Bild: ÖBB - Harald Eisenberger
Bild: ÖBB - Harald Eisenberger

Trivadis unterstützt ÖBB

Evolutionäres Datawarehouse der ÖBB

Die ÖBB wandte sich an den BI- und Data Warehouse-Experten Trivadis, um ein komplett neues Enterprise Data Warehouse aufzubauen.

Die ÖBB Personenverkehr AG als Österreichs größter Mobilitätsdienstleister hat Terabytes an Daten zu verarbeiten: mehr als eine Million Passagiere werden täglich mit über 4.000 Zügen und 30.000 Buslinien transportiert. Um das Reisen für ihre Kunden zeitgemäß und noch angenehmer zu gestalten, wurde das Ticketing-System für alle Vertriebskanäle komplett neu konzipiert. Das Ergebnis sind digitale Services wie Online Ticketing und Mobile Apps.

Im Hintergrund dieses Systems wurde die gesamte Geschäftslogik und damit die Datenstruktur der ineinandergreifenden Systeme überarbeitet. Um die Auslastung der Züge zu messen bzw. zu prognostizieren, ist z.B. nicht mehr der bisher erfasste Ticketkauf für eine bestimmte Strecke relevant, sondern der Ticketkauf für einen bestimmten Zug. Auch zahlreiche neue KPIs und Qualitätsstandards wurden eingeführt wie z.B. der Erledigungsgrad von Störungen sowie der Anteil der Züge mit tauglichem WLAN oder mit Kinderkino.

Das macht deutlich, dass durch die Umstellung Daten in Terabytegröße anfallen, die aufbereitet, strukturiert und den Fachbereichen zu Auswertungs- und Steuerungszwecken zur Verfügung gestellt werden müssen. Das bestehende Datawarehouse konnte den neuen Anforderungen und der modernisierten IT-Systemarchitektur nicht mehr gerecht werden.

Evolution des DWH

Dieser Umstand führte die ÖBB zum BI- und Data Warehouse-Experten Trivadis mit dem Ziel, ein komplett neues Enterprise Data Warehouse aufzubauen, das den neuen Anforderungen gerecht wird und vor allem eine wesentliche Anforderung erfüllt: Das EDWH soll binnen kürzester Zeit Reportinggrundlagen liefern und möglichst agil einen evolutionären Ansatz verfolgen. Dies führte soweit, dass das "E" im EDWH den Stellenwert von EVOLUTIONÄR einnahm.

"Für die ÖBB Personenverkehr AG war es die Prämisse, im Bereich Data Warehousing auf einen strategischen Partner wie Trivadis zu setzen. Im Rahmen der BI-Modernisierung und Konsolidierung hat das evolutionäre Vorgehen entscheidende Vorteile bewiesen", betont Christoph Schmutz, CIO bei ÖBB Personenverkehr.

Die drei Ansätze im Data Warehousing

Bei der Entwicklung von Data Warehouses können drei verschiedene Blickwinkel unterschieden werden: 

  • Beim "Business Driven"-Ansatz steht der Informationsbedarf der Endanwender im Mittelpunkt, das heißt es werden die fachlichen Anforderungen an das DWH im Rahmen von Requirements Engineering ermittelt und im Wesentlichen die fachlich benötigten Kennzahlen definiert. Daraus abgeleitet entsteht ein Business Daten Modell, ein technisches Datenmodell und schlussendlich alle Strukturen des DWHs bis hin zum Aufschließen der benötigten Datenquellen.
  • "Data Driven" ist genau der umgekehrte Ansatz, in dem die verfügbaren Datenquellen analysiert werden und daraus entsprechend den technisch möglichen Verknüpfungen ein DWH implementiert. Über die verschiedenen Schichten eines DWHs werden die Informationen integriert und schlussendlich dem Endanwender zur Verfügung gestellt. Die beiden entscheidenden Nachteile dabei sind die enorme Breite an Informationen, da alle verfügbaren Datensätze kombiniert wurden und zum anderen die Möglichkeit, dass der Endanwender die bereitgestellten Informationen in dieser Form gar nicht benötigt.
  • Der dritte, weniger bekannte Ansatz ist das "Method driven"-Modell, das eigentlich die beiden ersten Ansätze kombiniert. Und genau dieser Ansatz, bei dem die Architekturpläne für ein DWH bereits generisch vorliegen und auf den konkreten Bedarf der Business Units ausgerichtet sind, ist die Basis für ein evolutionäres Data Warehouse.

