Mit Big Data im Supply-Chain-Management Zeit und Kosten sparen

  PDF herunterladen

Autor: Anne-Katrin Masuch, Junior Marketing Manager, Germany, M.A. (phil.)

Big Data ist in aller Munde. Gemeinhin wird es als ungeordnetes Datenvolumen beschrieben, dessen Erfassung, Speicherung, Verwaltung und Analyse eine normale Datenbank nicht bewältigen kann. Allerdings geht es nicht nur um die Menge der enthaltenen Informationen, sondern auch darum, diese aus verschiedenen Blickwinkeln zu strukturieren und zu analysieren. Alle Daten, die bisher in Archiven und Kellern versteckt waren, sind nun für Unternehmen zur Verarbeitung zugänglich. Wirklich alle.

Dennoch ist Big Data kein Allheilmittel. Es kann aber nicht nur im Marketing oder Online-Business Vorteile bringen. Auch traditionelle Zweige, wie Supply-Chain-Management, können von strukturierten Big-Data-Lösungen profitieren durch:

1. Mehr Datentransparenz

2. Schnelleres, genaueres Leistungs-Monitoring und Ausnahmenidentifizierung

3. Automatisierte Algorithmen

4. Schnellere, genauere Entscheidungsfindung,

5. Akkurate Analysen und Auswertungen

Datenmengen in Firmen wachsen und Unternehmen müssen flexibler und schneller reagieren, um sich zu behaupten. Sie benötigen mehr Geschwindigkeit bei der Datenanalyse. Big Data kann Gewinnmargen um 5-35% steigern, aber um riesige Datenmengen effektiv einzusetzen und zu analysieren, braucht die Technologie zusätzliche Fähigkeiten: beispielsweise eine spaltenorientierte Datenbank und In-Memory-Computing.

Spalten- vs. zeilenorientierte Datenbank

Es gibt zwei Optionen eine Datenbank einheitlich in einem eindimensionalen Datenstrom anzuordnen: Zeilen- und spaltenorientierte Datenbanken. Um zu verstehen, warum Big-Data-Lösungen zur Optimierung der Supply-Chain von einer spaltenorientierten Datenbank profitieren, müssen die Datenbanken zunächst vergleichen werden:

Zeilenorientierte Datenbanken

Herkömmliche, relationale Datenbanken sind zeilenorientiert. Zeilen werden in der Datenbanktabelle der Reihe nach geschrieben. Das erlaubt schnelles Schreiben und ist daher sinnvoll für Anwendungen, die viele oder alle Spalten zugleich abrufen müssen, wie Datensätze mit personenbezogen Daten, die bei Abruf nebeneinander erscheinen. Beispielsweise Name, Anschrift, Geburtsdatum, Telefonnummer und so weiter. Das Auslesen von zeilenorientierten Datenbanken dauert allerdings lange, weil alle Zeilen hintereinander gescannt werden.

Zeilenorientierte Datenbanken sind daher für OLTP-Systeme (Online Transactional Processing Systems) wie einem ERP geeignet, aus dem ständig viele Informationen in die Datenbank eingespeist werden müssen. Für häufiges Beschreiben brauchen spaltenorientierte Datenbanken mehr Zeit, sind aber beim Abrufen von Daten schneller.

Spaltenorientierte Datenbanken

Spaltenorientierte Datenbanken schreiben Datensätze Spalte für Spalte, also zuerst alle Zeilen der ersten Spalte, dann alle Zeilen der zweiten Spalte, etc. Das ist sinnvoll für die Analyse vielspaltiger Tabellen, deren Daten nicht gleichzeitig abgerufen werden müssen. Abfragen laufen bis 20-mal schneller als bei zeilenorientierten Datenbanken, da nur die für die Auswertung nötigen Spalten und nicht alle Zeilen durchsucht werden müssen. Das ist nützlich bei OLAP-Systemen (Online Analytical Processing Systems). Daten in spaltenorientierten Datenbanken lassen sich stark komprimieren, weil Werte desselben Datentyps nebeneinander hinterlegt sind – in zeilenorientierten Datenbanken liegen Werte verschiedener Datensätze nebeneinander, weshalb das nicht möglich ist.

Kurzum: Zeilenbasierte Datenbanken sind zum Abruf vieler verschiedener Spalten oder einzelner Zeilen geeignet. Spaltenbasierte Datenbanken sind besser, wenn viele Zeilen oder einzelne Spalten benötigt und Änderungen an einzelnen Datensätzen durchgeführt werden. Spaltenorientierte Big-Data-Datenbanken, wie RELEX, können Millionen Datensätze effizient komprimieren und Kalkulationen In-Memory, also im RAM-Speicher, durchführen. Sie berechnen riesige Datenmengen 100-mal schneller als herkömmliche Systeme. Fortschrittliche Algorithmen und Analysetools verwandeln Daten in eine mächtige Quelle, um bessere Prognosen für Warenauffüllungen anzubieten.

RELEX‘ integrierte Big-Data-Lösung

Kenntnis der verschiedenen Datenwerte ermöglicht mindestens 10-mal stärkere Komprimierung als bei zeilenorientierten Datenbanken. Benötigt eine herkömmliche relationale Datenbank 100GB Speicherplatz, nimmt die eigens entwickelte RELEX-Datenbank nur 10GB Speicherplatz ein.

Spaltenorientierte Datenbanken und In-Memory

Bild 1. Die Vorteile und Leistungen einer spaltenorientierten Datenbank.

