Privatversicherungen/ Öffentliche Versicherungen/ Träger der Versicherungen

Herausforderung

Zur Wahrnehmung analytischer und dispositiver Aufgaben existieren unterschiedliche Business Intelligence (BI) und Data Warehouse (DWH) Systeme, in denen Daten aus verschiedenen operativen Systemen und aus externen Quellen gesammelt und den Organisationen (Versicherungsträger) zur Verfügung gestellt werden. Diese BI- und DWH-Systeme besitzen einen unterschiedlichen fachlichen Fokus, sind häufig getrennt voneinander entstanden und historisch gewachsen und bauen auf keiner gemeinsamen DWH-Datenbasis auf. Datenquellen werden häufig mehrfach in unterschiedliche DWH-Systeme übernommen, was zu redundanter Mehrarbeit und zu Inkonsistenzen führt. Durch unterschiedliche Aufgabenschwerpunkte in den BI- und DWH-Systemen mangelt es auch an einer gemeinsamen eindeutigen Interpretierbarkeit der Daten.

 

Lösungsansatz/Vorgehen

In einem längerfristigen Vorhaben werden schrittweise unterschiedliche fachliche Themen in einem gemeinsamen konsolidierten DWH bereitgestellt, auf welches die bisherigen BI- und DWH-Systeme zugreifen, um die zukünftigen Analyse-, Reporting- und Dispositionsaufgaben zu bewerkstelligen. Dieses neue konsolidierte DWH basiert auf einer dreischichtigen Architektur: 1. Ladeschicht (LDS) als Persistent Staging Area, 2. Integrierte Datenschicht (IDS) als Core Data Warehouse, 3.Data Mart Schicht (DMS). Strukturell werden diese Datenschichten noch zusätzlich in verschiedene fachliche Themenbereiche gegliedert. Neben der technischen Architektur wird eine gemeinsame DWH-Organisation in Form eines Competence Centers (CC) eingerichtet, über welches die weiteren Vorhaben geplant und gesteuert werden.

 

Nutzen/Mehrwert

Mit dem konsolidierten DWH wird eine gemeinsame Datenbasis für die bisherigen BI- und DWH-Systeme geschaffen. Anbindungen an Datenquellen (operative Systeme und externe Datenquellen) erfolgen nicht mehr isoliert voneinander für die einzelnen BI- und DWH-Systeme, sondern zentral über das gemeinsame konsolidierte DWH. Redundante Arbeiten zur Datenübernahme und -aufbereitung entfallen. Inkonsistenzen in Daten und Kennzahlen werden vermieden. Das Vertrauen in Daten und Kennzahlen wird dadurch gesteigert. Die Interpretierbarkeit und Verständlichkeit von Daten und Kennzahlen wird durch eine einheitliche Datenbasis und durch einheitlich dokumentierte Definitionen gefördert. Ein erhöhter Mehrwert durch gesteigerte Datenqualität wird damit erreicht. Besondere Herausforderungen wie Datenschutz und Datensicherheit können zentral und daher auch effizienter und effektiver angegangen werden. Das Zusammenspiel zwischen technischer Architektur, fachlicher Herangehensweise (schrittweise Integration fachlicher Themenbereiche) und einer adäquaten DWH-Organisation ermöglicht die Wahrnehmung einer zukunftsträchtigen Data Governance, die zu einer Datenstrategie führt, welche es Unternehmen und öffentlichen Organisationen ermöglicht, den größten Mehrwert aus ihrem Data Asset („Datenvermögen“) zu erhalten.

 

Verwendete Werkzeuge und Technologien

IBM Netezza

Pentaho

SAS

Sparx Systems Enterprise Architect

Wir freuen uns
über Ihren Kontakt

kontakt@solvistas.com

Ansprechpartner