VOM PROZESS ÜBER IN-MEMORY DATENBANKEN ZUM COCKPIT

Transkript

1 TDWI 2015 OMNICHANNEL PERFORMANCE TRACKING VOM PROZESS ÜBER IN-MEMORY DATENBANKEN ZUM COCKPIT Dominik Imark / Reinhard Mense

2 Agenda VORSTELLUNG MANOR / ARETO PROBLEMSTELLUNG VORGEHEN ARCHITEKTUR + IN-MEMORY LIVE-DEMO AUSBLICK / FAZIT 2

3 MANOR Grösste und erfolgreichste Warenhausgruppe der Schweiz 3 3

4 Facts & Figures 34 Supermärkte, 39 Restaurant Umsatz Verkaufsfläche Anzahl Kunden / Jahr 4 Mitarbeiter 4

5 Echter Business Intelligence Spezialist Standorte: Köln, Hamburg, München (2016) Gegründet 2007 ca. 40 Mitarbeiter

6 Problemstellung Omnichannel Kommerzieller Druck Fehlendes Performance System 6 6

7 Vorgehen Interviews Werttreiber Darstellung Datenmodell Schulung Geschäftsziele Business Rules Funktionalität ETL Literatur Performance 7 7

8 Wertreiber Budget erreicht? Umsatz Ja i.o. Deckungsbeitrag Hauptkennzahl GL Nein Grund eruieren Nebenkennzahl GL Warum nicht? Bezahlte Besuche Operative Kennzahl Ja Besuche Unbezahlte Besuche Zu wenig Besucher? Nein Grund eruieren Ausstiegsrate Prozess Conversionrate Ja Conversionrate Prozess Zu wenig Bestellungen? Nein Grund eruieren Number of Items per Order Ja Ø - Bestellwert Average selling price Warenkorbwert zu tief? Nein Retourenquote Gründe für Retouren 8 8

9 OmniChannel - Offline vs. Online Jacke 4242 Laufen T-Shirt 4051 Basel Gürtel 8500 Frauenfeld trousers 2053 Cernier bracelet 3400 Burgdorf Hose 6130Willisau Wein 8890 Flums Jacke 1003Lausanne Schal 1207 Genève Lippenstift 1700 Fribourg Wein 1936 Verbier Parfüm 3963Montana Hose 3940 Steg Wein 7524 Zuoz Socken 6490 Andermatt Spielzeug 7503 Samedan 9 9

10 OmniChannel - Offline vs. Online Feedback Offline Umsatzverlust durch Online Kanal Mehr Aufwand für Click & Collect Konzept Lösungsansatz Verteilung des Umsatzes an die Offline Shops Bei Click & Collect Gemäss definierten Shop zur Abholung Bei Home Delivery Kürzeste Distanz Luftlinie gemäss PLZ Rechnungsadresse 10 10

11 OmniChannel Online / Offline Zuordnung (Luftlinie) 11 11

12 Einheitliche Darstellung Notations- und Berichtsrichtlinien für das Steuerungskonzept Grunddefinition des Aufbaus Richtlinien für die Verwendung von Tabellen und Text Datenauswertungsrichtlinien und Notationsdefinitionen Richtlinien in Textform Richtlinien in Bildform 12 12

13 Design-Prototyp 13 13

14 Zoom Seite

15 Detailseite 15 15

16 Zoom Seite

17 Mobile BI 17 17

18 Online Channel Offline Channel Gesamtarchitektur Warenwirtschaftssystem (WWS) Kassensysteme Data Warehouse Reporting Google Analytics SAP Hybris eshop Verwaltungssystem SAP FI/CO Kosten Engine 18

19 Kosten Engine Flexible Kostenberechnung für den Online-Channel eshop Verwaltungssystem Pflege- Applikation (.NET) Kostentypen Kosten Stammdaten Kostensätze Kosten Engine Schnittstelle DWH Schnittstelle SAP FI/CO Kostentypen Level (Stück, Position, Bestellung) Berechnungsart (Prozent, Wert) MwSt. (inklusive, exklusive) Scope (Bestellung, Retoure, beides) Fashion/Non Fashion Kostensätze Lieferkanal Belastungshaus und Gutschrifthaus Wert (Prozentsatz, Betrag) Geschäftsvorfall für Buchung in FiBu Nur für hängende Artikel (ja/nein/egal) 19

