Schindler Deutschland AG & Co. KG
Schindler Deutschland AG & Co. KG
Von Excel-Berichterstattung zu zentralisiertem Power BI
Hauptherausforderung: Das Aufzugsunternehmen verließ sich stark auf SAP für seine Backend-Operationen, hatte jedoch keinen direkten Datenbankzugriff auf SAP-Tabellen. Dies zwang verschiedene Abteilungen dazu, Daten manuell in Excel-, CSV- oder Textdateien herunterzuladen und diese dann in ihren eigenen Excel-Tabellen zu kombinieren. Dies führte zu einem erheblichen manuellen Aufwand und einem hohen Fehlerrisiko.
Hauptherausforderung: Das Aufzugsunternehmen verließ sich stark auf SAP für seine Backend-Operationen, hatte jedoch keinen direkten Datenbankzugriff auf SAP-Tabellen. Dies zwang verschiedene Abteilungen dazu, Daten manuell in Excel-, CSV- oder Textdateien herunterzuladen und diese dann in ihren eigenen Excel-Tabellen zu kombinieren. Dies führte zu einem erheblichen manuellen Aufwand und einem hohen Fehlerrisiko.
Branche
Herstellung (Aufzugsunternehmen)
Unternehmensgröße
> 4.000 Mitarbeiter
Kunde
Schindler Deutschland AG & Co. KG
Beteiligte Datenquellen
SAP-Datenexporte (Excel, CSV, Textdateien)
Manuell gepflegte Excel-Blätter
aus verschiedenen Abteilungen
Unser Ansatz
Wir haben umfassende Unterstützung geleistet, um die Datenverarbeitung, Berichterstattung und Analysesysteme des Unternehmens zu automatisieren und zu verbessern. Unser Fokus lag darauf, eine robuste ETL-Pipeline zu implementieren und Best Practices für Power BI-Berichte zu etablieren. Dies umfasste:
Wir haben umfassende Unterstützung geleistet, um die Datenverarbeitung, Berichterstattung und Analysesysteme des Unternehmens zu automatisieren und zu verbessern. Unser Fokus lag darauf, eine robuste ETL-Pipeline zu implementieren und Best Practices für Power BI-Berichte zu etablieren. Dies umfasste:
ETL-Automatisierung und zentralisiertes Datenmanagement:
ETL-Automatisierung und zentralisiertes Datenmanagement:
Implementierte eine produktionsreife ETL-Pipeline unter Verwendung von Azure Data Factory mit geeigneten Umgebungen für sichere Entwicklung, Tests und Produktionseinsatz.
Zusammenarbeit mit dem internen RPA (Robotic Process Automation) Team zur Automatisierung von Datendownloads, Organisation in spezifischen Ordnern und Einspeisung in ein zentrales BI-System.
Vereinheitlichung von Daten aus verschiedenen Berichten, um eine zuverlässige Datenqualität zu gewährleisten und die manuelle Arbeitslast des Teams zu reduzieren.
Implementierte eine produktionsreife ETL-Pipeline unter Verwendung von Azure Data Factory mit geeigneten Umgebungen für sichere Entwicklung, Tests und Produktionseinsatz.
Zusammenarbeit mit dem internen RPA (Robotic Process Automation) Team zur Automatisierung von Datendownloads, Organisation in spezifischen Ordnern und Einspeisung in ein zentrales BI-System.
Vereinheitlichung von Daten aus verschiedenen Berichten, um eine zuverlässige Datenqualität zu gewährleisten und die manuelle Arbeitslast des Teams zu reduzieren.
Erstellung von Power BI-Berichten nach Best Practices:
Erstellung von Power BI-Berichten nach Best Practices:
Entwickelte und lieferte viele der wichtigen internen Berichte des Unternehmens in Power BI, unter Beachtung der Best-Practice-Richtlinien für Design, Struktur und Datenmodellierung.
Erstellte ein zentrales Datenmodell, das schnelle und konsistente Berichterstellung ermöglichte.
Entwickelte und lieferte viele der wichtigen internen Berichte des Unternehmens in Power BI, unter Beachtung der Best-Practice-Richtlinien für Design, Struktur und Datenmodellierung.
Erstellte ein zentrales Datenmodell, das schnelle und konsistente Berichterstellung ermöglichte.
Training und Wissenstransfer:
Training und Wissenstransfer:
- Durchführung von Schulungssitzungen, um das Team in die Lage zu versetzen, ETL-Pipelines selbstständig mit Azure Data Factory zu erstellen und zu verwalten.
- Tiefe Power BI Workshops durchgeführt, um das Team zu befähigen, Berichte nach Best-Practice-Methodologien zu pflegen und zu erstellen.
- Umfassende Richtlinien für sowohl Power BI als auch Azure Data Factory erstellt, um die langfristige Nachhaltigkeit zu gewährleisten.
Durchgeführte Schulungen, um das Team eigenständig in der Erstellung und Verwaltung von ETL-Pipelines mit Azure Data Factory zu machen.
In-depth Power BI Workshops abgehalten, um das Team zu befähigen, Berichte nach Best-Practice-Methoden zu pflegen und zu erstellen.
Umfassende Richtlinien für sowohl Power BI als auch Azure Data Factory erstellt, um langfristige Nachhaltigkeit zu gewährleisten.
