datenverwaltung mit sich bringt.
3. Die Lieferzeiten haben sich verlängert, oft aufgrund unerwarteter Nachfragespitzen. Kann die Technologie bei diesem Problem helfen?
4. Das Unternehmen steht im Wettbewerb mit aufstrebenden Startups und einige Restaurants haben bereits über einen Wechsel zu einem Konkurrenzdienst gesprochen. Können wir unseren Lieferanten (Restaurants) einen Mehrwert nachweisen, um sie an uns zu binden?

Die vier aufgeführten Beispielherausforderungen können in zwei große Kategorien unterteilt werden:

         Erstens: Optimieren und verbessern Sie die Effizienz wichtiger alltäglicher („taktischer“) Geschäftsprozesse.

         Zweitens: neue Erkenntnisse schaffen, die direkt oder indirekt über die Kunden des Unternehmens einen längerfristigen („strategischen“) Wert für das Unternehmen generieren. 

Die ersten beiden neuen Herausforderungen – Gebietserweiterung und damit verbundene Compliance-Anforderungen – betreffen taktische Geschäftsprozesse und sind daher eher operativer Natur. Die letzten beiden Herausforderungen sind eher strategischer Natur.

Schauen wir uns zunächst die taktischen und operativen Aspekte an. 

Verbesserungen der Betriebseffizienz

Bei der geografischen Ausweitung auf weitere Städte können wir auf einige verschiedene Probleme stoßen. Ein potenzielles Problem im Lieferablauf ist, dass bei Straßenadressen möglicherweise ein Problem der Eindeutigkeit auftritt – die gleiche Adresse (z. B. „100 Main St.“) kann in mehreren Städten existieren. Ein weiteres mögliches Problem besteht darin, dass sich die verschiedenen Städte in einer Zeitzone befinden können. Wenn dies nicht berücksichtigt wird, erfolgt die Abholung um 18:00 Uhr. Bei Lieferungen in eine benachbarte PDT-Stadt (um 18:30 Uhr) kann es zu einer Stunde Verspätung kommen. PDT). Die in unserem vorherigen Artikel beschriebene Datenarchitektur beinhaltete die Idee einer „normalisierten“ – global eindeutigen – Darstellung für Datenelemente. Sie befasst sich mit beiden potenziellen Problemen und ermöglicht es der Application somit, diese zusätzlichen Anforderungen implizit zu erfüllen.

Das zweite taktische Anliegen ist die Einhaltung zusätzlicher Datenverwaltungsanforderungen für den Staat Kalifornien. Die gesamten Bedenken rund um den California Consumer Privacy Act (CCPA) füllen einen eigenen Artikelkatalog, ein Aspekt davon betrifft jedoch die Möglichkeit, alle Daten eines Kunden mit Angabe des Erfassungszeitpunkts und der Datenquelle zu erfassen. Wie bereits erwähnt, können durch den Aufbau eines Datenarchitektur-Frameworks, das das Hinzufügen von Metadatenanmerkungen – etwa Zeitstempeln – zur primären Datenübertragungspipeline ermöglicht, zusätzliche Anforderungen an die Datenverwaltung einfach und mit minimalem zusätzlichen Aufwand erfüllt werden. 

Strategischer Wert

Neben dem Geschäftswert, der durch Verbesserungen der alltäglichen, taktischen Arbeitsabläufe und Prozesse des Unternehmens entsteht, besteht ein weiterer – wohl noch wichtigerer – Vorteil darin, dass man sowohl das bestehende Spielfeld verändern als auch neue Spielfelder eröffnen kann, auf denen man mitwirken kann.

Neugestaltung betrieblicher Arbeitsabläufe für adaptive Applications

Ein strategischer Vorteil besteht in der Möglichkeit, durch eine Änderung der Blaupause wichtiger Betriebsabläufe neue Wege zu gehen.  Dies geht über die einfache Optimierung hinaus und umfasst deren Neugestaltung. Eine robuste, zukunftsorientierte Datenarchitektur ermöglicht eine flexible und effiziente Nutzung der wichtigsten Funktionen – Aggregation und Datenanalyse –, die erforderlich sind, um die oben genannte Herausforderung der durch Nachfrageschwankungen bedingten Lieferzeitverschlechterung durch dynamische Preisgestaltung zu bewältigen.

