Big Data und Business Intelligence in der Logistik. Begriffsbestimmung, Nutzung und Entwicklungspotential

Inhaltsverzeichnis

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1 Einführung

2 Grundlagen Big Data und Business Intelligence
2.1 Begriffsbestimmung
2.2 Entwicklungspotenziale Big Data
2.3 Funktionsweise von Business-Intelligence-Systemen

3 Nutzung von Big Data und Business-Intelligence-Systemen in der Logistik
3.1 Big Data in der Logistik – Herausforderungen und Risiken
3.2 Nutzung von Big Data am Beispiel DHL Resilience360
3.3 Innovative cloudbasierte Business-Intelligence-Systeme in der Logistik

4 Zusammenfassung und Ausblick

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Die drei Dimensionen von Big Data

Abbildung 2: Aufbau und Gestaltung von BI-Systemen

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einführung

Aus einer Umfrage der Wirtschaftsprüfungsgesellschaft PWC im Jahre 2015 wurden Führungskräfte von 200 Logistikunternehmen aus Deutschland und dem europäischen Ausland zum Thema Big Data und Business Intelligence befragt.¹ In dieser Umfrage wurde unter anderem gefragt, ob die Logistiker sich mit dem Thema Big Data bereits auseinandergesetzt haben.² Das Ergebnis zeigt, dass sich ein gutes Drittel der befragten Logistikunternehmen noch nicht mit Big Data beschäftigt haben und über 70% davon haben dies auch künftig nicht vor.³ Beim Thema Business Intelligence gab jeder dritte Logistiker an, mit einer eigenen oder manuellen Business-Intelligence-Lösung ohne Systemanbindung zu arbeiten . ⁴ Demnach lässt sich auf der einen Seite der Aufklärungsbedarf zum Thema Big Data und auf der anderen Seite der Nachholbedarf im Bereich Business Intelligence in der Logistikbranche feststellen.

Ziel dieser wissenschaftlichen Arbeit ist es, die beiden Begrifflichkeiten Big Data und Business Intelligence zu erklären und anhand dieser zwei Megatrends den Nutzen für die Logistik darzustellen. Ein besonderes Augenmerk wird dabei auf die Anwendung von Big Data in der Logistik sowie die Gestaltung und der Aufbau von logistischen cloudbasierten Business-Intelligence-Systemen gelegt.

2 Grundlagen Big Data und Business Intelligence

Im ersten Hauptabschnitt dieser wissenschaftlichen Arbeit werden die Begriffe Big Data und Business Intelligence näher eingegrenzt und definiert. Im weiteren Verlauf sollen die Entwicklungspotenziale von Big Data erörtert werden. Am Ende dieses Abschnitts wird auf die Funktionsweise von Business-Intelligence-Systemen eingegangen. Ziel ist es, ein Verständnis für die beiden Begrifflichkeiten zu schaffen.

2.1 Begriffsbestimmung

Als Big Data werden große Mengen an Daten bezeichnet.⁵ Diese können beispielsweise Daten zum Online-Suchverhalten, Bewegungsdaten, Daten zum Kaufverhalten auf Konsumentenseite oder Produktionsdaten sowie Transportdaten auf Produzentenseite, die Konsumenten, Anwender und Unternehmen jeden Tag generieren.⁶ Zunächst ermöglicht Big Data die anfallenden Datenmengen aus unterschiedlichen Systemen, Prozessen und Sensormessungen aufzunehmen, diese zu verarbeiten und zu speichern.⁷

Der Begriff Big Data lässt sich in der wissenschaftlichen Literatur nicht einheitlich definieren. Dennoch wird der Begriff im Folgenden auf Basis von Forschern zusammenfassend beschrieben. Die Definition vom Marktforschungsinstitut Gartner soll in dieser wissenschaftlichen Arbeit als Ausgangspunkt der Begriffsbestimmung dienen. Gartner definiert den Begriff Big Data in seinem Glossar als eine Verbindung aus den drei Dimensionen Volume (Größe), Velocity (Schnelligkeit) und Variety (Vielfältigkeit).⁸ Jedoch müssen diesen Dimensionen jeweils noch das Zusatzwort „high“ vorangestellt werden, also zum Beispiel high-velocity (große Schnelligkeit).⁹ Erst dann wird laut Gartner aus diesen drei Worten in ihrer Kombination aus Daten Big Data. Die folgende Abbildung 1 soll die Definition von Gartner veranschaulichen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Die drei Dimensionen von Big Data

Unter Business Intelligence (BI) werden eine Reihe von Werkzeugen für die Bereitstellung, Aufbereitung und Analyse von Daten subsumiert.¹⁰ Bei der Begriffsbestimmung von Business Intelligence wird der bedeutungsreiche englische Begriff Intelligence in diesem Zusammenhang als Information verstanden, die es zu generieren, speichern, recherchieren, analysieren, interpretieren und zu verteilen gilt.¹¹

Wie bereits bei dem Begriff Big Data gibt es keine allgemein anerkannte Definition des Terminus. Auch aus Sicht der Wissenschaft bestehen kaum aussagekräftige Argumente für die Notwenigkeit der Begrifflichkeit Business Intelligence.¹² BI kann vielmehr als Sammelbezeichnung für Anwenderwerkzeuge verstanden werden und ist für eine nähere Eingrenzung verzichtbar.¹³ Dennoch wird der Begriff BI im deutschen Sprachraum sehr gängig verwendet. Das liegt vor allem an der immer stärker werdenden Verwendung von englischsprachigen Anglizismen, besonders im Bereich der Informationstechnologie.

