The Good Part

Einführung

Bei der Auslieferung von Haushaltsgeräten ist Erfolg nicht etwas, das der Kunde bemerkt, sondern vielmehr die Abwesenheit von Fehlern. Ein doppelter Eintrag, ein falsch zugewiesener Fahrer, ein nicht mit der Realität übereinstimmender Zeitstempel: Jeder dieser Fehler bedeutet einen verpassten Liefertermin oder eine zweite Fahrt. Die Abläufe von The Good Part waren über die Kapazitäten ihres Backends hinausgewachsen, und die ersten Schwächen traten zutage. Im Laufe dieses Softwareentwicklungsprojekts haben wir Folgendes erreicht:

• Backend-Entwicklung in Java 17
• Datenbankmodellierung in PostgreSQL
• Testgetriebene Entwicklung in einer Docker-Umgebung
• API-Entwicklung und Bereitstellungsintegration

Herausforderung

The Good Part übernahm Redwerk mit einem Backend, das stillschweigend hinter den betrieblichen Abläufen zurückgeblieben war. Mit steigendem Auftragsvolumen führten kleinere Reibungspunkte im internen System zu täglichen Verzögerungen für Disponenten, Lagerpersonal und Manager.

Doppelte Kundendatensätze hatten sich angehäuft, was zu Inkonsistenzen bei den Bestellungen führte und das Team zwang, die Daten manuell zu bereinigen. Die Disponenten konnten nicht in Echtzeit sehen, welche Fahrer bereits ausgelastet waren, was die Routenplanung verlangsamte und ungenauer machte. Lager und Tochtergesellschaften waren im Datenmodell nicht formal verknüpft, sodass die Logistikkoordination auf Erinnerung und informelle Kommunikation angewiesen war.

Hinzu kam, dass die Zeitstempel nicht immer korrekt waren, Bestellstatus nach Lieferungen manuell geändert werden mussten und es keine einfache Möglichkeit gab, eine Bestellung vor der Verarbeitung im System zu prüfen oder in der Vorschau anzuzeigen. Jedes dieser Probleme für sich genommen war geringfügig. Zusammengenommen führten sie jedoch zu mehr manuellem Aufwand, längeren Bearbeitungszeiten und geringerem Vertrauen in die Daten. Das Team benötigte eine gezielte Unterstützung, um die kritischsten Schwachstellen schnell zu beheben, ohne das gesamte System neu aufbauen oder den laufenden Betrieb stören zu müssen.

Lösung

Wir haben uns ein klar definiertes Ziel gesetzt und innerhalb kürzester Zeit sieben Backend-Verbesserungen umgesetzt. Die Codebasis ist in Java 17 geschrieben und basiert auf einem funktionalen Programmierstil, der die Stream-API nutzt. Unser Entwicklungsteam hat sich ausnahmslos daran gehalten, sodass sich der neue Code nahtlos in das Gesamtsystem einfügt und nicht wie der Code eines anderen Entwicklers wirkt.

Jede Funktion wird mit eigenen Unit- und Integrationstests ausgeliefert, um die hohen Standards des Kunden für testgetriebene Entwicklung (TDD) zu gewährleisten. Die Tests laufen in einer Docker-Umgebung, die eine echte PostgreSQL-Instanz startet. So validieren wir die Datenbank direkt mit der tatsächlichen Datenbank, auf der das System läuft, und nicht mit einem Mockup. Die Bereitstellung erfolgt über eine GitHub Actions Build-Push-Deploy-Pipeline mit separaten Zielen für Staging und Live-Umgebung. Dies ermöglicht schnelle und planbare Releases.

Das haben wir geliefert:

• Doppelte Kundendatensätze verwalten: Dank automatischer Erkennung doppelter Kundendatensätze, übersichtlicher Kennzeichnung in der Benutzeroberfläche und eines Workflows zur Bearbeitung können Mitarbeiter Duplikate mit wenigen Klicks zusammenführen oder verwerfen. Wöchentliche Bereinigungen gehören der Vergangenheit an.
• Lagerverwaltung: Es wurde eine eigenständige Lagereinheit eingeführt und die Beziehungen zwischen Lagern und Tochtergesellschaften modelliert, sodass die Logistikkoordination eine reale Struktur aufweist und nicht mehr auf Erfahrungswerten beruht.
• Fahrerverfügbarkeit für die Disposition: Echtzeit-Indikatoren zeigen während der Routenplanung an, welche Fahrer bereits ausgelastet sind. Disponenten können Routen nun erstellen, ohne zwischen verschiedenen Bildschirmen hin- und herwechseln oder raten zu müssen.
• Automatisierung des Auftragslebenszyklus: Abgeschlossene Lieferungen aktualisieren ihren Status nun automatisch, wodurch ein manueller Schritt entfällt, der zuvor die Berichterstattung am Tagesende behinderte.
• Fehlerbehebungen bei der Zeitstempelgenauigkeit: Die Zeitstempelfehler, die die Auftragsverfolgung unzuverlässig machten, wurden aufgespürt und behoben.
• API-Endpunkt für die Bestellvorschau: Es wurde ein Backend-Endpunkt hinzugefügt, mit dem das Team Bestelldaten überprüfen und validieren kann, bevor sie endgültig gespeichert werden, sodass Fehler erkannt werden, bevor sie zu Problemen für den Kunden führen.
• Codeintegration und Pull-Request-Unterstützung: Wir arbeiteten innerhalb des bestehenden Repositorys und Review-Prozesses des Kunden, sodass jede Änderung sauber zusammengeführt werden konnte, ohne dass auf Kundenseite zusätzlicher Integrationsaufwand entstand.

Alle Funktionen werden vollständig getestet und in das laufende System integriert ausgeliefert.