Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 1
Master Data Management...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 2Dr. Tobias Brockmann | ...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 3
Stammdaten sind eindeu...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 4
Position von Stammdate...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 5
Wo und wozu werden Sta...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 6
Stammdatenmanagement u...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 7
Die Deutsche Gesellsch...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 8
Beispiel: Datenqualitä...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 9
Die Qualität von Daten...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 10
Beschreibung der 15 D...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 11
In der IT-Architektur...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 12
Es existieren fünf we...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 13
Vergleich der de Ansä...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 14
Auswahl typischer Sta...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 15
Einschätzung von CTOs...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 16
Auswahl typischer Kon...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 17
Mangelhafte Datenqual...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 18
Beispiele erzielter V...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 19
Quelle: Experian Data...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 20
Konsequenzen schlecht...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 21
Beispiel: Der Versand...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 22
Abschätzung zum Schad...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 23
Die Anwendung von Dat...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 24
Erfolgreiches MDM bes...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 25
Der Ansatz des Real-T...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 26
MDM-Architektur mit D...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 27
Der Funktionsumfang v...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 28
Ausgewählte Mehrwerte...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 29
Für Sie zum Download ...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 30
innoscale AG
Wir entw...
Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 31
innoscale AG
Märkisch...
Nächste SlideShare
Wird geladen in …5
×

Master Data Management und Datenqualität!

447 Aufrufe

Veröffentlicht am

Die innoscale AG teilt ihr Know-How!
In dieser Präsentation wird erklärt, wie erfolgreiches Stammdatenmanagement umgesetzt wird, wie sehr sich schlechte Datenqualität auf das ganze Unternehmen auswirken kann und wie Sie mit hilfe von DataRocket® in den Griff zu kriegen ist.

©innoscale AG

Veröffentlicht in: Daten & Analysen
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
447
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
150
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Master Data Management und Datenqualität!

  1. 1. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 1 Master Data Management & Datenqualität  Was sind Stammdaten?  Was ist Stammdatenmanagement?  Was meint Datenqualität?  Verschiedene Ansätze von Stammdatenmanagement  Folgen von schlechten Stammdaten/ schlechter Datenqualität  Wie DataRocket Abhilfe schaffen kann Dr.Tobias Brockmann Grundlagen des Stammdatenmanagements
  2. 2. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 2Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 2 Sie möchten diese Präsentation herunterladen? Wir haben Ihnen auf unserer Internetseite unter folgendem Link einen Download bereitgestellt! www.innoscale.de/slideshares Viel Spaß beim dazulernen wünscht ihnen Ihr innoscaleAG-Team
  3. 3. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 3 Stammdaten sind eindeutig und beschreiben die „Kern-Geschäftsobjekte“ in Unternehmen. Stammdaten Bewegungsdaten WenigÄnderungen Häufige Änderungen Lange Gültigkeit Dynamik und Zeitbezug/Datum Vor allem kurz- und mittelfristiger Bedarf Fokus auf Datenpflege und Korrektheit HoheVerbreitung analytischer Auswertungen BreiteVerwendung im Unternehmen Nutzung von wenigen Fachbereichen Beispiele: Kunden, Lieferanten, Artikel, Einkaufskonditionen, Stücklisten und Lagerorte Beispiele: Aufträge, Bestände, Bestellungen, Rechnungen
