Data Scientists: Die gefragten Schatzsucher in Big Data
Seite 2: Aus der Vergangenheit auf die Zukunft schließen
Das ist eine Anwendung von Data Science bei der Allianz in München. Mihael Ankerst, 46, promovierter Informatiker, leitet das Referat Kundendaten und Analyse bei der Versicherung. "Uns dient Data Science dazu, Unternehmenswerte zu schaffen, indem wir durch Datenanalysen Erkenntnisse gewinnen, etwa über Kundengruppen, und durch Datenanalysen Geschäftsprozesse verbessern." Bei der Analyse der Kundenzufriedenheit beispielsweise: Ist der Kunde tatsächlich unzufrieden, werden daraus eventuell organisatorische Maßnahmen abgeleitet.
Ankerst hat acht Mitarbeiter, die sich darum kümmern. Auch das sind meist Informatiker, Mathematiker, Statistiker. Sie finden die Teilmenge heraus, die mit hoher Wahrscheinlichkeit potenzielle Kunden für einen neuen Tarif in der Autoversicherung ist. Davon hat die Allianz 20 Millionen, die alle anzusprechen, ist wenig zielführend. So wird untersucht, ob Kunden, die vor langer Zeit einen Vertrag abgeschlossen haben, sich anders verhalten, als diejenigen, die erst vor kurzer Zeit unterschrieben haben. "Wir schließen aus dem Verhalten in der Vergangenheit auf das Verhalten in der Zukunft, indem wir bestimmte Kriterien berücksichtigen", so Ankerst.
In Zeiten der Digitalisierung werden überall viel mehr Daten erhoben. "Eine größere Datenbasis hat aber nicht zwangsläufig die Folge, dass Data Science bessere Ergebnisse liefert", sagt Ankers. Denn es komme auf die Qualität der Daten an und ob sie zur Fragestellung passen. Eine schlechte Datenbasis ist die, wenn sie aufgrund unterschiedlicher Definitionen erhoben wurde. Gute Daten sind vollständig, konsistent und spiegeln die Realität wieder. Nur daraus kann ein Data Scientist objektive Schlüsse ziehen. Und das kosteneffizient, ohne eine Vielzahl an Modellen dafür zu brauchen, was zeit- und kostenintensiv ist. Das unterscheidet den guten, vom schlechten Data Scientist. (mho)
