Data Warehouse
|
Ausgangssituation
Der Versicherungsmarkt sieht sich immer mehr einem zunehmenden Wettbewerbsdruck ausgesetzt. E-Commerce, neue Kundenanforderungen und die Deregulierung des Marktes zwingen die Versicherer, sich dem neuen Wandel zu stellen. Mit den bisherigen Datenanalysen wird man den neuen Anforderungen aber nicht mehr gerecht. Mit Hilfe eines Data Warehouse ist es möglich, viele unterschiedliche Informationen in einen Kontext zu bringen und so das Management mit effizienten Daten zu unterstützen.
|
|
Unser Angebot
Im Bereich Data Warehouse übernehmen wir die Leitung oder die Mitarbeit von anstehenden und bereits bestehenden Projekten. Dabei stützen wir uns auf unsere langjährige Erfahrung in Data-Warehouse Projekten und übernehmen die Verantwortung in den Bereichen
- Machbarkeitsanalysen
- Vorgehen zur Planung und Projektmanagement
- fachlicher Entwurf
- Datenmodellierung und Datenanalyse
- technisches Design und Transformation
- Auswahl von Analysetools
- Implementierung des Data Warehouse
- Qualitätssicherung
|
|
Auswirkungen und Ziele
"Nicht mehr spartenorientiert, sondern kundenorientiert" - so lautet die Devise der Versicherer. Die horizontale Betrachtungsweise lässt somit erkennen, welche Produkte der Kunde erworben hat, welche "Vertragslücken" noch zu schließen sind und welche weiteren Bedürfnisse der Kunde hat. Aber nicht nur das Kundenprofil steht im Mittelpunkt des Interesse eines Data Warehouse Projektes. Interne Informationslücken im Unternehmen selbst entstehen aufgrund unterschiedlicher Hardwareplattformen, verschiedenen Datenbanken und diversen Entwicklungssprachen. Hier bietet das Data Warehouse eine verständliche, einheitliche Datenbasis, um komplexe Fragen beantworten zu können. Der Weg zu einem solchen spartenübergreifenden Informationsbestand ist in der Regel ein kompliziertes Verfahren, da viele Daten - zum Teil inkonsistent und redundant - aus vielen unterschiedlichen Bereichen (z.B. Marketingdaten, Verkaufsdaten, Kundendaten) vereinheitlicht werden müssen.
|
|
Inhaltliche Beschreibung
Die operativen Systeme und Daten wurden in der Vergangenheit als das Spiegelbild des internen Unternehmensgeschehens gesehen. Für die Steuerung des Unternehmens müssen jedoch interne und externe Informationen gleichermaßen berücksichtigt werden. Aber auch für die Abbildung der internen Abläufe ist das Bild, das die operativen Systeme liefern, nur bedingt geeignet. Die Fragestellungen, die bei der Steuerung des Unternehmens oder einer Organisation auftreten, folgen nicht der Systematik dieser Basissysteme. Es muss heute eine grundsätzliche und konsequente Unterscheidung vorgenommen werden zwischen operativem Geschäft ("Day to Day Business") und dispositiven Aufgaben (Steuerung des Unternehmens).
Diese fundamentalen Unterschiede wurden in der Vergangenheit nur unzureichend wahrgenommen und berücksichtigt. Stehen im operativen Bereich Routinetätigkeiten im Vordergrund, geht es im dispositiven Bereich um eine Unterstützung kreativer Prozesse - eben Analyse, Interpretation und Entscheidungsfindung. Geht es im operativen Bereich um die Verarbeitung und Verwaltung von Daten in vergleichsweise einfachen Transaktionen, so lauten die Kategorien im dispositiven Bereich "Information" und "Wissen". Die Entwicklung des ökonomischen Umfelds macht es heute zwingend erforderlich, diesen Unterschieden umfassend Rechnung zu tragen. Technologische Fortschritte stellen hierfür zugleich erstmals die Werkzeuge bereit. Notwendig sind intelligente Konzepte, die solche Werkzeuge in eine Gesamtarchitektur einbinden und für die Unternehmenssteuerung auch tatsächlich nutzbar machen.
Das auf Bill Immon zurückgehende Data Warehouse-Konzept zielt auf eine solche klare Trennung der operativen Daten und der dispositiven Informationsbasis. Dies ist nicht lediglich organisatorisch bedingt wie bei einem Informationspool, bei dem Datenschutz und Durchsatz der operativen Systeme häufig im Vordergrund stehen.
Charakteristika und konstituierenden Elemente eines Data Warehouse
- Subjekt-Orientierung: interne und externe Daten und Informationen werden themenorientiert zusammengeführt. Im Gegensatz zu den immer nur partiellen Sichten, die operative Systeme auf das Geschäftsfeld erlauben - im Versicherungsbereich zum Beispiel nach Bestand, Produktion oder Schaden - macht ein Data Warehouse eine integrierende Sicht zum Beispiel nach Kunden, Vertriebswegen, Märkten und Sparten möglich.
- Zeitraum-Bezug: dispositive Fragestellungen, Abfragen und Analysen zielen meist auf einen Zeitraum, nicht auf einen Zeitpunkt oder eine vergleichsweise kurze, laufende Periode wie bei den operativen Systemen. Entsprechend werden in einem Data Warehouse auch historische Daten vorgehalten.
- Dauerhafte Speicherung: in einem Data Warehouse erfolgt in einer Historienführung. Die Daten werden nicht aktualisiert (überschrieben), sondern es wird die Datenbasis fortgeschrieben. Anwender haben immer nur lesenden Zugriff.
- Integration: die zentrale Eigenschaft eines Data Warehouse ist die der Integration. In einem Data Warehouse werden die Daten in eine konsistente Form gebracht. Dies zielt nicht nur auf die vielzitierte unterschiedliche Kodierung von Geschlecht, Datumsformaten, Währungen, kurz, auf die nicht einheitliche numerische Abbildung qualitativer Merkmalsausprägungen in den Vorsystemen. Zumindest ebenso wichtig ist eine einheitliche - und das heißt in der Praxis eine von den Vorsystemen abgekoppelte - Definition von Kennzahlen wie Deckungsbeiträgen, Erfolgs- und Schadenquoten sowie Sachverhalten wie Marktsegmente und Vertriebswege.
AOBC setzen als technologisch orientiertes Consulting Unternehmen bei der Strategie, den Geschäftsfeldern und der spezifischen Situation eines Unternehmens an. Gemeinsam mit dem Kunden werden die Ziele operationalisiert und in einem rekursiven Top down-/Bottom up-Prozess in ein dispositives Informationsmodell umgesetzt. Eine unter Rückgriff auf interne und externe Daten aufgefüllte Informationsdatenbank ist die physische Manifestation eines solchen unternehmensspezifischen Modells.
Diese Vorgehensweise eröffnet die Chance, zunächst einen situativ relevanten Ausschnitt zu modellieren, um die "Front End" Systeme für Auswertung und Präsentation zu ergänzen und so sehr zügig zu produktiven Lösungen zu kommen. Eine Pilotanwendung kann, da inhaltlich geschlossen und insgesamt an den Zielen des Unternehmens ausgerichtet, als Keimzelle einer unternehmensweiten Lösung dienen. Im Gegensatz dazu ist bei einem an den Daten ansetzenden Bottom up-Ansatz die Zeitspanne bis zum ersten "Return on Investment" ungleich länger.
|
|
|