Der Einsatz analytischer Informationssysteme zur Vetriebsunterstützung im Öffentlichen Personen-Nahverkehr

Inhaltsverzeichnis

1 Einleitung

2 Der öffentliche Personennahverkehr in Deutschland

2.1 Aufgaben und Situation

2.1.1 Zweckbestimmung nach dem Gesetz

2.1.2 Wirtschaftliche und politische Rahmenbedingungen

2.2 Unternehmensziele

2.2.1 Finanzielle Ziele

2.2.2 Kundenzufriedenheits-Ziel

2.2.3 Resultierender Informationsbedarf

2.2.4 Möglichkeiten der Informationsbereitstellung

3 Data Warehouse als Basis eines Analytischen Informations-systems

3.1 Grundlagen

3.1.1 Historische Entwicklung

3.1.2 Aufgaben

3.2 Architektur

3.2.1 Extraktions-, Transformations- und Ladeprogramme

3.2.2 Operational Data Store

3.2.3 Datenbasis

3.2.4 Archivierungssystem

3.2.5 Metadaten

3.2.6 On-Line Analytical Processing

3.2.7 Front End

3.3 Multidimensionale Datenmodelle

3.3.1 Grundlagen

3.3.2 Grafische Modellierungsformen

3.3.3 Transformation auf die logische Ebene

3.4 SAP Business Warehouse

4 Die Einführung von SAP BW im Vertrieb der DSW

4.1 Situation der Dortmunder Stadtwerke

4.1.1 Wirtschaftliche und politische Rahmenbedingungen

4.1.2 Organisatorische und informationstechnische Rahmenbedingungen

4.1.3 Zusammenfassung der Rahmenbedingungen

4.2 Projektverlauf

4.2.1 Definition von Anforderungen der Fachabteilungen

4.2.1.1 Vertriebsabteilung

4.2.1.2 Marketing-Abteilung

4.2.1.3 Beschwerdemanagement

4.2.1.4 Deliktverwaltung

4.2.1.5 Zusammenfassung der Anforderungen

4.2.2 Soll-Konzept

4.2.2.1 Datenmodell Verkauf

4.2.2.2 Datenmodell Beschwerdemanagement

4.2.2.3 Datenmodell Deliktverwaltung

4.2.3 Architektur und Implementierung

4.2.3.1 Die Datenquelle SAP PT

4.2.3.2 Modellierung innerhalb von SAP BW

4.2.3.3 Modellierung der Datenquellen

4.2.3.4 Ladeprozess Bewegungsdaten

4.2.3.5 InfoCube

4.2.4 Ausgewählte Beispiele der Queries

4.2.4.1 Verkauf und Umsätze Abonnement

4.2.4.2 Nutzung der Fahrscheindrucker

4.2.4.3 Vergleich externer Vorverkaufsstellen

4.3 Bewertung des Projektes

4.3.1 Erfolge

4.3.2 Problembereiche

5 Fazit und Ausblick

Zielsetzung & Themen

Die Arbeit untersucht den Einsatz von Data-Warehouse-Technologien, speziell des SAP Business Warehouse (BW), zur Unterstützung des Vertriebs im öffentlichen Personennahverkehr (ÖPNV) am praktischen Beispiel der Dortmunder Stadtwerke AG.

• Analyse der Rahmenbedingungen und Unternehmensziele im deutschen ÖPNV
• Konzeption und Aufbau von Data-Warehouse-Architekturen zur Entscheidungsunterstützung
• Einführung von analytischem CRM (aCRM) zur Verbesserung der Kundenzufriedenheit
• Projektdokumentation einer BW-Implementierung mit Schwerpunkt auf Datenmodellierung
• Bewertung von Erfolgen und Problembereichen bei der Einführung integrierter Informationssysteme

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Die Einleitung motiviert die Nutzung von Data-Warehouse-Technologien zur Entscheidungsunterstützung und stellt den praktischen Bezug zum Projekt bei den Dortmunder Stadtwerken her.