RELEX‘ innere Architektur besteht aus mehreren Threads, wodurch diverse zeitintensive Arbeitsvorgänge parallel laufen können. Je mehr Threads parallel laufen, desto schneller werden die Daten wie Auswertungsmöglichkeiten der Suchanfragen, Ladezeiten oder Kalkulationen verarbeitet.

In-Memory-Technologie

In-Memory-Technik erlaubt dank der starken Komprimierung das Halten und Lesen von Daten im Arbeitsspeicher. Da die Daten also nicht erst von der Festplatte gelesen werden müssen, werden Datenbankabfragen um ein Vielfaches schneller verarbeitet. So ist RELEX‘ In-Memory-Computing fähig, Informationen für 50 Mio. SKUs in 2 Stunden zu verarbeiten. Prognosen können theoretisch für mehrere Jahre vorgenommen werden, aber durch ein sich ständig änderndes Sortiment ist es sinnvoll, nur bis zu einem halben Jahr im Voraus zu planen. Zum Beispiel können Disponenten Möglichkeiten für kommende Kampagnen durch das Durchspielen von Hypothesen für alle möglichen Permutationen analysieren. Historische Daten des Kampagnenprodukts oder, falls es diese nicht gibt, Daten von vergleichbaren Produkten, ermöglichen Prognosen für jede Filiale, jeden Ort, jeden Rabatt, saisonale Kombination und weitere Variationen. Die in Sekundenschnelle generierten Ergebnisse gewähren Einblicke in Bereiche wie den während Kampagnen erzielten Profit oder die laufende Umsatzsteigerung. RELEX kann potenzielle Engpässe und Bedarfsspitzen rechtzeitig kennzeichnen, sodass Unternehmen reagieren können.

RELEX‘ SCM-Software besitzt eine integrierte, spezialangefertigte Datenbank. Dies ist bisher unüblich. Datenbank und Anwendung gelten meist als getrennte Lösungen, die oft von unterschiedlichen Anbietern stammen. Die Datenbank dient als Server, an die die Anwendungssoftware gekoppelt wird. Das verkompliziert die Kommunikation zwischen Anwendung und Datenbank und führt zu Anwendungsgrenzen von Client-Server-Modellen: Um die benötigten Antworten zu erhalten, müssen präzise Anfragen gestellt werden. Die Antwort besteht oft in kurzen Zusammenfassungen einer begrenzten Anzahl von Dateien oder nur Kopien dieser -direkte Kommunikation ist nicht möglich. Damit zu arbeiten, ist schwer. Einfacher machen es SQL-Erweiterungen.

SQL-Erweiterungen

Die meisten Datenbankserver erlauben eine Umgehung der Beschränkung der SQL-Sprache über Erweiterungen. Diese sind häufig in anbieterspezifischer Sprache geschrieben, so dass eigentlich von der Anwendung verarbeitete Daten, nun über die Datenbank laufen. Damit findet die Verarbeitung näher an der Datenquelle statt und das Hin-und Herschieben von Daten zwischen Datenbank und Anwendung wird minimiert. Aber es gibt Einschränkungen: Die nutzerspezifische Sprache ist kein adäquates Pendant zur vollwertigen Programmiersprache und schränkt Datenzugriffsmuster ein.

RELEX erlaubt direkten Zugriff auf die Datenbank und das Arbeiten mit ihr. Dies vermeidet das Hin- und Herschicken von Daten und macht RELEX zusätzlich leistungsstark. Datenbank und Anwendung sind eine einzelne, nahtlos ineinander übergehende Software. Darum laufen Prozesse auf niedrigem Kapazitätslevel und häufige Anfragen werden bei Datenspeicherung direkt einkalkuliert.

Individuelle Anpassung macht Aufbau und Entwicklung der Software anspruchsvoll und zeitintensiv, aber RELEX kann dies durch überdurchschnittlich hohe Leistung ausgleichen:

  • Ca. 5 Mrd. Prognosen pro Std.
  • Ca. 1 Mrd. Transaktionen pro Std. hochladen
  • 1 Mio. Produkte in 1 Sek. nach Lieferbarkeit sortieren
  • Berechnung von 50 Mio. SKUs in 2 Std.

Fazit

Inzwischen bieten einige Big-Data-Lösungen spaltenbasierte Technologie an und integrieren Datenbanken, Speicher und Verarbeitung. Einzigartig an RELEX ist, dass es flexibel auf Kundenbedürfnisse zugeschnitten und individuell anpassbar ist und das System mit Unternehmen mitwächst.

Big Data eröffnet viele Möglichkeiten, aber um die richtige Entscheidung zu treffen, müssen Anforderungen an eine Lösung bekannt sein. Das Arbeiten mit Big-Data-Lösungen muss intuitiv, einfach und nutzbringend sein. RELEX optimiert die Supply-Chain vom Lieferanten bis zum POS. Durch die eigens für Supply-Chain-Prozesse entwickelte, spaltenorientierte Datenbank, die durch schnelle, extreme Datenkomprimierung In-Memory-Technologie das Verarbeiten aller Daten erlaubt und durch das parallele Nutzen aller Server-Ressourcen ist RELEX außergewöhnlich schnell und leistungsstark. Typischerweise amortisiert sich die Software innerhalb eines Jahres nach Implementierung.

Anne-Katrin Masuch

Junior Marketing Manager, M.A. (phil.)

Phone+49 174 166 3191

INTERESSE AN ANWENDERBERICHTEN?

So helfen wir unseren Kunden in der Praxis:




Fallbeispiele Lesen



Ihr Kontakt vor Ort

 

Michael Hoffmann

Direktor Sales und Marketing, DACH

Phone+49 172 566 1092