Das Ziel dieser Bachelorarbeit war, herauszufinden, inwieweit gängige und moderne IT-Architekturen die Bondatenanalyse unterstützen können und welche Herausforde-rungen und Probleme dabei entstehen. Der Fokus wurde dabei auf Bondaten im Le-bensmitteleinzelhandel gelegt.

Es wurde ersichtlich, dass in der heutigen Zeit Business-Intelligence-Lösungen wie die Bondatenanalyse vor allem für Lebensmitteleinzelhandelsketten wichtig sind, um den Umsatz zu steigern. Vor allem wegen der hohen Verderblichkeit der Waren, den ver-schiedenen saisonalen Trends und dem variierenden Käuferverhalten ist es wichtig, mittels IT-Architekturen Bondatenanalyse durchzuführen, um so für eine bessere Wa-renverfügbarkeit, Lagerverwaltung und einen höheren Umsatz zu sorgen. Durch den Einsatz von Echtzeitanalysen mittels SAP HANA können diese Daten noch genauer und schneller analysiert werden, wodurch weitere Mehrwerte generiert werden. Es kann z. B. durch die Einsparung von Prozessen Personal eingespart, gleichzeitig aber auch analysiert werden, zu welchen Zeiten wie viel Personal benötigt wird. Zudem wird durch die Echtzeitanalyse beispielsweise erkennbar, ob es sinnvoll ist, ein Produkt, dessen Haltbarkeit am Folgetag abläuft, nicht zu reduzieren, weil eventuell die Kauf-kraft an diesem Tag stark genug ist. Es ist also möglich, die Preis- und Produktpolitik schnell den aktuellen Umständen anzupassen und so Rabattaktionen zu steuern. Auch Marketingmaßnahmen können mittels solcher Auswertungen angepasst werden. So können beispielsweise zwei häufig zusammengekaufte Produkte über die Verkaufsflä-che verteilt werden, sodass der Kunde an weiteren Artikeln vorbeilaufen muss, die er eventuell kaufen würde.

Aufgrund der Digitalisierung und des hohen Konkurrenzkampfes im Lebensmittelein-zelhandel ist die Bondatenanalyse notwendig, um erfolgreich am Markt zu sein. Es ist allerdings zu beachten, dass für eine sinnvolle Auswertung die Datenqualität und -konsistenz grundlegend sind. Ferner müssen neben den Bondaten andere Prozesse wie Bestell- und Liefervorgänge digitalisiert und transformiert werden, um den Unterneh-menserfolg zu maximieren.

Es ist schwierig, zu entscheiden, ob gängige Data-Warehouse-Systeme oder die mo-derneren IT-Architekturen mit SAP HANA, In-Memory-Datenbanken und Customer-Experience-Modellen besser für die Bondatenanalyse im LEH geeignet sind. Trotz der vielen positiven Aspekte, die In-Memory-Datenbanken mit sich bringen, zeigt die Pra-xis, dass die dabei entstehenden Kosten nicht unerheblich sind.

Gängige IT-Architekturen eignen sich gut, um aus den Bondaten mittels Data Mining Informationen wie Absätze, Umsätze, Tagesverkäufe oder Verbundbeziehungen zu erkennen. Dabei hat die Arbeit gezeigt, dass unabhängige Data Marts für den Lebens-mitteleinzelhandel weniger geeignet sind, da in diesem Fall eine Verkettung mehrerer Filialen schwierig zu bewerkstelligen ist und auch Kosten durch mehrfache Entwick-lung, Infrastruktur und Hardware entstehen. Eine kostengünstige und effektive Lösung bietet die Data-Bus-Architektur, die verschiedene Data Marts zusammen in einer Mas-ter Suite kombiniert. Diese Master Suite beinhaltet dabei Dimensionen wie tägliche Absatzzahlen, die aus mehreren aneinander angepassten Data Marts bestehen. Sie wird vor allem dann empfohlen, wenn der Zeitfaktor sehr wichtig ist und nicht alle Da-ta Marts miteinander vernetzt sein müssen, um den Unternehmenserfolg grundlegend zu erhöhen. Mithilfe der Data-Bus-Architektur können viele wichtige angeforderte In-formationsanfragen abgedeckt werden, jedoch ist es schwierig, verschiedene Data Marts so anzupassen, dass sie wirklich ineinander so integriert werden, dass einheitli-che Dimensionen in Form eines Data-Bus entstehen. Dabei läuft man auch Gefahr, dass eine Informationssammlung mit nur wenigen Analysemöglichkeiten entsteht.

Die EDW-Architektur wiederum könnte für mittelständische und große Einzelhandels-ketten eine Alternative sein, da sie zwar kostspielig ist, jedoch durch die Kombination aus einer zentralen Datenbank und verknüpften Data Marts eine sehr effektive Lösung darstellt und Möglichkeiten zur Analyse von Prozessen anbietet, ohne dabei die Zu-griffszeiten erheblich zu verschlechtern. Grund dafür ist unter anderem die Nutzung der dritten Normalform innerhalb der zentralen Datenbank.

