Starres Dashboard = starre Analysen
Wir arbeiten mit dem größten Transport- und Logistikunternehmen Deutschlands zusammen und haben schon einige Anwendungsfälle gemeinsam umgesetzt. In diesem geht es um die Entwicklung eines PowerBI Dashboards.
Unser Kunde hatte vor Projektstart Probleme mit dem bestehenden PowerBI Dashboard. Dieses wurde entwickelt, um technische Fehler in den technischen Komponenten (z.B. Monitore, Router, Netzwerkinfrastruktur) der Zügen zu erkennen, war jedoch schwach hinsichtlich der Performance und wies eine niedrige Granularität der Auswertungsmöglichkeiten auf. Der bestehende Report war sehr statisch und die Teams konnten keine weiterführenden „What if“ oder „Why“ Analysen durchführen. Außerdem konnten die Teams nur erschwert zeitgleich in dem Dashboard arbeiten oder auf Analysen zugreifen.
Deshalb war unser Ziel: Mit Hilfe einer skalierbaren Star Schema Datenmodellierung in einem Data Warehouse die Performance Probleme zu lösen und Fahrtgenaue Analysen für viele technische und fachliche KPIs zu ermöglichen. Das PowerBI Dashboard soll über 40 KPIs und über 10 unterschiedliche Datenquellen miteinander verbinden und Teamübergreifendes Arbeiten ermöglichen.
Auf einen Blick:
- Kunde: Transport- und Logistikkonzern mit Sitz in Deutschland und rund 200.000 Mitarbeitenden.
- Branche: Transport & Logistik
- Projektziel: Entwicklung eines skalierbaren PowerBi KPI Dashboards zur Analyse von Fahrdaten und IoT-KPIs mit hoher Performance und Daten-Granularität.
- Team-Größe: 4 Mitarbeiter, Data Engineer, PMs, Data Analysts, Fachexperten
- Projektdauer: 12 Monate
- Technologien: AWS Data Lake, S3, Athena, Microsoft SQL, PowerBi
Vor diesen Herausforderungen stand unser Kunde
Keine Verknüpfung von KPIs und Auswertungen
Da die KPI-Ansichten auf einzelnen, nicht miteinander verbundenen Views aufgebaut wurden, konnten sie nicht miteinander kombiniert oder logisch verknüpft werden.
Fehlendes Datenmodell auf Fahrtebene
Es existierte kein Modell, das Auswertungen auf Fahrt- oder Fahrtabschnittsebene ermöglichte.
Uneinheitliche und verteilte Datenquellen
Mehr als dreißig Datenquellen ohne skalierbares Qualitätsmanagement erschwerten eine konsistente Analyse.
Ziel war der Aufbau eines skalierbaren PowerBI KPI Dashboards, das sowohl technische als auch betriebliche Auswertungen entlang von Fahrten und Fahrzeugkomponenten ermöglicht.
Dabei gingen wir wie folgt vor:
Wir entwickelten ein Star Schema mit faktengestützten Tabellen auf Fahrt- und Fahrtabschnittsebene. IoT-Daten wurden über API-Schnittstellen direkt vom Zug eingebunden und in einem zentralen Data Lake gespeichert. Die Abfrage erfolgte über Athena, ETL-Strecken berechneten die KPIs und stellten sie für PowerBI bereit.
Ein weiterer Fokus lag auf einem konsistenten Designkonzept mit Drill-Down-Funktionalitäten und der Integration eines Treiberbaums zur Abbildung von End-to-End-Prozessen.
Umgesetzte Maßnahmen:
- Entwicklung eines skalierbaren Datenmodells mit Star Schema auf Fahrtebene
- Integration IoT-basierter Sensorikdaten über APIs
- Speicherung der Daten im AWS Data Lake, KPI-Berechnung via Athena und Visualisierung in PowerBi
- Konzeption eines KPI-Treiberbaums zur Ursachenanalyse
- Design eines Dashboards mit Hierarchie-basierten Drill-Downs
- Berechnung von über 50 technischen und fachlichen KPIs
Nach zwölf Monaten Projektlaufzeit wurde ein leistungsstarkes PowerBi KPI Dashboard eingeführt, das fahrtgenaue Auswertungen bis auf Komponentenebene einzelner Transport-Komponente ermöglicht.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte