Content material On-line konzentriert sich darauf, wie es im Produkt oder Advertising angewendet werden kann – die beiden häufigsten Bereiche, in denen Datenwissenschaftler einen großen Wert schaffen. Wenn ich jedoch bei einem Startup arbeitete, musste ich mit vielen weiteren Funktionen außerhalb dieser beiden arbeiten. Daten existieren im gesamten Unternehmen, und die Realität ist, dass jede Abteilung von Knowledge Science und profitieren kann und Analyse Verbesserung der Effizienz und Steigerung des Geschäftswerts. In diesem Artikel werde ich eines dieser weniger bedeckten Themen diskutieren-Knowledge Science for the Buyer Assist (CX) -Group.

Ich erinnere mich, dass ich das erste Mal, als ich in ein Treffen mit dem CX -Group gezogen wurde, völlig ahnungslos conflict. Ich wusste nicht, was mich erwarten würde oder wie Daten ihnen tatsächlich helfen könnten. Aber jetzt habe ich seit über drei Jahren mit dem Group als ihre zusammengearbeitet Datenwissenschaft Associate, in den frühen Tagen, als wir kaum Datenberichterstattung hatten, als wir tief in die Funktion eingebettet sind und datengesteuerte Entscheidungen unterstützen. Lassen Sie mich in den folgenden Abschnitten die Anwendungsfälle für gemeinsame Datenwissenschaft in CX durchgehen.

---

1. Metriken Monitoring

Bevor Sie etwas verbessern können, müssen Sie es messen – und CX ist keine Ausnahme. Der Aufbau von Metriken ist auch eine gute Möglichkeit, Vertrauen in Ihre Stakeholder zu schaffen.

Für CX sind einige gängige Metriken vorgesehen:

• SLA (Service Stage -Vereinbarung): Dies ist das Engagement oder das Ziel dafür, wie schnell das Kundendienstteam auf Kundenkontakte reagiert. Zum Beispiel „Antworten Sie auf alle Chats innerhalb von 3 Minuten.“ Es ist wichtig zu überwachen, ob das Group immer der SLA entspricht. Es wird typischerweise als Prozentsatz der Unterstützungsinteraktionen gemessen, die dieses Ziel entsprechen.
• TTR (Zeit bis zur Auflösung): SLA kümmert sich darum, ob jede Wechselwirkung rechtzeitig durchgeführt wurde, während TTR die Gesamtzeit misst, die für die Lösung eines Assist -Tickets erforderlich ist – einschließlich aller Hin- und Her. Stellen Sie sich vor, Sie haben sich als Benutzer per E -Mail an den Kundensupport angewendet, um eine Produktfrage zu erhalten. Sie antworteten jedes Mal schnell, wenn Sie sie angetrieben haben, aber keiner der Antworten löste die Frage tatsächlich. In diesem Fall würde SLA intestine aussehen, aber TTR wäre lang. Deshalb brauchen wir beide, um die Geschichte zu vervollständigen.
• FCR (erste Kontaktauflösung): Idealerweise wird der Kunde mit dem versorgt, wonach er im ersten Gespräch genau sucht. Daher soll FCR den Prozentsatz der Unterstützungskarten messen, die ohne Nachsorge aufgelöst werden. Natürlich korreliert eine niedrige FCR mit einem hohen TTR.
• CSAT (Kundenzufriedenheit): Die oben genannten Metriken sind alle internen Maßnahmen dafür, wie schnell wir zu unseren Kunden zurückkehren und die Probleme lösen, während CSAT ein direktes externes Maß dafür ist, wie zufrieden die Kunden mit der Unterstützung sind, die sie erhalten haben. Es wird oft über eine Umfrage erfasst, nachdem ein Assist -Ticket gelöst wurde, mit einer Frage wie „Wie zufrieden waren Sie mit der Unterstützung, die Sie erhalten haben?“ (Punktzahl 1 bis 5).
• Kontaktrate: Wir kümmern uns um die Qualität des Dienstes, aber es ist ebenso wichtig zu verstehen, wie viele Unterstützungsfälle generiert werden. Eine gute Möglichkeit, das Fallvolumen zu normalisieren, besteht darin, die Kontaktrate als die zu berechnen variety of instances / variety of energetic clients. Dies zeigt uns, wie oft Kunden auf Probleme stoßen und Hilfe benötigen. Daher ist dies auch ein Maß für die Produktreibung.

