Damit arbeite ich täglich:
Java
SQL
Javascript
HTML & CSS
AWS (v.a. EC2, S3, SES und Sagemaker)
Damit habe ich ab und an zu tun:
Python
Scala
Liquid
Linux
Erfahrungen im Umgang mit Schnittstellen:
Shopify Admin & Storefront API
eBay APIs (SOAP und REST-APIs)
DHL Geschäftskundenversand SOAP API
Hood.de API
Ricardo.ch API
Google Drive & Gmail API
AWS APIs (va. Sagemaker, S3, SES)
Nachfolgend werden einige meiner erfolgreichen Projekte zur Digitalisierung von Prozessen in Unternehmen überblicksartig dargestellt. Dabei wird bewusst auf die Nennung von Firmennamen und konkreten URLs verzichtet, um Betriebsgeheimnisse von Kunden aus der breiten Öffentlichkeit zu halten. Falls Sie grundsätzliches Interesse an meinen Dienstleistungen haben, aber persönliche Referenzen wünschen, verwenden Sie das Kontaktformular und Sie können selbstverständlich gerne detaillierte Informationen zu den Projekten und Referenzen zu den beteiligten Unternehmen erhalten.
Projekt Lotus ist ein maßgefertigtes ERP-System und Middleware, das zur Prozesssteuerung und Verwaltung in einem Onlineshop eingesetzt wird. Zu den Kernfeatures der Software gehört die digitalisierte Erfassung von Wareneingängen und Retouren über Barcodes, das Verwalten verschiedener Vertriebskanäle (Preise, Warenbestand etc.), sowie das automatische Erstellen von laufweg-optimierten Pickinglisten und Versandscheinen.
Auf der technischen Seite ist Lotus eine Java-Webanwendung, die im PlayFramework entwickelt wurde. Das Datenbank wird eine MySQL-Datenbank verwendet, die wie die Anwendung selbst bei Amazon Webservices (AWS) gehostet ist.
Die Entwicklung von Lotus erfolgte über einen Zeitraum von zwei Jahren, wobei nach sechs Monaten eine teilweise Einführung in den Produktionsbetrieb erfolgte. Im Zuge der Digitalisierung des Unternehmens wurden danach verschiedene Versionen mit neuen Features entwickelt und in den Betrieb eingegliedert. Das Projekt wurde über den Digitalbonus Plus des Land Bayern mit 60.000€ gefördert. Durch Einführung von Lotus konnte das Unternehmen seine Umsätze verdoppeln, ohne dass dazu zusätzliches Personal eingestellt werden musste.
Projekt KV24 ist eine Homepage zum Ankauf von Gebrauchtwaren von Privatkunden. Auf der Homepage werden zunächst Preise angezeigt, die das Unternehmen momentan für bestimmte Produkte zu zahlen bereit ist. Die KundInnen können dann ein Formular ausfüllen, um sich einen DHL-Versandschein zu erstellen, mit dem die Ware an das Unternehmen geschickt werden kann.
Die von KV24 angezeigten Preise werden dynamisch auf Basis einer Auswertung von Bestandsdaten erstellt, die KV24 sich aus dem ERP-System des Unternehmens holt. Dabei wird z.B. evaluiert, welche Artikel sich gerade gut oder schlecht verkaufen und deshalb (nicht) nachgekauft werden sollten. Der gesamte Prozess ist komplett digitalisiert und erfordert keine menschliche Zuarbeit. Wenn jemand das Webformular ausfüllt, erstellt KV24 selbstständig einen Versandschein über die DHL Geschäftskunden-API, leitet diesen an den User weiter und übermittelt basale Daten (Wer? Wann? Welche Versandscheinnummer? Was wurde angekündigt?) zurück an das ERP-System. Damit kann das Unternehmen sich auf den Wareneingang vorbereiten, bzw. eventuelle Diskrepanzen in der Lieferung an den Customer Support weitergeben. Auf der technischen Seite ist KV24 eine Java Webanwendung, die im PlayFramework entwickelt wurde. Sie verwendet die DHL-API für Geschäftskundenversand und die API des ERP-Systems. Das visuelle Webdesign wurde vom Kunden als Mockup vorgeliefert und unter Verwendung von Bootstrap umgesetzt. Die gesamte Homepage ist responsiv und mit allen gängigen modernen Browsern kompatibel.
