Graph-Technologie bringt neuen Schwung in traditionelle MDM Systeme
adidas – Einkauf als Erlebnis
So beispielsweise auch für den Sportartikel-Hersteller adidas. Wie viele große Einzelhändler stand der Konzern vor der Herausforderung eine Vielzahl an isolierten Datensilos – gefüllt mit Informationen zu Produkten, Verkaufskanälen, Social Media, digitalen Ressourcen, Markeninhalten etc. – sinnvoll und effektiv zu nutzen. Dazu mussten diese Quellen aber miteinander verknüpft werden um Kunden nun noch gezielter über für sie relevante Inhalte zu informieren. adidas setzte dabei auf die Graphdatenbank Neo4j, Ein Thomas Müller-Fan wird zum Beispiel zu einem passenden Fußballprodukt auf die Website gelotst. Ein anderer Kunde erhält speziell auf seine Lieblings-Basketballmannschaft zugeschnitten News. Produktempfehlungen lassen sich nun realisieren. Darüber hinaus kann adidas seinen internen Teams, Partnern und IT-Abteilungen einen schnellen und zuverlässigen dynamischen Zugriff auf Daten bieten.
Für Unternehmen offenbart sich durch Graph-Technologie eine Vielzahl an solchen Möglichkeiten. Eine Kombination der Einkaufsdaten eines Kunden im stationären Handel und im Online-Store umfasst beispielsweise die Anzahl der Besuche auf der Website, die angeklickten, auf die Wunschliste gesetzten oder über soziale Medien geteilten Artikel sowie die Produkte, die letztendlich im reellen oder virtuellen Einkaufswagen landen.
Werten Unternehmen diese Wechselbeziehungen aus, lassen sich interessante Fragen beantworten. Welche Kundengruppe kauft welche Produkte? Wie lange dauert es bis zum letzten Klick und zu welcher Tageszeit bewegen sich die Menschen am liebsten Richtung “Kasse”? Unterscheidet sich das Einkaufsverhalten bei den Mitgliedern eines Haushalts? Und welche Rolle spielt eigentlich beim Online-Shopping noch die lokale Filiale?
Deduplizierung von Stammdaten
Ein weiterer Vorteil: Mit Graphdatenbanken lassen sich Duplikate von Datensätzen identifizieren und somit Stammdaten bereinigen. Zur Duplikation kann es zum Beispiel durch den Zukauf von Drittdaten oder durch Unternehmenszusammenschlüsse kommen. Taucht in den Stammdaten ein Kunde namens “Josef Huber” aus München, Bayern, auf, und existiert gleichzeitig ein “Josef Huber” in Schwabing, Bayern, lässt sich mit einem Graphen schnell und einfach feststellen, ob es sich um ein und dieselbe Person handelt. Dabei wird unter Berücksichtigung aller Datenbeziehungen über mehrere Instanzen ein sogenanntes “Vertrauensergebnis” ermittelt. Dieses stellt dann klar, dass es sich bei den Hubers tatsächlich um zwei verschiedene Personen handelt, die das gleiche Produkt bestellt haben, sich für ähnliche Bücher interessieren und dieselbe Filiale in ihrem Stadtviertel besuchen. Falsche Datensätze lassen sich bereinigen, so dass nicht nur die Zufriedenheit der Kunden steigt, sondern auch Responsequote und Vertriebserfolge.
