„Engagement in Echtzeit“

Viele Unternehmen entwickeln erstmalig organisationsübergreifende Strategien für die Digitale Transformation. Das schlägt sich auch in ihrer Budgetplanung nieder: Laut IDC gehen bis 2024 55 Prozent der IT-Ausgaben an die Digitalisierung. Dabei gewinnt nur, wer versteht, dass die Digitalisierung oberste Priorität hat. Die „digital-first aficionados“ werden die Nase vorn haben, so IDC. Denn sie treiben Innovationen in puncto Kundendialog auf der Basis von Datenmanagement- und Analysetechnologien voran.

Die Interaktion mit Kunden muss demnach über die reine Online-Präsenz hinausgehen. Gemeint ist Engagement in Echtzeit, wie z.B. maßgeschneiderte Angebote beim Online-Einkauf oder die Eliminierung betrügerischer Abbuchungen während der Transaktion.

Dafür sind eine 360-Grad-Sicht auf den Kunden sowie Personalisierung und Individualisierung in Echtzeit erforderlich. Grundlage dafür ist ein verbindliches Kundenprofil, erstellt durch eine Kombination von ­ereignisbezogenen Streaming-Daten und statischen, historischen Daten.

Herausforderung Datenverarbeitung

Die Analysten von McKinsey wissen: Nur ein Bruchteil der Daten vernetzter Geräte wird aufgenommen, verarbeitet, abgefragt und analysiert. Kurzum: Nicht die Daten verursachen Probleme, sondern die Art und Weise, wie sie verarbeitet werden. Nicht nur, dass all die Kundendaten in einem digitalen Unternehmen an verteilten Orten generiert werden und sich damit die Frage stellt: Sollen Datenanalyse und -verarbeitung dort stattfinden, wo sie entstehen, oder sind Daten in einen zentralen Datenspeicher zu übertragen? Auch bauen 70 Prozent der Unternehmen ihre Streaming-Infrastrukturen selbst auf und riskieren bei falscher Umsetzung Ineffizienzen und Leistungsmehraufwand. Zudem spielen veraltete Datenbanken und Data Warehouses eine Rolle. Sie ­speichern statische historische Kunden­daten, sind aber nicht für die Erfassung, Aufnahme, Verarbeitung oder Analyse schnelllebiger Ereignisdatenströme konzipiert.

Was ist nötig, um eine höhere Geschwindigkeit bei der Aufnahme, Ver­arbeitung, Abfrage und Analyse von Daten zu erreichen? Die Antwort: eine Echtzeit-Datenarchitektur, die auf sieben entscheidenden Attributen beruht:
– eine Event-Broker- und Messaging-Ebene zur Datenaufnahme aus verschiedenen Quellen sowie zur Weiterleitung an die „Verbraucher“
– eine Echtzeitdatenintegrationsschicht mit Funk­tionen wie Datenpipelines und Streaming-ETL
– eine Ereignis- und Stream-Verarbeitung, die ein­gehende Ereignisinformationen durch Gruppierung analysiert, Datenströme und Daten in der Datenverwaltungsschicht zusammenzuführt und die Skalierung zur Verarbeitung von Millionen von Ereignissen pro Sekunde ermöglicht
– eine schnelle Datenverwaltungsschicht für Speicherung und schnellen Datenzugriff
– Ausrichtung der Echtzeitanalysen auf analytische Workloads
– Maschinelles Lernen (ML) in Echtzeit: Modelle passen sich an Benutzerpräferenzen an, die sich häufig in Echtzeit ändern. Zu den Kernfähigkeiten gehören hier Online-Vorhersagen und kontinuierliches Lernen.
– Einsatz von Anwendungen, die für Echtzeitarchitekturen und Streaming-Analysen optimiert sind.

Dies ist ein Artikel aus unserer Print-Ausgabe 7-8/2022. Bestellen Sie ein kostenfreies Probe-Abo.

Diese Elemente sind bereits in Informationsarchitekturen vorhanden. Bei der Entwicklung von Echtzeitanwendungen kommt es aber auf die Implementierung an: Es wird eine Architektur benötigt, die diese Ereignisse streamen, abfragen und analysieren sowie bereits gespeicherte Daten abfragen und analysieren kann.

Bildquelle: Hazelcast