Data Enrichment

So holen Sie mehr heraus aus Ihren Daten

31.07.2022
Von 

Tim van Baars, Vice President Central EMEA bei Precisely

Der eigene Datenschatz kann noch einmal deutlich an Wert gewinnen, wenn es gelingt, ihn mit externen Daten anzureichern. Ein Beispiel sind Geodaten, die helfen können, ein Filialnetz zu planen.
Data Enrichment bedeutet, den eigenen Datenbestand mit externen Daten (zum Beispiel Geodaten) anzureichern.
Data Enrichment bedeutet, den eigenen Datenbestand mit externen Daten (zum Beispiel Geodaten) anzureichern.
Foto: Color4260 - shutterstock.com

Daten sind die Entscheidungsgrundlage für immer mehr Bereiche des Lebens. Ob es nun um technische Feinheiten geht oder darum, an welchen Standorten Unternehmen Filialen eröffnen sollen, welche Spieler für ein professionelles Fußballteam einzukaufen sind oder welche Firmen als Übernahmeziele in Frage kommen: Diesen und vielen anderen Entscheidungen liegen Daten zugrunde.

Sicher, Daten gewähren keinen exakten Blick in die Zukunft. Gelingt es aber, sie sinnvoll aufzubereiten und anzureichern, entsteht eine gute Grundlage für kritische Business-Entscheidungen. Das ist, knapp gesagt, der Sinn und Zweck von Data Enrichment. Es bedeutet, dass eigene Daten mit glaubwürdigen, überprüften und nachvollziehbaren externen Daten zusammengeführt werden, um den Kontext und die Aussagekraft der Daten insgesamt zu erweitern.

Data Enrichment - mit externen Daten zum Erfolg

Beispielsweise können vorhandenen Beständen demographische Daten wie Alter, Einkommen oder bevorzugte Lebensstile hinzugefügt werden, ebenso dynamische ortsbezogene Daten oder solche mit Bezug zum Internet of Things (IoT). Alle Daten, die einem Unternehmen weiterhelfen können, aber nicht von ihm selbst erhoben wurden, fallen in diese Kategorie. Sie können beispielsweise dazu führen, dass eine zielgerichtetere und personalisierte Interaktion mit Kunden möglich wird.

Mithilfe von Data Enrichment können Betriebe beispielsweise ihre Kunden besser verstehen, sie in einen größeren Kontext einbetten und Entscheidungen, die auf ebendiesen Kundendaten basieren, exakter treffen. Selbstverständlich könnten solche Daten auch manuell gesammelt, zusammengefügt und für jeden Kunden einzeln aufbewahrt werden. Solche Datensilos werden aber mit zunehmender Größe, sowohl des Unternehmens als auch der Silos selbst, zu einem Problem an sich.

Die Dreifaltigkeit des Data Enrichment

Der Prozess der Anreicherung von Daten ist an sich nicht kompliziert:

  • Daten werden in zahlreichen Systemen und Anwendungen gesammelt,

  • sie werden durch ETL-Prozesse (ETL = Extract, Transform and Load) bereinigt und konsolidiert und

  • zusätzlicher Kontext wird diesen Daten hinzugefügt.

Die entsprechenden Arbeiten lassen sich manuell oder automatisiert verrichten. Es versteht sich von selbst, dass ein manueller Prozess ungleich länger dauert und in Summe weniger akkurate Endergebnisse liefert, als es mit automatisierten Lösungen möglich ist. Über den Sinn und Unsinn neuer Methoden und Ansätze wird immer gern gestritten und oftmals zurecht. Im Fall von Data Enrichment ist eine Grundsatzdiskussion überflüssig, da der Ansatz, Informationen in einen mehr oder weniger umfangreichen Kontext einzubetten, in vielen Bereichen unseres täglichen Lebens selbstverständlich ist.

Von politischen Entscheidungen über wirtschaftliche Zusammenhänge bis hin zu kulturellen Diskussionen finden sich selten reine Fakten und Daten. Der Kontext, in dem sie stehen oder erhoben wurden, spielt in den meisten Fällen eine wichtige Rolle. Für das Data Enrichment ist nicht nur der inhaltliche Kontext, der einem Datensatz mehr Tiefe verleiht, wichtig, sondern auch die räumliche Dimension.

Zahlreiche Informationen lassen sich geografisch visualisieren, da sie ortsgebunden sind. Raum- oder Geodaten und Location Intelligence helfen dabei, zusätzliche Informationen allein aus der Umgebung eines Standorts heraus­zuziehen. Beispiele sind etwa Daten zu Verkehrsfluss und -richtung einschließlich Stoßzeiten (Customer Mobility). Oder auch die Netzabdeckung beim Mobilfunk, der sozioökonomische Status der Menschen an bestimmten Lokationen oder die Ansiedelung von konkurrierenden Unternehmen mit Angaben von Standorten und Filialen. All das sind Informationen, die eine Rolle spielen können, wenn aus Daten das Maximale herausgeholt werden soll.