Natürlich gibt es noch viele weitere Metriken, die wir für das CX -Group aufgebaut haben, aber die oben genannten Metriken sollten Ihnen einen guten ersten Einblick in die Daten für das CX -Group geben. Sie werden natürlich organisiert und in Dashboards präsentiert, damit das Group die Leistung überwachen und auf bestimmte Falltypen, Groups oder Kundensegmente eintauchen kann. In meinem Unternehmen veranstaltet das Knowledge-Group auch ein wöchentliches Bewertungsreffen für Metriken, um Developments, Oberflächenerkenntnisse und Diskussionen zu erkennen.

Wie sollen wir sie jetzt, wo wir all diese Metriken haben, sie nutzen, um Änderungen voranzutreiben? Hier kommt die tatsächliche Macht der Datenwissenschaft ins Spiel. Siehe die folgenden Anwendungsfälle.

2. Personalmanagement

Jede Interaktion zwischen Kundendienst führt zu Arbeitskosten sowie zu Technologiekosten, Gemeinkosten und anderen damit verbundenen Betriebskosten. Daher ist es entscheidend, die Kapazitäten genau zu überwachen und die zukünftige Unterstützung der Nachfrage nach Private und Planung zu prognostizieren.

Das Datenteam kann hier viel Wert bieten:

• Vorhersage des Kontaktvolumens: Dies ist eine komplexe, aber hochwirksame Aufgabe. Es erfordert zunächst eine funktionsübergreifende Zusammenarbeit, um die richtige Annahme von Prognosen für das Kundenwachstum zu erhalten und die Kontaktratenerwartung angesichts der Produkteinführungen und -verbesserungen anzupassen. Anschließend können Datenwissenschaftler Daten -Toolkits wie Zeitreihenmodelle verwenden, um in allen Annahmen zu backen und das Unterstützungsvolumen vorhersagen zu können.
• Kapazitätsplanung: Sobald wir eine gute Vorhersage des Kontaktvolumens erhalten haben, ist die nächste Frage, wie viele Assist -Agenten wir benötigen, um ein gutes Dienstleistungsniveau aufrechtzuerhalten. Dies erfordert eine Szenariosimulation der Agentenleistung und -verfügbarkeit sowie die Optimierung der Agentenverschiebungspläne, um sicherzustellen, dass wir SLAs ohne Überbeamten erfüllen.

3. Prozessverbesserungen

Daten sind nicht nur hilfreich, um die Teamleistung zu verfolgen, sondern kann auch echte Prozessverbesserungen vorantreiben. Nur um Ihnen ein paar Beispiele zu geben, die ich gesehen habe:

• TTR -Analyse: TTR ist nur eine zufällige große Zahl, ohne einen Sinn daraus zu machen. Das Knowledge -Group kann TTR analysieren, um Treiber mit langer Auflösung zu identifizieren und diese zu verwenden, um die Prozessverbesserungen zu informieren. Wenn beispielsweise die Onboarding-Fälle beispielsweise bei vielen Hin- und Her-Fällen oft länger dauern, kann dies bedeuten, dass das CX-Group mehr Schulungen zum aktuellen Onboarding-Prozess benötigt oder der Onboarding-Fluss überkompliziert ist, sodass Kunden es ständig verwirrend empfinden. Wenn die von E -Mail stehenden Fälle in der Regel eine lange Zeit bis zur Auflösung mit einem niedrigen CSAT haben, sollten wir möglicherweise mehr Ressourcen bereitstellen, um die E -Mail -Warteschlange zu beantworten, um die Antworten zu beschleunigen, oder einen besseren Assist für Werkzeuge bieten, um den Agenten zu helfen, ihre E -Mails zu entwerfen.
• Unterstützung der Tierstrategie: Nicht alle Kunden sind für ein Unternehmen gleichwertig. Daher besteht eine gängige Praxis darin, Unterstützungsstufen zwischen Kunden zu erstellen und die Kontakte von Prime-Tier-Kunden zu priorisieren. Das Knowledge -Group kann dazu beitragen, das Tier -System basierend auf dem Kundenwert zu entwickeln und die Effektivität im Laufe der Zeit zu überwachen.
• A/B -Take a look at des Stützflusses: Wo sollen wir den Stay -Chat -Style setzen? Wie kann das Assist Heart für Kunden auffindbarer werden? Ist ein bestimmtes automatisches E-Mail-Format besser als ein weiteres? Die A/B -Testmethode hilft uns, diese Assist -Circulate -Design -Fragen zu beantworten.
• Selbstbedienungsverbesserungen: Die ideale Welt der Kundenunterstützung ist keine menschliche Unterstützung erforderlich. Dies ist jedoch nahezu unmöglich zu erreichen. Das Knowledge -Group kann dazu beitragen, näher zu kommen. Zum Beispiel haben wir uns angesehen, welche Artwork von Fragen die Benutzer nicht über das Assist -Heart lösen konnten. Dies informiert, welche neuen Themen zu den Assist -Artikeln hinzugefügt werden sollen und wie die Funktion zur Suchfunktion des Assist Heart verbessert werden sollte.
• Chatbot -Verbesserungen: Chatbot ist ein gemeinsames Software, um die Fragen der Kunden zu beantworten, ohne echte Agenten zu leiten. Insbesondere in dieser KI -Ära haben wir signifikante Verbesserungen in der Chatbot -Qualität und -verfügbarkeit verzeichnet. Unser Knowledge-Group hat eine entscheidende Rolle in zwei Runden der Chatbot-Anbieter-Bewertung mit dem CX-Group gespielt, in dem die Knowledge-Pipeline eingerichtet, A/B-Assessments verschiedener Chatbot-Optionen eingerichtet, die Chatbot-Leistung bewertet, die Leistungskategorien mit geringer Leistung identifiziert und die Bots zur Feinabstimmung der Bots helfen, einen besseren Chatbot-Eindämmerungsrate zu erzielen.

4. Kundenfeedback -Analyse

Final however not least erzeugen Assist -Kontakte eine große Menge an Textdaten – sie kommen direkt von den Kunden und können verwendet werden, um Kundenschmerzpunkte und Produktlücken zu verstehen.

• Fallkategorisierung: Supportfälle können vom CX-Group oder mit einem regelbasierten Framework manuell kategorisiert werden. Das Datenteam kann jedoch dazu beitragen, diesen Schritt zu automatisieren, insbesondere mit der Stromversorgung von AI. Mit einfachem Engineering können die meisten LLMs heute jeden Fall basierend auf Ihrem Produktkontext mit anständiger Genauigkeit kategorisieren.
• Textanalyse: Außer aus der Kategorisierung kann KI die gesamten Fall -Transkripte einnehmen, um die Kundenschmerzpunkte zusammenzufassen und zu identifizieren. Mein Group arbeitete mit den Ingenieuren zusammen, um ein internes KI -Produkt mit dem Namen „Voice of the Buyer“ zu erstellen, das alle Falldetails über LLM verarbeitet und die häufigsten Kundenbeschwerden in jedem Produktbereich überflutet. Dies ist eine perfekte Gelegenheit, CX -Erkenntnisse in das gesamte Unternehmen zu bringen und die Suggestions -Schleife mit Produkt und Advertising zu schließen. Wir haben gesehen, dass es aktiv im Produkt -Roadmapping verwendet wird.

---

Die Zusammenarbeit mit dem CX -Group conflict ein unerwarteter, aber lohnender Bestandteil meiner Knowledge Science -Reise. Von der Verfolgung der Teamleistung über die Unterstützung der Kapazität bis hin zur Optimierung interner Prozesse und der Verbesserung von Kundenerlebnissen kann Knowledge Science die Funktionsweise des Kundendienstes Group wirklich verändern.

In der heutigen, sich schnell entwickelnden Welt der KI kann die Bedeutung der Datenqualität nicht genug betont werden. Da KI-Systeme zum Coaching, zur Validierung und zum Testen stark auf Daten angewiesen sind, gilt das alte Sprichwort „Müll rein, Müll raus“. bleibt related. Daten von schlechter Qualität führen unweigerlich zu schlechten Modellergebnissen.

Die Grundlagen der Datenqualität in der KI

Mehrere Faktoren bestimmen die Datenqualität, darunter Genauigkeit, Vollständigkeit, Konsistenz, Aktualisierungshäufigkeit und Relevanz. Alle diese Attribute tragen zur Gestaltung der Eingabedaten für KI-Algorithmen bei. Stellen Sie sich zum Beispiel ein Szenario vor, in dem Zahlen falsch erfasst werden (z. B. 43 wird fälschlicherweise als 50 geschrieben) oder wenn veraltete Technologie einen veralteten Datensatz erzeugt. Solche Diskrepanzen verzerren die von KI-Modellen generierten Ergebnisse und führen zu ungenauen Schlussfolgerungen könnte kostspielig sein. Auch die Vollständigkeit der Daten ist unerlässlich. Das Fehlen kritischer Datenvariablen kann den Lernprozess eines Modells verlangsamen oder sogar dazu führen, dass das Modell über- oder unterpasst. Das Einbeziehen zu vieler irrelevanter Informationen kann jedoch dazu führen, dass das Modell durch Rauschen überladen wird und wertvolle Erkenntnisse verborgen bleiben. Um eine hohe Leistung aufrechtzuerhalten, ist es wichtig, sicherzustellen, dass das richtige Datengleichgewicht enthalten ist.

Die Konsistenz zwischen Datensätzen ist ein weiterer wichtiger Faktor. Inkonsistente Datenformate oder Einheiten können während der Modellierungsphase zu erheblichen Problemen führen. Inferenzforschung zeigt, dass gemischte Datenformate zu einer schlechten Vorhersagegenauigkeit führen, was sich auf die Entscheidungsfähigkeit des Modells auswirkt. Inkonsistente Daten führen nicht nur zu falschen Werten, sondern verringern auch die in einem KI-Modell erfasste „Wahrheit“, was es schwieriger macht, seinen Ergebnissen zu vertrauen, und ethische Bedenken aufwirft.

Ebenso wichtig ist die Aktualität der Daten. In sich schnell verändernden Umgebungen können veraltete Daten die Fähigkeit eines Modells, aktuelle Tendencies zu erkennen, beeinträchtigen und zu ungenauen Empfehlungen führen. Beispielsweise müssen KI-Modelle, die das Verbraucherverhalten analysieren, mit den aktuellsten Daten arbeiten, um related zu bleiben; andernfalls laufen sie Gefahr, Erkenntnisse zu gewinnen, die das Benutzererlebnis beeinträchtigen könnten.

Die Kosten minderwertiger Daten

Die negativen Auswirkungen einer schlechten Datenqualität werden am deutlichsten beim überwachten Lernen sichtbar, bei dem das Modell für seine Genauigkeit auf Trainingsdaten angewiesen ist. Falsch gekennzeichnete oder widersprüchliche Daten führen zu falsch positiven und negativen Ergebnissen, was bei sensiblen Anwendungen katastrophale Folgen haben kann wie Medizin oder Aautonomes Fahren. Die Gewährleistung hochwertiger und präziser Daten ist der Schlüssel zur Vermeidung solch kritischer Ausfälle.

Als zweite Säule der Datenqualität kann auch die Relevanz genannt werden. Wenn Modelle mit unnötigen Daten trainiert werden, kann es zu Störungen beim Verständnis wichtiger Muster kommen. Eine Überfülle an Daten macht das Lernen jedoch schwieriger, und wenn es darum geht, all diese Daten zu kombinieren, gehen möglicherweise nützliche Signale verloren. Dies ist ein eher unglücklicher Vorfall, der oft mit dem Namen „Fluch der Dimensionalität“ bezeichnet wird und darauf abzielt, die Merkmalsauswahl und die Dimensionsreduktionsmethoden als sehr wichtige Werkzeuge beim Aufbau der Datenmodelle hervorzuheben.

