BI Use Cases
+++ Use Case +++
Konzeption zu einer Analytics Strategie
Unternehmen brauchen in Zeiten der Digitalisierung eine individuelle Analytics-Strategie, die mit anderen strategischen Unternehmenszielen und weiteren Teilstrategien abzustimmen ist.
+++ Case Study +++
Machine Learning in der Leckageerkennung
In Fernwärmenetzen ist es bedeutsam, eine Leckage an sich und den Ort ihres Auftretens frühzeitig zu erkennen. Umfangreiche Daten sind daher mittels Echtzeitanalyse auszuwerten.
+++ Case Study +++
Reporting zur Deckungsbeitragsrechnung
In unserem Projekt DB I Steuerung haben wir […] gezeigt, wie sich operative Unternehmensdaten aus dem SAP BW transformieren lassen, so dass sie auf native Microsoftinfrastrukturen übertragbar sind.
+++ Case Study +++
Artificial Intelligence zur Marktpreisvorhersage
In unserem Projekt: „Marktpreisvorhersagen zu Rohstoffpreisen“ haben wir gemeinsam mit der VNG AG gezeigt, dass sich Advanced Analytics nutzen lässt, um […] Preistrendvorhersagen mittels Machine-Learning-Verfahren zu erzeugen.
+++ Case Study +++
Evaluation der Power-BI-Lizenz-Optionen
Gemeinsam mit einem Finanzversicherer hat die Marmeladenbaum GmbH ein umfängliches Bewertungskonzept erarbeitet, welche Power-BI-Lizenz-Option in welchem Kontext sinnvoll ist.
+++ Case Study +++
Advanced Analytics zur Kundenabwanderungsprävention
In unserem Projekt Abwandererprävention haben wir […] gezeigt, dass sich Advanced Analytics nutzen lässt, um […] Vorhersagen für potenzielle Kündigungen zu erzeugen.
+++ Case Study +++
ONTRAS Kennzahlensystem
Flexibilität und eine partnerschaftliche Zusammenarbeit, fachliche Kompetenz und die Bereitschaft sich gemeinsam neuen Herausforderungen zu stellen sind die Leitmotive für die Zusammenarbeit zwischen der ONTRAS Gastransport GmbH und der Marmeladenbaum GmbH.
+++ Use Case +++
Analytics – Kickstart
Analytics-Kickstart bildet einen modularen Ansatz zur Umsetzung komplexer Business-Intelligence und Analytics-Anforderungen (BIA-Anforderungen), der innerhalb einer Woche von der initialen Definition bis hin zur ersten fachlichen Auswertung führt.
+++ Case Study +++
Vorhersagemodell senkt Kapitalbindungskosten
Unter der Maßgabe der besseren Kontrolle des Working Capital ist für das Controlling eine möglichst frühe Vorhersage des Werts der Lagerbestände wichtig, um entsprechende Steuerungsmaßnahmen ergreifen zu können.
+++ Use Case +++
USe Case – Strategie · Analytics & Business Intelligence
Konzeption einer fundierten Analytics-Strategie
Business-Intelligence-, Daten-, Digitalisierungs-, IT-, Big-Data- und jetzt noch eine Analytics-Strategie – wie viele Strategien braucht eine wettbewerbsfähige Organisation? Entscheidend ist nicht die Anzahl, sondern die Frage, wann eine Analytics-Strategie wirklich gebraucht wird und wie sie sich an der Geschäftsstrategie ausrichtet.
Das Wichtigste auf einen Blick
01
Der Ausgangspunkt
Viele Organisationen sammeln aus Technologiedruck oder schierer Verfügbarkeit große Datenmengen – nutzen sie aber noch nicht zielorientiert. Eine Analytics-Strategie verknüpft Daten mit konkreten Business Cases.
02
Das Gerüst
Strategische Vision, eine Themenlandkarte, klar definierte Dimensionen – Organisation, Personen, Architektur, Kultur – sowie Governance und eine Roadmap bilden das tragende Gerüst.
03
Der Nutzen
Eine gemeinsame Ausrichtung statt isolierter Insellösungen: Projekte lassen sich in den Regelbetrieb überführen, Synergien entstehen, Verantwortlichkeiten sind geklärt.
Der Anlass
Wann eine Analytics-Strategie gebraucht wird
Organisationen setzen das Thema zu unterschiedlichen Zeitpunkten und aus unterschiedlichen Gründen auf die Agenda. Oft steht der Wunsch am Anfang, die Möglichkeiten von Analytics auszuloten, Prozesse zu optimieren und Defizite aufzulösen oder Wettbewerbsvorteile zu schaffen – etwa im Rahmen von Digitalisierung und Prozessneukonzeption.
In anderen Fällen geht es darum, wiederkehrende Projektentscheidungen nicht in jedem Vorhaben neu beantworten zu müssen, oder darum, bereits bestehende, aber unkoordinierte Analytics-Aktivitäten einzelner Fachbereiche in eine gemeinsame Richtung zu bringen.
Typische Anlässe
- Möglichkeiten von Analytics ausloten, Prozesse optimieren und Wettbewerbsvorteile generieren – auch im Zuge von Digitalisierung und Prozessneukonzeption.
- Eine vorhandene Datensammlung (z. B. ein Data Lake), die noch nicht oder nicht umfassend genutzt wird.
- Wiederkehrende Projektentscheidungen: Make-or-Buy, Datenschutz und die spätere Integrierbarkeit der Ergebnisse.
- Bereits bestehende, aber technologisch und organisatorisch unkoordinierte Analytics-Projekte einzelner Fachbereiche.
01
Bestandteil
Strategische Analytics-Vision
Ausgangspunkt jeder Analytics-Strategie sind eine strategische Zielstellung und eine organisationsweit akzeptierte Definition von Analytics – inklusive einer klaren Abgrenzung zu anderen Projekten und Initiativen.
Entscheidend ist der Bezug zur Geschäftsstrategie: Effizienz- oder marktausschöpfungsbezogene Ziele aus der Unternehmensstrategie bilden die elementare Grundlage für den Einsatz von Analytics.
02
Bestandteil
Themen und Innovation
In einem zweiten Schritt werden bestehende Analytics-Themen gesammelt und neue Projektideen entwickelt. Diese Themen erzeugen den Wettbewerbsvorteil und bilden – im Sinne eines Business Case – den zentralen Treiber der Strategie. Ergeben sich organisationsweit keine Themen, ist die Strategie selbst zu hinterfragen.
- Periodensystem der Künstlichen Intelligenz (Bitkom) – technische Potenziale und Einsatzmöglichkeiten von Analytics sichtbar machen.
- Themenfindungs-Workshops mit „System Thinking“ – Ideen für neue Prozesse und Geschäftsmodelle gezielt entwickeln.
- Analytics-Themenlandkarte – Leuchtturmprojekte identifizieren sowie Themenlieferanten und Servicenachfrager einbinden.
Aus den priorisierten Themen entsteht die Roadmap: ein Projektplan, der die neu konzipierten Sollzustände erreichbar macht. Voraussetzung ist ein bekannter Ist-Zustand – etwa gemessen als Analytics-Reifegrad.