2 Der öffentliche Personennahverkehr in Deutschland: Dieses Kapitel beleuchtet die wirtschaftlichen und politischen Rahmenbedingungen des ÖPNV sowie die daraus resultierenden Unternehmensziele und den Informationsbedarf.

3 Data Warehouse als Basis eines Analytischen Informations-systems: Hier werden die theoretischen Grundlagen des Data-Warehouse-Konzepts, die Architektur sowie multidimensionale Datenmodelle und das SAP BW erläutert.

4 Die Einführung von SAP BW im Vertrieb der DSW: Das Hauptkapitel beschreibt detailliert die Anforderungsanalyse, das Soll-Konzept und die Implementierung des SAP BW Prototypen bei der Dortmunder Stadtwerke AG.

5 Fazit und Ausblick: Das Fazit bewertet die Ergebnisse des Projektes kritisch und gibt einen Ausblick auf die notwendigen Weiterentwicklungen und die zukünftige strategische Bedeutung solcher Systeme.

Schlüsselwörter

ÖPNV, Data Warehouse, SAP BW, CRM, Analytische Informationssysteme, Vertriebsunterstützung, Dortmunder Stadtwerke, Entscheidungsunterstützung, Kundenbindung, Datenmodellierung, Business Intelligence, Unternehmensziele, Kennzahlen, OLAP, Datentransformation

Häufig gestellte Fragen

Worum geht es in der Arbeit grundlegend?

Die Arbeit analysiert den Einsatz analytischer Informationssysteme, insbesondere des SAP Business Warehouse, um die Vertriebs- und Marketingprozesse bei einem ÖPNV-Unternehmen effizienter zu gestalten.

Was sind die zentralen Themenfelder?

Die Arbeit verknüpft Konzepte aus der Data-Warehouse-Theorie mit praktischen Anforderungen des Customer Relationship Managements (CRM) im Umfeld des öffentlichen Personennahverkehrs.

Was ist das primäre Ziel der Untersuchung?

Ziel ist es, zu zeigen, wie durch ein integriertes Datenmanagement Entscheidungsträger im Vertrieb besser mit Informationen versorgt werden können, um die Kundenzufriedenheit und Unternehmensleistung zu steigern.

Welche wissenschaftliche Methode wird verwendet?

Die Arbeit basiert auf einer Fallstudie bei der Dortmunder Stadtwerke AG, ergänzt durch eine theoretische Auseinandersetzung mit Data-Warehouse-Architekturen und Modellierungstechniken (z.B. ADAPT).

Was wird im Hauptteil behandelt?

Der Hauptteil widmet sich der konkreten Projektbeschreibung: von der Anforderungsdefinition der Fachabteilungen über das konzeptionelle Soll-Konzept bis hin zur technischen Implementierung und dem Erstellen von Analyse-Queries.

Welche Schlüsselbegriffe charakterisieren die Arbeit?

Zentrale Begriffe sind ÖPNV, Data Warehouse, SAP BW, analytisches CRM, Datenmodellierung, Kundenzufriedenheit und Entscheidungsunterstützung.

Wie unterscheidet sich das operative vom analytischen CRM?

Das operative CRM unterstützt die täglichen Prozesse mit direktem Kundenkontakt, während das analytische CRM die gesammelten Daten für Planung, Steuerung und strategische Analysen aufbereitet.

Warum ist das Projekt bei der DSW für SAP BW so besonders?

Da die DSW das SAP R/3-Branchenmodul "Public Transport" als Quellsystem nutzen, bietet dieses Beispiel einen direkten Einblick in die Anbindung komplexer SAP-Strukturen an ein Data Warehouse.

Welche Rolle spielt die Datenqualität im Projekt?

Die Datenqualität in den Quellsystemen wird als kritischer Erfolgsfaktor identifiziert; mangelnde Qualität und Redundanzen erschweren die Analysen erheblich und machen Bereinigungsmaßnahmen erforderlich.