Die Datenschätze der Logistik

Teradata Innovation Forum - Lars Schröder – Head of BI & Support Solutions – Hermes Germany GmbH

Wie lassen sich aus Daten wertvolle Informationen für das Business gewinnen und wie können strategische Entscheidungen bestmöglich unterstützt werden?
Hermes Germany hat das bestehende Enterprise Data Warehouse um eine analytische Plattform angereichert und die beiden Disziplinen „Date Warehouse“ und „Business Analytics“ vereint.
In einem Erfahrungsbericht werden über die kritischen Erfolgsfaktoren für diesen Change berichtet. Ein Analysebeispiel zeigt, wie der iterative Prozess … von der ersten Idee … über weitere Hypothesen …. gestützt von weiteren Analysen … bis zum selbst gesteckten Anspruch „Fakten statt Vermutungen“ abläuft.

Transcript

1. Teradata Innovation Forum ​Lars Schröder – Head of BI & Support Solutions – Hermes Germany GmbH
2. 03 Data Discovery & Data Science Die Datenschätze in der Logistik – Wie heben wir diese? Ein Erfahrungsbericht Hamburg, 30.11.2017
3. Hermes Germany GmbH Wer und was sind wir ?
4. Ausrichtung auf digitale Geschäftsmodelle Hermes Germany ist ein Unternehmen im Wandel • Gegründet 1972 • Wir stellen derzeit etwa 400 Millionen Pakete pro Jahr zu • Wir stellen uns mit 200 IT-Spezialisten den Herausforderungen der Logistik • Wir sind Teil des Otto-Konzerns • Wir suchen Mitdenker, Mitgestalter und Möglichmacher
5. Der perfekte Partner für Ihre 2C-Sendungen und Retouren – beste Performance an der Haustür oder am Hermes PaketShop. 5 ca. 10.500 Zusteller Weihnachtszeit: bis zu 13.000 Zusteller 36.000 Annahmestellen in ganz Europa Über 14.400 Hermes PaketShops in ganz Deutschland
6. Aktuelle Referenzkunden der Hermes Germany GmbH. 6
7. Der Weg vom Data Warehouse zu Business Analytics Warum überhaupt? Wie sind wir den Change angegangen? Was machen wir konkret? Ein Analysebeispiel
8. Auch für die Logistik gilt: Es fallen immer schneller immer mehr Daten an. 8 Von Menschen generiert Durch Interaktion generiert Von Maschinen generiert Von Unternehmen generiert
9. Was muss Business Intelligence für uns leisten? Descriptive Analytics Diagnostic Analytics Predictive Analytics Prescriptive Analytics Difficulty Value What Happened? Why did it happen? What will happen? How can we make it happen? 9 Information Optimization Data Warehouse Business Analytics 1 Quelle: Gartner – Analytic Value Escalator
10. Ausprobieren und Nachfragesog erzeugen Schrittweise zum Ziel
11. Gemeinsam neue Technologien und Methoden kennenlernen und ausprobieren 11
12. 12 0 20 40 60 80 100 120 140 160 0 1 2 3 4 5 6 Bäckerei Bestellshop/Verkaufsagentur Blumenhandel Bürobedarf/Copy/Computerhandel Elektrohandel Foto/HiFi Getränkehandel Haarpflege/Kosmetikhandel Keine Angabe Kiosk/Trinkhalle Lebensmittel Lotto/Tabakwaren Reformhaus/Drogerie/Apotheke Reinigung/Schneiderei Reisebüro/DB-Servicepoint Schreibwaren/Zeitschriften Schuhhandel/Schlüsseldienst Sonnenstudio Spiel-/Bastelwaren/Geschenkart Tankstelle/Autohandel Telekommunikation Textil/Bekleidungshandel Transport/Logistik Videothek/Buchhandlung Zoohandel Zweiradhandel GA SAX* Bäckerei bbbbbb Bestellshop/Verkaufsagentur abbbbb Blumenhandel abbbbb Bürobedarf/Copy/Computerhandel dddddd Elektrohandel bbbbbb Foto/HiFi aaaaaa Getränkehandel bddddc Haarpflege/Kosmetikhandel bbbbaa Keine Angabe abbbbb Kiosk/Trinkhalle bcccbb Lebensmittel dddddd