Die Dimensionen
Organisation, Personen, Architektur & Kultur
Eine tragfähige Strategie lässt sich nicht allein am Reißbrett entwerfen. Bestehende und angrenzende Prozesse und Strukturen sollten zuerst betrachtet und – wo sinnvoll – integriert werden. Entlang mehrerer Dimensionen entstehen daraus Verantwortlichkeiten, Kompetenzen und Rollen.
- Organisation & Prozesse – Verantwortlichkeiten und Kompetenzen definieren; zentrale oder dezentrale Analytics-Einheiten abwägen.
- Personen – Rollen zuordnen, Personalkapazitäten bemessen und Weiterbildung mit konkreten Schulungen planen.
- Architektur & Werkzeuge – nutzbare Werkzeuge als Standards festlegen, damit der spätere IT-Support gewährleistet ist.
- Kultur – Change-Management mit agilen Methoden und einer Kultur des positiven Scheiterns („fail fast“).
- Governance – Leitlinien zur Projektbearbeitung und Priorisierung, besonders bei knappen Ressourcen.
Analytics und KI hängen eng zusammen, da gerade die mustererkennende Datenanalyse (Machine Learning) die Grundlage erfolgreicher KI bildet. Ebenso bestehen Überschneidungen zur Business-Intelligence-Strategie – es lohnt sich, beide gemeinsam zu denken und Teilstrategien sowie Fachbereiche frühzeitig zu verknüpfen.
Fazit
Jedes Unternehmen braucht eine individuelle Analytics-Strategie, die mit den übrigen strategischen Zielen und Teilstrategien abgestimmt ist.
Gelingt es, alle Stakeholder einzubinden und gemeinschaftliche Spielregeln und Themen zu definieren, ist die Basis für ein erfolgreiches Change-Management gelegt. Initiieren Sie das Thema mit der Frage nach dem Warum – die Antwort sollten Business Cases sein. Diese Fachlichkeit ist der eigentliche Treiber, denn es geht darum, das Unternehmen erfolgreich im Markt zu platzieren.
Bausteine einer Analytics-Strategie
Strategische Vision · Themen & Innovation · Organisation · Prozesse · Personen · Architektur · Werkzeuge · Kultur · Governance · Roadmap
Starten Sie mit der Frage nach dem Warum
Sie möchten eine Analytics-Strategie entwickeln, die zu Ihrer Geschäftsstrategie passt und alle Stakeholder einbindet? Wir begleiten Sie von der strategischen Vision über die Themenlandkarte bis zur Roadmap.
+++ Use Case +++
Fallstudie — Stadtwerke / Fernwärme
KI Unterstützte Leckageerkennung in Fernwärmenetzen
In Fernwärmenetzen ist es entscheidend, eine Leckage und ihren Ort frühzeitig zu erkennen. Gemeinsam mit den Stadtwerken haben wir umfangreiche Daten per Echtzeitanalyse ausgewertet und Methoden der Künstlichen Intelligenz genutzt, um genau diese Aufgabe in Echtzeit zu lösen.
Das Projekt auf einen Blick
01
Herausforderung
Bei rund 800 km Netzlänge konnte das bestehende System eine Leckage zwar erkennen, aber nicht frühzeitig im konkreten Sperrgebiet lokalisieren. Servicetechniker mussten ihre Erfahrung einsetzen um nach einer vermuteten Leckage zu suchen – aufwändig und zeitintensiv.
02
Ansatz
Neue Messstationen für Temperatur und Druck, eine echtzeitnahe Big-Data-Architektur und über Simulation erzeugte Leckagezustände als Trainingsdaten – ausgewertet mit Verfahren des maschinellen Lernens.
03
Ergebnis
Eine einheitliche Echtzeitlösung, die Leckagen in einem definierten Sperrgebiet mit über 88 % Klassifikationsgüte erkennt und lokalisiert – so müssen im Ernstfall nur kleine Netzbereiche gesperrt werden.
Der Kontext
Ausgangslage
Die dauerhafte, umweltverträgliche Versorgung von Haushalten mit Energie und Wärme ist gesellschaftlich wie wirtschaftlich hochrelevant. Fernwärme ist dabei ein ökologisch verträglicher Baustein – technisch realisiert über stark gedämmte Rohrsysteme, die von heißem Wasser oder Wasserdampf durchströmt werden.
Mit rund 800 Kilometern Netzlänge zählen die Stadtwerke zu den größten Netzbetreibern Europas. Aus technischen und wirtschaftlichen Gründen brauchen sie ein System, das anzeigt, ob – und vor allem wo – ein Leck entlang des Fernwärmenetzes aufgetreten ist.
Kernfragen in Echtzeit
- Besteht eine Leckage?
- Wo befindet sich die Leckage?
- Ist – in einer Ausbaustufe – die Abschaltung von Teilbereichen des Netzes sinnvoll?
Die Aufgabe
Architekturframework als Schlüssel
Im ersten Schritt wurden Messstationen für Temperatur, Druck und weitere Messwerte in das bestehende Netz eingebaut, um diese Daten überhaupt digital zu gewinnen und mit weiteren Quellen zu verknüpfen. Da eine Leckage nur selten auftritt, wurden zusätzliche Leckagezustände über eine Simulationssoftware erzeugt, um die Algorithmen zu trainieren.
Als zweite zentrale Aufgabe entstand eine Rahmenarchitektur, die der echtzeitnahen Analyse im Big-Data-Bereich genügt und konsequent auf Skalierung ausgelegt ist: Echtzeitintegration der Daten, direkte Prozessintegration über Schnittstellen zu weiteren Softwarebausteinen sowie algorithmische Vielfalt zur Auswahl der passenden Klassifikation.
01
Vorgehen
Künstliche Intelligenz als Motor der Digitalisierung
Bei der Digitalisierung spielt – neben der Neukonzeption von Prozessen – die Umwandlung analoger Werte in ein digital nutzbares Format eine große Rolle. Diese Daten entstehen nicht zum Selbstzweck, sondern dienen der Entscheidungsunterstützung, der Optimierung und der Beeinflussung der datenerzeugenden Prozesse.
Mit dem Ziel, operative Prozesse zu optimieren, müssen die Daten möglichst zeitnah ausgewertet werden. Hier trifft der Begriff der Künstlichen Intelligenz tatsächlich zu: In Echtzeit wird entschieden, ob eine Leckage besteht, wo sie liegt – und in einer Ausbaustufe, ob die Abschaltung von Teilbereichen sinnvoll ist.
02
Vorgehen
Algorithmische Evaluation und Modellaufbau
In der Phase der algorithmischen Evaluation wurden verschiedene Verfahren des maschinellen Lernens gegeneinander getestet:
- Support Vector Machines (SVM)
- Multi Layer Perceptron – ein künstliches neuronales Netz.
- Random Forest
Für den anschließenden Aufbau des Analysemodells kam die SAP-HANA-Bibliothek PAL zum Einsatz. Ergänzend wurde eine Clusterung durchgeführt, um die gesamte Netzstruktur in sinnvolle Teilbereiche zu zerlegen – die Grundlage dafür, im Ernstfall nur kleine Bereiche sperren zu müssen.
Das Ergebnis · Echtzeitklassifikation
Die Lösung erkennt und lokalisiert Leckagen in einem definierten Sperrgebiet in Echtzeit – mit einer Klassifikationsgüte (F-Maß) von über 88 %.
