---
title: "Eine Roadmap für die Dateninfrastruktur von Nezasa"
description: "Wir haben erfasst, wie Nezasa Daten sammelt, speichert und nutzt, und daraus eine Zielarchitektur und eine Roadmap für Analytics und Datenprodukte abgeleitet, die das eigene Team umsetzen konnte."
url: https://www.samuylov.ai/de/stories/designing-data-infrastructure-to-support-analytics-and-business-intelligence-initiatives-for-an-sme-in-the-travel-industry
language: de-CH
---

Fallstudie · Nezasa AG · Februar 2023

# Eine Roadmap für die Dateninfrastruktur von Nezasa

Gap-Analyse · Technische Due Diligence · Dateninfrastruktur · Datenmodellierung und -speicherung

## Kunde

Nezasa, 2012 in Zürich gegründet, entwickelt TripBuilder, eine Software, mit der Reiseveranstalter und Reisebüros Reisen zusammenstellen und verkaufen. Zum Zeitpunkt dieses Mandats arbeiteten die Teams in der Schweiz, in Portugal und in Chile.

## Herausforderung

Nezasa wollte seine Daten doppelt nutzen: in Analytics für die eigenen Entscheidungen und in datengetriebenen Funktionen für seine Kunden. Bevor das Unternehmen in eines davon investierte, musste es wissen, ob seine Daten und seine Infrastruktur das tragen konnten.

Die Daten lagen an vielen Orten: in den Datenbanken des Produkts, in der Web-Analytics, in Event-Tracking und Logs, in externen Quellen und in den Business-Tools, die die Teams täglich nutzten. Drei Fragen mussten beantwortet werden: welche Daten das Unternehmen tatsächlich hatte und wie sie zwischen den Systemen flossen, ob die Infrastruktur mitwachsen würde, wenn Datenmengen und Data-Science-Arbeit zunahmen, und was zuerst gebaut werden sollte.

## Unser Vorgehen

**Zuerst das Geschäft.** In Workshops mit dem Team von Nezasa ging es darum, wie das Unternehmen arbeitete und wohin es wollte. So setzte die technische Analyse bei den Zielen des Unternehmens an statt bei seinen Systemen.

**Dann die Daten.** Wir untersuchten, welche Daten Nezasa hatte, wie strukturiert und komplex sie waren und wie sie durch die Systeme des Unternehmens flossen.

**Dann die Infrastruktur.** Wir prüften, ob sie wachsende Datenmengen sowie mehr Analytics- und Data-Science-Arbeit bewältigen konnte.

> «Die Zusammenarbeit ist pragmatisch, schlank, agil. Die Kommunikation ist direkt und auf den Punkt. Feedbackschleifen, um irgendetwas an der Zusammenarbeit zu verbessern, sind jederzeit möglich und erfolgen stets konstruktiv und mit direkter Wirkung. Die Erkenntnisse und das Know-how, die Denis und sein Team eingebracht haben, waren vielfältig und genau richtig, um unsere Dateninfrastruktur auf die nächste Stufe zu bringen.»
>
> – Patrick Hammer, CPO & Co-Founder bei Nezasa

![Diagramm: Die Anwendungen von Nezasa, Web-Analytics, Event-Collectors, Logs, externe Quellen und Business-Tools speisen die Datenreplikation in einen analytischen Datenspeicher. Die Datenmodellierung bereinigt, verknüpft, aggregiert und anonymisiert die Daten; die Ergebnisse fliessen in Machine-Learning-Entwicklung, explorative Analysen und Business-Intelligence-Tools. Reverse ETL spielt Ergebnisse in die Quellsysteme zurück.](https://www.samuylov.ai/assets/873ab3cf/stories/designing-data-infrastructure-to-support-analytics-and-business-intelligence-initiatives-for-an-sme-in-the-travel-industry/nezasa-scheme-1.webp)

Die Architektur aus der Analyse: Daten aus den Anwendungen und Business-Tools von Nezasa werden in einen zentralen analytischen Speicher kopiert, dort bereinigt und modelliert und speisen dann Business Intelligence, explorative Analysen und Machine Learning.