Laufende Unterstützung und Entwicklung:
Laufende Unterstützung und Entwicklung:
Bieten kontinuierliche Unterstützung und Mentoring an, um sicherzustellen, dass das Team in der Lage ist, Updates effektiv zu automatisieren und neue Berichte eigenständig zu erstellen.
Leiten Sie den Übergang von einem Trial-and-Error-Ansatz zu einer strukturierten, prinzipiengesteuerten Methode sowohl für ETL-Pipelines als auch für Power BI-Berichte.
Bieten kontinuierliche Unterstützung und Mentoring an, um sicherzustellen, dass das Team in der Lage ist, Updates effektiv zu automatisieren und neue Berichte eigenständig zu erstellen.
Leiten Sie den Übergang von einem Trial-and-Error-Ansatz zu einer strukturierten, prinzipiengesteuerten Methode sowohl für ETL-Pipelines als auch für Power BI-Berichte.
Ergebnisse und Hauptvorteile
Ergebnisse und Hauptvorteile
Unser Eingreifen führte zu erheblichen Verbesserungen im Datenmanagement und bei den Berichterstattungsprozessen des Unternehmens, darunter:
Automatisierung der Datenverarbeitung: Die ETL-Pipeline automatisierte die manuelle Datenverarbeitung, verringerte Fehler und beschleunigte Datenaktualisierungen erheblich.
Hochwertige, konsistente Berichterstattung: Zentralisierte Daten und Power BI Berichte, die mit Best Practices erstellt wurden, gewährleisteten zuverlässige und qualitativ hochwertige Ausgaben in der gesamten Organisation.
Optimierte Berichtsentwicklung: Die Verwendung eines strukturierten Datenmodells ermöglichte eine schnellere und effizientere Erstellung von Berichten, wodurch die Entwicklungszeit und Überarbeitungen verringert wurden.
Erhöhte Sichtbarkeit und Zugänglichkeit: Berichte wurden einfacher zugänglich und in Echtzeit automatisch aktualisiert, sodass kritische Daten sofort für die Beteiligten verfügbar waren.
Ermächtigte Teams: Durch Schulungen wurde das Entwicklungsteam sowohl in Azure Data Factory als auch in Power BI versiert, sodass sie Datenpipelines unabhängig verwalten und Berichte effizient erstellen konnten.
Verbesserte Entscheidungsfindung: Genaue, rechtzeitige und konsistente Daten gaben den Entscheidungsträgern bessere Einblicke, was zu verbesserten organisatorischen Ergebnissen führte.
Unser Eingreifen führte zu erheblichen Verbesserungen im Datenmanagement und bei den Berichterstattungsprozessen des Unternehmens, darunter:
Automatisierung der Datenverarbeitung: Die ETL-Pipeline automatisierte die manuelle Datenverarbeitung, verringerte Fehler und beschleunigte Datenaktualisierungen erheblich.
Hochwertige, konsistente Berichterstattung: Zentralisierte Daten und Power BI Berichte, die mit Best Practices erstellt wurden, gewährleisteten zuverlässige und qualitativ hochwertige Ausgaben in der gesamten Organisation.
Optimierte Berichtsentwicklung: Die Verwendung eines strukturierten Datenmodells ermöglichte eine schnellere und effizientere Erstellung von Berichten, wodurch die Entwicklungszeit und Überarbeitungen verringert wurden.
Erhöhte Sichtbarkeit und Zugänglichkeit: Berichte wurden einfacher zugänglich und in Echtzeit automatisch aktualisiert, sodass kritische Daten sofort für die Beteiligten verfügbar waren.
Ermächtigte Teams: Durch Schulungen wurde das Entwicklungsteam sowohl in Azure Data Factory als auch in Power BI versiert, sodass sie Datenpipelines unabhängig verwalten und Berichte effizient erstellen konnten.
Verbesserte Entscheidungsfindung: Genaue, rechtzeitige und konsistente Daten gaben den Entscheidungsträgern bessere Einblicke, was zu verbesserten organisatorischen Ergebnissen führte.
Andere Projekte
Andere Projekte
Andere Projekte
Das Problem der fragmentierten Online- und Offline-Verkaufsdaten wurde gelöst, was zu einer einheitlichen Ansicht aller Einnahmequellen führte.
Das Problem der fragmentierten Online- und Offline-Verkaufsdaten wurde gelöst, was zu einer einheitlichen Ansicht aller Einnahmequellen führte.
Das Problem der fragmentierten Online- und Offline-Verkaufsdaten wurde gelöst, was zu einer einheitlichen Ansicht aller Einnahmequellen führte.
Die Umwandlung einer inkonsistenten Nutzung von Power BI in ein kohärentes, best-practice-orientiertes Berichtssystem, das Teams in verschiedenen Abteilungen befähigt.
Die Umwandlung einer inkonsistenten Nutzung von Power BI in ein kohärentes, best-practice-orientiertes Berichtssystem, das Teams in verschiedenen Abteilungen befähigt.
Die Umwandlung einer inkonsistenten Nutzung von Power BI in ein kohärentes, best-practice-orientiertes Berichtssystem, das Teams in verschiedenen Abteilungen befähigt.
© 2025 CaseWhen Consulting
© 2025 CaseWhen Consulting
© 2025 CaseWhen Consulting