2.2 Entwicklungspotenziale Big Data

Wie Gluchowski feststellt, werden Daten im Unternehmen längst nicht mehr als notwendiges Übel der Informationsverarbeitung verstanden, sondern als wichtige Ressource, die einerseits Informationen zur effektiven Steuerung des operativen Geschäftes liefert und andererseits auch großes Potenzial zum Aufbau von Wettbewerbsvorteilen bietet.¹⁴

Big Data hat insbesondere das Entwicklungspotenzial, Transparenz zu schaffen und somit dem Unternehmen einen besseren Überblick über die Geschäftsprozesse zu liefern.¹⁵ Somit hilft Big Data Unternehmen besser fundierte Entscheidungen zu treffen.¹⁶ Weiterhin wird mit der Nutzung von Big Data versucht, Spielraum für erweiterte Simulationen zu schaffen.¹⁷ Dabei wird das Ziel verfolgt, Daten in Echtzeit zu nutzen und daraus kontrollierte Experimente zu erstellen.¹⁸ Mit der Nutzung von Big Data wird weiterhin versucht durch die Datenidentifikation, -sammlung und -bereitstellung bereichsübergreifendes Potenzial zu schaffen.¹⁹ Durch die Analyse umfangreicher Daten in Echtzeit können verbesserte Entscheidungen als vollautomatischer Prozess oder als Entscheidungsgrundlage für das Management erstellt werden.²⁰ Ein weiterer Nutzen stellen die neuen Analysemöglichkeiten zur Anpassung verschiedener Geschäftsprozessen dar, die besonders in datenintensiven Unternehmen Anwendung finden.²¹ Durch den Erkenntnisgewinn können Unternehmen, wie eBay, Amazon oder Netflix ihre Prozesse vollständig an ihren individuellen Geschäftsdaten ausrichten und dadurch sehr schnell auf neue Kundeninteressen und Marktveränderungen reagieren.²²

2.3 Funktionsweise von Business-Intelligence-Systemen

Im Folgenden soll die Funktionsweise von BI-Systemen näher erläutert werden. Dabei wird der grobe Aufbau einer Business-Intelligence-Lösung skizziert. Wie Dorschel urteilt, bieten sich BI-Lösungen an, um systematische Analysen und Auswertungen zu verfügbaren Daten, wie aus Big-Data-Quellen zu erstellen.²³ „Grundlage jeder erfolgreichen Anwendung im Business-Intelligence-Umfeld sind konsistente, stimmige Daten, deren Bereitstellung in aller Regel mit Hilfe von sogenannten Data-Warehouse-Konzepten – bestehend aus Core- Data-Warehouse und Data-Marts – erfolgt.“²⁴ Sie werden als themenbezogene, integrierte Datenhaltungssysteme definiert, bei denen die voraggregierten Daten dauerhaft abgelegt werden.²⁵ In einem Data-Warehouse werden aus den internen Geschäftsprozessen und externen Quellen stammenden Daten in einheitlicher Art und Weise – informatiktechnisch, statistisch und semantisch – integriert.²⁶ Mit Hilfe von sogenannten ETL-Prozessen werden die Daten aus den operativen Systemen im Zuge des Transformationsprozesses in die dispositive Datenhaltung des Data-Warehouses überführt.²⁷ Die Bezeichnung ETL leitet sich aus den englischen Bezeichnungen für „Extraction“, „Transformation“ und „Loading“ ab und steht für die Teilschritte dieses Prozesses.²⁸ Die zentrale Data-Warehouse -Datenbank, auch als Core-Data-Warehouse bezeichnet, stellt das zentrale Herzstück einer solchen Architektur dar.²⁹

[...]

¹ Vgl. PricewaterhouseCoopers GmbH online (2015), S. 3.

² Vgl. PricewaterhouseCoopers GmbH online (2015), S. 2.

³ Vgl. PricewaterhouseCoopers GmbH online (2015), S. 3.

⁴ Vgl. PricewaterhouseCoopers GmbH online (2015), S. 3.

⁵ Vgl. Hofmann/Hofmann online (2019).

⁶ Vgl. Hofmann/Hofmann online (2019).

⁷ Vgl. Spangenberg et al. (2017), S. 43.

⁸ Vgl. Gartner online (o.J.).

⁹ Vgl. Gartner online (o.J.).

¹⁰ Vgl. Baars/Lasi (2016), S. 286.

¹¹ Vgl. Kemper/Mehanna/Unger (2006), S. 8.

¹² Vgl. Kemper/Mehanna/Unger (2006), S. 2.

¹³ Vgl. Kemper/Mehanna/Unger (2006), S. 2.

¹⁴ Vgl. Gluchowski (2016), S. 228.

¹⁵ Vgl. Bikom online (2012), S. 9.

¹⁶ Vgl. Bikom online (2012), S. 9.

¹⁷ Vgl. Bikom online (2012), S. 9.

¹⁸ Vgl. Bikom online (2012), S. 9.

¹⁹ Vgl. Winter (2016), S. 76.

²⁰ Vgl. Bikom online (2012), S. 9.

²¹ Vgl. Kohlhammer/Proff/Wiener (2016), S. 317.

²² Vgl. Kohlhammer/Proff/Wiener (2016), S. 317.

²³ Vgl. Dorschel (2015), S. 158.

²⁴ Kemper/Mehanna/Unger (2006), S. 10.

²⁵ Vgl. Kemper/Mehanna/Unger (2006), 10f.

²⁶ Vgl. Müller/Lenz (2013), S. 13.

²⁷ Vgl. Kemper/Mehanna/Unger (2006), S. 22.

²⁸ Vgl. Kemper/Mehanna/Unger (2006), S. 22.

²⁹ Vgl. Kemper/Mehanna/Unger (2006), S. 22.