Aufbau des Datenfundaments für einen europäischen Lebensmittelhändler
Der Händler steuerte sein Geschäft über reine Umsatzzahlen und Bauchgefühl. ERP-, CRM- und Forecast-Daten lagen in getrennten Systemen, und Fragen zu Marge, Mix oder Forecast-Genauigkeit kosteten eine Woche manueller Arbeit.
Die Herausforderung
Die Führung wollte datengetrieben werden, hatte aber keine Infrastruktur dafür. ERP, CRM und Forecast-Daten lagen in drei getrennten Systemen ohne saubere Möglichkeit, sie zu kombinieren. Marge nach Kunde, Produkt-Mix-Verschiebungen und Forecast-Genauigkeit waren alles Fragen, die das Team schlicht nicht beantworten konnte; die Daten existierten, aber sie waren verstreut.
Unser Ansatz
Wir haben ein Microsoft Fabric-Lakehouse mit inkrementellen Ingestion-Pipelines aus ihrem ERP, CRM und ihren Excel-Forecast-Dateien gebaut. PySpark-Notebooks übernehmen das ETL in eine Medaillon-Architektur, Bronze, Silber, Gold, mit einer sauberen Semantikschicht darüber. Power BI sitzt über der Gold-Schicht und gibt dem Team erstmals Self-Service-Zugriff auf kombinierte Daten.
Was wir geliefert haben
- Microsoft Fabric Lakehouse mit Bronze/Silber/Gold-Medaillon-Architektur
- Inkrementelle Ingestion-Pipelines aus ERP, CRM und Excel-Forecast-Dateien
- PySpark-Notebooks für ETL, vollständig dokumentiert für das interne Team
- Power BI Semantikschicht und Berichte, die der Führung volle P&L-Sicht geben
Das Ergebnis
Vorher war das Team praktisch blind für Fragen, die die Führung beantwortet haben wollte: Cost-to-Serve nach Kunde, Margenverschiebungen innerhalb von Produktlinien, wo Forecast-Genauigkeit tatsächlich brach. Nicht weil die Antworten zu lange brauchten. Die Daten existierten, lebten aber in drei getrennten Systemen. Jetzt sehen sie es. Eine vertrauenswürdige Wahrheitsquelle, in Sekunden aktualisiert, mit der Architektur, im nächsten Schritt prädiktive Modelle aufzusetzen.
“Unser Finance-Team verbrachte die erste Woche jedes Monats damit, der Operations-Abteilung hinterherzulaufen, um die richtigen Margenzahlen zu bekommen. Conlatio hat das Daten-Fundament neu aufgebaut, sodass Marge nach Kunde und Produktlinie schon vor Monatsabschluss im Dashboard steht. Die nächste Phase, Alerts wenn die Marge in einer bestimmten Linie rutscht, läuft auf derselben Architektur, die wir gebaut haben. Ich vertraue endlich den Zahlen, die ich an unsere Geschäftsführung gebe.”
Weitere Case Studies
Zurück zu allen Case Studies
BI-Infrastruktur und KI-gestützte Auftragsautomatisierung für einen deutschen Lebensmittel- und Getränkeproduzenten
Der Produzent brauchte Geschäftseinblick und Entlastung von zeitraubender manueller Auftragserfassung. Eingehende Aufträge kamen als Fax- und E-Mail-PDFs, alle wurden manuell ins ERP eingegeben.
Case Study lesen →
Verträge sichern durch Eliminierung manuellen Reportings bei einem Versicherungsmakler
Ein wachsender Makler operierte auf fragilen Excel-Dokumenten und Python-Skripten, schickte unzuverlässige Daten an Kunden und riskierte entscheidende Verträge.
Case Study lesen →