Was versteht man unter evolutionärem DWH?

Die klassischen Data-Warehouse-Lösungen können mit den kürzeren Zeitabständen von neuen Anforderungen nicht mehr mithalten. Bis diese nämlich umgesetzt sind, hat sich der Bedarf an Informationen zumeist geändert oder sogar erübrigt und neue Aspekte sind hinzugekommen. Mit Standardisierung und Automatisierung gewinnen die DWH Prozesse jedoch an Effektivität und es lassen sich immense Zeit- und Kostenvorteile realisieren. Den Kern eines evolutionären Data Warehouses bildet dabei der DWH Generator, der wiederkehrende Aufgaben automatisiert.

Ist zum Beispiel eine Kundendimension aufzubauen, ist die Anbindung zur Datenquelle herzustellen. Die Daten müssen ausgelesen und in einer ersten Data Warehouse-Ebene gespeichert werden. Erst dann können sie in einer weiteren Daten-Bereinigungsschicht gesäubert werden. Ändert sich die Kundenstruktur im Laufe der Zeit, müssen auch hierfür geeignete Ladeprozesse und Datenstrukturen vorgesehen werden. Am Ende der Kette liegt jene Datenschicht, auf welche die Anwender mit ihren Analysewerkzeugen zugreifen. Diese soll einfache und performante Analysen ermöglichen.

Diese Kette von Umsetzungsschritten wiederholt sich mit jedem weiteren Auswertungsobjekt, wie zum Beispiel Produkte, Organisationsstrukturen, Lieferanten oder Kostenstellen. Ein Generator ist in der Lage, diese Schritte größtenteils automatisch zu vollziehen. Daraus resultiert ein immenser Zeitgewinn für die Umsetzung, so kann z.B. der Prozess von der formulierten Anforderung der Fachabteilung bis zur Implementierung binnen Stunden oder in wenigen Tagen abgeschlossen sein. Durch den Einsatz eines Generators ergibt sich ein weiterer positiver Nebeneffekt, denn durch ihn wird das Einhalten von Standards gewährleistet und es entsteht weitaus weniger Testaufwand. Entscheidend ist, dass der Generator flexibel die angestrebte Architektur der DWH-Lösung unterstützt und die gesamte Business-Logik zur Verarbeitung der Daten über das Tool verwaltet. Denn nur so ist gewährleistet, dass der Vorteil der Automatisierung über den gesamten Lebenszyklus der DWH-Lösung genutzt werden kann.

"Das evolutionäre Data Warehousing ermöglichte in einer engen Business-Interaktion die gewünschte kurze time-to-market Strategie. Bedürfnisse konnten in kurzer Zeit in Ergebnisse transformiert und präsentiert werden. Hier hat uns Trivadis bestens unterstützt und ihre langjährige Expertise in die Prozesse eingebracht", berichtet Christoph Schmutz, CIO bei ÖBB Personenverkehr.

EDWH bei der ÖBB Personenverkehr AG

Die wachsenden Anforderungen der verschiedenen Business Units in der gesamten Organisation des ÖBB Personenverkehrs stellten die bestehende Data Warehouse-Lösung vor eine große Herausforderung. Eine schnelle Integration mehrerer Datenquellen (z. B. Loyalitätskartensystem, Webshop und Ticketing-System, Ertragsmanagement etc.) wurde benötigt.