In der Evaluation mit den Nutzern wurden sowohl die Klassifikationsgüte als auch die Echtzeit-Verarbeitungsgeschwindigkeit nachgewiesen. Das Projekt zeigt den Entwurf und Aufbau einer technisch und fachlich einheitlichen Echtzeitlösung – ein Beispiel dafür, wie sich die Potenziale der KI für die konkrete Unterstützung des Arbeitsalltags nutzen lassen.
Eingesetzte Methoden & Technologien
Künstliche Intelligenz · Machine Learning · Big-Data-Architektur · Echtzeitanalyse · Support Vector Machines · Multi Layer Perceptron · Random Forest · Clusterung · SAP HANA PAL · Simulationssoftware
KI-Potenziale für Ihren Arbeitsalltag nutzen
Sie möchten umfangreiche Sensordaten in Echtzeit auswerten und konkrete Entscheidungen automatisieren? Wir konzipieren und realisieren skalierbare Big-Data- und KI-Lösungen – vom Architekturframework bis zum produktiven Betrieb.
+++ Use Case +++
Fallstudie — Protection One GmbH
Operatives Reporting zur Deckungsbeitragssteuerung mit Power BI
Im Projekt DB I Steuerung haben wir gemeinsam mit der Protection One GmbH gezeigt, wie sich operative Unternehmensdaten aus SAP BW transformieren und auf native Microsoft-Infrastruktur übertragen lassen. Auf den neu modellierten Data Marts entstand ein initiales Reporting zur operativen Deckungsbeitragssteuerung mit Schwerpunkt Vertrieb und Technik.
Das Projekt auf einen Blick
01
Herausforderung
Um profitabel zu wachsen, wollte Protection One die Steuerung von Vertrieb und Technik neu ausrichten – messbar über den Deckungsbeitrag I (DB I). Dafür mussten operative Daten aus SAP BW auf native Microsoft-Infrastruktur überführt werden.
02
Ansatz
Eine zweistufige Architektur aus fachlich abgegrenztem Data Mart (Ebene 1) und SSAS-Cube (Ebene 2), modelliert in ADAPT-Notation, mit Pentaho als ETL-Werkzeug und Versionsverwaltung über drei Branches.
03
Ergebnis
Ein Power-BI-Bericht, der den tatsächlichen DB I transparent macht – vom Gesamtüberblick bis zur Einzelfallanalyse – und Ausreißer sowie laufende Projekte frühzeitig sichtbar macht.
Der Kontext
Ausgangslage
Die Protection One GmbH unterscheidet sich im Leistungsspektrum deutlich von ihren Mitbewerbern: Neben der Sicherheitstechnik bietet sie mit der Echtzeitansprache einen Zusatzservice, der das Sicherheitsniveau der Schutzobjekte spürbar erhöht. Um profitabel zu wachsen, digitalisiert das Unternehmen geeignete Steuerungsmechanismen.
In einem ersten fundamentalen Schritt sollte die Steuerung von Vertrieb und Technik neu ausgerichtet werden. Die Profitabilität wird dabei über die Kennzahl DB I dargestellt – den Deckungsbeitrag I nach Installationskosten (Material- und Servicekosten).
Ziele des Projektes
- Operative Daten aus SAP BW auf native Microsoft-Infrastruktur (SQL Server) überführen.
- Bestehende und neu definierte Kennzahlen aktuell und historisch betrachten.
- Mittels Backtesting künftige Korridore und Zielwerte anpassen sowie Plan/Ist-Vergleiche ermöglichen.
Die Architektur
Zwei Transformationsebenen als Fundament
Das Architekturkonzept sieht zwei Transformationsebenen vor, die die verarbeiteten Daten unabhängig und redundant vorhalten. So ist eine parallele Entwicklung möglich, ohne dass Änderungen auf der vorgelagerten Ebene die nachgelagerte behindern.
Operative Daten aus SAP BW werden zunächst in einem fachlich abgegrenzten Data Mart transformiert (Ebene 1). Dieser dient als Grundlage für den SSAS-Cube (Ebene 2) – ein tabulares Modell auf Basis von DAX, der Formelsprache in Power BI. Lokal auf einer SSAS-Instanz gehostet, lässt er sich im Unternehmensnetzwerk oder über ein gesichertes Gateway (Power BI Service) per Liveverbindung anbinden – als Single Point of Truth.
01
Vorgehen
Modellierung mit ADAPT & ETL mit Pentaho
Für die Transformationsstrecken der Data Marts kommt Pentaho als ETL-Werkzeug zum Einsatz. Die Modellierung der Marts wird in enger Abstimmung mit den Fachbereichen definiert – zunächst als semantisches Datenmodell in ADAPT-Notation.
Ein ADAPT-Modell veranschaulicht und dokumentiert komplexe Zusammenhänge von Datenräumen, lässt sich leicht erweitern und dient als inhaltliche Schnittstelle zwischen anforderndem Fachbereich und ausführenden Datentechnikern. Über einen zertifizierten Datensatz entsteht eine zentrale Stelle für Informationsintegrität, -konsistenz und -sicherheit – und aufkeimende Schatten-IT wird begrenzt.
02
Vorgehen
Versionierung & Report-Design
Neben der zweistufigen Entwicklungsumgebung sichert eine Versionsverwaltung die Entwicklungsstände auf drei Ebenen:
- DEV-Branch – Ebene für Reportentwickler und Datentechniker.
- RELEASE-Branch – Testumgebung für die Qualitätssicherung durch den Fachbereich.
- MASTER-Branch – nach durchgeführten UATs für die Nutzung durch die Endanwender.
Das Report-Design führt Endanwender mit Hinweisen zu Filtern und KPIs ein und bietet dann den Überblick über die relevanten Kennzahlen. Über zahlreiche globale Filter lassen sich Abweichungen in Zeitreihen oder im Kontraktportfolio sofort erkennen und per Drill bis ins Detail verfolgen – vom Abnahmedatum über Kontrakt- und Serviceauftragsebene bis theoretisch zur Equipmentebene, inklusive Plan/Ist-Kostenvergleich und Metadaten zu Servicetechnikern und KAM-Managern.
Das Ergebnis
Der DB-I-Bericht macht die Entwicklung des tatsächlichen Deckungsbeitrags transparent – vom Gesamtüberblick einer Region bis zur einzelnen Fallanalyse.
Positive wie negative Ausreißer lassen sich schnell identifizieren; die Erkenntnisse werden zu Erfolgsfaktoren für künftige Kundenprojekte. Zugleich schafft der Bericht Transparenz über neu gestartete und laufende Projekte, sodass bereits vor Abschluss Maßnahmen zur Sicherung der Profitabilität ergriffen werden können.
Eingesetzte Methoden & Technologien
SAP BW · SQL Server · Power BI · DAX · SSAS-Cube (tabular) · Data Marts · Pentaho (ETL) · ADAPT-Notation · Versionsverwaltung · Single Point of Truth
Einen Single Point of Truth für Ihre Steuerung schaffen
Sie möchten Daten aus SAP auf eine moderne Microsoft-BI-Plattform überführen und Ihre Steuerung mit verlässlichen Kennzahlen in Power BI aufsetzen? Wir begleiten Sie von der Datenmodellierung über ETL bis zum produktiven Reporting.
+++ Use Case +++
Fallstudie — VNG AG
Artificial Intelligence zur Marktpreisvorhersage
Im Projekt „Marktpreisvorhersagen zu Rohstoffpreisen“ haben wir gemeinsam mit der VNG AG gezeigt, wie sich Advanced Analytics nutzen lässt, um aus einer Vielzahl unterschiedlicher Daten – Newsticker-, Handels- und Wetterdaten – Preistrendvorhersagen zu erzeugen und sie den Anwendern in einer Benutzeroberfläche bereitzustellen.
Das Projekt auf einen Blick
01
Herausforderung
In einem effizienten Markt spiegelt der Preis alle verfügbaren Informationen wider. Ziel jedes Marktteilnehmers ist ein Informationsvorsprung – das Wissen, wie sich Preise künftig entwickeln.
02
Ansatz
Integration sehr unterschiedlicher Daten – sekundengenau, teils unstrukturiert, in großen Mengen – gemäß der drei Vs, ausgewertet in Echtzeit mit Klassifikation (u. a. Support Vector Machines) und Clusterung von Textmeldungen.
03
Ergebnis
Eine Echtzeit-Lösung, die bei neuen Tickermeldungen Prognosen zur Preisentwicklung des Handelstages liefert – als Grundlage, den Gashandel neu aufzustellen und einen Wettbewerbsvorteil zu entwickeln.
Der Kontext
Ausgangslage
Die Versorgung mit Rohstoffen und Energie sowie der dafür notwendige Handel sind Kernfunktionen der Wirtschaft. Börsen bilden das Zusammentreffen von Angebot und Nachfrage; in einem effizienten Markt spiegelt der Preis alle verfügbaren Informationen wider.
Das Ziel aller Marktteilnehmer ist ein Informationsvorsprung, um Kaufentscheidungen unter dessen Ausnutzung zu treffen. Genau diesen Vorsprung – das Wissen um die künftige Preisentwicklung – konnte die VNG AG in diesem Projekt durch Advanced Analytics erzielen.
Big Data nach den drei Vs
- Volume – große Datenmengen aus internen und externen Quellen.
- Velocity – sekundengenaue Daten mit unterschiedlichen Änderungsgeschwindigkeiten.
- Variety – strukturierte und unstrukturierte (textuelle) Daten wie Newsticker-, Handels- und Wetterdaten.
Der Ansatz
Realtime Data Analytics als Schlüssel
Das Architekturkonzept integriert strukturell und inhaltlich sehr unterschiedliche Daten, die – verglichen mit Börsenpreisen – unterschiedlichen Änderungsgeschwindigkeiten unterliegen, sekundengenau und teils textuell vorliegen. Auf dieser Datenbasis lassen sich in Echtzeit Prognosen über die Richtung der Preisentwicklung ermitteln.
Echtzeitauswertungen auf dieser Mischung von Daten stellen hohe Anforderungen an Architektur und Algorithmen. Big Data, Advanced Analytics und Echtzeit ergeben zusammen Realtime Data Analytics – die fachliche wie technische Grundlage der Lösung.
01
Vorgehen · 3 Schritte in 5 Monaten
Auswahl relevanter Daten und Vorverarbeitung
Im ersten Schritt galt es, Daten aus internen und externen Quellen zu sammeln, die eine Vorhersage ermöglichen. Wesentlich war dabei, Spielraum für bislang nicht antizipierte Zusammenhänge in den Daten zu schaffen.
So entstand die Grundlage, später aus der Gesamtheit strukturierter und unstrukturierter Informationen ähnliche Situationen der Vergangenheit zu identifizieren und daraus Prognosen abzuleiten.
02
Vorgehen · 3 Schritte in 5 Monaten
Datentransformation, Algorithmen & Anwenderoberfläche
Die zweite Phase diente zunächst der Transformation der Daten, damit eine Klassifikation zur Vorhersage der Kursrichtung (steigend oder fallend) möglich wurde. Je nach Datenvolumen und Berechnungsdauer wurden verschiedene Algorithmen evaluiert:
- Klassifikation – Vorhersage der Kursrichtung; Support Vector Machines zeigten eine besonders hohe Qualitäts- und Zeitperformance.
- Clusterung – ähnliche Texte in der historischen Sammlung schneller identifizieren (z. B. Reuters-Meldungen).
- Ähnlichkeitsanalyse – über die Gesamtheit der Daten die drei ähnlichsten Situationen der Vergangenheit finden und daraus die Prognose ableiten.
Auslöser für eine Prognose ist stets das Eintreffen einer neuen Reuters-Nachricht. Zur Weitergabe der vorhergesagten Preisentwicklung an die Händler entstand eine Benutzeroberfläche – aufgebaut in einem bereits bei der VNG verfügbaren Werkzeug. Auf Basis des Machbarkeits- und Wirksamkeitsnachweises wurde anschließend die Architektur für den Echtzeitbetrieb mit zentraler Datenbasis realisiert.
Das Ergebnis
Bei neuen Tickermeldungen liefert die Lösung nun Prognosen zu deren Auswirkungen auf die Preisentwicklung des Handelstages – anschließend durch einen Analysten beurteilt.
Die Fülle an Informationen lässt sich so deutlich besser bewältigen. Das Projekt zeigt die fachliche und technische Realisierung als Echtzeit-Lösung bei der VNG, mit der sich der Gashandel als Kerngeschäft neu aufstellen und ein Wettbewerbsvorteil entwickeln lässt. Die Lösung ist auf andere Branchen übertragbar, die textuelle und faktenbasierte Daten betrachten.
Eingesetzte Methoden & Technologien
Advanced Analytics · Big Data (3 Vs) · Realtime Data Analytics · Klassifikation · Support Vector Machines · Clusterung · Textanalyse (Reuters) · Echtzeitintegration
Aus Daten einen Informationsvorsprung machen
Sie möchten heterogene Markt-, Text- und Sensordaten in Echtzeit auswerten und in konkrete Entscheidungen überführen? Wir konzipieren und realisieren übertragbare Realtime-Analytics-Lösungen – vom Datenmodell bis zum produktiven Betrieb.
+++ Use Case +++
Fallstudie — Power BI · Finanzversicherer
Power BI Features zu Gunsten eines Managed Self Service in der Finanzversicherungsbranche
Gemeinsam mit einem Finanzversicherer hat die Marmeladenbaum GmbH ein umfängliches Bewertungskonzept erarbeitet, das Power BI im Kontext des Managed-Self-Service-Prinzips beurteilt. Über einen Anforderungskatalog wurden die drei Bereitstellungsszenarien On-Premises, Cloud-Service und dedizierte Cloudkapazitäten (Power BI Premium) verglichen – als Ergebnis entstand eine Bewertungsmatrix zur Identifikation des optimalen Szenarios.
Das Projekt auf einen Blick
01
Herausforderung
Fachanwender brauchen schnellen, ungehinderten Zugang zu gültigen Informationen – flexibel auswertbar, aber aus einer einzigen, qualitätsgesicherten Quelle (Single Point of Truth).
02
Ansatz
Ein Anforderungskatalog und der Vergleich der drei Bereitstellungsszenarien (On-Premises, Cloud-Service, Power BI Premium) hinsichtlich Features, Governance und Lizenzkosten.
03
Ergebnis
Eine Bewertungsmatrix, mit der sich das optimale Bereitstellungsszenario identifizieren lässt. Im konkreten Fall war die On-Premises-Variante der richtige Weg – mit nahtlosem Pfad in die Cloud.
