So baut man Data Science Plattformen - Teil 4: Datenbankskalierbarkeit und Business Models

Lesezeit: ca. 2min.

Was braucht eine moderne Data Science Plattform, um Unternehmen einen wirklichen Mehrwert zu bieten?

Ohne Daten gibt es keine Datenprodukte bzw. Analysen! Was so banal klingt, ist einer der wichtigsten Anforderungen an moderne Data Science Plattformen: Die Möglichkeit verschiedenste Datenquellen anzubinden und daraus neue Use Cases, Data Products und ganze Geschäftsmodelle zu entwickeln. Wir werfen wieder einen kurzen Blick darauf, was es damit auf sich hat.

Anstelle von Ergebnis-Inseln entstehen neue Geschäftsmodelle

Oft zielen Datenprojekte auf ein Ergebnis ab – Sie werden zu einem bestimmten Zweck entwickelt und beantworten die entsprechende Fragen umfassend. Ihrer Natur nach sind dies dann aber oft Ergebnis- bzw. Projekt-Inseln. Ein echter Austausch innerhalb des Unternehmens bleibt aus.
Mit den Erkenntnissen aus den Analyseprojekten lassen sich aber auch neue Geschäftsfelder schaffen. Das beste Beispiel dafür ist die Erschließung neuer Vertriebspotenziale aus einem Predictive-Maintenance-Ansatz. Anstatt Ausfälle in der eigenen Produktion und Fertigung zu minimieren, kann es von Unternehmen genutzt werden, um das Serviceangebot zu erweitern. Statt dem reinen Verkauf und der Wartung, können Maschinenbauer so einen proaktiven Support und die reine Verfügbarkeit der Maschinen bereitstellen.

Data Science Plattformen wie YUNA erkennen Maschinenstillstände oder nicht ausgelastete Kapazitäten automatisch. Die identifizierten, ungenutzten Ressourcen können Besitzer der Maschinenparks anderen Unternehmen als Leistung anbieten und damit neue Erlöse generieren. Noch wichtiger dabei: Die Nachhaltigkeit der Unternehmen wird so ebenfalls gefördert.

Diese Plattformen versetzen Unternehmen darüber hinaus noch stärker in eine Position des aktiven Handelns. Neue digitale Services und Prozesslösungen können deutlich schneller und eigenständig entwickelt werden. Die Innovationskraft wächst und die Marktposition wird gefestigt.

Fazit: Mit Data Science Plattformen lassen sich neue Zusammenhänge erkennen. Durch den Informationszugang für verschiedene Nutzergruppen, können diese Erkenntnisse genutzt werden, um neue Vertriebswege und Geschäftsfelder zu erkennen und erfolgreich zu erschließen.

Data Science Use Cases Business models

Daten-Skalierbarkeit muss gewährleistet sein

Nicht nur in der Biologie ist Wachstum ein inkrementeller Prozess für die eigene Existenz. Auch in der Wirtschaft ist Wachstum ein Indikator für die Gesundheit eines Unternehmens und daher ein „natürlicher“ Vorgang. Ebenso müssen Plattformen in der Lage sein, wachsende Nutzerzahlen und Datenmengen verarbeiten zu können. Dies beinhaltet die Anbindung verschiedenster physikalischer und digitaler Datenquellen, wie Sensoren, CRM-Daten oder ganzer (Datenbank-) Systeme. Erst wenn die verschiedenen Informationen an einer zentralen Stelle zusammenlaufen, können dadurch echte Insights generiert und Projekte realisiert werden, die das Unternehmen in seiner Strategie unterstützen und die Marktposition festigen.

Gleiches gilt für die zuvor erwähnte Anwendung durch verschiedene Nutzergruppen. Erst wenn die breite Masse in einem Unternehmen eine Plattform nutzen kann, also auch abseits der technischen Spezialisten, können Informationen und Zusammenhänge entdeckt und erfolgsversprechend in neuen Analyseprojekten umgesetzt werden. Gleichzeitig werden so bestehende Prozesse stetig optimiert und an neue Begebenheiten angepasst. Im Idealfall kann das Unternehmen für die verschiedenen Projekte, wie z.B. den Einsatz als Predictive Maintenance, das Energiemanagement und die Warenkorbanalyse, ein und dieselbe Plattform nutzen. Erst wenn ALLE Projekte in EINER Umgebung geplant, entwickelt, gestartet und verwaltet werden können und der Großteil des Unternehmens selbständig Projekte einbringen kann, ist echte Skalierbarkeit gewährleistet.

Skalierbarkeit von Data Science Projekten

FAZIT: Für Unternehmen bieten Plattformen einen immensen Mehrwert, wenn sie in der Lage sind unterschiedliche Anwendungsfälle und Datenarten zu verarbeiten. Im besten Falle, stellen sie eine Verbindung zwischen den einzelnen Use Cases her.