Strategische Vorteile einer robusten Datenarchitektur

Ken Arora

Der Nutzen einer gut konzipierten Datenarchitektur geht über betriebliche Prozesse hinaus. Zu den Vorteilen zählen strategische Effizienzsteigerungen im operativen Geschäft, tiefere geschäftliche Einblicke und die Möglichkeit, angrenzende Geschäftsfelder zu erschließen – und all dies mit größerer Agilität.

Die Essensliefer-App – 6 Monate später erneut betrachtet ...

In einem früheren Artikel stellten wir einen hypothetischen Bestell- und Lieferdienst für Speisen vor und erläuterten mehrere zentrale Abläufe des Tagesgeschäfts: den Bestellvorgang für Kunden, den Ablauf bei der Abholung und Auslieferung der Speisen sowie die Zahlungsabwicklung. Wir untersuchten, wie eine gezielte Datenstrategie für die wichtigsten Dateneingaben dieser Abläufe zu robusteren Geschäftsprozessen führt, die sich flexibel skalieren lassen.

In diesem Artikel möchte ich über die Effizienz des operativen Tagesgeschäfts hinausgehen und die längerfristigen, strategischeren Vorteile einer vorausschauend konzipierten Datenarchitektur aufzeigen. Versetzen wir unser ursprüngliches Szenario sechs Monate in die Zukunft und gehen davon aus, dass unsere Anwendung erfolgreich war: Die Unternehmensleitung hat inzwischen einige neue und sich abzeichnende Chancen erkannt. Nun möchte sie von den Technologieverantwortlichen wissen, wie schnell und einfach sich die zugrunde liegenden Systeme an bestimmte Chancen und die damit verbundenen Herausforderungen anpassen lassen:

1. Das Wachstum des Dienstes beschleunigt sich, und das Unternehmen möchte in weitere Städte expandieren.
2. Im Zuge der Expansion möchte der Dienst in den äußerst lukrativen kalifornischen Markt eintreten, wodurch zusätzliche Anforderungen an die Data Governance entstehen.
3. Die Lieferzeiten haben sich zunehmend verlängert, häufig aufgrund unerwarteter Nachfragespitzen. Kann die Technologie dabei helfen, dieses Problem zu lösen?
4. Das Unternehmen sieht sich dem Wettbewerb durch aufstrebende Start-ups ausgesetzt, und einige Restaurants haben darüber gesprochen, zu einem konkurrierenden Dienst zu wechseln. Können wir unseren Anbietern (Restaurants) einen Mehrwert bieten, um sie langfristig zu binden?

Die vier aufgeführten beispielhaften Herausforderungen lassen sich in zwei übergeordnete Kategorien unterteilen:

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

Zweitens: Gewinnen Sie neue Erkenntnisse, die dem Unternehmen direkt oder indirekt über seine Kunden einen längerfristigen („strategischen“) Mehrwert bieten.

Bei den ersten beiden neuen Herausforderungen – der Expansion in neue Regionen und den damit verbundenen Compliance-Anforderungen – geht es um taktische Geschäftsprozesse, weshalb sie eher operativer Natur sind. Die letzten beiden Herausforderungen sind eher strategischer Natur.

Betrachten wir zunächst die taktischen und operativen Aspekte.

Verbesserungen der betrieblichen Effizienz

Bei der geografischen Expansion in weitere Städte können verschiedene Probleme auftreten. Ein mögliches Problem im Lieferprozess besteht darin, dass Straßenadressen möglicherweise nicht eindeutig sind – dieselbe Adresse (z. B. „Main St. 100“) kann in mehreren Städten vorkommen. Ein weiteres mögliches Problem ist, dass verschiedene Städte in unterschiedlichen Zeitzonen liegen können. Wurde dies nicht berücksichtigt, kann eine Abholung um 18:00 Uhr MDT dazu führen, dass die Lieferung in einer benachbarten Stadt in der PDT-Zeitzone eine Stunde zu spät eintrifft (um 18:30 Uhr PDT). Die in unserem vorherigen Artikel beschriebene Datenarchitektur berücksichtigte das Konzept einer „normalisierten“ – global eindeutigen – Darstellung von Datenelementen und löst damit beide potenziellen Probleme. So kann die Anwendung diese zusätzlichen Anforderungen implizit erfüllen.