Der Kontext
Ausgangslage
Um dem Wettbewerbsdruck im globalen Markt standzuhalten, ist die Versicherungsbranche – wie jeder Dienstleister im Finanzsektor – getrieben, neue IT-Konzepte umzusetzen und den Mitarbeitenden schnellen, ungehinderten Zugang zu operativen Informationen zu gewährleisten. Fachanwender sollen sich dabei auf ihre Kernkompetenzen konzentrieren.
Aus Sicht der Informationskonsumenten (Controlling) müssen die Informationen gültig und vertrauenswürdig sein – nicht vollständig voraufbereitet, sondern flexibel aus verschiedenen Blickwinkeln auswertbar (Multidimensional Data Discovery). Aus Sicht der Bereitsteller (IT und Fachbereiche) müssen sie zielgerichtet und ohne Verzögerung für einen größeren Kreis abrufbar sein – unveränderbar aus einer Quelle gemäß den Datenqualitätsstandards (Single Point of Truth).
Anforderungen an Managed Self Service
- Strategisch-konzeptionell – Data Governance, Data Security und ein Rollenkonzept.
- Kollaborativ – PDF-Export, Pixel-Perfect-Berichte, mobile App und Write-back.
- Wirtschaftlich – jedes Feature hängt vom Bereitstellungsszenario ab, mit je nach Lizenzlage unterschiedlichen Kosten.
Der Ansatz
Drei Bereitstellungs-szenarien im Vergleich
Jedes Feature hängt vom gewählten Bereitstellungsszenario ab – und das verursacht je nach bereits lizenzierter Software unterschiedliche Kosten. Für Unternehmen mit SQL-Server Enterprise Edition und Software Assurance kann die On-Premises-Bereitstellung über den Report Server finanziell attraktiv sein: Berichtsnutzer verursachen keine Lizenzkosten, nur Berichtersteller benötigen eine Pro-Lizenz zum Veröffentlichen.
Die On-Premises-Variante bedeutet jedoch Einschnitte bei kollaborativen Features wie Export, Data Alerts oder dem Versand von Berichten per E-Mail. Bei geringen Abweichungen vom Soll-Zustand stellen die Berater von Marmeladenbaum bewährte Workarounds und Best Practices als Lösungsansätze vor.
01
Vorgehen
Anbindung, Ablösung & Data Governance
Wir unterstützen bei der Anbindung und Ablösung unterschiedlicher BI-Werkzeuge. Enterprise-BI-Systeme stammen selten von einem Anbieter, sondern bestehen aus einer komplexen Architektur von Komponenten mehrerer Hersteller. Vor Ort identifiziert Marmeladenbaum die einzelnen Komponenten, prüft die Schnittstellenkompatibilität und lässt die Ergebnisse sowie langjährige Erfahrung in Bewertung und Umsetzung einfließen.
Für eine Reihe von BI-Werkzeugen unterstützen wir bei Konzepten für eine umfängliche Data Governance – oder liefern ein Komplettpaket bewährter Best Practices. Power BI besitzt etwa kein Out-of-the-box-Rollenkonzept; wir entwickeln daher je Bereitstellungsszenario ein passendes Konzept und schulen bei Bedarf die Nutzergruppen eines Rollenkreises.
02
Die Lösung
On-Premises mit nahtlosem Pfad in die Cloud
Im vorliegenden Fall war die On-Premises-Variante der richtige Weg. Aufgrund der langfristigen Cloud-Strategie ist der Berichtsserver eine flexible Lösung, um den Wechsel später nahtlos zu ermöglichen:
- Berichtsnutzer mit geringen funktionalen Anforderungen greifen über das Portal des Berichtsservers zu.
- Nutzer mit höheren Anforderungen nutzen bereits den Cloud-Service.
- Über den Erwerb von Pro-Lizenzen lassen sich Berichte jederzeit in die Cloud migrieren.
In der On-Premises-Variante orientiert sich der Self Service an klassischen Funktionen wie Drill oder Kommentaren. In der Cloud liefern Features wie Data Insights schnelle Erkenntnisse, und der Premium-Service schafft eine hochskalierbare Umgebung für Massenzugriffe – auch für Nutzer außerhalb der Organisation.
Das Ergebnis
Es entstand eine Bewertungsmatrix, mit der sich für jeden Anwendungsfall das optimale Bereitstellungsszenario identifizieren lässt.
So wird die Wahl zwischen On-Premises, Cloud-Service und Power BI Premium nachvollziehbar – entlang von Features, Governance-Anforderungen und Lizenzkosten. Im Fall des Finanzversicherers fiel die Entscheidung auf eine On-Premises-Lösung, die einen nahtlosen späteren Wechsel in die Cloud offenhält.
Eingesetzte Methoden & Technologien
Power BI · Power BI Premium · Report Server (On-Premises) · Managed Self Service · Multidimensional Data Discovery · Single Point of Truth · Data Governance · Data Security · Rollenkonzept · Bewertungsmatrix
Das passende Power-BI-Szenario für Ihr Unternehmen finden
Sie stehen vor der Wahl zwischen On-Premises, Cloud und Power BI Premium – und wollen Features, Governance und Kosten sauber abwägen? Wir bewerten Ihre Anforderungen anbieterneutral und begleiten Sie von der Konzeption bis zum produktiven Betrieb.
+++ Use Case +++
Fallstudie — Protection One GmbH
Advanced Analytics zur Kundenabwanderungsprävention
Gemeinsam mit der Protection One GmbH haben wir gezeigt, wie sich Advanced Analytics nutzen lässt, um aus Kündiger-, Vertriebs- und Projektdaten verlässliche Vorhersagen für potenzielle Kündigungen zu erzeugen – und sie den Anwendern in einer intuitiven Oberfläche bereitzustellen. So lässt sich die eigene Marktposition strategisch stärken.
Das Projekt auf einen Blick
01
Herausforderung
Wachsende Konkurrenz durch Sicherheitstechnik aus dem Einzelhandel und durch klassische Mitbewerber. Gefragt waren mehr Transparenz über das Kundenverhalten und eine frühzeitige, passgenaue Ansprache.
02
Ansatz
Integration strukturell und inhaltlich sehr unterschiedlicher Daten – sekundengenau, teils unstrukturiert und in großen Mengen – als Basis für Mustererkennung mit Assoziationsanalyse, Klassifikation und Clusterung.
03
Ergebnis
Eine zentrale Datenbasis und ein wirksames Zusammenspiel aus OLAP und Data Mining, mit dem sich Veränderungen im Markt- und Kundenverhalten regelmäßig und frühzeitig erkennen lassen.
Der Kontext
Ausgangslage
Die Protection One GmbH unterscheidet sich im Leistungsspektrum deutlich von ihren Mitbewerbern: Neben der Sicherheitstechnik bietet sie mit der Echtzeitansprache einen Zusatzservice, der das Sicherheitsniveau der jeweiligen Schutzobjekte spürbar erhöht. Dennoch entstand eine wahrnehmbare und steigende Konkurrenz – sowohl durch in Supermärkten angebotene Sicherheitstechnik als auch durch klassische Mitbewerber.
Das Wissen um die Kundenbewegungen wurde damit zum entscheidenden Informationsvorsprung, den Protection One in diesem Projekt durch Advanced Analytics erzielen konnte.
