Der Kunde digitalisiert sämtliche eingehende und ausgehende Kommunikation im Rahmen des Bestandsführungssystems. Die Metadaten der speziell eingehenden Dokumente werden auf Zusammenhänge analysiert, sowohl mit statistischen Verfahren als auch mit Verfahren des unüberwachten maschinellen Lernens im Rahmen einer Mustererkennung. Insbesondere für die weitere Verarbeitung in einem Stornomodell wird wertvolles Potential identifiziert.
Die Daten des Bestandsführungssystems werden in einer übergeordneten BI-Basisschicht abstrahiert. Die Analysen werden in einer Data-Science Workbench (Jupyter Hub) des Kunden durchgeführt. Für den Zugriff auf die entsprechenden Oracle-Datenbanken wird SQL mit dem SQL Developer verwendet. Zudem wird über entsprechende Python-Pakete (Numpy, Pandas, etc.) gearbeitet. Visualisierungen werden hautpsächlich über seaborn erstellt.
Die durchgeführten Analysen zeigen insbesondere Potential ein vorhandenes Stornomodell zu ergänzen, könnten aber auch in weiteren Anwendungsfällen einen Mehrwert bieten. In einem weiteren Schritt könnten die Daten daher weiter aufbereitet werden, um den festgestellten Nutzen in bereits bestehenden Modellen feststellen zu können.