Aufgrund der durchdachten Datenarchitektur ist Folgendes möglich:

• Behält den Zeitstempel jeder Bestellung und Lieferung bei und verwendet dabei eine konsistente Syntax und Semantik, sogar über mehrere Datenbanktabellen hinweg
• Führt eine historische Aufzeichnung der Abhol- und Zustellorte und verwendet dabei ebenfalls eine konsistente Syntax und Semantik.

Dadurch können die Daten aus zwei unterschiedlichen Arbeitsabläufen – Bestellung und Lieferung – korreliert, kategorisiert und aggregiert werden. Darüber hinaus kann die flexible Metadatenarchitektur genutzt werden, um die gesammelten Daten mit angereicherten Kontextinformationen für die Analyse anzunotieren. Berücksichtigen Sie die gesamte Lieferverzögerung – die Zeit von der Bestellung bis zur Lieferung des Essens. Die Latenz kann durch Korrelation der Bestell- und Lieferabläufe berechnet werden. Da außerdem für die Darstellung der Geolokalisierungsdaten in beiden Workflows eine einheitliche Syntax und Semantik verwendet wird, können die Berechnungen und Korrelationen der Lieferlatenz nach Standort, beispielsweise nach Postleitzahl, getrennt werden. Dank einer vorausschauenden Datenstrategie können wir leichter einen Datensatz der gesamten Lieferverzögerung erstellen, und zwar auf Stunden- und Postleitzahlenebene. Und schließlich können die stündlichen Statistiken durch die Nutzung unseres flexiblen Metadatenansatzes mit zusätzlichen Kontextinformationen versehen werden, etwa zur Verkehrslage und Niederschlagsmenge.

An diesem Punkt verfügen wir über umfangreiche Informationen, die wir in eine Analyse-Pipeline einspeisen können. Diese kann dann mithilfe prädiktiver KI-Methoden Muster erkennen, die mit einer längeren Gesamtlieferzeit korrelieren, und solche Bedingungen in Zukunft sogar vorhersehen.

Als letzten Schritt in dieser Geschichte können wir uns vorstellen, dass das Unternehmen den Lieferworkflow nun als Angebots- und Nachfrageproblem neu konzipiert und die Preisgestaltung nutzt, um Angebot und Nachfrage in Einklang zu bringen. Ein konkretes Beispiel hierfür ist die Möglichkeit, die Vergütung des Lieferfahrers je nach Zeit und Standort anzupassen, entweder über einen festen Zeitplan oder dynamisch auf der Grundlage der Echtzeitbedingungen. Dadurch wird der Datenzyklus geschlossen, indem Daten genutzt werden, um konkrete Schritte (Preisanpassungen) zur Lösung eines geschäftlichen Problems (Verwaltung der allgemeinen Lieferverzögerung) einzuleiten und indem Closed-Loop-Feedback (dynamische Preisanpassungen in Abhängigkeit von der beobachteten Verzögerung) verwendet wird, um den Arbeitsablauf „adaptiv“ zu gestalten.

Direkt monetarisierbaren Geschäftswert aus Daten schaffen

Eine andere Art der Wertschöpfung aus Daten besteht darin, sie zu nutzen, um „neue Spielfelder zu eröffnen“ und so einen Geschäftswert zu schaffen, der durch einen direkten Nutzen für die Kunden monetarisiert werden kann. Ein Beispiel wird in unserem Szenario 6 Monate später erwähnt: Mehrwert für unsere Partner auf der Lieferantenseite, die Restaurants. Eine Lösung für das geschäftliche Bedürfnis, den Kunden unserer Anwendung Einblicke zu gewähren, besteht darin, erneut die von den operativen Arbeitsabläufen unserer Anwendung erfassten Daten zu nutzen – dieses Mal als Rohmaterial zur Gewinnung von Geschäftserkenntnissen für unsere Kunden und Partner. Diese Geschäftseinblicke können verschiedene Formen annehmen. Einige Beispiele sind:

• Eine frühzeitige Vorhersage einer stärkeren als normalen Nachfrage, sodass sich der Partner entsprechend vorbereiten kann.
• Einblicke in die Preisgestaltung bestimmter Menüpunkte, um sowohl die Nachfragesensitivität zu verstehen als auch ihre Preise mit denen vergleichbarer Restaurants zu vergleichen.
• Quantifizierbare Eingaben zur Unterstützung der strategischeren Planung des Restaurants, wie z. B. die prognostizierten Auswirkungen auf den Umsatz bei Verlängerung oder Verkürzung der Öffnungszeiten.