Ziele des Projektes
- Mehr Transparenz über das Kundenverhalten gewinnen
- Kunden frühzeitig mit passenden Angeboten ansprechen
- Die Mehrwerte des eigenen Angebots nutzen, um die führende Marktposition zu halten
Die Aufgabe
Architekturkonzept und Datenintegration
Architektonisches Ziel war es, strukturell und inhaltlich sehr unterschiedliche Daten zu integrieren, die sekundengenau, teilweise textuell (unstrukturiert) und in großen Mengen vorliegen. Insbesondere die Daten aus der Videoüberwachung treffen als Stream und in sehr großem Umfang ein.
Erschwerend kam hinzu, dass Protection One in der Vergangenheit mehrere Systemumstellungen hatte, bei denen Daten nur teilweise übernommen wurden. Es war daher eine eigene Datenintegrationsebene erforderlich. In sehr kurzer Projektdauer wurde intensiv und gemeinschaftlich gearbeitet, um zunächst eine integrierte Datenbasis zu schaffen und darauf aufbauend Muster von Abwanderern und Nicht-Abwanderern zu erkennen.
01
Vorgehen
Auswahl relevanter Daten und Vorverarbeitung
Im ersten Schritt galt es, aus den vorliegenden Quellen jene Daten zu sammeln, die eine Vorhersage ermöglichen. Wesentlich war dabei, die Datenqualität sicherzustellen und die Daten so zu integrieren, dass sie ein geschlossenes Bild über die Markt- und Kundenlage ergeben.
So entsteht Raum für bislang nicht antizipierte Zusammenhänge in den Daten, die den Entscheidungsträgern wertvolle Informationen liefern. Zugleich wurde festgehalten, welche weiteren Daten künftig erhoben und ausgewertet werden sollen, um noch genauere Erkenntnisse zu gewinnen.
02
Vorgehen
Datentransformation, Training der Algorithmen und Anwenderoberfläche
Die zweite Phase diente zunächst der Transformation der Daten, damit eine Mustererkennung im Kontext der Abwanderer- und Nicht-Abwandererbetrachtung möglich wurde. Zum Einsatz kamen Verfahren aus drei Bereichen:
- Assoziationsanalyse – das gemeinsame Auftreten kennzeichnender Attribute sichtbar machen und so die Diskussion mit dem Fachbereich ermöglichen.
- Klassifikation – Muster identifizieren, die abwanderndes von nicht abwanderndem Verhalten unterscheiden.
- Clusterung – die identifizierten Muster absichern und validieren.
Wichtig war, dass die Mitarbeitenden von Protection One parallel im Data Mining ausgebildet wurden – so können sie den Prozess selbstständig weiterführen und regelmäßig ausführen. Die Ergebnisse mussten zudem so aufbereitet sein, dass die Fachbereiche sie verstehen und daraus konkrete Aktionen zur Kündigungsprävention ableiten können. Dabei wurden zugleich Potenziale zur Neukundengewinnung identifiziert.
Anhand der Daten ließ sich das Marktgeschehen – so wie es Branchenkenner einschätzen – bestätigen und um konkrete Zusammenhänge zu den Kunden ergänzen. Dieses Ergebnis wurde in eine OLAP-Oberfläche integriert, die den Entscheidungsträgern Daten und abgeleitete Kennzahlen zur Marktsituation zusammenfassend bereitstellt.
Nach dem Nachweis von Machbarkeit und Wirksamkeit des fachlichen Konzeptes wurde die notwendige Architektur realisiert: Sie ermöglicht den Analytics-Betrieb durch die Mitarbeitenden vor Ort und bietet eine zentrale Datenbasis, um auch Zeitreihen über das Marktgeschehen zu ermitteln. So entstand ein wirksames Zusammenspiel von OLAP (SQL-basierte Berichtsanfragen) und Data Mining im Sinne der Business Analytics.
Das Ergebnis
Regelmäßig lassen sich nun neue Mustererkennungen durchführen und Kennzahlen berechnen, um Veränderungen im Markt und im Kundenverhalten frühzeitig zu identifizieren.
Die gesamte Lösung basiert auf Standardwerkzeugen und ist vollständig grafisch gestaltet: Fachanwender und IT lösen neue Herausforderungen gemeinsam – das schafft die Grundlage für eine lange Lebensfähigkeit der Lösung.
Eingesetzte Methoden & Technologien
Advanced Analytics · Data Mining · Datenintegration · Assoziationsanalyse · Klassifikation · Clusterung · OLAP (SQL) · Business Analytics
Kundenabwanderung frühzeitig erkennen
Sie möchten Ihre Marktposition mit Advanced Analytics absichern und Kunden ansprechen, bevor sie kündigen? Wir begleiten Sie konzeptionell, strategisch und in der Umsetzung – bis hin zur Betreuung im laufenden Betrieb.
+++ Use Case +++
Fallstudie — ONTRAS Gastransport GmbH
6 Jahre ONTRAS Kennzahlensystem
Flexibilität, partnerschaftliche Zusammenarbeit, fachliche Kompetenz und die Bereitschaft, gemeinsam neue Herausforderungen anzugehen – das sind die Leitmotive der Zusammenarbeit zwischen der ONTRAS Gastransport GmbH und der Marmeladenbaum GmbH. Gemeinsam haben wir ein Kennzahlencockpit konzipiert, aufgebaut und über Jahre weiterentwickelt.
Das Projekt auf einen Blick
01
Herausforderung
Ein Kennzahlencockpit, das wesentliche Unternehmensbereiche abbildet – zunächst als Orientierungshilfe für die Geschäftsführung und flexibel anpassbar an wandelnde Anforderungen.
02
Ansatz
Komplett neue Data-Warehouse-Strukturen, Metadaten, zahlreiche Berichte und interaktive Dashboards – mit Funktionen wie ESRI-Maps, Kennzahlen und Time Slidern für neue Perspektiven auf bekannte Daten.
03
Ergebnis
Aus der Orientierungshilfe wurde ein zentrales Werkzeug für viele Anwender über mehrere Fachbereiche hinweg – betrieben als Service nach dem Konzept B(I)2TIL™.
Der Kontext
Ausgangslage
ONTRAS Gastransport wurde 2006 gegründet und ist seit Umsetzung des 3. EU-Binnenmarktpakets im März 2012 als unabhängiger Fernleitungsnetzbetreiber zertifiziert – weiterhin als Teil des VNG-Konzerns. Mit 7.500 km betreibt ONTRAS Deutschlands zweitlängstes Fernleitungsnetz mit 450 Netzpunkten und angeschlossenen Speichern.
22 Biogasanlagen und zwei Power-to-Gas-Anlagen speisen regenerative Gase ein; mit jährlich bis zu 180 Mio. Nm³ transportiert ONTRAS rund 18 % des deutschlandweit eingespeisten Regenerativgases. Mit der Vision „going green.“ strebt das Unternehmen bis 2050 eine vollständig dekarbonisierte Gasversorgung an.
Projektinhalt
- Konzeption, Aufbau und Weiterentwicklung eines Kennzahlencockpits für wesentliche Unternehmensbereiche.
- Zunächst Orientierungshilfe für strategische Überlegungen und Entscheidungen der Geschäftsführung.