Eine föderierte Datenbank bietet sich an, wenn im Unternehmen schon mehrere Sys-teme wie EDW, nichtarchitektonische und architektonische Data Marts existieren und diese miteinander verknüpfen werden sollen.

Um Informationen in Echtzeit liefern zu können, bedarf es einer aktuellen In-Memory-Lösung, mit der sich neue Mehrwerte für die Lebensmitteleinzelhändler ergeben. Der-zeit ist SAP HANA die einzige Lösung für Transaktionen und Analysen in Echtzeit. Un-ternehmen bekommen mittels SAP HANA die Möglichkeit, Vergangenheitsdaten mit Live-Daten zu verknüpfen, um schnelle Analysen und Entscheidungen zu treffen. In den meisten Szenarien, in denen auf SAP HANA umgesetzt wurde, ändert sich nicht viel am Vorgang. Der Großteil der Kunden von SAP HANA nutzt es für das gleiche Re-porting mit den gleichen Datenquellen mit dem Unterschied, dass der Datenzugriff viel schneller erfolgt, behält ihr bestehendes Data Warehouse und ergänzt es in den meis-ten Fällen mit HANA, da es kostengünstiger ist. In diesen Fällen können die Unternehmen von den Hauptnutzen der Echtzeitanalyse und den damit verbundenen besse-ren geschäftlichen Erkenntnissen der SAP HANA profitieren. Das Handelsformat des Lebensmitteleinzelhändlers ist dabei nicht entscheidend für den Einsatz der In-Memory-Datenbanken. Ausschlaggebend ist nicht, ob es sich um einen Supermarkt oder einen Discounter handelt, sondern vielmehr, wie groß die einzelnen Unternehmen sind. Wenn beispielsweise bei Lidl ein Prozess in einem Markt um eine Minute verkürzt wird, muss dies auf das 10.000-fache verteilt auf alle Filialen weltweit betrachtet wer-den. SAP HANA muss jedoch stark an das Unternehmen angepasst werden und kann sehr teuer werden. Um eine langfristige Strategie festzulegen, ist wichtig, den Return on Investment stets zu berücksichtigen. Daraus resultiert, dass die On-Premise-Variante von SAP HANA erst bei großen Unternehmen mit großen Mengen an Daten sinnvoll werden, weil es mit enormen Kosten verbunden ist. Jedoch muss auch dies an dieser Stelle kritisch betrachtet werden, da das aktuelle Beispiel mit Lidl zeigt, dass trotz des modernsten Warenwirtschaftssystems das Projekt gescheitert ist und einge-stellt wurde. Daraus resultiert, dass die Umstellung einer Data-Warehouse-Architektur auf SAP HANA nicht so einfach ist und mit hohen Kosten verbunden ist und während der Phase ein sehr gutes Projektmanagement stattfinden muss. Die Kosten für In-Memory-Datenbanken fallen jedoch tendenziell, da Preise für Arbeitsspeicher immer weiter sinken und SAP auch eine skalierbare, cloudbasierte Lösung anbietet. Dadurch könnte diese Technologie in den nächsten Jahren ebenfalls für kleinere Unternehmen werden interessanter werden.

Die Dansk Supermarked Group in Dänemark hingegen konnte durch den Einsatz von In-Memory sehr gute Ergebnisse erzielen und konnte starke Verbesserungen im Be-reich Kundenzufriedenheit, finanzieller Performance und Mitarbeiterzufriedenheit ver-zeichnen.

Nach dem heutigen Stand der Literatur ist es nicht möglich, die moderne IT gegenüber dem Data Warehouse als die bessere einzuschätzen. Es ergeben sich in der Theorie insbesondere durch die Echtzeitanalyse der Bondaten in Verbindung mit anderen Da-ten neue Mehrwerte, die in Echtzeit erreicht werden, was mit der herkömmlichen IT nicht möglich ist. Grundlegend für jegliche Architekturen ist weiterhin die Datenquali-tät, da ohne richtige konsistente Daten eine Analyse kaum möglich ist. In solchen Fäl-len gilt, die Daten anzupassen und zu korrigieren, was mit viel Aufwand verbunden ist. In dieser Hinsicht bietet In-Memory den Vorteil, dass durch das Wegfallen des ETL-Prozesses keine zusätzlichen Übertragungsfehler entstehen können.

Unternehmen müssen jedoch stets bedenken, dass die Umstellung auf eine In-Memory-Datenbank mit hohen Kosten und nicht vorhersehbaren Problemen in der Umsetzung verbunden sein können. Auch sind die Erfahrungswerte und die besseren Backup-Möglichkeiten bei gängigen Data-Warehouse-Architekturen ein Faktor, den man nicht unberücksichtigt lassen sollte. In Fällen mit einer geringen Änderungsanzahl der Datensätze könnte sich auch die Nutzung von Solid State Drives anbieten, um die Zugriffszeiten zu verbessern, ohne dabei auf eine In-Memory-Datenbank zuzugreifen.