Der zweite taktische Aspekt betrifft die Einhaltung zusätzlicher Anforderungen an die Data Governance im US-Bundesstaat Kalifornien. Die Gesamtheit der Fragestellungen rund um den California Consumer Privacy Act (CCPA) würde eine eigene Artikelreihe füllen. Ein Aspekt besteht jedoch darin, sämtliche Daten eines Kunden zusammenführen und mit Angaben zum Erfassungszeitpunkt sowie zur Datenquelle versehen zu können. Wie bereits erläutert, lassen sich zusätzliche Anforderungen an die Data Governance einfach und mit minimalem Mehraufwand erfüllen, wenn ein Datenarchitektur-Framework geschaffen wird, das es der primären Datenaufnahmepipeline ermöglicht, Metadaten wie etwa Zeitstempel hinzuzufügen.

Strategischer Wert

Neben dem geschäftlichen Nutzen, der durch Verbesserungen der alltäglichen taktischen Arbeitsabläufe und Prozesse des Unternehmens entsteht, liegt ein weiterer – und wohl wichtigerer – Vorteil im strategischen Wert der Möglichkeit, sowohl die bestehenden Wettbewerbsbedingungen zu den eigenen Gunsten zu verändern als auch neue Betätigungsfelder zu erschließen.

Operative Arbeitsabläufe für adaptive Anwendungen neu denken

Eine Form des strategischen Nutzens besteht in der Möglichkeit, durch eine Neugestaltung zentraler betrieblicher Arbeitsabläufe die Wettbewerbsbedingungen zu den eigenen Gunsten zu verändern. Dabei geht es nicht nur darum, diese Abläufe zu optimieren, sondern sie völlig neu zu denken. Eine robuste, zukunftsorientierte Datenarchitektur ermöglicht die agile und effiziente Nutzung der entscheidenden Fähigkeiten – Datenaggregation und -analyse –, die erforderlich sind, um der zuvor genannten Herausforderung längerer Lieferzeiten infolge schwankender Nachfrage mithilfe dynamischer Preisgestaltung zu begegnen.

Konkret ermöglicht die vorausschauend konzipierte Datenarchitektur Folgendes:

• Speichert den Zeitstempel jeder Bestellung und Lieferung mit einheitlicher Syntax und Semantik, selbst über mehrere Datenbanktabellen hinweg
• Führt einen historischen Datensatz sowohl der Abhol- als auch der Lieferorte, ebenfalls unter Verwendung einer einheitlichen Syntax und Semantik

Dadurch können die Daten aus zwei unterschiedlichen Workflows – Bestellung und Lieferung – miteinander korreliert, kategorisiert und aggregiert werden. Darüber hinaus lässt sich die flexible Metadatenarchitektur nutzen, um die zusammengeführten Daten für die Analyse mit zusätzlichen Kontextinformationen anzureichern. Betrachten wir die Gesamtdauer der Lieferung – also die Zeit von der Bestellannahme bis zur Auslieferung des Essens. Diese Dauer kann durch die Korrelation der Bestell- und Lieferworkflows berechnet werden. Da zudem die Geolokalisierungsdaten in beiden Workflows mit einer einheitlichen Syntax und Semantik dargestellt werden, lassen sich die Berechnungen und Korrelationen der Lieferdauer nach Standort, beispielsweise nach Postleitzahl, aufschlüsseln. Dank einer vorausschauenden Datenstrategie können wir somit leichter einen Datensatz zur Gesamtdauer der Lieferung erstellen, der nach Stunde und Postleitzahl aufgeschlüsselt ist. Durch unseren flexiblen Metadatenansatz lassen sich die stündlichen Statistiken schließlich um zusätzliche Kontextinformationen wie Verkehrslage und Niederschlagsmengen ergänzen.

An diesem Punkt verfügen wir über umfangreiche Informationen, die in eine Analysepipeline eingespeist werden können. Diese kann dann mithilfe prädiktiver KI-Methoden Muster erkennen, die mit einer längeren Gesamtlieferzeit zusammenhängen, und solche Bedingungen künftig sogar vorhersagen.

Als letzten Schritt in diesem Szenario können wir uns vorstellen, dass das Unternehmen den Lieferprozess nun als ein Problem von Angebot und Nachfrage neu konzipiert und die Preisgestaltung nutzt, um Angebot und Nachfrage aufeinander abzustimmen. Ein konkretes Beispiel wäre, die Vergütung der Lieferfahrer je nach Zeit und Ort anzupassen – entweder nach einem festen Zeitplan oder dynamisch auf Grundlage der Echtzeitbedingungen. Dadurch wird der Datenkreislauf geschlossen: Daten werden genutzt, um konkrete Maßnahmen (Preisanpassungen) zur Lösung eines geschäftlichen Problems (Steuerung der Gesamtdauer der Lieferung) zu ergreifen. Gleichzeitig sorgt eine Rückkopplung im geschlossenen Regelkreis (dynamische Preisanpassungen in Abhängigkeit von der beobachteten Verzögerung) dafür, dass der Prozess „adaptiv“ wird.

Direkt monetarisierbaren Geschäftswert aus Daten schaffen

Eine andere Möglichkeit, aus Daten einen Mehrwert zu schaffen, besteht darin, mit ihrer Hilfe „neue Geschäftsfelder zu erschließen“ und so einen geschäftlichen Nutzen zu generieren, der sich durch einen direkten Mehrwert für die Kunden monetarisieren lässt. Ein Beispiel dafür findet sich in unserem Szenario sechs Monate später: die Schaffung eines Mehrwerts für unsere angebotsseitigen Partner, die Restaurants. Um den geschäftlichen Bedarf zu decken, den Kunden unserer Anwendung Erkenntnisse bereitzustellen, können wir erneut die im Rahmen der operativen Abläufe unserer Anwendung erfassten Daten nutzen – diesmal als Rohmaterial, aus dem wir geschäftlich relevante Erkenntnisse für unsere Kunden und Partner gewinnen. Diese Erkenntnisse können unterschiedliche Formen annehmen. Einige Beispiele sind:

• Eine frühzeitige Prognose einer überdurchschnittlich hohen Nachfrage, damit sich der Partner entsprechend darauf vorbereiten kann.
• Einblicke in die Preisgestaltung bestimmter Gerichte, um sowohl die Nachfragesensibilität zu verstehen als auch die eigenen Preise mit denen vergleichbarer Restaurants zu vergleichen.
• Quantifizierbare Daten zur Unterstützung der strategischen Planung des Restaurants, beispielsweise die prognostizierten Auswirkungen einer Verlängerung oder Verkürzung der Öffnungszeiten auf den Umsatz.

Die Gewinnung dieser geschäftlichen Erkenntnisse wird nicht allein durch das Vorhandensein eines großen Datenspeichers ermöglicht, sondern durch die Datenstrategie, die die erfassten Daten strukturiert und unter Verwendung eines einheitlichen Metadatenvokabulars annotiert.