Trivadis wählte den evolutionären Ansatz als Projektvorgehen, welcher primär ein iteratives Umsetzen kleiner Projektinhalte mit einem hohen Automatisierungsgrad und kurzen Releasezyklen umfasst.

Zunächst wurde ein neues BI Competence Center eingerichtet. Die Anforderungen an die neue Data Warehouse-Lösung wurden in enger Zusammenarbeit mit den Geschäftsbereichen gesammelt und definiert. Die Umsetzung und die Integration mehrerer neuer Datenquellen erfolgten in kurzen Iterationen und verfolgten die agilen Entwicklungsansätze. Die fortschrittliche Data Warehouse-Automatisierung reduzierte den Entwicklungsaufwand und die Time-to-Deliver auf ein Minimum.

"Das agile Projektvorgehen wird sich bei der Data Warehouse Entwicklung weiter durchsetzen. Zusätzlich schafft Automatisierung, insbesondere bei Datenarchitektur und Datentransformationen den entscheidenden Vorsprung. Trivadis bringt neben der stark business-orientierten Methodik die technischen Standards und erprobten Best Practices in die Entwicklungsprojekte ein", erläutert Günther Krobath, Solution Unit Manager Business Intelligence bei Trivadis in Wien.

Mehr Artikel zum Thema: Praxis Business Intelligence

Microsoft HoloLens bei Wien Energie

Wien Energie versorgt rund zwei Millionen Menschen, 230.000...

Weiterlesen

Billiger zum BI-Event

Am 21. November findet in Wien wieder die ÖCI-BARC-Tagung...

Weiterlesen

Nestlé prognostiziert die Nachfrage mit SAS

Softwarehersteller SAS ist der globale Partner des größten...

Weiterlesen

Wie das CERN seine Daten beschleunigt

Das CERN, die Europäische Organisation für Kernforschung,...

Weiterlesen

Unterirdisch und doch auf Augenhöhe

Die österreichische Aspanger Bergbau und Mineralwerke GmbH...

Weiterlesen

Zeit der Excel-Sheets bald vorbei

Die Fachhochschule Salzburg hat bei der Suche nach einem...

Weiterlesen

IT, schnell wie der Blitz

Kremsmüller KG ist ein österreichischer Traditionsbetrieb,...

Weiterlesen

Mammutprojekt Umzug der Unternehmens-IT

Der Umzug eines Unternehmens ist nicht nur eine logistische...

Weiterlesen

Rohdaten als Treibstoff für Unternehmen

Mit der Studie "Data Preparation im Fachbereich – aus...

Weiterlesen

Professionelle Sozialarbeit im digitalen Zeitalter

Der gemeinnützige Verein NEUSTART betreut Täter und Opfer...

Weiterlesen

5 Funktionalitäten von Self-Service-Analysen

Erfüllt Ihre BI-Lösung sowohl die IT-Anforderungen als auch...

Weiterlesen

Stadtwerke Gießen: IT-Servicemanagement mit Open Source

Die Stadtwerke Gießen setzen flächendeckend Open Source für...

Weiterlesen

Feinste Datenanalyse für GoodMills Group

An sieben europäischen Standorten waren bei der GoodMills...

Weiterlesen

100.000 Prozesse pro Tag automatisiert

Pro Tag müssen bei SPAR ICS 100.000 Prozesse auf den...

Weiterlesen

Licht und Services kombinieren

Auch bei dem österreichischen Traditionsunternehmen Zumtobel...

Weiterlesen

Data Discovery Software unter der Lupe

Data Discovery ist derzeit einer der weltweit...

Weiterlesen

Beste BI-Projekte gesucht

Bewerben Sie sich jetzt mit Ihrem BI-Projekt! In Kooperation...

Weiterlesen

IMP-Neubau mit moderner IT-Infrastruktur

Das Forschungsinstitut für Molekulare Pathologie (IMP)...

Weiterlesen

Weinhändler setzt auf duale Rechnungszustellung

WEIN & CO bietet seinen Abo-Kunden neuerdings die duale...

Weiterlesen