Neo Tech Blog – Data. Technologie. Mobile

ETL Prozess

Einsparpotenziale mit Datenanalysen im Forderungsmanagement identifizieren (Teil 1)

Keine Kommentare

Auch wenn das im Internet bestellte Handy, das neue Buch oder die schicken Turnschuhe nicht schnell genug geliefert werden können, lässt sich der Kunde beim Begleichen der Rechnung gerne einmal Zeit. Doch wann zahlt er? Und zahlt er überhaupt? Diese Themen sind im Forderungsmanagement an der Tagesordnung.

Unternehmen im E-Commerce-Sektor verfügen oft über einen großen Fundus kundenspezifischer Datensätze. Allerdings muss das Potenzial dieser umfangreichen und heterogenen Informationen durch die kundenspezifische Anwendung von Analysemethoden erst gehoben werden.

So gibt es etwa zu den Fragen, in welchen Fällen Ratenzahlung die Zahlungswahrscheinlichkeit erhöht, wann eher schriftliche oder telefonische Mahnungen eine größere Aussicht auf Erfolg haben, oder ab wann es wirtschaftlich sinnvoller ist, sogar ganz auf eine Forderung zu verzichten, oftmals lediglich vage Erfahrungswerte, jedoch keine fundierten Erkenntnisse. Auf einem so dünnen Informationsfundament ein stabiles Handlungsgerüst mit konkreten Prozessschritten aufzubauen, ist für Unternehmen riskant.

Big-Data-Analysen können hier valide Ergebnisse liefern, auf die eine datenbasierte Steuerung der Prozesse aufgebaut werden kann. Das Forderungsmanagement birgt erhebliche Optimierungspotenziale bei den Geschäftsprozessen, wodurch die Erfolgsquote insgesamt erhöht und unnötige Prozesskosten vermieden werden können. Die Vorteile von Big Data liegen hier vorrangig in der Möglichkeit der Echtzeitanalyse der Daten und einer hohen Agilität.

ETL Prozess mit integriertem Big Data Hadoop Cluster
Im Unterschied zum statischen Schema-on-Write der Business-Intelligence-Verfahren spricht man bei Big-Data-Konzepten vom „Schema-on-Read“. Die Daten werden zunächst ohne Transformation in eine Software für skalierbares und verteiltes Rechnen überführt. Hadoop ist hier der De-facto-Standard. Dabei ist es erst einmal unwesentlich, ob es sich um strukturierte oder unstrukturierte Daten handelt. Umso entscheidender ist jedoch, dass hier auf ein statisches Schema-Design verzichtet werden kann, das im aufwendigen Extract-Transform-Load (ETL)-Schritt erst aus den Daten erzeugt werden muss. Weitere Pluspunkte sammeln Big-Data-Werkzeuge durch einfaches Hinzufügen neuer Daten und deren sofortige Verwendung – mit eine der Ursachen für die hohe Reaktionsgeschwindigkeit und Agilität. Durch die Fülle der zur Verfügung stehenden Data-Mining-Algorithmen können Fragen beantwortet werden, die vorher entweder nicht gestellt oder nie empirisch überprüft wurden.

Teil 2: Wann Big Data im Forderungsmanagement sinnvoll ist

Lese weitere Artikel zu Big Data und dessen Anwendung.

Holger Düwiger

Autor: Holger Düwiger

Holger Düwiger ist CTO der Neofonie GmbH. Seit über 15 Jahren beschäftigt er sich mit technologiegetriebenen Innovationen. Sein Interesse gilt besonders innovativen Ansätzen und Konzepten, bei denen das Internet und Daten im Fokus stehen. Als CTO und Intermediär zwischen Business und Technologie, sorgt er dafür, dass Innovationen im Sinne des Businessnutzens anwendbar werden. Holger ist diplomierter Mathematiker der TU Berlin.

Hinterlasse eine Antwort

Pflichtfelder sind mit * markiert.