ein datengesteuertes Ökosystem?
ein datengesteuertes Ökosystem?
Viele erfolgreiche Unternehmensgründungen fussen auf der Grundlage von Daten: Daten, die mühsam gesammelt und ausgewertet wurden. Eine anspruchsvolle Aufgabe und ein akribischer Ansatz! Je tiefer wir Daten durchdringen, umso enger lässt sich der Graben um ein Produkt ziehen. Solch ein Prozess war in der Vergangenheit langsam und teuer. In gewisser Weise ist er das noch heute. Man muss a) in die Dateninfrastruktur investieren und b) in Talente, die den Datenbetrieb aufbauen und pflegen. Es ist wie bei der Besteigung eines Berges, während man gerade erst laufen lernt. Es braucht Zeit und Iteration.
Zum Glück gibt es heute Wege, diesen Prozess zu beschleunigen. Mithilfe von cloud-nativen Tools und Diensten lassen sich hoch skalierbare Systeme erstellen, die branchenübliche best practices problemlos in jedes Unternehmen transferieren. Eine moderne Datenplattform konsolidiert geschäftskritische Daten an einem einzigen Ort. Gekoppelt mit Anwendungen für maschinelles Lernen und anderen betrieblichen Prozessen, stellt sie einen klaren Wettbewerbsvorteil für Unternehmen jeglicher Größe dar - vom Startup bis hin zum Großkonzern.
Im Mittelpunkt einer Datenplattform steht ein sogenanntes Data Warehouse. Es vereint Unternehmensdaten und externe Quellen an einem Ort. Diese Anreicherung von Firmendaten erleichtert es Data Scientists, Experimente und Algorithmen zu erstellen, mit dem Ziel, Geschäftsergebnisse zu verbessern und datengesteuerte Produkte zu entwickeln.
All dies hat natürlich seinen Preis. All diese Schritte hin zu datengesteuerten Produkten erfordern spezielles Fachwissen, von der technischen Installation über die Anwendungsentwicklung bis hin zum Verständnis des maschinellen Lernens auf Unternehmensebene. Entsprechende Mitarbeitende zu finden, ist nicht leicht. Die Personalkosten sind hoch, und um jene Data Experts in der Firma zu halten, muss jeden Tag an neuen, interessanten Problemstellungen gearbeitet werden. Dies ist etwas, womit sich Startups schwer tun dürften. Alternativ lassen sich Fachleute unter Vertrag nehmen, jedoch werden die Kosten für ein Unternehmen gerade zu Beginn astronomisch hoch sein.
Die Lösung im Ökosystem Mobilität bei Baloise ist eine cloud-native, moderne und skalierbare Plattform, die auf Tools aufbaut, die in der Branche weit verbreitet sind. Keine Raketenwissenschaft, sondern ein pragmatischer Ansatz, der so standardisiert ist, dass sich neue Mitarbeitende schnell einarbeiten und produktiv werden können.
«Im Ökosystem Mobilität bei Baloise ist eine cloud-native, moderne und skalierbare Plattform entstanden, die auf Tools aufbaut, die in der Branche weit verbreitet sind. Keine Raketenwissenschaft, sondern ein pragmatischer Ansatz, der so standardisiert ist, dass sich neue Mitarbeitende schnell einarbeiten und produktiv werden können.»
Der Aufbau einer Dateninfrastruktur ist eng mit den Themen Sicherheit und Compliance verwoben. Snowflake und AWS haben hier eine großartige Funktion für unsere Zwecke, die s.g. Kontenhierarchie. Sie ermöglicht eine strikte Trennung der Daten zwischen den einzelnen Einheiten. Unternehmensdaten bleiben in Firmenhand. Niemand sonst hat Zugriff darauf, obwohl die Infrastruktur dahinter gemeinsam genutzt wird. Dies hilft, Kosten zu sparen. So ergibt sich eine starke Sicherheitsgrundlage; vollständig im Einklang mit GDPR.
Übrigens, Unternehmen können auch kuratierte Datensätze veröffentlichen und – wenn gewünscht - anderen Nutzern einer Plattform zur Verfügung stellen. Der Technologie-Stack macht es einfach! Durch die gemeinsame Nutzung von Erkenntnissen in einem engmaschigen Ökosystem profitieren alle von Daten, über die sie ursprünglich selbst nicht verfügten. So eröffnen sich neue Monetarisierungsmöglichkeiten bei geringen Investitionen.
Aber wie jede technische Infrastruktur braucht auch diese eine ständige Betreuung und Weiterentwicklung: Dateningenieure, die die Infrastruktur erstellen und verwalten, neue Datenquellen erschließen und die Umwandlungen in das Data Warehouse optimieren, Zudem Data Scientists, die die Daten untersuchen und Hand in Hand mit den Produktteams Experimente entwickeln sowie Geschäftsanalysten, die gemeinsam mit den Portfoliounternehmen Szenarien entwerfen. Wir glauben, dass Baloise hier einen "unfairen Vorteil" einbringt, in dem ein ganzes Unternehmen das Ökosystem Mobilität unterstützt.
