Entwicklung einer Daten- und KI-Plattform für einen führenden Versicherungsvertrieb
In diesem Projekt haben wir mit einem Versicherungsvertrieb mit über 1.000 Mitarbeitern und einem Jahresumsatz von über 700 Millionen Euro zusammengearbeitet. Unser Ziel war es, eine Daten- und KI-Plattform in der AWS-Cloud zu implementieren, um den Mitarbeitern des Unternehmens die notwendigen Ressourcen und das Know-how zur Verfügung zu stellen, damit sie in Zukunft selbstständig Machine-Learning-Projekte durchführen können.
Das Customer-Intelligence-Team des Versicherungsvertriebs stand vor der Aufgabe, aus umfangreichen Kundendaten wertvolle Erkenntnisse und Anregungen zu gewinnen. Dieses Wissen ist entscheidend für die Unterstützung der unabhängigen Vertriebspartner und damit für den Geschäftserfolg von entscheidender Bedeutung.
Die Data Scientists des Unternehmens verfügten jedoch nicht über die notwendigen Werkzeuge, um eigenständig ML-Projekte durchzuführen und Machine-Learning-Lösungen produktiv einzusetzen. Dies führte zu zeitaufwändigen und ineffizienten manuellen Analysen.
Auf einen Blick:
- Branche: Versicherung
- Projektziel: Aufbau einer ML-Platform in der AWS-Cloud, um das interne Team zu befähigen, selbstständig KI-Anwendungsfälle umzusetzen
- Technologien: AWS S3, StepFunctions, Sagemaker, Glue, Git, Terraform
- Dauer: >12 Monate
Viele Daten – wenig Erkenntnis
Mit über einer Million Kunden allein in Deutschland und rund 6.000 Mitarbeitern ist die Finanz- und Versicherungsbranche einer der größten Player in Deutschland.
Täglich fallen Millionen von Daten an, aus denen wichtige Erkenntnisse gewonnen und für die Kundeninteraktion genutzt werden könnten.
Vor diesen Herausforderungen stand unser Kunde
Fehlende Daten-Tools
Fehlende Werkzeuge für eine effiziente Datenanalyse: Die Data Scientists des Unternehmens verfügten nicht über die notwendigen Werkzeuge, um effiziente Datenanalysen durchzuführen und maschinelle Lernlösungen in Produktion zu bringen.
Hoher manueller Aufwand
Zeitaufwändige und ineffiziente manuelle Analysen: Aufgrund fehlender technischer Ressourcen waren die Datenanalysen zeitaufwändig und ineffizient, was die Gewinnung wertvoller Erkenntnisse aus den umfangreichen Kundendaten erschwerte.
Mangel an Automatisierung
Mangel an automatisierten Prozessen und konsistenter Datenverarbeitung: Es fehlten automatisierte Modelltrainings- und Scoring-Pipelines sowie eine konsistente Datenverarbeitung, was zu Fehlern und Inkonsistenzen in den Analysen führte.
Ziel dieses Projekts war die Implementierung einer Daten- und KI-Plattform in der AWS Cloud. Diese Plattform sollte den Mitarbeitern des Unternehmens die notwendigen Ressourcen und das Fachwissen zur Verfügung stellen, um zukünftig selbstständig Machine-Learning-Projekte durchführen zu können.
Zunächst identifizierten wir die spezifischen Schwierigkeiten des Kunden, insbesondere das Fehlen von Werkzeugen für eine effektive Datenanalyse und die zeitaufwändigen manuellen Prozesse.
Anschließend entwickelten wir eine Machine-Learning-Plattform in der AWS-Cloud. Wir nutzten AWS SageMaker und StepFunctions als Data-Science-Umgebung und etablierten einen Feature Store mit Medallion-Aufbereitungslogik, der eine flexible Datenverarbeitung nach verschiedenen Qualitätsstufen (Bronze, Silber, Gold) ermöglicht.
Wir implementierten eine automatisierte Modelltrainings- und Scoring-Pipeline, um die Effizienz und Genauigkeit der Datenanalyse zu erhöhen. Infrastructure as Code (IaC) mit Terraform wurde eingesetzt, um die Konsistenz der Datenverarbeitung zu gewährleisten und Fehler zu minimieren.
Schließlich führten wir gezielte Schulungen für das Customer Intelligence Team des Kunden durch, um den sicheren und effizienten Umgang mit der neuen Plattform und den Datenverarbeitungsprozessen zu gewährleisten. Dadurch wurde das Team in die Lage versetzt, selbstständig KI-Anwendungsfälle zu entwickeln und umzusetzen.
