Ziel der 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.
Im ersten Hauptabschnitt dieser 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.
Inhaltsverzeichnis
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
Zielsetzung & Themen
Diese wissenschaftliche Arbeit untersucht das Potenzial und die Anwendung von Big Data sowie Business-Intelligence-Systemen innerhalb der Logistikbranche. Ziel ist es, ein grundlegendes Verständnis für diese Megatrends zu schaffen, deren Nutzen für Logistikprozesse darzustellen und die Bedeutung von Cloud-Lösungen als innovative Architektur für das Datenmanagement zu beleuchten.
- Grundlagen und Definitionen von Big Data und Business Intelligence
- Entwicklungspotenziale von Daten als strategische Ressource in der Logistik
- Herausforderungen und Risiken bei der Implementierung von Big-Data-Analysen
- Praxisbeispiel: Risikomanagement durch DHL Resilience360
- Cloudbasierte Architekturen zur Optimierung von Logistikabläufen
Auszug aus dem Buch
3.1 Big Data in der Logistik – Herausforderungen und Risiken
Um in der Logistik Produktionsmengen und Lieferketten zeitnah zu optimieren, müssen unterschiedliche Daten in Sekundenbruchteilen ausgewertet werden.39 Wie können diese großen Datenmengen in kürzester Zeit analysiert werden? Die Lösung aus technologischer Sicht ist Skalierbarkeit nach dem Prinzip „teile und herrsche“.40 Hierbei wird das Gesamtproblem in viele Teilprobleme zerlegt.41 Dadurch ist es möglich durch massiv parallele Verarbeitung (Processing) kurz MPP, die Berechnung von Teilschritten auf viele Rechner zu verteilen.42
Spätestens mit der Einführung der Datenschutzgrundverordnung (DSGVO) zum 25.05.2018 durch die Europäische Union und die Neufassung des Bundesdatenschutzgesetzes (BDSG-neu) ist der Schutz von personenbezogenen Daten in den Fokus der Unternehmen gerückt. Auch in der Logistik werden personenbezogene Daten verarbeitet. Diese werden in der Regel jedoch nicht selbst erhoben, sondern die Logistiker erhalten diese von einem externen Vertragspartner.43 Bei einer solchen Auftragsverarbeitung nutzt der externe Dienstleister die personenbezogenen Daten für einen anderen Auftraggeber.44
Zusammenfassung der Kapitel
1 Einführung: Die Einleitung beleuchtet anhand einer Branchenumfrage den Aufklärungs- und Nachholbedarf von Logistikunternehmen bezüglich der Themen Big Data und Business Intelligence.
2 Grundlagen Big Data und Business Intelligence: Dieses Kapitel definiert die zentralen Begrifflichkeiten, erörtert die Entwicklungspotenziale von Daten als Wettbewerbsfaktor und erläutert den technischen Aufbau von Business-Intelligence-Systemen.
3 Nutzung von Big Data und Business-Intelligence-Systemen in der Logistik: Hier werden die spezifischen Herausforderungen, ein konkretes Anwendungsbeispiel zur Risikominimierung sowie die Vorteile cloudbasierter Systemarchitekturen für die Logistik detailliert analysiert.
4 Zusammenfassung und Ausblick: Das abschließende Kapitel fasst die gewonnenen Erkenntnisse zusammen und unterstreicht die Notwendigkeit für Logistiker, sich frühzeitig mit digitalen Erfassungs- und Auswertungsmethoden auseinanderzusetzen.
Schlüsselwörter
Big Data, Business Intelligence, Logistik, Datenmanagement, Cloud Computing, Supply-Chain-Management, Data-Warehouse, ETL-Prozesse, Risikomanagement, DHL Resilience360, DSGVO, Skalierbarkeit, MPP, Wettbewerbsvorteile, Prozessoptimierung.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Integration und dem Nutzen der technologischen Trends Big Data und Business Intelligence innerhalb der Logistikbranche.
Was sind die zentralen Themenfelder?
Die Arbeit behandelt die theoretischen Grundlagen der Datenverarbeitung, die technischen Architekturen von BI-Systemen sowie deren praktische Anwendung in der Logistik.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist es, Logistikentscheidern das Potenzial datengetriebener Analysen aufzuzeigen und die Vorteile innovativer cloudbasierter Systemarchitekturen gegenüber klassischen Ansätzen zu verdeutlichen.
Welche wissenschaftliche Methode wird verwendet?
Es handelt sich um eine Literaturarbeit, die existierende wissenschaftliche Definitionen und Praxiseinsätze (wie DHL Resilience360) analysiert und kritisch hinterfragt.
Was wird im Hauptteil behandelt?
Der Hauptteil fokussiert sich auf die theoretische Fundierung, die spezifischen Anforderungen und Risiken bei der Arbeit mit Daten (inkl. Datenschutz) sowie die Gestaltung von IT-Infrastrukturen in Logistikunternehmen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Zu den wichtigsten Begriffen zählen Big Data, Business Intelligence, Logistik, Cloud-Systeme und Risikomanagement.
Wie unterscheidet sich die Nutzung von Big Data in der Logistik von anderen Branchen?
Die Arbeit betont den prozessorientierten Querschnittscharakter der Logistik, bei dem eine zeitnahe Echtzeit-Auswertung für die Lieferkettensteuerung entscheidend ist.
Welche Rolle spielt die Cloud bei modernen Business-Intelligence-Systemen?
Cloudbasierte Lösungen bieten den Vorteil einer schnellen Bereitstellung ohne eigene, kostenintensive IT-Infrastruktur und ermöglichen eine verbesserte mobile Zusammenarbeit im operativen Geschäft.
Was ist das Ziel des Tools DHL Resilience360?
Das Tool dient dem Risikomanagement, indem es Lieferkettendaten mit globalen Risikodatenbanken kombiniert, um Störungen vorab zu visualisieren und Eintrittswahrscheinlichkeiten zu berechnen.
Warum ist der Faktor Mensch bei der Einführung von BI-Lösungen kritisch?
Der Erfolg hängt von der Akzeptanz der Mitarbeiter ab; oft scheitern Implementierungen an internen Widerständen oder fehlendem Verständnis für die neuen technologischen Möglichkeiten.
- Arbeit zitieren
- Thorsten Bauer (Autor:in), 2019, Big Data und Business Intelligence in der Logistik. Begriffsbestimmung, Nutzung und Entwicklungspotential, München, GRIN Verlag, https://www.grin.com/document/939163
