01 / Origin
Das Problem war nicht fehlende Arbeit. Es war fehlende Sichtbarkeit.
Während meiner operativen Arbeit sah ich dieselbe Frage immer wieder: Wer ist heute tatsächlich verfügbar, welche Abteilung steht unter Druck und wen können wir bewegen, ohne anderswo ein neues Problem zu erzeugen?
Die Antworten lagen verteilt in Excel-Dateien, Papierlisten, Schichtplänen und informellen Gesprächen. Engpässe wurden oft erst sichtbar, nachdem Aufträge bereits auf den Packtischen lagen.
02 / Research Question
Wie wird aus Workforce-Daten eine Entscheidung vor Schichtbeginn?
Wie können Workforce- und Betriebsdaten eines SME-Fulfillment-Lagers in ein transparentes, menschlich überwachtes Predictive BI-DSS überführt werden, das tägliche Personalentscheidungen systematischer unterstützt?
03 / Method
Vom Rohsignal zur handlungsfähigen Empfehlung
Quantitative Workforce-Daten zeigten die Muster. Drei Experteninterviews erklärten den operativen Kontext. Beide Evidenzströme formten das DSS.
Worker-Day-Datensätze
Mit klarer Herkunftskennzeichnung: verifiziert, berechnet, modelliert oder geschätzt.
Validierungsprüfungen
Interne Konsistenz zwischen Tagesübersichten, Abteilungszuweisungen und Berechnungen.
Interview-Themen
Fragmentierung, Anwesenheit, Zuteilung, Skills, KPI-Sichtbarkeit und menschliche Entscheidungsautorität.
04 / Power BI Evidence
Fünf Seiten, eine Entscheidungskette
Jede Dashboard-Seite beantwortet eine andere operative Frage: Umfang, Verfügbarkeit, Verteilung, Eignung und empfohlene Aktion.
Behind the dashboard
Ein nachvollziehbares Datenmodell
Datums-, Mitarbeiter- und Abteilungsdimensionen verbinden Workforce-, Allocation-, Detail- und DSS-Fakttabellen. So lässt sich jede Empfehlung bis zum zugrunde liegenden KPI zurückverfolgen.
522 / 522
Datensätze meldeten: „Keine zusätzliche Workforce erforderlich.“
05 / The Turning Point
CAPACITY HEADROOMWie viel Platz bleibt bis zur Obergrenze?How much room remains below the ceiling?
STAFFING GAPWie viele geeignete Personen fehlen für den heutigen Bedarf?How many eligible people are missing for today's demand?
Ein korrektes Dashboard kann trotzdem die falsche Frage beantworten.
Die erste Regel-Engine verglich Zuteilung mit theoretischer Maximalkapazität. Da keine Abteilung die Warnschwelle erreichte, meldete sie durchgehend ausreichend Personal. Operative Engpässe konnten trotzdem auftreten, weil Kapazitätsobergrenze und tatsächlicher Tagesbedarf nicht dasselbe sind.
06 / Real-Time Scenario
Ein Hochlast-Mittwoch in Thalia
Eine nachvollziehbare Was-wäre-wenn-Demonstration zeigt, wie Daten, Manager-Input und menschliche Kontrolle zusammenarbeiten.
benötigte Personen laut Manager-Input
bereits in Thalia eingeplant
geeignete Personen im freien Pool
vier Personen bleiben rechnerisch offen
Der Manager bestätigt 10 verfügbare Personen und priorisiert die Restarbeit neu.
07 / Outcome
Sichtbarkeit wurde zu erklärbarer Unterstützung.
Eine Schicht früher statt eine Stunde zu spätOne shift early instead of one hour late
Historische Vergleichstage geben ein frühes Anwesenheitssignal.
Erklärbar statt Black BoxExplainable instead of black box
Jede Risikoklasse basiert auf sichtbaren Regeln und Eingaben.
Menschliche Autorität bleibt erhaltenHuman authority remains intact
Accept · Modify · Reject
Was ich bewusst nicht übertreibe
- Eine Fallstudie ist nicht statistisch auf jede Lagerumgebung übertragbar.
- Ohne Auftragsvolumen aus dem WMS bleibt die Nachfrage ein Manager-Input.
- Einzelzuweisungen außerhalb der verifizierten Woche sind analytisch modelliert.
100-page thesis
Arbeit anfragen
Interesse an Methodik, DAX oder DSS-Logik?
Die vollständige Arbeit ist auf Anfrage verfügbar. Diese öffentliche Fallstudie zeigt bewusst nur aggregierte und portfolio-relevante Evidenz.