  4. 4. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 4 Position von Stammdaten im strukturiertem ERM-Modell Kunde Artikel Rechnung Auftrag Auftrags- position Rechnungs- position Stammdaten Bewegungsdaten
  5. 5. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 5 Wo und wozu werden Stammdaten im Unternehmen genutzt?  Produkt-Code  Beschreibung  Kategorien  Spezifikation Kunden  Wer  Wo  Wann  Wie/Wieviel Geschäftskennzahlen  Umsatz, nach Region, Produkt, Kategorie  Welche Risiken bestehen  Gewinn Optimierung  Kostenreduktion  Vereinfachte Integration  Leichtere Einführungsprozesse  Geschäftsprozesssupport
  6. 6. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 6 Stammdatenmanagement umfasst die Aktivitäten zur Verbesserung der Stammdatenqualität. Stammdatenmanagement, beschreibt organisatorische und/oder technologiebasierteAktivitäten bei denen Geschäftsbereiche zusammen mit der IT- Abteilung arbeiten, um die Qualität der unternehmensweiten Stammdaten zu verbessern und Hoheit über diese zu erlangen. Quelle: Gartner 2015 MDM Summit (London), Saul Judah Fachliche Geschäftsbereiche Bessere /effizientere operative GP Einhaltung von Compliance Kostenreduktion BI und GPM Valides Reporting und aussagekräftige Analysen Verbesserte Entscheidungs- grundlagen Enterprise Architecture Positive Effekte des „Information Sharing“ Konsistenz und Vergleichbarkeit Einfache Integration von Anwendungen Finanzen und Top-Management Verbessertes Wachstum, Performance Wettbewerbsfähigkeit Verbesserung des Umsatzes und Gewinns
  7. 7. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 7 Die Deutsche Gesellschaft für Informations- und Datenqualität (DGIQ) definiert Datenqualität wie folgt: In der Praxis wird als Maß für die Datenqualität verstanden, wie gut die Konsistenz und dieVerfügbarkeit gleicher Daten auf verschiedenen Systemen ist.Wie sauber die vorhandenen Daten abgelegt worden sind und wie gut die Darstellung mit den erwarteten Ergebnissen übereinstimmt. Die Datenqualität muss dabei im Erfassungssystem selbst aber auch bei der Übertragung in Zielsysteme (z.B. DataWarehouse Systeme) und alternative Darstellungen (z.B. Auswertungen) überwacht werden. Dazu müssen in jeder Stufe des Datenflussprozesses geeignete Maßnahmen zur Qualitätssicherung umgesetzt werden. Quelle: http://www.itwissen.info/definition/lexikon/Datenqualitaet-data-quality.html
  8. 8. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 8 Beispiel: Datenqualität ist mehrdimensional. Quelle: M. Scannapieco, P. Missier, C. Batini. Data Quality at a Glance. Datenbank-Spektrum, 5(14):6–14, 2005: ID Titel Regisseur Erste Produktion #Neuverfilmung Jahr der letzten Neuverfilmung 1 King Kong NULL 2005 2 1933 2 The GreatGatsby Craven 1974 0 2013 3 A Nightmare on Elm Street Clayton 1984 1 2010 4 Frky Friday Nelson 1976 2 2003 Das Jahr der letzten Neuverfilmung vom Film mit der ID 1 ist kleiner als das Jahr der ersten Produktion (Konsistenz) Die Regisseure der Film mit der ID 2 und ID 3 sind vertauscht (Genauigkeit) Die spalte Regisseur im Film mit der ID 1 darf nicht leer sein (Vollständigkeit) Der Film mit der ID 2 hat ein Datum, in der Spalte mit der letzten Neuverfilmung, die Anzahl der Neuverfilmung ist jedoch „0“ (Vollständigkeit, Aktualität, Konsistenz) ImTitel vom Film mit der ID 4 befindet sich ein Rechtschreibfehler. Korrigiert lautet derTitel „Freaky Friday“ (Genauigkeit)
  9. 9. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 9 Die Qualität von Daten wird von der DGIQ in 15 unterschiedliche Datenqualitätskriterien unterteilt. Basierend auf: Richard Wang, Diane Strong: Beyond Accuracy: What Data Quality Means to Data Consumers. In: Journal of Management Information Systems, Bd. 12, Nr. 4, S. 5-33, 1996. IQ System Nutzung Inhalt Darstellung Aktualität Wertschöpfung Vollständigkeit Angemessener Umfang Relevanz Zugänglichkeit Bearbeitbarkeit Verständ- lichkeit Übersicht- lichkeit Einheitliche Darstellung Eindeutige Anpassbarkeit Hohes Ansehen Fehlerfreiheit Objektivität Glaubwürdig- keit systemgestützt darstellungsbezogen zweckabhängig inhärent