Der Fotoassistent ist ein kleines Java-Programm, das auf Windows-PCs ausgeführt werden kann. Es dient dazu, Produktbilder, die für E-Commerce-Produkte geschossen werden, schnell und einfach zu verarbeiten.
Diese Bilder werden von einer Spiegelreflexkamera geschossen, die über USB mit dem PC verbunden ist. Die Bilder kommen in sehr hoher Auflösung im Zielordner des PCs an, die nicht für den alltäglichen Gebrauch im Internet geeignet ist. Der Fotoassistent hat eine Eingabefläche für die SKU (Artikelnummer) des fotografierten Produkts. Gibt ein User diese ein, skaliert das Programm alle vorliegenden Bilder automatisch auf die korrekte Auflösung runter, lädt diese bei S3 (Amazons Hosting Dienst) hoch und leert den Zielordner. Dabei werden die Bilder bei S3 in einen Ordner sortiert, der nach der SKU benannt ist, so dass sie einfach wieder abzurufen sind. Dieses einfache Programm ermöglicht es, in kurzer Zeit viele Produktbilder zu schießen, ohne dass zu deren Verarbeitung Handarbeit fällig wird. Durch die Digitalisierung dieses einfachen Prozesses konnte das Unternehmen mehrere Stunden Arbeitszeit pro Woche sparen.
In der Vergangenheit habe ich bereits mehrere Shopify Stores eingerichtet und angepasst. Dies umfasst z.B. Einbau von SEO-Texten und Tracking Tools, Veränderungen des Frontends oder der Kategoriestruktur. Dabei wird meistens ein existierendes Store-Template von Shopify oder dem Shopify Marketplace angepasst, um Arbeitszeit zu sparen.
Im Rahmen von Digitalisierungsprojekten fallen zwangsläufig neue Datenbestände in Unternehmen an, die es auszuwerten gilt. Dabei ist jeder Datensatz nur so nützlich, wie die Fragen, die einem zu stellen einfallen. In vielen Unternehmen schleicht sich mit der Zeit eine gewisse Betriebsblindheit ein, die auch bei Vorlage von neuen Daten verhindert, dass bestimmte Fragen überhaupt aufgeworfen werden. Hierzu ein Beispiel aus meiner Erfahrung:
In einem E-Commerce-Unternehmen, in dem ich ein erfolgreiches Digitalisierungsprojekt betreut habe, war ein konstantes Problem die hohe Retourequote. Rund 40% des Umsatzes wurde als Retoure zurück gegeben. Auf der Suche nach Maßnahmen, die diese Quote senken können, habe ich die Daten des Unternehmens unter verschiedenen Gesichtspunkten ausgewertet. Eine interessante Einsicht dabei war, dass 10% der KundInnen des Unternehmens für 50% des Retoureumsatzes verantwortlich waren. In reinen Zahlen hieß dies, dass es etwa 200 “StammkundInnen” gab, die zwar öfter für viel Geld bestellt haben, aber oft fast alles wieder zurückgegeben haben. Unterm Strich haben diese StammkundInnen also praktisch keinen Umsatz sondern nur Prozesskosten generiert.
Als Maßnahme haben wir eine freundliche E-Mail an die betroffenen Personen verschickt, in der auf die ökologischen und wirtschaftlichen Folgen solchen Handelns hingewiesen wurde. Zusammen mit einigen weiteren Maßnahmen konnten wir die Retourequote so auf 30% drücken.
Im Rahmen dieses Projektes wurde eine KI mit Amazon Sagemaker entwickelt, die Bilder von Mode danach klassifizieren kann, welche Art von Kleidungsstück (z.B. Bluse oder Hose) auf dem Foto zu sehen ist und welche Farbe diese hat. Das Unternehmen hat dazu standardisierte Datensätze bereitgestellt, die ich so aufbereitet habe, dass sie für das Training eines Machine Learning Modells geeignet sind. Anschließend habe ich eine Schnittstelle bei AWS eingerichtet, über die das Unternehmen HTTP-Anfragen mit Bildern einreichen kann, um anschließend Klassifikationsdaten der abgebildeten Kleidung zurück zu erhalten.