Lotto/Tabakwaren cddddd Reformhaus/Drogerie/Apotheke ddddcc Reinigung/Schneiderei abccbb Reisebüro/DB-Servicepoint abbbbb Schreibwaren/Zeitschriften abbbbb Schuhhandel/Schlüsseldienst bdddcc Sonnenstudio aaaaaa Spiel-/Bastelwaren/Geschenkart abbbbb Tankstelle/Autohandel bbbbbb Telekommunikation bbbbbb Textil/Bekleidungshandel aaaaaa Transport/Logistik bddddd Videothek/Buchhandlung acbbbb Zoohandel aaaaaa Zweiradhandel aaaaaa *Symbolic Aggregate approXimation 3) Auftragsstrukturanalyse (Format, Land/Stadt, Distanz) 1) Paketshopgeschäftsartenanalyse 2) Clusterung von Sendungsmengen (K-Means) Analyseergebnisse aus dem Hackathon und viele neue Ideen …
13. 13 Inhouse Marketing: Vom Push zum Pull Prinzip http://newsroom.hermesworld.com/wp-content/uploads/heatmaps/hamburg.html http://www.bild.de/regional/hamburg/paketdienste/erster-paket-atlas-fuer-hamburg-49318270.bild.html
14. Der Weg zur neuen Zielarchitektur Plattform und Tools
15. 15 Umbau der „klassischen“ Architektur zu einem Analytical Ecosystem Quelle: techvolcano.blogspot.de … entlang der UDA zu einer neuen Ziel Architektur
16. 16 Data Sources Acquisition Integration Access Analytical Methods/Tools Consumer Teradata Database Teradata Aster Presto Hadoop (HDFS & Hive) Viewer Power User Analysts Data Scientists B2B Portal Kylo Listener (Streaming) HVR (CDC) ODI (ETL) Query Grid Oracle Data Integrator (ETL) PowerBuilder Metadata Management Code Repository Documentation Repository (Wiki) Oracle DB Sorter SW Call Center CRM Scanner Webtracking / Sessions Excel / CSV … PDF / Excel Report Export Business Objects Tableau / Qlik / Power BI SAP Lumira R / Python / Spark Jupyter B2B Portal … REST API  JDBC  ODBC  .NET  JDBC  ODBC  JDBC  ODBC  JDBC  HDFS  ODBC  HDFS  Ziel Architektur – Infrastruktur Komponenten derzeit in Erprobung
17. Analyse Paketshopabdeckung Ausgangsfragestellung: Wie viele Zustellungen werden derzeit durch einen bestimmten Radius von Paketshops abgedeckt?
18. 18 Paketshopabdeckung in Hamburg nach Zustellungen, Radius 500m Knapp 1/3 der Zustellungen liegen in Hamburg im 500m Radius um einen Paketshop Zustellung außerhalb des Radius Zustellung innerhalb des Radius Radius um Paketshop
19. 19 Paketshopabdeckung in Hamburg nach Zustellungen, Radius 1000m über die Hälfte der Zustellungen liegen in Hamburg im 1000m Radius um einen Paketshop Zustellung außerhalb des Radius Zustellung innerhalb des Radius Radius um Paketshop
20. 20 Paketshopabdeckung in Hamburg nach Zustellungen, Radius 1500m 80% der Zustellungen liegen in Hamburg im 1500m Radius um einen Paketshop Zustellung außerhalb des Radius Zustellung innerhalb des Radius Radius um Paketshop
21. 21 Fragestellungen und Hypothesen für aufbauende Analysen Wie viele Paketshops wären nötig, um eine bestimmte prozentuelle Abdeckung zu erreichen? Welche Gebiete sind über- oder unterversorgt? Welches sind die optimalen Standorte, um möglichst viele nicht erreichte Empfänger mit einem Paketshop zu versorgen? Ist eine möglichst kurze Entfernung zwischen Wohnort und Paketshop überhaupt so wichtig?
22. 22 Rekonstruktion der Einzugsgebiete der Paketshops Polygon vom Typ „Urban“
23. 23 Hypothese: Einzugsgebiete lassen sich charakteristisch clustern Cluster: „große Straße“ Cluster: „besondere Orte“
24. Kontakt Lars Schröder Head of BI & Support Solutions Lars.Schroeder@hermesworld.com Essener Str. 89 | 22419 Hamburg Vielen Dank!