  10. 10. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 10 Beschreibung der 15 DGIQ-Datenqualitätskriterien und Ihr Bezug auf die Relevanz für Unternehmen. • Zugänglichkeit – wenn Informationen anhand einfacher Verfahren und auf direktem Weg für den Anwender abrufbar sind. • Bearbeitbarkeit – wenn Informationen leicht zu ändern und für unterschiedliche Zwecke zu verwenden sind. System • Hohes Ansehen – wenn die Informationsquelle, das Transportmedium und das verarbeitende System im Ruf einer hohen Vertrauenswürdigkeit und Kompetenz stehen. • Fehlerfreiheit – wenn Informationen mit der Realität übereinstimmen. • Objektivität – wenn Informationen streng sachlich und wertfrei sind. • Glaubwürdigkeit – wenn Zertifikate einen hohen Qualitätsstandard ausweisen oder die Informationsgewinnung und -verbreitung mit hohem Aufwand betrieben werden. Inhalt • Eindeutige Anpassbarkeit – wenn Informationen in gleicher, fachlich korrekter Art und Weise begriffen werden. • Einheitliche Darstellung – wenn die Informationen fortlaufend auf dieselbe Art und Weise abgebildet werden. • Übersichtlichkeit – wenn genau die benötigten Informationen in einem passenden und leicht fassbaren Format abgebildet werden. • Verständigkeit – wenn Informationen unmittelbar von den Anwendern verstanden und für deren Zwecke eingesetzt werden können. Darstellung • Aktualität – wenn Informationen die tatsächliche Eigenschaft des beschriebenen Objektes zeitnah abbilden. • Wertschöpfung – wenn Informationen Nutzung zu einer quantifizierbaren Steigerung eine monetären Zielfunktion führen kann. • Vollständigkeit – wenn Informationen nicht fehlen und zu den festgelegten Zeitpunkten in den jeweiligen Prozessschritten zur Verfügung stehen • Angemessener Umfang – wenn die Menge der verfügbaren Informationen den gestellten Anforderungen genügt • Relevanz – wenn Informationen für den Anwender notwendige Informationen liefern. Nutzung
  11. 11. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 11 In der IT-Architektur wird grundsätzlich zwischen der Zentralität und Harmonisierung der Daten unterschieden. Harmonisierung Zentralität Freiheiten für Unternehmenseinheiten, mehr aufwand für Pflege und Migration. Hohe Datenqualität aber Aufwände für Sicherheits- und Zugriffsregelungen Freiheiten für Unternehmenseinheiten organisatorische Herausforderungen und Aufwände für Migration. Einfache Sicherstellung der Datenqualität, aber hohe organisatorische Herausforderungen bei verteilten Standorten. Quelle: Schemm, J.W.: Zwischenbetriebliches Stammdatenmanagement - Lösungen für die Datensynchronisation zwischen Handel und Konsumgüterindustrie
  12. 12. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 12 Es existieren fünf wesentliche Ansätze zum technologiebasierten Stammdatenmanagement. Standards Zentrales Stammdatensystem Führendes System Abstimmungs- knoten Verzeichnis
  13. 13. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 13 Vergleich der de Ansätze zum technologiebasierten Stammdatenmanagement. System Zentral Führend Abstimmungs- knoten Standards Verzeichnis Datenpflege Zentral Zentral Dezentral Dezentral Dezentral + Verzeichnis Datenhaltung Einmal (Online Zugriff) Mehrfach (Verteilung) Mehrfach (führendes System +lokale) Mehrfach Einmal Einmal Verteilung Asynchron Synchron oder Asynchron Synchron oder Asynchron Keine Keine Hamonisierter Datenbestand Gewährleistet Eingeschränkt gewährleistet Teilweise gewährleistet Gewährleistet Teilweise gewährleistet Konsistenz Gewährleistet Gewährleistet Teilweise gewährleistet Teilweise gewährleistet Nicht gewährleistet Aktualität Hoch (Verzögerung bei Verteilung) Hoch (Verzögerung bei Verteilung) Hoch Hoch Hoch
  14. 14. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 14 Auswahl typischer Stammdatenqualitätsprobleme in Unternehmen unterschiedlicher Branchen. Dubletten (uneindeutige Daten) Artikelgruppenzuordnung FehlerhafteAdressdaten Fehlende Informationen Veraltete Einträge Falsche Disposition-Parameter: Losgrößen, Meldebestände, Rabatte, Mengen Fehlerhafte Sicherheitsbestände,Wiederbeschaffungszeiten Doppelte Datenpflege Unzureichend dokumentierte Produktionsparameter Quelle: Hildebrand, 2012