## Ergebnisse

**Eine Zielarchitektur und eine Roadmap.** Wir haben aufgezeigt, wo sich die betrieblichen Abläufe und die Dateninfrastruktur von Nezasa verbessern liessen, eine Zielarchitektur empfohlen und eine Roadmap für das Erfassen, Speichern, Bereitstellen, Verarbeiten und Analysieren von Daten erstellt. In Workshops haben wir die Erkenntnisse, Prioritäten und offenen Fragen mit dem Team von Nezasa durchgearbeitet.

> «Der grösste Mehrwert liegt in der Klärung und damit Beschleunigung wichtiger Fragen zu Machbarkeit und Chancen. Dank des Inputs von SamuylovAI hatten wir rasch ein gutes Verständnis davon, welche Chancen bestehen und was nötig ist, um loszulegen.»
>
> – Patrick Hammer, CPO & Co-Founder bei Nezasa

**Intern umgesetzt.** Das Team von Nezasa hat die Datenplattform selbst aufgebaut, mit Datenreplikation, Datenmodellierung und Business Intelligence.

> «Die von Denis verfassten Evaluationen dienen nicht nur der unmittelbaren Entscheidungsfindung, sondern werden dank der geleisteten konzeptionellen Arbeit auch künftig als Referenzwerk dienen. Das Spannendste kommt vielleicht erst noch, aber wir wissen, dass wir einen Partner an unserer Seite haben, der denselben ergebnisorientierten, vorausschauenden Arbeitsansatz verfolgt wie wir.»
>
> – Patrick Hammer, CPO & Co-Founder bei Nezasa

## Was übertragbar ist

**Erst die Daten erfassen, dann die Analytics planen.** Wer weiss, welche Daten es gibt, wie sie fliessen und wo die Infrastruktur an Grenzen stösst, sieht die Lücken, bevor ein Projekt auf sie trifft.

**Den Plan mit denen abstimmen, die ihn umsetzen.** Weil wir die Prioritäten gemeinsam mit dem Team von Nezasa erarbeitet haben, erhielt es einen Plan, den es selbst umsetzen und weiterhin als Referenz nutzen konnte.

**Datengrundlagen zahlen sich mit KI erneut aus.** Auf derselben Plattform konnten wir für Nezasa später in einer Woche einen [internen Wissensassistenten](https://www.samuylov.ai/de/stories/internal-knowledge-assistant-for-a-travel-technology-sme) bauen. Was für Analytics aufgebaut wird, verkürzt den Weg zur KI.

Planen Sie Analytics, Datenprodukte oder KI auf Daten, die über viele Systeme verteilt sind? Wir analysieren, was Sie haben, und zeigen, was zuerst gebaut werden sollte. Sehen Sie sich [Advisory & Implementation](https://www.samuylov.ai/de/consulting#pricing) an, oder [Kontakt aufnehmen](https://www.samuylov.ai/de/contact).

[Als PDF herunterladen](https://www.samuylov.ai/de/stories/designing-data-infrastructure-to-support-analytics-and-business-intelligence-initiatives-for-an-sme-in-the-travel-industry/pdf)

## Soll KI in Ihrem Unternehmen arbeiten?

Sagen Sie uns, welchen Prozess Sie verbessern möchten und wo die Daten liegen. Ganz unverbindlich.

[Erstgespräch buchen](https://www.samuylov.ai/de/contact?book=1&topic=advisory)

## Weitere Stories

[Alle Stories](https://www.samuylov.ai/de/stories)

[Praktische Erkenntnisse von SKID 2023](https://www.samuylov.ai/de/stories/6-insights-from-skiers-in-data-conference) – Artikel · März 2023

[Eine Browser-Oberfläche für den Traction-Force-Algorithmus von BetzLab](https://www.samuylov.ai/de/stories/automated-traction-force-field-estimation-from-image-data) – Fallstudie · BetzLab, Georg-August-Universität Göttingen · Februar 2022
