Data Quality

982 Aufrufe

Veröffentlicht am

Jedes Unternehmen ist auf zuverlässige und verlässliche Daten angewiesen, daher ist die Informationsgewinnung und Nutzung von großer Bedeutung. Data Quality Management war bisher eher ein Randthema, zumal die eingesetzten Data Warehouse Lösungen strikte Modellierungsarchitekturen folgten. Wie sieht es aber nun aus, wenn wir mit explodierenden Daten aus sehr flexiblen Datenquellen umgehen müssen. Sind die Ergebnisse dann noch zuverlässig? MHP stellt sich dieser Herausforderung und gibt Antworten.

0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
982
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
3
Aktionen
Geteilt
0
Downloads
22
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Data Quality

  1. 1. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Neue Herausforderungen im BIG DATA Umfeld! Data Quality Bruce Jeong und Christine Manthey | MHPBoxenstopp: 01.07.2014
  2. 2. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 2 01.-02.07.2014 SAP Automotive Forum 2014 in Leipzig, Congress Center Leipzig Einleitung MHPBoxenstopp: Data Quality Weitere MHPBoxenstopps Agenda Wo Sie uns in 2014 auch finden können… www.mhp.de/Events www.mhp.com/de/events Zu Anfang sind alle Teilnehmer auf stumm geschalten. 08.07.2014 Wie Sie die “richtigen“ Kunden ansprechen! Analytisches CRM als zielgerichtetes Werkzeug 08.07.2014 Business Discovery – Natural Analytics mit QlikView Der Weg zur intuitiven Entscheidungsfindung 15.07.2014 Connected Car Vernetztes Fahrzeug – Wohin geht die Reise? 15.07.2014 Schnelle und einheitliche Übersetzung in SAP Zeitersparnis und Qualitätssteigerung bei Übersetzungen www.mhp.com/de/events 13.00 – 13.10 Uhr Begrüßung Christine Manthey 13.10 – 13.45 Uhr Vortrag Enterprise Data Quality Bruce Jeong 13.45 – 14.00 Uhr Offene Fragerunde Sie können bereits während der Web Session über Chatfunktion im rechten Fenster Fragen einreichen. www.youtube.de/MHPProzesslieferantwww.slideshare.net/MHPInsights
  3. 3. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 3 MHPBoxenstopp: Data Quality Ihre Gesprächspartner Bruce Jeong Senior Manager SU Business Intelligence Christine Manthey Senior Consultant SU Business Intelligence
  4. 4. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 4 Prozesse verbessern kann nur, wer sich im Detail auskennt. Genauso wie im Großen und Ganzen. MHPBoxenstopp: Data Quality Wir wissen aus Erfahrung, wie man Ziele erreicht und dabei vorneweg fährt.
  5. 5. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 5 Mieschke Hofmann und Partner (MHP) A Porsche Company MHPBoxenstopp: Data Quality Die Leistung Management Consulting System Integration Application Management Business Solutions Business Solutions Der Unterschied Symbiose aus Prozess- + IT-Beratung l Prozesslieferant l Excellence l Automotive l Kunden Die Kompetenz Ganzheitliches Beratungsportfolio über die gesamte Wertschöpfungskette Technology Services Application Mgmt. Services Product Lifecycle Mgmt. Supply Chain Mgmt. Production & Opera- tions Mgmt. Customer Relations Mgmt. Finance & Controlling Business Intelligence After Sales Retail Mgmt. Human Resources
  6. 6. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 6 MHP Business Solutions – wir liefern Best Practice Prozesse und Lösungen Technology Services Application Mgmt. Services Product Lifecycle Mgmt. Supply Chain Mgmt. Production & Opera- tions Mgmt. Customer Relations Mgmt. Finance & Controlling Business Intelligence After Sales Retail Mgmt. Human Resources BIOpS BI Optimization Solution VisS Visualization Solution TPS Tailored Planning Solution TMP2E Complaint Management PLM ERP Integration Freight Costs Management Inventory Management Supplier Management Orders on Hand/ Incoming Orders CARBON HR Solution Accounting Solution BI Management Solution Translation Management EDI SolutionFI/CO Template for Automotive Dealer Transportation Management for Automotive Dealer Performance Management Manufacturing Solution Lean Solution Sales Integration Solution SupM CompM InvM OoH FCM TRM MFS LeanS SIS CARBON FI/CO DPM HR Correspondence Solution CorS Talent Management TalM AccS BIMS EDISGVM Global VAT Management FCR Factory Result Calculation SerS Service- management Solution Data Quality MHPBoxenstopp: Data Quality
  7. 7. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 7 MHP Business Solutions – wir liefern Best Practice Prozesse und Lösungen Technology Services Application Mgmt. Services Product Lifecycle Mgmt. Supply Chain Mgmt. Production & Opera- tions Mgmt. Customer Relations Mgmt. Finance & Controlling Business Intelligence After Sales Retail Mgmt. Human Resources Prozessübergreifend ContM Contract Management ArchS EDI Archiving Solution InMS Interface Monitoring Solution EDQ Enterprise Data Quality BSC Balanced Scorecard MobS Mobile Business Solution HANA Real-time Business Solution TestM Test Management AutS Automotive Supplier FMS Fleet Management S&C Security & Compliance MHPBoxenstopp: Data Quality
  8. 8. Agenda © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 8 1. Definition Data Quality Management 2. Data Quality ein wesentlicher Baustein von Data Governance 3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern? 4. Data Quality Management - Was ist zu tun? 5. Methodischer und technologischer Ausblick
  9. 9. Agenda © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 9 1. Definition Data Quality Management 2. Data Quality ein wesentlicher Baustein von Data Governance 3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern? 4. Data Quality Management - Was ist zu tun? 5. Methodischer und technologischer Ausblick
  10. 10. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 10 Was verstehen wir unter Data Quality? 1. Definition Data Quality Management Definition: Focuses on the data from the source, through many stages of consumption to analytics and reporting. Data Quality management is one of the pillars of the Data Governance process. It focuses on Accuracy and Clarity of the data.  Zuverlässige und valide Daten  Transparentes Data Management auf jeder Stufe der Transformation  Durchgängiges Data Quality Management als wesentlicher Bestandteil von Data Governance
  11. 11. Agenda © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 11 1. Definition Data Quality Management 2. Data Quality ein wesentlicher Baustein von Data Governance 3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern? 4. Data Quality Management - Was ist zu tun? 5. Methodischer und technologischer Ausblick
  12. 12. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 12 Data Governance und deren wichtige Bausteine 2. Data Quality ein wesentlicher Baustein von Data Governance Data Governance Master Data Policies Biz & Tech Definitions Metrics Data Quality Mgmt Reference Data Process Integration
  13. 13. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 13 Intelligentes Data Quality Management hat hohe Ansprüche 2. Data Quality ein wesentlicher Baustein von Data Governance Data Quality ETLV Policies Monitoring Matching and Lineage Auditing Profiling Prozess Standard- ization
  14. 14. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 14 Data Quality das zentrale Element von Quality Management? 2. Data Quality ein wesentlicher Baustein von Data Governance Data Quality Data Ownership Data Performance Management Data Management
  15. 15. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 15 Ohne Verantwortlichkeiten gibt es kein Data Quality Management 2. Data Quality ein wesentlicher Baustein von Data Governance Responsibility
  16. 16. Agenda © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 16 1. Definition Data Quality Management 2. Data Quality ein wesentlicher Baustein von Data Governance 3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern? 4. Data Quality Management - Was ist zu tun? 5. Methodischer und technologischer Ausblick
  17. 17. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 17 Datenvolumen wachsen dramatisch – Was ist zu tun? 3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern?  Welche Maßnahmen haben sie ergriffen um den Datenflut und Qualität der Daten zu beherrschen?  Haben sie eine vernünftige IT- und damit auch eine Data Quality-Strategie?  Wie messen sie Qualität und wie verbessern sie es?  Nutzen sie die richtigen Tools?  Haben sie zu jederzeit die relevanten Informationen zur Verfügung?  … IDC Studie: „Weltweites Datenvolumen verdoppelt sich alle 2 Jahre“
  18. 18. 18© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Data Quality war bisher ein Randthema bei stringenten IT Architekturen 3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern? DataWarehouse Dashboard Ad Hoc Analysen Standard Berichte BW Planung Benutzerrechte- verwaltung SD ETL ETL ETL ETL ETL ETL ETL ETL
  19. 19. 19© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Native HANA Szenarien bringen neue Herausforderungen an Data Quality 3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern? Quelle: SAP
  20. 20. 20© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH BIG DATA Architektur am Beispiel Hadoop – Data Quality möglich? 3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern? DWH Relational Database System Structured Data Online Data Access HDFS2 Map Reduce YARN HBase HCatalog PIG HIVE Real Time In Memory FLUME,SQOOP ZooKeeper,AMBARI Oozie,Falcon Mahout Hue Social Media | Connected Car | Sensorik | RFID | Geo Data | Streaming Data | Machine Data | Applications | Interaction | Video | Audio | eMail | Documents | … CRM | ERP | Logs | Clickstreams | … Tez Storm Neue Quellen Bestehende Quellen BI & Analytics | Dashboards | Multivariate | Network analysis | Predictive | Search | Applications | CRM | ERP
  21. 21. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 21 Quality GAP beeinflusst die Glaubwürdigkeit von Informationen 3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern?
  22. 22. Agenda © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 22 1. Definition Data Quality Management 2. Data Quality ein wesentlicher Baustein von Data Governance 3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern? 4. Data Quality Management - Was ist zu tun? 5. Methodischer und technologischer Ausblick
  23. 23. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 23  Steigerung von 2-5 % des Umsatzes durch Minimierung von Verschwendungen  Waste, Rejects, Testing Costs, Rework, Customer Return, Inspection Costs or Recalls  Steigerung von 15-20 % des Umsatzes durch Minimierung von Verschwendungen  Pricing and billing errors, Incorrect Orders shipped, Planning Delays, Transportation costs, Over processing cost, Defects, Excessive employee turnover, Low moral of employees, Expensive Over Time, Inventory cost, Waiting Cost, Over production cost or Time with dissatisfied customers Warum wird das Potential aber nicht gehoben  Kein organisatorischer Durchgriff für die Umsetzung der Verbesserungsmaßnahmen  Rein operative Reports die ein reaktives Maßnahmenwesen unterstützen, und von Einzelinteressen getrieben werden – überall entsteht ein bisschen Qualität  Keine transparenten und wirkungsvollen Mechanismen zur Kommunikation ins Management Durch Data Quality Management Wettbewerbsvorteil sichern 4. Data Quality Management – Was ist zu tun? Source: Joseph A. DeFeo – Juran Institute - The Tip of the Iceberg
  24. 24. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 24 Qualitätsprozess zur Sicherung der Data Quality muss vollständig sein 4. Data Quality Management – Was ist zu tun?
  25. 25. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 25 Qualitätsoffensive durch Data Quality Assessment am Beispiel SAP 4. Data Quality Management – Was ist zu tun? Quelle: SAP
  26. 26. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 26 Einsatz einer Data Quality Integration Plattform als ganzheitlicher Ansatz 4. Data Quality Management – Was ist zu tun?
  27. 27. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 27 Beispiel für ein Data Quality Steward Lösung 4. Data Quality Management – Was ist zu tun? Quelle: BDQ Steward
  28. 28. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 28 Reicht der technologische Einsatz von Data Quality Lösungen allein aus? 4. Data Quality Management – Was ist zu tun? Antwort:  Technology unterstützt die Verbesserung des Datenqualitätsprozesses  Technology unterstützt die Automatisierung von Quality Gate Prozessen und verbessert die zeitnahe Analyse von Qualitätsproblemen  Ersetzt aber nicht die Mitarbeiter, Organisationsstrukturen und Verantwortlichkeiten Quelle: Jim Harris in Data Quality, Debates, Technology
  29. 29. Agenda © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 29 1. Definition Data Quality Management 2. Data Quality ein wesentlicher Baustein von Data Governance 3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern? 4. Data Quality Management - Was ist zu tun? 5. Methodischer und technologischer Ausblick
  30. 30. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 30 Unser Management Consulting Ansatz – Ihr Vorteil 5. Methodischer und technologischer Ausblick Source: Joseph A. DeFeo – Juran Institute - The Tip of the Iceberg Best Practice Evaluation Approach Quick-Scan Analysis Initialisierung Ergebnis Data Assessment Mit unserer Vorgehensmethode sind wir schnell in der Lage Qualitätslecks zu erkennen und dauerhaft zu beheben  Fit/Gap Analyse  Best Practice Vergleich  Handlungs- / Umsetzungsempfehlung
  31. 31. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 31 Intelligente Data Quality Management ohne IT Unterstützung nicht möglich 5. Methodischer und technologischer Ausblick
  32. 32. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 32 5. Methodischer und technologischer Ausblick MHP Enterprise Data Quality Solution basierend auf SAP Architektur Legacy SAP Data bases Legacy SAP Data bases SAP Information Steward SAP Data Services Mapping Cleansing Duplicate check Adress cleansing Enrichement Value transformation Quality Rules Ad-hoc Profiling Dashboards Clensing lists Trend Master and transactional data
  33. 33. 33© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH Ihre Ansprechpartner MHPBoxenstopp: Data Quality – Neue Herausforderungen im BIG DATA Bruce Jeong CC Leiter Data Quality & Integration Management SU Business Intelligence Mobil: +49 (0)151 4066-7497 E-Mail: bruce.jeong@mhp.com
  34. 34. © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 34 www.mhp.com/ events MHPTimetable Juli 2014 weitere InfosMHPBoxenstopp Data Quality 13-14 Uhr | 01.07.14 MHPBoxenstopp SAP HANA 11-12 Uhr | 01.07.14 Mit nur einem “Klick” zur MHPBoxenstopp Anmeldung Haben Sie einen MHPBoxenstopp verpasst? Kein Problem - in unserem MHP YouTube-Channel und auf unserem SlideShare Profil finden Sie alle vergangenen Websessions: MHPBoxenstopp Wie Sie die „richtigen“ Kunden ansprechen! 11-12 Uhr | 08.07.14 MHPBoxenstopp Business Discovery – Der Weg zur intuitiven Entscheidungsfindung 13-14 Uhr | 08.07.14 MHPBoxenstopp Connetcted Car 11-12 Uhr | 15.07.14 MHPBoxenstopp Schnelle und einheitliche Übersetzungen in SAP 13-14 Uhr | 15.07.14 MHPBoxenstopp Social Business and Collaboration 11-12 Uhr | 22.07.14 MHPBoxenstopp MHP IT Service Management Modelle 13-14 Uhr | 22.07.14 MHPBoxenstopp Talent Management 11-12 Uhr | 29.07.14 MHPBoxenstopp Planung mit BPC 10.1 13-14 Uhr | 29.07.14 www.youtube.de/MHPProzesslieferant www.slideshare.net/MHPInsights

×