  15. 15. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 15 Einschätzung von CTOs zu typischen Fehlerursachen von schlechter Datenqualität. Quelle: ADVANIS AG - Wertschöpfungspotentiale dank Datenqualitätsmanagement 0 10 20 30 40 50 60 70 80 Andere Dateneingabe Kunden Fremde Daten Anwender Unterschiedliche Erwartungen der Datenmigrationsprojekte Veränderung im Quellsystem Dateneingabe Mitarbeiter
  16. 16. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 16 Auswahl typischer Konsequenzen mangelnder Stammdatenqualität in Unternehmen. Die Kunden und Mitarbeiter Zufriedenheit sinkt Ineffizientes Datenhandling Datenmigrationen werden komplex(er) Parallele Systemabfragen, Schattenorganisation Auswertungen und Entscheidungsgrundlagen sind nicht valide Operative Kosten steigen und Effizienz der Organisation sinkt Zu viele/frühe/späte Bedarfe, Bestellungen, Aufträge FalscheAussagen derVerfügbarkeitsprüfung bzgl. Menge undTermin Supply-Chain-Parameter werden global weitergereicht Fehlerhafte Rechnungen und Buchungen Quelle: Vorstudie der innoscale AG
  17. 17. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 17 Mangelhafte Datenqualität führt zu erheblichen Schäden und Mehraufwand. 600 Mrd. Dollar 35 % 41 % 25 Min 30% 150k € Quellen: 1: Kai-Uwe Sattler, TU Ilmenau. (10. Datenbank-Tutorientag Karlsruhe) 2: Prof. Dr. Klaus Kruczynski, Hochschule für Technik, Wirtschaft und Kultur Leipzig. 3: SE-CO Consulting 4: http://www.middelschulte-consulting.com/stammdaten.html 5: CW-Markstudie (n=105) Kosten Datenqualitätsprobleme der US-Wirtschaft jährlich.1 aller IT-Projekt scheitern an mangelnder Datenqualität. 2 Der CIOs schätzt den Aufwand für Datenmanagement sehr groß“ ein.5 der Stammdaten in den von Händlern und Herstellern gemeinsam genutzten Katalogen sind fehlerhaft. 4 investieren Unternehmen pro Einzelprodukt um inkonsistente Daten korrigieren 150.000 €Verlust durch falsche Adressierung bei Mailing-Kampagne.3
  18. 18. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 18 Beispiele erzielter Vorteile aus MDM-Projekten mit anderen DQ-Softwarelösungen. Virtimo AG/QSC AG (GER): Durch die Integration von Ticketsystemen wurde die manuelle Übertragung obsolet, die Konsistenz der Daten sowie die Produktivität erhöht. (Case Study, DataRocket/innoscaleAG) € Babcock Marine &Technology (UK) verbesserte die Qualität ihrer Materialstammdaten um 23% und reduzierte so Nacharbeiten bei Aufträgen. (Case Study,Trillium Software) Schneider Electric (FR) reduzierte durch eine zentrale Stammdatenhaltung und Verbesserung der DQ, die Produkt-Uploadzeiten in Ihrem e-Commerce System um 75%. (Case Study, Riversand) Audi AG (GER): 50% Zeitersparnis bei Datenintegrationsprojekten und erheblich verbesserte Qualität und damitVerlässlichkeit der Materialstammdaten. (Case Study, Informatica)
  19. 19. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 19 Quelle: Experian Data Quality: „Global Research report 2014 : Making your data work for you“ Gründe zur Durchführung von Datenqualitätsmaßnahmen in Unternehmen
  20. 20. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 20 Konsequenzen schlechter Kundendatenqualität für das Marketing. 47% 20% 18% 15% 1. Postalische Fehlzustellungen 2. Erhöhter Aufwand im Support 3. Kommunikationsschwierigkeiten 4. Reputationsschäden Quelle: Experian Data Quality: „Global Research report 2014 : Making your data work for you“
  21. 21. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 21 Beispiel: Der Versand einer fehlerhaften Rechnung kostet ca. 20 €. Position Kosten Postrückläufer (E-Mail) entgegennehmen (Annahme: Arbeitsaufwand Kundenberater 3 min zu einen Stundenverrechnungssatz von 25€) 1,25 € Rücksprache mit Fachabteilung (Annahme: Arbeitsaufwand Kundenberater und Fachabteilung 5 Min zu einen Stundenverrechnungssatz von 25€ und 35 €) 5,00 € Recherche und Korrektur der fehlerhaften Position durch Fachabteilung (Annahme: Arbeitsaufwand Fachabteilung 15 Min zu einen Stundenverrechnungssatz von 35 €) 8,75 € Erneuter Druck undVersand der Rechnung (Materialkosten und Porto) 0,64 € Korrektur und Storno der Buchung (Annahme: 8 Min zu einen Stundenverrechnungssatz von 35 €) 4,67 € Gesamtkosten durch die fehlerhafte Rechnung 20,30 € Quelle: in Anlehnung an Beermann/Binnewies, HMD 279