- Inzwischen für alle Mitarbeitenden verfügbar – flexibel an wandelnde Anforderungen angepasst.
Der Start
Das initiale Cockpit in wenigen Wochen
Die erste Konzeption, der Designentwurf und die Entwicklung des initialen Kennzahlencockpits erfolgten innerhalb weniger Wochen. Dabei entstanden komplett neue Data-Warehouse-Strukturen, die Metadaten wurden aufgebaut und eine Vielzahl von Berichten und interaktiven Dashboards gestaltet.
Mit neuen Funktionen wie ESRI-Maps, Kennzahlen oder Time Slidern bereiteten wir bekannte Daten so auf, dass den Anwendern völlig neue Perspektiven möglich wurden.
01
Weiterentwicklung
Vom Cockpit zur fachbereichsübergreifenden Lösung
Der Erfolg des Cockpits zeigte sich schnell – und der Bedarf nach einer konsistenten, gemeinsamen Lösung über mehrere Fachbereiche hinweg wuchs. Es folgten immer wieder neue Phasen der Konzeption und Entwicklung von Frontend-Design und Datenmodell.
Neue Funktionen wie Dateneingaben für Kommentierungs- und Freigabeprozesse automatisierten zuvor manuelle Abläufe oder lösten veraltete Werkzeuge ab. Die direkte, hochautomatisierte Anbindung von Datenquellen nahm beständig zu – bei gleichzeitig qualitätsgesicherten manuellen Eingaben. So entstand nach und nach ein zentrales Werkzeug für viele Anwender.
02
Ausblick & Betrieb
Mobile App & Betrieb nach B(I)2TIL™
Die nächsten Erweiterungen sind bereits geplant: Eine mobile Anwendung für Geschäftsleitung und Dispatching bildet einen weiteren Pfeiler der zukunftsorientierten Entscheidungsfindung. Im Mittelpunkt stehen die tagesaktuelle Bereitstellung der Daten und eine moderne, intuitive App, die neben verschiedensten Datenquellen auch Informationseingabe, -freigabe und Kommentierung durch Fachverantwortliche vollständig unterstützt.
Das auf ITIL aufgebaute Betriebskonzept B(I)2TIL™ ermöglicht ONTRAS, jederzeit einen umfassenden Service zu nutzen, ohne zwingend eigene personelle Ressourcen aufzubauen. Lediglich Kennzahlen aus manuellen, wenig digitalisierten Prozessen liefert ONTRAS selbst; bereits digital vorliegende Daten werden über eine direkte Anbindung der Quellen aufgenommen, was Übertragungsfehler minimiert.
Das Ergebnis · 6 Jahre Partnerschaft
Aus einer Orientierungshilfe für die Geschäftsführung ist ein zentrales Kennzahlensystem für viele Anwender über mehrere Fachbereiche hinweg geworden.
Das System passt sich flexibel an wandelnde Anforderungen an, automatisiert Prozesse und bindet Datenquellen direkt an. Betrieben als Service nach B(I)2TIL™ bleibt ONTRAS jederzeit handlungsfähig, ohne eigene Ressourcen aufbauen zu müssen – eine partnerschaftliche Zusammenarbeit, die über sechs Jahre kontinuierlich gewachsen ist.
Eingesetzte Methoden & Technologien
MicroStrategy · Pentaho (ETL) · Data Warehouse · ESRI-Maps · Time Slider · Interaktive Dashboards · Kommentierungs- & Freigabeprozesse · Mobile App · B(I)2TIL™
Ein Kennzahlensystem, das mit Ihnen wächst
Sie möchten ein Kennzahlencockpit aufbauen, das sich flexibel an neue Anforderungen anpasst und als verlässlicher Service betrieben wird? Wir begleiten Sie von der Konzeption über Data Warehouse und Dashboards bis zum Betrieb nach B(I)2TIL™.
+++ Use Case +++
USe Case — Sigs Datacom GmbH
Business Intelligence und Analytics (BIA) – Kickstart
Probieren geht über Studieren: Prüfen Sie schnell, kostensicher und nachvollziehbar, was Business Intelligence und Analytics für Ihr Unternehmen leisten können. Der BIA-Kickstart führt in nur einer Woche von der initialen Definition bis zur ersten fachlichen Auswertung.
Der BIA-Kickstart auf einen Blick
01
Herausforderung
Das passende Startprojekt finden – anspruchsvoll genug, um Potenziale zu zeigen, und zugleich so schnell, dass früh etwas Greifbares im Unternehmen kommuniziert werden kann.
02
Ansatz
Ein modularer Ansatz, der in einer Woche von der Themenauswahl über Datenmodell, Integration und Datenhaltung bis zum fertigen Dashboard und den Schulungen führt.
03
Ergebnis
Eine erste fachliche Auswertung auf produktiven Daten – flexibel erweiterbar, sobald die Fachanforderungen wachsen.
Der Kontext
Warum der richtige Start entscheidet
Das etablierte Konzept der Business Intelligence und Analytics (BIA) erfindet sich immer wieder neu. Bedarfe an Auswertungen, Datenhaltung oder Performance verlangen nach umfassenden, tragfähigen Umsetzungen – die von vielen Nutzern anwendbar sind, zu Beginn aber vor allem schnell zu implementieren sein sollen.
Genau hier stellt sich die Frage nach einem geeigneten Startprojekt: anspruchsvoll genug, um Potenziale aufzuzeigen, und zugleich schnell, um etwas Greifbares kommunizieren zu können. Ohne umfassende Datenstrategie sind Aussagen über gewünschte Auswertungen und die nötige Datenmodellierung zu Beginn jedoch schwer zu fassen.
Typische Stolpersteine
- Wünschenswerte Auswertungen lassen sich ohne Datenstrategie schwer formulieren.
- Datenmodellierung ohne klare Fachanforderung ist eine planerische Herausforderung.
- Intensive Abstimmungsrunden verzögern oft schon zu Beginn den gesamten Zeitplan.
Der Ansatz
BIA-Kickstart: modular in einer Woche
Aufgrund dieser Dualität sieht der BIA-Kickstart einen modularen Ansatz zur Umsetzung komplexer BIA-Anforderungen vor, der innerhalb einer Woche von der initialen Definition bis zur ersten fachlichen Auswertung führt.
Der Reiz liegt im „Probieren geht über Studieren“: schnell, kostensicher und nachvollziehbar lässt sich prüfen, welchen konkreten Nutzen BIA im eigenen Unternehmen stiftet – mit einem greifbaren Ergebnis am Ende der Woche.
01
Vorgehen
Die Bausteine des BIA-Kickstarts
Alle für eine erfolgreiche Entwicklung notwendigen Themen sind Teil des Ansatzes:
- Gemeinsame Themenauswahl.
- Formulierung der relevanten Kennzahlen.
- Erstellung eines entsprechenden Datenmodells.
- Identifikation der benötigten Quellsysteme.
- Umsetzung der nötigen Schritte zur Datenintegration.
- Aufstellung einer tragfähigen Datenhaltung.
- Konzeption eines aussagekräftigen Visualisierungsdesigns.
- Überführen der Daten in das gewählte Oberflächen-Tool.
- Durchführung der abschließenden Schulungen.
02
Skalierung
Flexibel erweiterbar – Baustein für Baustein
Ein weiterer wichtiger Aspekt des BIA-Kickstarts ist die flexible Erweiterbarkeit der gesamten Entwicklung.