Der Finanzsektor ist ein klares Beispiel dafür, wie sich eine schlechte Datenqualität negativ auf KI-Modelle auswirken kann. Kreditbewertungsalgorithmen stützen sich auf genaue und umfassende Informationen, um die Kreditwürdigkeit einer Particular person zu beurteilen. Wenn diese Daten fehlerhaft sind, sei es durch menschliches Versagen oder durch Unterlassung, kann dies dazu führen, dass jemandem die Kreditwürdigkeit zu Unrecht verweigert wird und die wirtschaftliche Ungleichheit fortbesteht.

Umgekehrt sehen Unternehmen mit einer starken Datenverwaltung einen größeren Erfolg mit KI. Durch die Implementierung robuster Datenerfassungsmethoden, die Durchführung regelmäßiger Datenprüfungen und die Kennzeichnung von Unstimmigkeiten vor der Einspeisung von Daten in Modelle können Unternehmen die Qualität ihrer KI-Ergebnisse erheblich verbessern

Um Probleme mit der Datenqualität anzugehen, sollten Unternehmen Information-Governance-Programme implementieren, die regeln, wie Daten erfasst, gespeichert und weitergegeben werden. Durch die Ernennung spezieller Datenverwalter innerhalb der Abteilungen kann sichergestellt werden, dass diese Praktiken eingehalten werden. Automatisierte Datenbereinigungstools können ebenfalls hilfreich sein, indem sie doppelte oder inkonsistente Einträge identifizieren, menschliche Fehler reduzieren und den Datenvorbereitungsprozess beschleunigen. Ebenso wichtig ist die Pflege einer Datenmanagementkultur innerhalb der Organisation. Indem Unternehmen ihre Mitarbeiter über die Bedeutung der Datenqualität aufklären, können sie sicherstellen, dass potenzielle Datenprobleme frühzeitig angegangen werden, lange bevor sie KI-Modelle gefährden.

Die Zukunft der Datenqualität und KI-Ethik

Da die KI immer weiter voranschreitet, müssen ethische Überlegungen zur Datenqualität im Mittelpunkt stehen. Wenn sichergestellt wird, dass KI-Modelle auf qualitativ hochwertigen, unvoreingenommenen Daten basieren, können diskriminierende Ergebnisse verhindert werden. Mit Blick auf die Zukunft werden Tendencies wie Blockchain und föderiertes Lernen die Bedeutung einer makellosen Datenqualität noch weiter unterstreichen. Die dezentrale Struktur der Blockchain kann die Verbreitung von Ungenauigkeiten verhindern, während föderiertes Lernen, das auf Daten aus mehreren Quellen basiert, je nach Qualität dieser Daten erfolgreich sein oder scheitern wird.

Die Auswirkungen der Datenqualität reichen weit über die reine Datenreinheit hinaus. Sie haben tiefgreifende wirtschaftliche Folgen. Daten von schlechter Qualität führen direkt zur Verschwendung von Ressourcen, Zeit und Mühe sowie zu verpassten Chancen. Für Unternehmen sind die Kosten für die Korrektur ihrer ineffektiven Datenpraktiken recht hoch.

Politisch werden sich mit dem Fortschreiten der KI auch die Methoden und Technologien ändern, die zur Aufrechterhaltung der Datenqualität eingesetzt werden. Automatisierung dürfte ein zentraler Development werden, ebenso wie der Einsatz der Blockchain-Technologie zur Datensicherheit. Darüber hinaus hat die zunehmende Nutzung des föderierten Lernens, bei dem die Deep-Studying-Modelle von vielen Kunden unter Verwendung ihrer lokalen Datensätze kooperativ trainiert werden, jedoch in einem Prozess, der keinen Austausch von Daten mit anderen Kunden erfordert, die Bedeutung einer einwandfreien Datenqualität noch weiter hervorgehoben. Auch wenn föderiertes Lernen auf Daten aus mehreren Quellen angewiesen ist, kann die Qualität der Daten den Erfolg des Prozesses bestimmen, weshalb die Datenqualität Vorrang haben muss.