  22. 22. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 22 Abschätzung zum Schaden fehlerhafter Rechnungen durch falsche Rechnungspositionen pro Jahr. €1.015,00 €5.075,00 €10.150,00 €20.300,00 €40.600,00 €- €5.000,00 €10.000,00 €15.000,00 €20.000,00 €25.000,00 €30.000,00 €35.000,00 €40.000,00 €45.000,00 0 500 1000 1500 2000 2500 Fehlerhafte Rechnungen pro Jahr 50 250 KostenproJahr
  23. 23. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 23 Die Anwendung von DataRocket zur Verbesserung der Datenqualität kann vereinfacht in fünf Schritten dargestellt werden. 1. 2. 3. 5.4. Abbildung der Datenstruktur und Definition eines Regelsystem Qualitäts- prüfung des Daten- bestandes Nachhaltige Sicherung der Qualität (Überwachung, Reporting, Steuerung) Verbessern des Daten- bestandes A. Manuell B. Workflowbasiert C. Automatisch Technische Integration in die System- landschaft (Schnittstellen und Workflows)
  24. 24. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 24 Erfolgreiches MDM besteht aus organisatorischen und technischen Maßnahmen. Datenstruktur- und Systemscreening Organisatorisch (Compliance) Initiale Daten Migration oder Integration Kontinuierliches MDM
  25. 25. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 25 Der Ansatz des Real-Time-MDM erzielt langfristig die höchste Datenqualität. LevelderDatenqualität MDM-Reife im Unternehmen Datenqualität Datenintegration Master Data Management Real-Time-MDM Oft punktuelle Verbesserung der Datenqualität in eine Systeme, z.B. Dubletten/ Adressprüfung Basis für die Systemübergreifende Betrachtung von Daten und derenAnalyse Schaffung eines „Single-Point-of -Truth“ durch Integration von Daten und Definition von Regeln. Oft in Form von Projekten Vollständig integriertes MDM-Regelwerk in die Geschäftsprozesse erlaubt eine Echtzeitprüfung der Daten
  26. 26. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 26 MDM-Architektur mit DataRocket® und der TransConnect® -Plattform. CAD ERP Webshop Kataloge CRM PIM PLM „Golden Records“ „Single-Point-of-Truth“ „360° Sicht“ MDM mit DataRocket Enterprise Service Bus TransConnect UI Regeln Externe Daten Entsch. Pool
  27. 27. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 27 Der Funktionsumfang von DataRocket kann durch die Anbindung von externen Services und Module erweitert werden. Referenz- datenquellen Referenz- datenmodelle Plausibilitäts- prüfungen Schnittstellen Bedingte Qualitätskriterien Emotionale Visualisierung
  28. 28. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 28 Ausgewählte Mehrwerte die Sie durch den Einsatz von DataRocket in Ihrem Unternehmen erzielen können.  Erhöhte Effizienz, Produktivität und reduzierte Kosten  Wandel von Daten zu Informationen und Informationen zuWissen  Verbesserte Entscheidungsgrundlagen führen zu geldwertenVorteilen  360-Grad-Sicht auf Ihre Daten  „Single Point ofTruth“ (Golden Record)  Vereinfachte Systemintegrationen  DatenAnreicherung und Validierung durch externe Datenquelle  Ermittlung und Bewertung von Verkaufschancen  Mitarbeiterzufriedenheit  Optimierte und koordinierte Abstimmungsprozesse  „Wisdom of the Crowd“ führt zur höherer Datenqualität
  29. 29. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 29 Für Sie zum Download bereitgestellt: Studien, Vorträge und Präsentationen: www.innoscale.de/slideshares
  30. 30. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 30 innoscale AG Wir entwickeln mit unserem engagierten und erfahrenenTeam DataRocket, eine einfach zu bedienende, flexible und moderne Softwarelösung, damit Sie die Datenqualität in Ihrem Unternehmen wieder in den Griff bekommen.
  31. 31. Dr. Tobias Brockmann | Master Data Management & Datenqualität | www.innoscale.de | © innoscale AG 31 innoscale AG Märkisches Ufer 34 10179 Berlin T +49 30 2280 5133 M +49 177 4030208 E brockmann@innoscale.de W www.innoscale.de Dr. Tobias Brockmann “Data is useful - high-quality, well-understood, auditable data is priceless.” –Ted Friedman, Gartner (2015)

×