Die Entdeckung dieser Geschäftserkenntnisse wird nicht nur durch das Vorhandensein eines großen Datenspeichers ermöglicht, sondern auch durch eine Datenstrategie, die die gesammelten Daten mithilfe eines konsistenten Metadatenvokabulars strukturiert kommentiert.  

Wenn Sie sich näher mit einer bestimmten Geschäftsanalyse befassen, überlegen Sie, wie Erkenntnisse zur Menüpreisgestaltung ermittelt werden könnten. Beginnen wir mit den Rohstoffen – den operativ erfassten Daten aus dem Bestellworkflow – wird der Wert der mit Metadaten annotierten Datenstrategie schnell deutlich. Konkret wird nicht nur der Preis eines Artikels in einem bestimmten Restaurant erfasst, sondern es werden auch die zugehörigen Metadaten gespeichert. Berücksichtigen Sie zusätzliche beschreibende Eigenschaften eines Lebensmittels wie Portionsgröße, „Art“ des Lebensmittels (z. B. „Erfrischungsgetränk“ oder „Hamburger“) und besondere „Zusätze“ (z. B. „enthält Beilage“ oder „scharf“). Wenn die Datenarchitektur die Daten zu den Lebensmitteln mit Metadaten für diese Attribute ausstattet und dabei ein konsistentes Vokabular für Metadaten-Tags (z. B. „Portionsunzen“, „Lebensmittelklasse“, „Erweiterungen“) sowie einen normalisierten Satz von Metadatenwerten verwendet, können die Informationen zu den Lebensmitteln restaurantübergreifend verglichen werden. Wenn beispielsweise aus der Code-Datenbank nur bekannt ist, dass es im „Burger Basement“ einen „Man Cave Burger“ und im „Heart Attack Grill“ den „ Double Bypass Burger“ gibt, fehlt die Grundlage für einen sinnvollen Vergleich. Wenn wir jedoch ein Vokabular für Metadatenanmerkungen hinzufügen, können wir Vergleiche und Analysen durchführen. Das System würde verstehen, dass die beiden Artikel vergleichbar sind, da sie beide zur „Lebensmittelklasse“ „Hamburger“ gehören. Darüber hinaus kann die Analyse auch die anderen Metadatenfelder verwenden, um die Portionsgröße zu normalisieren (die Portion „Man Cave“ kann z. B. 8 Unzen und die Portion „Double Bypass“ 12 Unzen groß sein). Schließlich kann die Verwendung eines Standardbereichs mit „Erweiterungs“-Werten, wie z. B. „beinhaltet Käse“, auch dazu genutzt werden, zusätzliche Anpassungen auf der Grundlage sekundärer Ähnlichkeiten und/oder Unterschiede vorzunehmen. Auch in diesem Fall konnte das Unternehmen dank vorausschauender Planung der Datenarchitektur – dieses Mal im Hinblick auf die Metadatenstrategie – neue Geschäftschancen schnell nutzen, indem es einfach die Datenabfälle bestehender Arbeitsabläufe nutzte.

Zusammenfassung

Die meisten Unternehmensleiter sind sich durchaus darüber im Klaren, dass ihr Erfolg von der Planung kritischer Betriebsabläufe und von der Transparenz bei der Ausführung dieser Abläufe abhängt. Gute Unternehmensleiter wissen auch, dass der Schlüssel zu ihrem anhaltenden Erfolg darin liegt, diese Erkenntnisse schnell und effizient zu gewinnen und dann auf der Grundlage dieser Erkenntnisse sowohl intern als auch extern Maßnahmen zu ergreifen.

Als Technologen werden wir aufgefordert, Lösungen zu entwickeln, die die Erreichung der Geschäftsziele einer kontinuierlichen Verbesserung der Betriebseffizienz und der Geschäftsflexibilität ermöglichen. Leider konzentrieren sich die Ingenieure zu oft auf die Softwareelemente der Datenverarbeitungslösung und nicht genug auf die Datenarchitektur selbst. Dies führt häufig zu erheblichem Aufwand und Verzögerungen bei der Bereitstellung von Verbesserungen interner Arbeitsabläufe und der Einführung neuer abgeleiteter Kundenangebote. Wie dieser Artikel zeigt, ist die frühzeitige Berücksichtigung der Datenarchitektur – des Datenvokabulars, der Darstellungen und der Metadatenstrategie – die technologische Grundlage für ein agiles und robustes datengesteuertes Unternehmen.