Auch nach der Implementierung standen wir dem Versicherungsvertrieb weiterhin für Fragen und Unterstützung bei Projekten zur Verfügung, um einen nachhaltigen Erfolg sicherzustellen.
Wie gehen wir dabei vor?
1.
Ziele und Anforderungen definieren, Stakeholder einbinden, Technologie und Architektur auswählen.
2.
Dateninfrastruktur vorbereiten, Funktionalitäten entwickeln, Automatisierung und Integration sicherstellen.
3.
Testen, Monitoring implementieren, Feedback einholen, kontinuierliche Optimierung, Dokumentation und Schulung.
Wie wird die Data- und KI-Plattform implementiert?
Bei der Implementierung der Daten- und KI-Plattform haben wir einen strukturierten und umfassenden technischen Ansatz verfolgt. Zunächst nutzten wir AWS SageMaker als explorative Data Science-Umgebung. SageMaker ermöglichte es den Data Scientists des Unternehmens, Machine-Learning-Modelle problemlos zu entwickeln, zu trainieren und einzusetzen. Die Plattform bot eine nahtlose Integration mit anderen AWS-Diensten und unterstützte eine Vielzahl von Machine-Learning-Frameworks.
Ein zentraler Bestandteil unserer Lösung war der Aufbau eines Feature Stores mit Medallion-Aufbereitungslogik. Diese Architektur ermöglichte eine strukturierte und flexible Verarbeitung der Daten in verschiedenen Qualitätsstufen: Bronze (Rohdaten), Silber (bereinigte und transformierte Daten) und Gold (hochwertige Daten für spezifische Analysen und Machine-Learning-Modelle). Diese klare Trennung und Organisation der Daten nach Reifegrad und Verwendungszweck ermöglichte eine effiziente und zielgerichtete Datenanalyse.
Die Ressourcen wurden mittels Infrastructure as Code (IaC) in Terraform implementiert. Diese Methode ermöglichte eine konsistente Bereitstellung und Verwaltung der Infrastruktur, minimierte Fehler und erleichterte die Wiederholbarkeit und Skalierbarkeit. Terraform-Skripte wurden entwickelt, um die gesamte Cloud-Infrastruktur zu definieren und bereitzustellen, einschließlich Netzwerke, Sicherheitsgruppen, Datenbanken und Rechenressourcen.
Um die Effizienz weiter zu steigern, haben wir automatisierte Modelltrainings- und Scoring-Pipelines integriert. Diese Pipelines ermöglichten ein kontinuierliches Training und Scoring von Machine-Learning-Modellen, wodurch neue Daten automatisch verarbeitet und Modelle regelmäßig aktualisiert werden konnten. Darüber hinaus setzten wir CI/CD-Praktiken (Continuous Integration/Continuous Deployment) ein, um eine nahtlose Integration und Bereitstellung von Daten zu gewährleisten.
Datensicherheit und -integrität waren zentrale Bestandteile unserer Lösung. Wir haben strenge Zugriffskontrollen und Verschlüsselungsmechanismen implementiert, um sicherzustellen, dass die Daten jederzeit geschützt sind. Zusätzlich wurden Logging und Monitoring eingerichtet, um die Performance und Sicherheit der Plattform kontinuierlich zu überwachen und mögliche Probleme frühzeitig zu erkennen.
Neben der technischen Implementierung führten wir umfangreiche Schulungen für das Customer Intelligence Team des Kunden durch. Diese umfassten den sicheren und effizienten Umgang mit der neuen Plattform, die Nutzung der Machine-Learning-Tools und die Umsetzung eigener KI-Projekte. Durch diese gezielten technischen Maßnahmen konnten wir eine robuste, skalierbare und benutzerfreundliche Daten- und KI-Plattform implementieren, die es dem Kunden ermöglicht, seine Daten effizient zu nutzen und Machine-Learning-Projekte erfolgreich umzusetzen.
Was ermöglicht die Data- und KI-Plattform?
- Eliminieren manueller Prozesse
- Erhöhte Transparenz
- Basis für zukünftige ML-Use Cases
Dieser Use-Case hat Sie inspiriert, auch mit einer individuellen Daten- und KI-Plattform zu arbeiten? Dann kontaktieren Sie uns!
Ihr Ansprechpartner
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte