Stammdatenmanagement

839 Aufrufe

Veröffentlicht am

Fachtagung: Stammdatenmanagement und Datenqualität in der Technik
(May 6, 2015, Berlin)

Veröffentlicht in: Leadership & Management
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
839
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
9
Aktionen
Geteilt
0
Downloads
14
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Stammdatenmanagement

  1. 1. © Fraunhofer ·· Seite 1 Prof. Dr. Boris Otto Berlin, 6.5.2015 STAMMDATENMANAGEMENT
  2. 2. © Fraunhofer ·· Seite 2 AGENDA  Geschäftstreiber für hohe Stammdatenqualität  Leitlinien für wirksames Stammdatenmanagement  Stammdaten als Erfolgsfaktor digitaler Geschäftsmodelle
  3. 3. © Fraunhofer ·· Seite 3 Bayer CropScience ist Marktführer bei Pflanzenschutzmitteln
  4. 4. © Fraunhofer ·· Seite 4 Datenqualität ist dabei eine Voraussetzung für Geschäftsprozesse1 1) [EBNER/BRAUER 2011]. Datenobjekt »Produkthierarchie« Teilkonzern Geschäfts- feld Geschäfts- gebiet Aktiver Wirkstoff Produkt- gruppe Datenqualitäts- probleme Nicht verfügbare Daten Unvollständige Daten Inkonsistente Daten Auswirkung auf Geschäftsprozesse 09 11 012 242 3938 Planung: Wirkstoffbedarfe werden nicht konsolidiert Berichtswesen: Umsätze sind nicht ausweisbar Segmentierung: Risiko fehlerhafter Portfolioplanung
  5. 5. © Fraunhofer ·· Seite 5 Johnson & Johnson ist einer der führenden Hersteller von Konsumgütern Skin Care, Baby Care, Consumer Healthcare, OTC Skillman, NJ (USA) »Franchises« Hauptsitz
  6. 6. © Fraunhofer ·· Seite 6 Im Frühjahr 2008 litt Johnson & Johnson unter schlechter Stammdatenqualität1 Beschaffungs- logistik Produktion Vertrieb und Distribution Beschaffung Rechnungswesen Portfolio-Management und Einführung neuer Produkte Controlling Weitere unterstützende Prozesse »Kunden wurden fehlerhafte Rechnungen gestellt« »LKWs warteten am Dock darauf, dass Material aktiviert wurde« »Die Fertigung wurde in der Produktionsstätte verzögert« »Bestellungen waren nicht rechtzeitig fertig« »Das Projektmanagement wusste nicht, in welcher Phase sich die Produkte befinden« »Fehlerhafte Daten wurden an GS1 US gesendet« Für weniger als 30 % der Produktdimensionen und -gewichte waren die Daten innerhalb der erlaubten 5 % Fehlerspanne 1) [OTTO 2013].
  7. 7. © Fraunhofer ·· Seite 7 Transparenz über Lebensmittel ist ein Differenzierungsmerkmal im Einzelhandel1 1) [ALDI NORD 2014; FTRACE 2014].
  8. 8. © Fraunhofer ·· Seite 8 Treiber für Stammdatenqualität wirken unternehmensweit Konzern Sparte 2Sparte 1 Sparte 3 Geschäftsbereiche Geschäftsprozesse Standorte Fachabteilungen Geschäftsbereiche Geschäftsprozesse Standorte Fachabteilungen Geschäftsbereiche Geschäftsprozesse Standorte Fachabteilungen »Compliance« 360°-Blick auf den Kunden Intern und extern integrierte Geschäftsprozesse »Single Source of the Truth«
  9. 9. © Fraunhofer ·· Seite 9 AGENDA  Geschäftstreiber für hohe Stammdatenqualität  Leitlinien für wirksames Stammdatenmanagement  Stammdaten als Erfolgsfaktor digitaler Geschäftsmodelle
  10. 10. © Fraunhofer ·· Seite 10 Stammdatenqualität folgt über die Zeit typischerweise einer Sägezahnkurve1 Legende: Stammdatenqualitätsproblem Stammdatenqualität Zeit Projekt 1 Projekt 2 Projekt 3 1) [OTTO 2014].
  11. 11. © Fraunhofer ·· Seite 11 Das Beispiel von Bayer CropScience veranschaulicht die verschiedenen Datenqualitätsprobleme1 Daten- qualitäts- probleme Mitarbeiter Datenpflege Datenqualitäts- management Standards Organisation Aus- und Weiterbildungen unzureichend Datenqualität ist kein Teil der Zielsysteme im Unternehmen Verschiedene Software- Lösungen vor Ort Stammdaten werden in Zielsystemen geändert Keine integrierte Softwareunterstützung Datenpflege ist nicht auf globaler Ebene harmonisiert Keine Datenqualitätsmetrik Keine kontinuierliche Kontrolle der Datenqualität Keine verbindlichen Regeln, Normen, Bedienabläufe Zu viele lokale Regeln und Ausnahmen Keine Data Governance Fehlendes Problembewusstsein im Management 1) [BRAUER 2009].
  12. 12. © Fraunhofer ·· Seite 12 Corporate Data Quality Management (CDQM)1 umfasst sechs Schlüsselfaktoren 1) [OTTO ET AL. 2011]. Stammdatenqualitätsstrategie Stammdatenqualitäts-Controlling »Data Stewardship« und »Data Ownership« Lebenszyklus von Stammdaten Stammdatenarchitektur Applikationssysteme für Stammdatenqualität Strategie Prozesse Informations- systeme
  13. 13. © Fraunhofer ·· Seite 13 Erfassung der Daten an der Quelle Datenerfassung »First Time Right« »Measure to Manage« Etablierung als organisatorische »Capability« Unternehmensweite Skalierung Fünf Prinzipien leiten den Aufbau eines wirksamen Stammdatenmanagements
  14. 14. © Fraunhofer ·· Seite 14 Meetings mit Johnson & Johnson am 29. November 2011 in Skillman, NJ
  15. 15. © Fraunhofer ·· Seite 15 Der ideale Lebenszyklus der »Data Governance Capabilities« verläuft S-förmig Aufbau »First Time Right« Datenbereinigung Legende: E  Effektivität; A  Maß der Aktivität. E A
  16. 16. © Fraunhofer ·· Seite 16 Die Realität sieht jedoch oftmals anders aus 2008 2009 2010 2011 1. Data Governance gestartet 2. Datenanlage-Workflow 3. Datenqualitätsmetrik eingeführt 1. 2. 3. Beispiel I 2008 2009 2010 2011 1. DG-Projekt gestartet 2. Kommunikation ans Management 3. Datenqualitätsmetrik eingeführt 4. Community-Ansatz geplant 5. Data Governance-Komitee gegründet 1. 2. Beispiel II 3. 4. 5. 2007 2008 2009 2010 1. 1. Data Governance gestartet 2. Zwischenbericht an den Vorstand geplant 3. Bestandsdatenqualitäts- beurteilung 4. Data Governance reorganisiert 2. 3. 4. Beispiel III E E E A A A Legende: E  Effektivität; A  Maß der Aktivität.
  17. 17. © Fraunhofer ·· Seite 17 1) [EBNER/BRAUER 2011]. Datenqualität ist heute Teil des Zielsystems bei Bayer CropScience 84 86 88 90 92 94 96 98 100 11/2009 01/2010 03/2010 05/2010 07/2010 09/2010 11/2010 01/2011 Datenqualitätsindex für Materialstammdaten bei Bayer CropScience Asia Pacific Europe Latin America North America [%]
  18. 18. © Fraunhofer ·· Seite 18 Johnson & Johnson hat ein Six-Sigma- Datenqualitäts-level erreicht1 1) [OTTO 2013]. 99,503 94,586 95,506 96,102 95,778 96,312 95,656 89,855 91,629 96,324 96,383 97,433 95,417 99,135 99,885 99,971 99,993 99,999 84 86 88 90 92 94 96 98 100 02.15.11 04.15.11 06.15.11 08.15.11 10.15.11 12.15.11 02.15.12 04.15.12 06.15.12 Entwicklung des Datenqualitätsindexes bei Johnson & Johnson Data Quality Index
  19. 19. © Fraunhofer ·· Seite 19 AGENDA  Geschäftstreiber für hohe Stammdatenqualität  Leitlinien für wirksames Stammdatenmanagement  Stammdaten als Erfolgsfaktor digitaler Geschäftsmodelle
  20. 20. © Fraunhofer ·· Seite 20 Digitalisierung umfasst eine Reihe gesellschaftlicher, betriebswirtschaftlicher und technischer Entwicklungen Gesellschaft Betriebswirtschaft Technik  Individualisierung  »Shareconomy«  Datenschutz  Konsumentenzentrierung  Hybride Dienstleistungen  Industrie 4.0  Cyberphysische Systeme  In-memory-Computing, Hadoop usw.  »Mobile & Ubiquituous Computing« Digitalisierung
  21. 21. © Fraunhofer ·· Seite 21 Die industrielle Produktion reagiert auf sich wandelnde Markt- und Kundenanforderungen1 1) [KOREN 2010; zitiert in BAUERNHANSL 2014].
  22. 22. © Fraunhofer ·· Seite 22 Wenn sich Lieferketten immer enger vernetzen… Entwicklung eines Datendienstes, der die Echtzeitdaten der Ladungsträger verwaltet  Cloud-basiert  Servicebasiert  Standardisiert Entwicklung intelligenter Ladungsträger am Beispiel von  Handelspaletten  Luftfrachtpaletten  Briefpostbehälter Modellierung von Prozessen nach dem Prinzip des Internet der Dinge  Selbststeuernd  Dezentral  Autark Umsetzung des Internet der Dienste auf der entwickelten Datenbasis  Datendrehscheibe  Business Intelligence  Apps
  23. 23. © Fraunhofer ·· Seite 23 … braucht es Cloud-basierte Datenplattformen wie DATABIRDS  DATBIRDS verbinden alle Akteure der Lieferkette  DATABIRDS ist einfach zu integrieren und zu bedienen  DATABIRDS machen die gesamte Lieferkette transparent simplelinking everywhere transparent
  24. 24. © Fraunhofer ·· Seite 24 Die Digitalisierung erfordert neue Datenarchitekturen Daten in den äußeren Schalen sind von höherer Unbestimmtheit, höherem Volumen, höherer Änderungsfrequenz… Daten in äußeren Schalen sind weniger kontrollierbar, unternehmenskritisch, eindeutig… Nukleus-Daten (Kundenstamm, Produktstamm etc.) Community- Daten (Geoinformation, GTIN, Adressen, ISO-Codes, GS1- Daten etc.) Open Big Data (Tweets, Social-Media- Streams, Sensordaten etc.) Megabytes Gigabytes Terabytes Petabytes
  25. 25. © Fraunhofer ·· Seite 25 In der Digitalisierung wird die »Data Value Chain« bewirtschaftet wie die physische Lieferkette Data Sourcing Data Quality Data Transformation Data Delivery  Smart Devices  Sensordaten  AutoID Devices/ Read Points  IT-Systemen (ERP, WMS, TMS)  etc.  Daten- bereinigung  Daten- bewertung  Daten- integration und - aggregation  Transformation und Anreicherung  Metadaten  Geschäfts- regeln  Terminologie und Vokabulare  Daten- bereitstellung (http)  Visualisierung Data Storage Infrastructure Data Value Chain Data Analytics  Batch Analytics  Stream Analytics
  26. 26. © Fraunhofer ·· Seite 26 Der »Industrial Data Space« ist ermöglicht sicheren Datenaustausch und Aufgabe der Datenhoheit  Datensouveränität  Daten-Owner bestimmen, was mit den Daten passiert  Dezentrale Architektur  Verteilte Datenhaltung durch Peer-to-Peer-Ansätze  Datenschutz  Sichere Industrial Data Container  Vertrauensschutz  Zertifizierung der Service-Anbieter  Offenheit  Transparente Mitwirkungsmöglichkeiten  Echtzeitfähigkeit  Daten sind sofort für digitale Services nutzbar
  27. 27. © Fraunhofer ·· Seite 27 Dienst A Dienst C Dienst E Dienst B Dienst D Dienst G Dienst F Unternehmen 4 Unternehmen 1 Unternehmen 6 Unternehmen 2 Unternehmen 3 Unternehmen 5 Bildquellen: Istockphoto Unternehmen sind sowohl Daten-Owner als auch Nutzer im »Industrial Data Space«
  28. 28. © Fraunhofer ·· Seite 28 Enterprise Data Resource Enterprise Data Resource Enterprise Data Resource Ein erster Architekturentwurf des »Industrial Data Space« identifiziert wesentliche Software-Komponenten Preventive maintenance Digital farming Supply chain transparency Industrial Service Smart home Autonomous driving Community logistics Commercial Service Data as Process Enabler Internal Use Data as Product Context-Free Use Industrial Data Space Data Search Data Publishing Visualization Trust Service “Containerization” Quality Assurance Mapping Aggregation Integration Provenance Analytics Services Context Services
  29. 29. © Fraunhofer ·· Seite 29 Prof. Dr. Boris Otto Berlin, 6.5.2015 STAMMDATENMANAGEMENT

×