Von ERP-Daten zur kommerziellen Intelligenz — Warehouse, semantische Schicht und eine einzige Version der Wahrheit

Die Beobachtung. Die meisten industriellen KMU besitzen in ihrem ERP bereits fast alles, was eine gute kommerzielle Entscheidung bräuchte : jede Bestellung, jede Rechnungszeile, jede Lagerbewegung ist erfasst. Dennoch kehrt dieselbe Frage zurück : welche Produkte beschleunigen, welche verlangsamen, und wie viele Wochen Deckung bleiben uns? Die Information existiert ; sie wird nur nicht lesbar gemacht. Die Umwandlung in kommerzielle Intelligenz ist eine Frage von Modellierung und Governance, nicht von Werkzeugen.

ERP gegen Analyse

Ein ERP führt Transaktionen aus ; es analysiert sie nicht. Bill Inmon prägte die grundlegende Unterscheidung zwischen transaktionalen (OLTP) und analytischen (OLAP) Systemen. Die klassische Antwort : in ein Data Warehouse extrahieren, modellieren, eine gemeinsame semantische Schicht bereitstellen.

Das Muster

Kimballs dimensionale Modellierung ordnet die Daten in Fakten-Tabellen (Bestellungen, Rechnungszeilen) und Dimensions-Tabellen (Produkt, Kunde, Markt, Zeit). Die semantische Schicht definiert jede Kennzahl genau einmal ; Dashboards pro Verantwortlichem zeigen jedem seinen Bereich, vergleichbar.

Velocity und Deckung

Velocity ist das Verkaufstempo eines Artikels ; die Deckung übersetzt den Bestand in Verkaufswochen. Hohe Velocity und niedrige Deckung kündigt einen Engpass an ; das Gegenteil bindet Liquidität.

Governance

Das Hindernis ist selten technisch. Eine einzige Version der Wahrheit verlangt einen benannten Daten-Eigentümer, schriftliche Definitionen und ein Nur-Lese-Prinzip auf den Quellsystemen.

Wo wir stehen

Montandor Andorra baut seine kommerziellen Dashboards direkt auf den Live-Daten seines ERP — nur lesend, mit gemeinsamen Definitionen. Ziel : dass Marktverantwortliche und Leitung dieselbe Zahl lesen.

„Daten haben nur Wert, wenn sie früher zu einer besseren Entscheidung führen.“
— Wouter Meijboom, CEO, Montandor Andorra.

Quellen

• Ralph Kimball & Margy Ross — The Data Warehouse Toolkit (Wiley).
• William H. Inmon — Building the Data Warehouse (OLTP / OLAP).
• DAMA International — DMBOK (Daten-Governance).
• McKinsey & Company — data-driven Unternehmen, 2018-2023.
• Harvard Business Review — McAfee & Brynjolfsson, Big Data, 2012.
• GS1 — Produktidentifikationsstandards (GTIN).

Forschung geleitet von Hélène Vincent (Growth & Analytics Lead), in Zusammenarbeit mit Lev Marchuk und Chloé Garnier.