Jeder Baustein ist so ausgestaltet, dass er bei wachsenden Fachanforderungen um die benötigten Daten und Modelle erweitert oder jederzeit integriert werden kann. So bleibt aus dem schnellen Start eine tragfähige, mitwachsende Lösung.
Kundenstimme · Sigs Datacom
„In nur einer Woche hat das Team von Marmeladenbaum ein komplettes Dashboard mit Anbindung an unsere produktiven Daten geschaffen, das wir nun für unsere Berichte zeitsparend und attraktiv nutzen.“
„Bisher hatten wir alle Zahlen manuell aufzubereiten; nicht selten entstanden Widersprüche, und der personelle Aufwand war enorm. Zudem konnten wir konkrete Punkte zur Verbesserung der Datenqualität aufnehmen – und wissen heute, welche Daten wir zukünftig brauchen.“ — Christoph Kreutz, Sigs Datacom / TDWI
Im BIA-Kickstart enthalten
Themenauswahl · Kennzahlen · Datenmodell · Quellsysteme · Datenintegration · Datenhaltung · Visualisierungsdesign · Dashboard-Tool · Schulungen
Starten Sie mit Ihrem BIA-Kickstart
Sie möchten schnell, kostensicher und nachvollziehbar prüfen, was Business Intelligence und Analytics für Sie leisten? Sprechen Sie uns an – in einer Woche steht Ihre erste fachliche Auswertung auf Basis von Ihren Daten.
+++ Use Case +++
Fallstudie — B. Braun SE
Business Analytics-basiertes Vorhersagemodell senkt Kapitalbindungskosten
Für eine bessere Kontrolle des Working Capital ist eine möglichst frühe Vorhersage des Lagerbestandswerts entscheidend. Gemeinsam mit der B. Braun SE haben wir eine Lagerbestandsprognose mit Analytics-Algorithmen entwickelt, die auf einen Horizont von 12 Monaten eine mittlere Abweichung von nur 2,57 % zum tatsächlichen Wert erreicht.
Das Projekt auf einen Blick
01
Herausforderung
In Vorräten gebundenes Kapital ist gerade für produzierende Unternehmen eine ständige Herausforderung – Bestände sind so gering wie sinnvoll möglich zu halten.
02
Ansatz
Zeitreihen-Profiling und automatisierte Modellauswahl je Aggregationsebene, ergänzt um eine multiple Regression auf Konzernebene – umgesetzt in Python.
03
Ergebnis
Auf Konzernebene eine mittlere Abweichung von 2,57 % über 5 Jahre – im besten Jahr nur 0,5 % – bei einem Vorhersagehorizont von 12 Monaten.
Der Kontext
Die Herausforderung
Das in Vorräten und Beständen gebundene Kapital ist insbesondere für produzierende Unternehmen eine ständige Herausforderung. Bestände sind sowohl im Supply Chain Management als auch in der Lagerhaltung nach der Produktion so gering wie sinnvoll möglich zu halten.
Die Produktionen des B. Braun Konzerns gliedern sich weitgehend in Serien- und Massenproduktion. Bei der Massenproduktion erfolgt eine Produktion auf Lager, dessen Bestand je nach Abnahme, produzierter Menge und weiteren Einflussfaktoren schwankt – für das Controlling ist daher eine möglichst frühe Wertvorhersage zentral.
Ziele des Projektes
- Den Wert der Lagerbestände frühzeitig und verlässlich vorhersagen.
- Auf dieser Basis Steuerungsmaßnahmen zur Kontrolle des Working Capital ermöglichen.
- Vorhersagen über Produkte, Länder, rechtliche Einheiten und weitere Aggregationsebenen hinweg ermöglichen.
Werkzeuge & Architektur
Modular in Python – erweiterbar bis in die Cloud
Da es um die Beurteilung der Machbarkeit und das Sammeln von Erfahrungen ging, wurde für B. Braun mit Python gearbeitet. Der modulare Aufbau macht eine Erweiterung sehr effektiv – etwa um Methoden des maschinellen Lernens (KI).
Parallel wurden die betrauten Mitarbeitenden von B. Braun ausgebildet, sodass Verfahren, Technologien und das eigentliche Skript verständlich wurden. In den kommenden Stufen lässt sich der Code flexibel in Cloud-Umgebungen (SAP Analytics Cloud oder Microsoft Azure), auf intern gehosteten Servern oder über die PAL on premise im SAP-HANA-Kern nutzen; verschiedene Oberflächenwerkzeuge können auf die Prognosen zugreifen.
01
Vorgehen
Profiling & automatisierte Modellauswahl
Zunächst wählte B. Braun für einzelne Produktgruppen repräsentative Produkte aus, um auf breiter Datenbasis Verfahren zur Vorhersage von Menge und Preis anzuwenden – auf den Ebenen Land, rechtliche Einheit, Produkt und weiteren Aggregationsebenen.
Die Zeitreihen durchliefen ein automatisiertes Profiling, das Charakteristika wie Relevanz, Komplexität, zeitliche Muster und Stabilität extrahiert und passende Vorverarbeitungsschritte übernimmt. Pro Zeitreihe wählt der Ansatz automatisiert die beste Vorhersage je Aggregationsebene. Im POC ließ sich so eine passende Vorhersagbarkeit auf die Horizonte 3, 6, 9 und 12 Monate über sechs Granularitäten realisieren.
02
Vorgehen
Regression auf Bilanzniveau
Die über viele Produkte ausgerollten Vorhersagen erzielten zum Teil sehr präzise Ergebnisse. Lediglich bei Produkten mit Projektgeschäft schwankte die Güte, sodass der auf Bilanzniveau kumulierte Wert Abweichungen aufwies.
Daher wurde in einem zweiten Schritt eine Regressionsanalyse ergänzt, um diese Ebene direkt vorherzusagen. Treiber wie Stahl- oder Ölpreise gingen in den Test ein – im Ergebnis entstand eine multiple Regression, die auf Konzernebene die hohe Vorhersagegüte liefert.
Das Ergebnis
12 Monate vor dem Stichtag lässt sich der Lagerbestandswert aus Mengen- und Preisprognose auf Konzernebene mit einer mittleren Abweichung von 2,57 % über 5 Jahre vorhersagen – im besten Jahr nur 0,5 %.
Mit 95 % Wahrscheinlichkeit liegt der Vorhersagefehler laut Konfidenzintervall zwischen 0,5 % und 4,7 %. Ein weiterer Mehrwert: Durch die umfangreiche Datenanalyse wurden Zusammenhänge und Effekte für die Fachanwender sichtbar, die auf herkömmlichem Weg bislang unentdeckt blieben.
Eingesetzte Methoden & Technologien
Python · Zeitreihen-Profiling · Automatisierte Modellauswahl · Multiple Regression · SAP Analytics Cloud · Microsoft Azure · SAP HANA PAL · Machine Learning (KI)
Kapitalbindung senken – mit verlässlichen Prognosen
Sie möchten Lagerbestände, Absatz oder Preise frühzeitig vorhersagen und Ihr Working Capital aktiv steuern? Wir entwickeln modulare Prognosemodelle – vom Proof of Concept bis in den produktiven Betrieb, on premise oder in der Cloud.
Eine Auswahl unserer Kunden