Zunächst arbeiteten wir im Ökosystem Mobilität von Baloise mit ausgewählten Unternehmen an proof-of-concept-Projekten, während wir die grundlegende gemeinsame Infrastruktur und best practices aufbauten, um so früh wie möglich greifbare Ergebnisse liefern zu können. Dies geschah in weniger als der Hälfte der Zeit des Projektes, da die Infrastruktur bereits eingerichtet war und das Team wusste, wie man damit arbeitet. Innerhalb der Projektlaufzeit konnten wir so mehr Szenarien abdecken, als geahnt!
Die vielleicht interessanteste Anwendung in unserem Fall war die Optimierung des Angebots gemeinsam genutzter Flotten. Es geht darum, Autos an Orte zu bringen, an denen sie wahrscheinlich gebraucht werden, und zwar zu einem Preis, der rentabel ist und dennoch zu optimalen Umsätzen führt. Manch einer bemüht sich hier noch immer manuell auf Grundlage seiner Erfahrung. Wir jedoch suchten einen datengesteuerten Ansatz für unser Problem, und zwar mit der zusätzlichen Komplexität: Was, wenn die Fahrzeuge elektrisch sind?
Das Betanken eines Fahrzeugs mit Verbrennungsmotor dauert vielleicht fünf Minuten und kann erfolgen, während das Fahrzeug neu positioniert wird, aber das Aufladen eines Elektroautos an einem Wechselstrom-Ladegerät dauert 3-4 Stunden. Wie also stelle ich sicher, dass meine Flotten stets einsatzbereit ist, wo und wann sie gebraucht wird? Ein perfektes Problem, um es mit Daten zu optimieren.
Im Ergebnis haben wir ein Modell entwickelt, das die Positionierung der Flotte sowie die Aufladung entsprechend der Nachfrageprognose optimiert. Dabei bezieht es mehrere externe Faktoren wie das Wetter oder die Saison mit ein – auch Kalenderfeiertage sind ein wichtiger Punkt für der Vorhersage der Flottennachfrage. Eine Nachfrage, die mit einem optimierten Angebotsmodell ausgeglichen werden muss.
Um zu zeigen, was unsere Plattform kann, sind wir auch an die Öffentlichkeit gegangen. Live ins Netz. In einer Beispielanwendung prognostizieren wir z.B. die Buchungsaktivität für das Citibike-System in NYC/NJ. Hier wird der öffentliche Datensatz genutzt, und dabei die Saisonalität zwischen Wochentagen, Wetter und Feiertagen berücksichtigt: Die Daten sind für jedermann zugänglich unter https://ride.citibikenyc.com/system-data. Für diese Demonstration machten intensiv Gebrauch von Snowflake-Funktionen (einschließlich Snowpark, um unser Jupyter-Notebook zu hosten), sowie von der hervorragenden Prophet-Bibliothek von Meta für die eigentliche Vorhersage.
Was als schnelle Validierung einer Hypothese begann, erwies sich für die Portfolio-Teams im Ökosystem Mobilität von Baloise als durchaus zeitgemäß. Dank des jüngsten Hypes um ML-Modelle versteht heute viele die Bedeutung von Daten. Wir bei Baloise haben uns darauf bereits langfristig eingestellt: Dies beweisen unsere Datenplattformdienste, sowie Investitionen in Unternehmen wie Vianova, Tronity und Stratos. Daten sind hier Kernstück des Geschäftsmodells.
Wichtig zu wissen: Nicht jedes Unternehmen hantiert mit Daten. Vielmehr profitiert es von ihnen. Das bedeutet gleichzeitig, dass hohe Kosten für einen Datenbetrieb nicht leicht zu rechtfertigen sind. Hier hat Baloise einen weiteren "unfairen Vorteil": im Ökosystem lassen sich Datenkompetenzen stärken, die den Portfolio-Startups flexibel zur Verfügung stehen. Mitglieder unseres Ökosystems können u.a. auf einen zentralen Pool von Talenten zurückgreifen, die für sie die Infrastruktur betreuen bzw. stets mit den Setups vertraut sind. Im Grunde ist es wie ein Daten-Helpdesk, das schnell und einfach geschäftliche Anforderungen übernimmt und Probleme mit greifbaren Ergebnissen kostengünstig löst.
«Dank des jüngsten Hypes um ML-Modelle versteht heute viele die Bedeutung von Daten. Wir bei Baloise haben uns darauf bereits langfristig eingestellt.»
Im Laufe der Zeit, wenn die Startups unseres Ökosystems reifer werden und ihre eigenen Datenkenntnisse zunehmend erweitern, wird es lukrativ sein, eine Datengemeinschaft zu bilden. In einer Datengemeinschaft liessen sich Talente übergreifend noch besser nutzen. Dateningenieure von Unternehmen A und Wissenschaftler:innen von Unternehmen B könnten zusammenarbeiten. So lassen sich Talente besser binden, weil firmenübergreifend immer neue, interessante Probleme zu lösen wären. Ein Gewinn für beide Seiten.
Noch sind wir nicht so weit, aber die gemeinsame Nutzung der Datenplattform mit Anwendungsfällen, frühen Anwender:innen und dem verfügbaren Support sind ein guter Anfang.