Databricks AI/BI Genie: Self-Service Analytics in der Versicherung
Wir haben einem Versicherungsvermittler geholfen, ihr Reporting mit zwei neuen Databricks Genie Spaces auf natürliche Sprache umzustellen und gleichzeitig die Datenbasis für künftige Machine-Learning-Anwendungen geschaffen.
Das Unternehmen mit rund 120 Mitarbeitenden arbeitet bereits seit 2025 mit Datasolut zusammen: Nach dem Aufbau von Databricks on AWS und einem ersten Genie Space folgte 2026 die Erweiterung um zwei weitere Spaces für die Kernbereiche, -produkte und -kennzahlen der Versicherung.
Auf einen Blick:
- Kunde: Führender deutscher Versicherungsvermittler
- Branche: Versicherung
- Projektziel: Kapazitätsengpässe im Reporting durch selbsterklärende, natürlichsprachliche Genie Spaces auflösen und die Datenbasis für weitere Analysen und ML Use-Cases legen
- Tools: Databricks, Databricks AI/BI Genie, SQL & SQL Functions, Unity Catalog Metric Views, YAML, Meta Data Driven ELT
Die Ausgangssituation
Die Zusammenarbeit begann 2025 mit dem Aufbau von Databricks on AWS und der Migration der ersten Datenquellen. Ende 2025 stellte Datasolut dem Kunden den ersten Genie Space zur Verfügung. Für 2026 waren bereits zwei weitere Genie Spaces geplant, die zusätzliche Kernbereiche, Produkte und Kennzahlen abdecken sollten.
Im Zuge dieser Erweiterung zeigte sich, dass der bestehende Datenbestand nicht historisiert war, es standen jeweils nur die aktuellen Datenstände zur Verfügung. Für eine saubere historische Betrachtung im Reporting und als Basis für künftige Machine-Learning-Modelle reichte das nicht aus.
Gleichzeitig hatte das Reporting-Team nur begrenzte Kapazitäten, um die wachsenden Anforderungen umzusetzen, und es fehlte für beide Use Cases eine verbindliche Source-of-Truth: Verschiedene Reports basierten auf unterschiedlichen Kennzahlen, und die relevanten Datenquellen waren zu Projektbeginn nicht klar definiert.
Vor diesen Herausforderungen stand unser Kunde:
Fehlender historischer Datenbestand
Datenbestände wurden bislang nicht historisiert, sodass nur der jeweils aktuelle Stand verfügbar war. Das begrenzte sowohl die Reporting-Qualität als auch die Eignung der Daten für künftige Machine-Learning-Use-Cases.
Kapazitätsengpass im Reporting
Das Reporting-Team verfügte nur über begrenzte Kapazitäten, um die umfassenden fachlichen Anforderungen an Dashboards und Auswertungen zeitnah umzusetzen.
Fehlende Source-of-Truth
Für beide betrachteten Use Cases gab es keine einheitliche Datenbasis. Unterschiedliche Reports stützten sich auf unterschiedliche Kennzahlen, und die relevanten Datenquellen waren zu Projektbeginn nicht eindeutig geklärt.
Wir entwickelten für den Kunden zwei AI/BI Genie auf Databricks, mit denen interne Nutzerinnen und Nutzer Datenabfragen und Analysen in natürlicher Sprache durchführen können. Den Auftakt bildeten zwei Anforderungsworkshops für die beiden neuen Genie Spaces, gefolgt vom BEAM-Workshop zur Datenmodellierung, in dem Datasolut gemeinsam mit dem Kunden und den Anspruchsgruppen ein Datenmodell auf Business-Ebene erarbeitete.
Dabei zeigte sich, dass sich die beiden Use Cases in ihren Dimensionen stark ähneln, sodass mehrere Tabellen für beide Spaces wiederverwendet werden konnten. Anschließend stellte Datasolut relevante Tabellen auf eine SCD2-Historisierung um, um historische Datenstände korrekt abzubilden. Die Datenmodellierung im Gold-Layer erfolgte über SQL-Skripte; die daraus entstandenen Tabellen wurden in einem finalen Metric View genutzt, der die für die Business-Fragen relevanten Dimensionen und Measures definiert.
1.
In einem Workshop je Genie Space wurden die fachlichen Anforderungen gemeinsam mit dem Kunden und den Anspruchsgruppen erhoben. Unser BEAM-Framework übersetzte diese Anforderungen in ein gemeinsamem Datenmodell auf Business-Ebene, um wirklich relevante Fragestellungen abzubilden.
2.
Relevante Tabellen wurden auf SCD2-Historisierung umgestellt. Die Modellierung im Gold-Layer erfolgte über SQL-Skripte, deren Ergebnisse in einem Metric View mit Unity Catalog zusammengeführt wurden.
3.
Für jeden Genie Space wurden Descriptions, Instructions, Example SQL-Queries und SQL-Functions als Trusted Assets hinterlegt. In einem iterativen Prozess mit den Anspruchsgruppen wurden die Antworten der Genie Spaces getestet und verbessert.
Der Weg zum Erfolg
Gemeinsam mit den Fachbereichen des Kunden hat Datasolut das Datenmodell für zwei neue Genie Spaces erarbeitet, die Datenbasis historisiert und in einem iterativen Prozess auf die tatsächlichen Business-Fragen zugeschnitten. Das Ergebnis: zwei produktiv nutzbare Genie Spaces, die auf einer belastbaren, historisierten Datengrundlage aufsetzen.
Das Ergebnis
Der Kunde verfügt heute über zwei zusätzliche Genie Spaces, die das Kern-Reporting für zentrale Geschäftsbereiche, Produkte und Kennzahlen abdecken. Durch die Umstellung relevanter Tabellen auf SCD2-Historisierung entstand eine wiederverwendbare, historisch korrekte Datenbasis, sowohl für das laufende Reporting als auch für künftige Machine-Learning-Modelle.
Weil mehrere Datendimensionen für beide Use Cases wiederverwendet werden konnten, ließ sich der Aufwand für die parallele Umsetzung reduzieren. Mit den neuen Genie Spaces werden zusätzliche Nutzergruppen auf Databricks geführt, was die unternehmensweite Data Culture stärkt und die Modernisierung des Reportings weiter vorantreibt.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
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