Betrachten wir als konkretes Beispiel für die Gewinnung geschäftlicher Erkenntnisse, wie Erkenntnisse zur Preisgestaltung von Speisekarten gewonnen werden könnten. Ausgehend vom Rohmaterial – den im Bestellprozess operativ erfassten Daten – wird der Nutzen einer Datenstrategie mit Metadatenanreicherung unmittelbar deutlich. So wird nicht nur der Preis eines Artikels in einem bestimmten Restaurant erfasst, sondern es werden auch zugehörige Metadaten gespeichert. Dazu gehören zusätzliche beschreibende Merkmale eines Gerichts, etwa die Portionsgröße, die Art des Lebensmittels (z. B. „Erfrischungsgetränk“ oder „Hamburger“) und besondere „Extras“ (z. B. „mit Beilage“ oder „scharf“). Wenn die Datenarchitektur die Daten zu den Gerichten mit Metadaten für diese Merkmale anreichert und dabei ein einheitliches Vokabular für Metadaten-Tags (z. B. „Portionsgröße in Unzen“, „Lebensmittelkategorie“, „Extras“) sowie einen normalisierten Satz von Metadatenwerten verwendet, lassen sich die Informationen zu den Gerichten restaurantübergreifend vergleichen. Wenn aus der Codedatenbank beispielsweise lediglich bekannt ist, dass das „Burger Basement“ einen Man Cave Burger und der „Heart Attack Grill“ einen Double Bypass Burger anbietet, fehlt jede Grundlage für einen aussagekräftigen Vergleich. Ergänzen wir jedoch ein Vokabular für Metadatenannotationen, können wir Vergleiche und Analysen durchführen: Das System würde erkennen, dass die beiden Gerichte vergleichbar sind, weil sie beide der „Lebensmittelkategorie“ „Hamburger“ angehören. Darüber hinaus können bei der Analyse auch die anderen Metadatenfelder zur Normalisierung der Portionsgröße herangezogen werden (der „Man Cave“ könnte beispielsweise 8 Unzen und der „Double Bypass“ 12 Unzen wiegen). Schließlich kann ein standardisierter Wertebereich für „Extras“, etwa „mit Käse“, genutzt werden, um anhand weiterer Gemeinsamkeiten und/oder Unterschiede zusätzliche Anpassungen vorzunehmen. Erneut hat eine vorausschauende Planung der Datenarchitektur – diesmal im Hinblick auf die Metadatenstrategie – das Unternehmen in die Lage versetzt, neue Geschäftschancen schnell zu nutzen, indem es einfach die als Nebenprodukt bestehender Arbeitsabläufe anfallenden Daten verwertet.

Zusammenfassung

Die meisten Führungskräfte sind sich sehr wohl bewusst, dass ihr Erfolg von der Planung ihrer geschäftskritischen Betriebsabläufe und der Transparenz bei deren Ausführung abhängt. Gute Führungskräfte wissen außerdem, dass die Fähigkeit, diese Erkenntnisse schnell und effizient zu gewinnen und darauf basierend Maßnahmen zu ergreifen – sowohl intern als auch nach außen gerichtet –, entscheidend für ihren anhaltenden Erfolg ist.

Als Technologen sind wir gefordert, Lösungen zu entwickeln, mit denen sich die Geschäftsziele einer kontinuierlichen Steigerung der betrieblichen Effizienz und einer höheren geschäftlichen Agilität erreichen lassen. Leider konzentrieren sich Entwickler allzu oft auf die Softwarekomponenten zur Datenverarbeitung und zu wenig auf die Datenarchitektur selbst. Dies führt häufig zu erheblichem Aufwand und Verzögerungen bei der Bereitstellung, wenn interne Arbeitsabläufe verbessert und neue, daraus abgeleitete Kundenangebote eingeführt werden sollen. Wie dieser Artikel zeigt, bildet eine von Anfang an sorgfältig konzipierte Datenarchitektur – einschließlich Datenvokabular, Darstellungsformen und Metadatenstrategie – die technologische Grundlage für ein agiles und robustes datengesteuertes Unternehmen.

Über den Autor

Ken Arora

Weitere Blogbeiträge von Ken Arora