Drei Beispiele für Data Enrichment

Viele Unternehmen beginnen gerade erst damit, die Chancen von Data Enrichment für sich zu entdecken. Im Folgenden seien drei Beispiele genannt, in denen dieser Ansatz positive Auswirkungen auf den Geschäftserfolg haben kann:

1. Marketing profitiert von Data Enrichment

Es dürfte kaum überraschen, dass Marketing-Abteilungen namhafter Unternehmen häufig unter den Early Adoptern von Data Enrichment zu finden sind. Sie haben großes Interesse daran, ihre Kunden gut zu kennen und ­darauf aufbauend Kampagnen zu gestalten. Data Enrichment kann hier als das Fleisch auf dem Gerippe betrachtet werden: Je mehr Informationen zu den einzelnen Kunden zur Verfügung stehen und je umfangreicher das Wissen um die verschiedenen Kontexte dieser Kunden und ihren Beziehungen zum Unternehmen ist, desto zielgerichteter lässt sich die Klientel ansprechen. So werden personalisierte Ansprachen möglich, was im besten Fall zu zufriedeneren Kunden, einer höheren Markenloyalität und einer wachsenden Rate an Weiterempfehlungen führt.

2. Der Einfluss von Data Enrichment auf die Versicherungsbranche

Wenden wir uns nun im zweiten Beispiel einer Branche zu, in der das Risikomanagement eine zentrale Rolle spielt - der Versicherungswirtschaft. Hier kann Data Enrichment dazu beitragen, Risiken detailliert und umfangreich darzustellen und abzubilden, was allen Beteiligten hilft, bessere Resultate zu erzielen. Ein gutes Beispiel ist die Risikobewertung von Gebäuden: Hier ist es wichtig, eine exakte Verortung (Geokodierung) des Gebäudes vorzunehmen, um anhand der Lage eine Einschätzung des Gefährdungspotenzials vornehmen zu können.

Im Rahmen dieses Vorgehens lassen sich auf der Basis der ermittelten Geo-Koordinaten Daten mit wichtigen Umgebungsparametern anreichern - zum Beispiel mit statistischen Hochwasserdaten, der Wahrscheinlichkeit von Lawinenabgängen oder der Nähe zu Industrieanlagen. Wenn die vorhandenen Daten mit relevanten raum-, beziehungsweise ortsbezogenen Daten kombiniert werden, ergibt sich ein vollständiges Bild über die Lage und die potenziellen Risiken.

3. Data Enrichment als Stütze für den Telekommunikationsbereich

Das dritte Beispiel betrifft den Telekommunikationssektor. Oft möchten Kunden den Mobilfunkanbieter oder Internet-Provider wechseln und kündigen fristgerecht den laufenden Vertrag mit ihrem alten Anbieter. Der kann dann nur noch reagieren und dem Kunden kurzerhand einen neuen, besseren Vertrag anbieten, um ihn zu halten. Data Enrichment ermöglicht es dem TK-Konzern, etwaigen Kündigungen proaktiv entgegenzuwirken und Kunden rechtzeitig mithilfe eines Up- oder Downselling zu halten.

Dabei können wahlweise Erfahrungswerte mit Nutzern aus ähnlichen demografischen Gruppen eine Rolle spielen, aber auch deren bisheriges Nutzungsverhalten. Wer oft Datenvolumen dazukauft (oder am Monatsende welches übrig hat), ist mit einer hohen Wahrscheinlichkeit im falschen Tarif unterwegs. Dem Kunden ein attraktives Angebot unterbreiten zu können, bevor er selbst auf die Idee kommt zu kündigen, ist für beide Seiten von Nutzen.

Risiken im Data Enrichment minimieren

Selbstverständlich sind dies nur einige wenige Beispiele, wie Data Enrichment tägliche Geschäftsprozesse positiv beeinflussen kann. Die Möglichkeiten und Optionen dafür sind nahezu endlos, der Kreativität der einsetzenden Unternehmen sind keine Grenzen gesetzt. Es gilt jedoch zu beachten, dass die Auswahl und Qualität der zugelieferten Daten, die für Data Enrichment benötigt werden, stimmen muss. Da das Datenmanagement in vielen Unternehmen noch nicht professionell aufgestellt ist, gilt es hier erst einmal, die Hausaufgaben zu erledigen.

Nicht jeder Datensatz ist allerdings wirklich hilfreich, nicht aus jedem Ereignis lässt sich eine Regelmäßigkeit abstrahieren. Ganz sicher ist es nicht nötig, Datensätze um ihrer selbst willen zu horten und somit immer neue Silos zu schaffen. Damit Data Enrichment eine gute Stütze von Unternehmensentscheidungen sein und diese verbessern kann, bedarf es eines grundsätzlichen Bewusstseins dafür im Unternehmen, eine generelle Strategie, wie mit Daten insgesamt verfahren werden soll. Und es braucht Tools, die dabei helfen dies alles so umzusetzen, dass es im jeweiligen Einzelfall Sinn ergibt. (hv)