Fallstudie

Supply-Chain-Daten, raus aus vielen Excel-Dateien und rein in ein Modell

Transport und Logistik

Ein Logistikunternehmen, dessen Supply-Chain-Daten über viele Excel-Dateien verteilt waren. Sendungsverfolgung und Lagereffizienz kommen heute aus einem Reporting-Modell.

Projektbeschreibung lesen (englisch)(öffnet in einem neuen Tab)
Dauer
8 Monate
Sendungsverfolgung
45 % effizienter
Manuelle Stunden
30 % weniger
Eine Schemazeichnung: die getrennten Berichte, mit denen das Projekt begann, die eine zusammengeführte Reporting-Schicht, die sie ersetzt hat, und die Technologien darunter.

Viele Excel-Dateien, ersetzt durch ein Reporting-Modell

Sendungs- und Lagerdaten lagen in vielen getrennten Excel-Dateien, und das Reporting wurde daraus von Hand zusammengesetzt. Wir haben sie in einem Modell zusammengeführt, Dashboards für Sendungsverfolgung und Lagereffizienz gebaut und die Nutzer geschult, ihre Fragen selbst zu beantworten.

effizientere Sendungsverfolgung
45 %
weniger manuelle Reporting-Stunden
30 %
Reporting-Modell für die Lieferkette
1
Monate Projektlaufzeit
8

Nach Branche und Größe anonymisiert, denn die Vertraulichkeit, die diesen Kunden schützt, würde auch Sie schützen. Branche und Ergebnisse sind echt, die identifizierenden Details nicht. Die beiden Prozentwerte sind die am Projektende festgehaltenen.

Die Dateien zusammenführen

Vor und nach dem Projekt

Viele Dateien

  • SendungsdateienExcel, getrennt geführt
  • LagerdateienExcel, getrennt geführt
  • Weitere Supply-Chain-DateienExcel, getrennt geführt

Ein Modell

  • Ein Reporting-ModellDie Lieferkette an einem Ort
  • Interaktive DashboardsSendungsverfolgung und Lagereffizienz
  • Self-Service für die NutzerFiltern, per Drilldown ins Detail gehen und Routinefragen ohne Nachfrage beantworten
Supply-Chain-Daten, über viele Excel-Dateien verstreut, zusammengeführt in ein Reporting-Modell.

Das Projekt im Detail

Kunde
Ein Transport- und Logistikunternehmen mit 50 bis 250 Mitarbeitenden.
Ausgangslage
Das Reporting wurde aus vielen getrennten Excel-Dateien von Hand zusammengesetzt, sodass Sendungen und Lager getrennt voneinander gelesen wurden statt zusammen, und so läuft eine Lieferkette nicht.
Auftrag
Verstreute Supply-Chain-Daten in einem Reporting-Modell zusammenführen und dem Fachbereich darauf Self-Service-Reporting geben.

Das Reporting an seine Nutzer übergeben

Die Schulung machte aus den Dashboards ein Self-Service-Reporting für Routinefragen.

  1. Ein ModellSupply-Chain-Daten an einem Ort
  2. DashboardsVerfolgung und Lagereffizienz
  3. SchulungPower BI für Endnutzer
  4. Self-ServiceNutzer beantworten ihre Fragen selbst

Die Architektur

Quellen: Excel-Dateien. Warehouse: Snowflake. Modell: Reporting-Modell. Dashboards: Sendungsverfolgung und Lagereffizienz
Supply-Chain-Daten in Snowflake zusammengeführt und mit SQL zu einem Modell aufbereitet, aus dem die beiden Dashboard-Gruppen lesen.

Architekturentscheidungen

EntscheidungVerworfene AlternativeWarum
Ein Reporting-ModellEin Dashboard je Excel-DateiSendungen und Lager werden zusammen gelesen, so wie die Lieferkette läuft.
Interaktive Self-Service-DashboardsStatische Berichte, die herumgeschickt werdenNutzer filtern, gehen per Drilldown ins Detail und beantworten Routinefragen selbst.

Was der Kunde heute hat

  • Ein Reporting-Modell anstelle von Supply-Chain-Daten, die über viele Excel-Dateien verteilt waren.
  • Interaktive Dashboards für Sendungsverfolgung und Lagereffizienz, im Self-Service von geschulten Endnutzern genutzt.
Wohin es geführt hat
Die Lieferkette wird aus einem Modell gelesen, von den Menschen, die sie betreiben.
Stack
  • Power BI
  • DAX
  • SQL
  • Snowflake
Alle Fallstudien

Die anderen Projekte

  • Handel

    Foundation dann Activation dann Acceleration begleitet von Stewardship

    Filialumsatz, Vorstandsfragen und Forecasting auf Basis einheitlicher Definitionen

    Ein Händler mit Microsoft Fabric bereits im Produktivbetrieb, semantischen Modellen über Direct Lake und einströmendem Filialumsatz, der darauf Forecasting, Copilot-Fragen und Anomalieerkennung wollte.

    • Microsoft Fabric
    • Semantische Power-BI-Modelle
    • Direct Lake
    • Copilot in Power BI
    • Fabric AI Functions
    • Activator

  • Industrielle Fertigung

    Foundation dann Activation dann Acceleration

    Standortübergreifendes Reporting mit Governance für ein Produktionsnetz

    Ein Industriehersteller, der über ein Produktionsnetz mit mehreren Standorten berichtete, von denen jeder seine eigene Sicht darauf hatte, was gerade lief.

    • Microsoft Fabric
    • OneLake
    • OneLake Security
    • Direct Lake
    • Spark
    • MES
    • OPC UA
    • Power BI
    • DAX
    • Azure Key Vault
    • Purview
    • Azure DevOps

  • Hotellerie und Immobilien

    Foundation dann Activation

    Ein CFO-Cockpit für einen Konzern mit getrennten Abschlüssen

    Eine Holding aus Hotellerie und Immobilien, deren Gesellschaften jeweils eigene Abschlüsse machten, mit einem CFO, der für alle geradestehen musste.

    • Microsoft Fabric
    • OneLake
    • Direct Lake
    • Databricks Mirrored Catalog
    • Fabric Data Factory
    • Power BI
    • DAX
    • Berechnungsgruppen
    • Row-Level-Security
    • Azure DevOps
    • Azure Key Vault
    • Purview

  • Multi-Brand-Handel

    Foundation dann Activation

    Ein markenübergreifendes Modell mit Governance für eine Multi-Brand-Handelsgruppe

    Eine Handelsgruppe mit mehreren Marken, jede mit eigenen Systemen, eigenen Reporting-Gewohnheiten und einer eigenen Antwort darauf, was eine Marge ist.

    • Microsoft Fabric
    • Direct Lake
    • Databricks
    • Eventstream
    • KQL Database
    • Power BI
    • DAX
    • SAP
    • Salesforce
    • Azure DevOps
Alle Fallstudien

Kostenlose Beratung

In einer Stunde wissen Sie, wo Ihre Daten stehen.

Eine kostenlose 60-minütige Beratung. Kein Verkaufsgespräch, keine Rechnung. Danach wissen Sie, ob Ihre Daten bereit für KI sind und ob wir zueinander passen.

Kostenlose Beratung buchen(öffnet in einem neuen Tab)