Datenqualität ist nicht nur eine technische Voraussetzung für KI, sie ist die Grundlage für verantwortungsvolle und vertrauenswürdige KI-Systeme. Da Unternehmen weiterhin KI nutzen, werden Datenverwaltung und die Einführung neuer Technologien von entscheidender Bedeutung sein, um den ethischen, genauen und effektiven Einsatz von KI in der Gesellschaft sicherzustellen. Investitionen in die Datenqualität sind eine Investition in die Zukunft der KI und ihre Fähigkeit, sinnvolle, constructive Veränderungen herbeizuführen.

Über den Autor

Uma Uppin ist ein wachstumsorientierter technischer Leiter mit einer herausragenden mehr als 16-jährigen Karriere in der Förderung des Projekterfolgs und der Förderung leistungsstarker Groups. Sie ist für ihre strategische Imaginative and prescient und Führungsqualitäten bekannt und hat bei kritischen Initiativen stets eine 100-prozentige Projektabwicklungs- und Bindungsrate erreicht. Mit einem soliden Hintergrund im Datenbereich, sowohl als praktischer Mitarbeiter als auch als Teamleiter, zeichnet sich Uma durch Führungsaufgaben im Datenbereich aus, die eine Mischung aus Geschäftskenntnissen und analytischem Fachwissen erfordern.

Melden Sie sich für die kostenlosen insideAI-Information an Publication.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/

Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW

Schauen Sie bei uns vorbei YouTube!

Wussten Sie, dass der 4. August der Internationale Eulentag ist? Ich auch nicht, bis ich beim Stöbern in niedlichen Eulen-Memes darauf stieß Webseite. Als wir dann vor kurzem eine hübsche Eulenfamilie in unserem Garten fanden, dachte ich, ich würde sie auf Wikipedia nachschlagen – und warfare erstaunt, als ich sah, dass es 254 Eulenarten auf Wiki erfasstunsere bevorzugte kostenlose Open-Entry-Wissensquelle. Der einzig logische nächste Schritt warfare, dies in eine Datenvisualisierung umzuwandeln, um die internationale Eulenlandschaft besser zu verstehen.

Ich werde nämlich automatisch die vollständige Liste der Eulenarten und dann ihre Wikipedia-Profile herunterladen. Dann werde ich Textual content Matching und die NetworkX-Graphanalysebibliothek verwenden, um das Ähnlichkeitsnetzwerk der Eulenarten zu extrahieren, das ich dann visualisieren werde. Auf diese Weise erhalten wir eine visuelle Darstellung der Eulenarten, die es viel einfacher macht, die Beziehung zwischen verschiedenen Arten zu interpretieren.

Darüber hinaus ist das Thema „Eule“ hier zwar aktuell, die Methoden und Schritte lassen sich jedoch leicht auf jedes andere Thema übertragen, das wir behandeln möchten, und in ein Wissensdiagramm umwandeln, das auf der öffentlich verfügbaren Wikipedia-Datenbank basiert.

Alle Bilder wurden vom Autor erstellt.

Disney wurde gehackt und ist das jüngste prominente Opfer eines bedeutenden Cyberangriffs, der angeblich von der Hacktivistengruppe NullBulge verübt wurde. Der Disney-Datenverstoß soll über 1,1 TiB (1,2 TB) interner Daten offengelegt haben, die hauptsächlich aus der Slack-Kommunikation des Unternehmens stammten. Die Daten wurden mithilfe eines Insiders gestohlen, bis dieser „kalte Füße“ bekam.

Obwohl es noch keine offizielle Bestätigung gibt, begannen unveröffentlichte Projekte, Nachrichten, Rohbilder und andere wise Daten von Disney in Hackerforen zu kursieren.