20 Kosten Engine Beispiel für Kostenberechnung Kostentypen (Auszug) Transaktionsart Level Berechnung MwSt. Fashion/ Non Fashion Wareneingang Bestellung Sendung fixer Wert exkl. beides egal Verpackung Bestellung Sendung fixer Wert exkl. beides egal Vorbereitung Bestellung Sendung fixer Wert exkl. beides egal Transport zu externen Partnern Bestellung Sendung Prozentsatz exkl. beides egal Auslieferung pro Fashionobjekt Bestellung Stück fixer Wert exkl. Fashion egal Auslieferung pro Sendung Bestellung Sendung fixer Wert exkl. beides egal Retourenkosten pro Artikel Retoure Stück fixer Wert exkl. Non Fashion nein Retourenkosten pro hängendem Artikel Retoure Stück fixer Wert exkl. Fashion ja Porto Manor Geschenkkarte Bestellung Sendung fixer Wert inkl. beides egal hängend Kostensätze definieren pro Lieferkanal die zu berücksichtigenden Kostentypen 20

21 Data Warehouse Architektur Warenwirtschaftssystem (WWS) Staging Area Data Cleansing/ Transformation Core Data Marts Reporting Kassensysteme Warenklassifikation Google Analytics Datum Verkaufsdaten Warenhaus eshop Verwaltungssystem Webshop Channel Zustellart OFFLINE n/a ONLINE Home Delivery ONLINE Click & Collect Channel 21

22 Data Warehouse Architektur klassische Datenbank (Oracle 11g) In-Memory-DB (ExaSolution Warenwirtschaftssystem (WWS) Staging Area Data Cleansing/ Transformation Core Data Marts Reporting Kassensysteme Google Analytics eshop Verwaltungssystem 22

23 In-Memory Datenbank Eigenschaften und Erfahrungen In-Memory Column Store Hoher Komprimierungsgrad Platzbedarf in GB Original komprimiert benötigter Hauptspeicher Hoher Parallelisierungsgrad Skalierbarkeit (Anzahl Knoten, Hauptspeicher) 23

24 In-Memory Datenbank Performance im Vergleich Laufzeit in Sekunden Artikelfinder VZ-Abrufprobleme 2 Markenperformance Wochenumsätze Grössenauswertung Oracle EXASOL 24

25 In-Memory Datenbank Eigenschaften und Erfahrungen Nutzerzufriedenheit wird erhöht Technische Performance-Optimierungen verlieren an Bedeutung 25 Partitionierung Materialized Views Bitmap Indexes Bitmap Join Indexes Index Organized Tables DIMENSION-Objekte aktuelle Statistiken Histogramme Table Compression CACHE PCTFREE Distribute Replicate

26 In-Memory Datenbank Eigenschaften und Erfahrungen Nutzerzufriedenheit wird erhöht Technische Performance-Optimierungen verlieren an Bedeutung Reduzierung des Entwicklungsaufwands Technischer Aufwand bis -90% Fachliche Anforderungen 26 Klassische Datenbank In-Memory-Datenbank

27 In-Memory Datenbank Eigenschaften und Erfahrungen Nutzerzufriedenheit wird erhöht Technische Performance-Optimierungen verlieren an Bedeutung Reduzierung des Entwicklungsaufwands Konzentration auf das Wesentliche: Das Fachliche Risiko des Scheiterns von BI-Projekten reduziert sich Frühzeitiges Feedback schneller Umsetzung neuer Anforderungen (Agilität) Höhere Akzeptanz 27

28 Frontend 28 28

29 Fazit & Ausblick Fazit Fokussierung der Kennzahlen über den Wertreiberbaum hat zu grosser Akzeptanz geführt Auswahl der geeigneten Architektur ist ein wichtiger Erfolgsfaktor (Kostenrechnungssystem, In-Memory usw.) Noch sehr wenige Omnichannel KPI s verfügbar Benötigt operative Grundlagen Ausblick Erweitern der Applikation um operative Auswertungen (Drill-Down) Einführung neuer KPI für Omnichannel Messungen Einführung Mobile BI Komponenten 29 29