ETL-Prozess in der Logistik

Big Data. Große Datenmengen der Logistik beherrschen und nutzen.

Die Datenmengen werden immer größer, es fallen Schlagworte wie „Big Data“, „Datenberg“, „Datenwachstum“ und „Datenmüllhalde“ sowie „Datenfriedhof“. Je größer der Datenbestand, desto schwieriger wird es, die erzeugten Daten gewinnbringend zu nutzen. Ein moderner ETL-Prozess (Extract, Transform, Load) ist ein elementares Fundament für den wirtschaftlichen Erfolg eines Unternehmens.

Wenn es gelingt aus Big Data Smart Data zu machen, sind diese Daten ein Schatz.

Besonders für die Logistik bietet die Auswertung großer Datenmengen neue Anwendungsmöglichkeiten zur Steuerung und Vorhersage der Verkehrs- & Transportströme. GPS-Auswertungen von LKW-Touren, aktuellen Wetter- und Stauprognosen sowie zusätzliche Daten (Maut, Fähren, Tankungen) können beispielsweise helfen die Routen optimal zu planen und zu ermitteln, um so Wartezeiten und teure Leerkilomenter von LKWs zu vermeiden. Das Resultat: Die Transporte werden effizienter durchgeführt und die Kapazitäten sind besser ausgelastet.

Durch die enge Verknüpfung der Prozesse in der Logistik mit den IT-Systemen und gleichzeitiger Steigerung der Komplexität der Logistik, müssen die bestehenden IT-Systeme immer komplexere Aufgaben und immer weiter ansteigende Datenmengen und verschiedenste Datenstrukturen verwalten. Zusätzlich zu den großen Datenmengen, der Komplexität und der verschiedenen Datenstrukturen steigt der Bedarf an Entscheidungen in Echtzeit an.

Bevor unternehmensrelevante Daten im Data Warehouse/Business Intelligence bereit gestellt werden können sind umfangreiche ETL-Prozesse erforderlich, hierbei werden die unstrukturierten Daten in betriebswirtschaftlich interpretierbare Daten transformiert.

Um Daten aus mehreren operativen Datenquellen zu vereinigen und aufzubereiten werden sie mittels gezielter Umwandlungsaktionen in managementrelevante Informationen überführt. Die Erstellung des ETL-Prozesses ist oft der aufwendigste Schritt bei der Data-Warehouse-Entwicklung. Er sollte nicht vernachlässigt werden, denn ein solide aufgebautes Data Warehouse ist nur mit einer qualitativ hochwertigen Datenbasis möglich.

Schreibe einen Kommentar

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.