Disney 2024 gehackt: Einblicke in das Disney-Leak

NullBulge gab seinen Exploit am 12. Juli 2024 in Breach-Foren bekannt und behauptete, sie hätten auf umfangreiche Daten aus Disneys internem Slack-Arbeitsbereich zugegriffen und diese geleakt. Dieser Arbeitsbereich, der von Disneys Entwicklungsteams stark genutzt wurde, enthielt Tausende von Kanälen voller vertraulicher Informationen, darunter:

• Mitteilungen: Gespräche zwischen Mitarbeitern, in denen Projekte, Pläne und vertrauliche Informationen besprochen werden.
• Dateien: Verschiedene Dokumente und Mediendateien intern geteilt.
• Unveröffentlichte Projekte: Particulars zu Projekten, die noch nicht öffentlich angekündigt wurden.
• Rohbilder und Code: Quellcode und grafische Belongings in der Entwicklungsphase.
• Anmeldeinformationen und interne lTinten: Zugriffsinformationen für interne APIs und Webseiten.

Hier ist ein Beispiel dessen, was sie angeblich haben:

Wie kam es zu dem Disney-Leak? Diese Frage sollten Sie wahrscheinlich Matthew J. Van Andel stellen.

„Die genauen Einzelheiten, wie es zu dem Disney-Leck kam, wurden nicht vollständig offengelegt, da die Ermittlungen noch nicht abgeschlossen sind. Die mutmaßlichen Hacker (NullBulge) gaben auf X (ehemals Twitter) an, dass sie alles, worauf sie Zugriff hatten, zusammengestellt und geleakt hätten, und luden die Öffentlichkeit ein, Einblick in die internen Abläufe von Disney zu nehmen. Laut den Behauptungen von NullBulge hatten sie einen Insider für den Disney-Hack und versuchten, tiefer vorzudringen, bis ihr Insider, Matthew J. Van Andel, beschloss, sie rauszuwerfen. Seinem LinkedIn-Profil zufolge arbeitet er als Construct Supervisor für die Walt Disney Firm. Es gibt keine offiziellen Informationen darüber, ob er wirklich beteiligt ist oder nicht.

#DisneySlackLeak#Disney hat seinen gesamten Dev-Slack gelöscht. 1,1 TiB an Dateien und Chat-Nachrichten. Alles, was wir in die Finger kriegen konnten, haben wir heruntergeladen und verpackt. Wollen Sie sehen, was hinter den Türen vor sich geht? Dann schnappen Sie es sich.https://t.co/saVx4lxgsy pic.twitter.com/FitM8hmOEE

— NullBulge (@NullBulgeGroup) 12. Juli 2024

Es ist mehr als nur ein Hack für NullBulge

NullBulge behauptet, sich für die Rechte von Künstlern einzusetzen, eine faire Vergütung und Anerkennung für die Urheber zu fordern und behauptet, dass das Disney-Leak seinetwegen passiert sei. Diese Mission steht im Einklang mit den anhaltenden Streitigkeiten bei Disney, wo Persönlichkeiten wie Neil Gaiman und Alan Dean Foster behaupten, dass das Unternehmen den Künstlern Lizenzgebühren vorenthält, insbesondere denen, die an Franchises wie „Star Wars“ und „Alien“ beteiligt sind.

Gerüchten zufolge könnte NullBulge mit dem LockBit-Ransomware-Bandemit den dazugehörigen Instruments für die Disney Datenleck.

Brauchen Sie eine Zusammenfassung? Disney wurde von der Hacktivistengruppe NullBulge gehackt, was angeblich zur Offenlegung umfangreicher interner Daten führte. Dieser Disney-Datenverstoß, der Berichten zufolge von einem Insider ermöglicht wurde, führte dazu, dass über 1,2 Terabyte vertraulicher Informationen durchsickerten, darunter unveröffentlichte Projekte, interne Kommunikation von Slack und Rohbilder. Der Vorfall veranlasste Disney, das Ausmaß des Verstoßes zu untersuchen und seine Cybersicherheitsmaßnahmen zu verstärken. Es werden rechtliche Konsequenzen erwartet, wobei Bedenken hinsichtlich Datenschutz und Unternehmensführung wahrscheinlich genau untersucht werden.

---

Bildnachweis: Eray Eliacık/Bing