Ausgewählte Referenzen und Projektergebnisse

Ausgangslage

Im Zuge einer unternehmensweiten Datenstrategie sollte eine zentrale Datenplattform vollständig neu aufgebaut werden, ohne bestehende Lakehouse-Grundlage. Heterogene On-Premises-Quellsysteme mussten angebunden und ein bestehendes BI-Tool perspektivisch abgelöst werden.

Unser Beitrag

• Konzeption der Greenfield-Plattform inkl. Zielarchitektur und Anforderungsaufnahme
• Architektur-Blueprint mit Azure Databricks (Medallion) als zentralem Lakehouse
• Orchestrierung über Azure Data Factory, Transformationslogik mit dbt Core
• Reporting-Schicht mit Microsoft Fabric und Power BI, inkl. Ablösungspfad für das Legacy-BI-Tool
• Anbindung der Quellsysteme über Self-hosted Integration Runtime
• Modellierungsrichtlinien (Data Vault 2.0, Kimball), Workshops und Enablement

Ausgangslage

Die Logistikabteilung eines produzierenden Industrieunternehmens arbeitete mit einer historisch gewachsenen On-Premises-Landschaft auf Basis von Microsoft-Technologien. Eine einheitliche Datenmodellierung gab es nicht: Jeder Use Case war für sich aufgebaut, entsprechend unübersichtlich waren Strukturen, Abhängigkeiten und Auswertungen. Mit der Migration nach Azure sollte deshalb nicht nur die Technik wechseln, sondern auch ein tragfähiges Zielmodell für den weiteren Ausbau entstehen.

Unser Beitrag

• Begleitung der Migration der Logistik-Datenlandschaft nach Azure und Aufbau einer Datenplattform in Medallion-Architektur
• Aufnahme der Anforderungen und der bereits bestehenden Use Cases aus der Altwelt als Grundlage für den Migrationsschnitt
• Entscheidungsgrundlage für den Migrationsansatz: Gegenüberstellung von Lift-and-Shift und Neuaufbau inklusive Kostenrechnung für beide Szenarien
• Beratung zur Datenmodellierung: Bewertung von Kimball und Data Vault 2.0, entlang der konkreten Logistikprozesse
• Unterstützung beim Einsatz von dbt für die End-to-End-Datenverarbeitung: Projektstruktur und Layering, Modellierungs- und Namenskonventionen, Materialisierungs- und Inkrement-Strategien, Macros und Wiederverwendung, Umgebungs- und Deployment-Konzept, Dokumentation und Data Lineage
• Ausgestaltung des Testprozesses: dbt-Tests als festes Quality Gate, Trennung technischer und fachlicher Tests, Regeln für Freigaben und CI/CD
• Implementierung von Use Cases im Bereich Logistik für Management- und operatives Reporting, unter anderem Frachtkostenanalysen nach Relation, Carrier, Versandart und Auftrag sowie Pick-Analysen zu Pickmengen, Pickleistung je Schicht und Bereich und Auslastung der Kommissionierung

Ausgangslage

Vor einer Plattformentscheidung bestand Unklarheit, ob Azure Databricks oder Microsoft Fabric die passende Grundlage bildet. Es fehlte eine fundierte Bewertung und eine belastbare Entscheidungsgrundlage für Technologieauswahl, Budgetierung und MVP-Start.

Unser Beitrag

• Azure-Databricks- und Microsoft-Fabric-Workshop zur strategischen Bewertung
• Analyse von Anforderungen, Quellsystemen und Use Cases über Interviews mit Fachbereichen und IT
• Vergleich beider Plattformen inkl. Kosten, Governance und Betriebsauswirkungen
• Definition von Zielarchitektur, Governance-Modell und Implementierungs-Roadmap

Ausgangslage

Supply-Chain-, Einkaufs- und Produktionsdaten aus SAP ECC und S/4HANA sollten standortübergreifend nutzbar werden. Die historisch gewachsene Landschaft war fragmentiert und nur begrenzt skalierbar, einheitliche KPIs über alle Standorte kaum möglich.

Unser Beitrag

• Aufbau einer skalierbaren Cloud-Datenplattform für Supply-Chain-, Einkaufs- und Produktionsdaten
• Integration von SAP ECC, S/4HANA, Microsoft Dynamics und weiteren Quellsystemen
• Modellierung nach Data Vault 2.0, Transformationslogik mit dbt
• Harmonisierung werks- und prozessspezifischer SAP-Logik in einem konsistenten Datenmodell
• Produktive End-to-End-Use-Cases für Supply Chain, Einkauf und Produktion
• Standardisierte KPIs über alle Werke, Power-BI-Reports und Self-Service BI

Ausgangslage

Die Finance-Datenlandschaft war stark fragmentiert. Ein Legacy Data Warehouse benötigte teils über zehn Stunden für tägliche Ladeprozesse und lief instabil. Daten aus mehr als 100 Quellsystemen unterschiedlicher Länder mussten integriert werden, mit hohem manuellem Aufwand und uneinheitlicher Datenqualität.

Unser Beitrag

• Aufbau einer globalen, skalierbaren Finance-Datenplattform
• Integration von über 100 Quellsystemen inkl. Finanzbuchhaltungs- und länderspezifischer Systeme
• Metadatengesteuerte ETL-Logik: Pipelines generieren Strukturen und Ladeprozesse automatisch
• Change Data Capture für inkrementelle Verarbeitung statt vollständiger Neuladung
• Automatisierte Data-Quality-Checks sowie Logging und Monitoring für stabilen Betrieb
• Konsistente Datenbasis für Reporting, Controlling und Self-Service BI