Stadt Wien:
Wie wird eine Stadt data excellent?
27. Juni 2018

Der Start: Zusammenarbeits-Tandems
2
Abstimmung
Skill & Know-How-Austausch
Inhaltliche Abstimmung
Scope Erfüllung
Zeitplanung
Arbeitsaufteilung
Information von ExpertInnen, KollegInnen, Projektleitung, Fachbereich
Tandem Partner 1
Tandem Partner 2
Partner
27. Juni 2018 | . | 2

1 Vision & Mission: Die Datenstrategie der Stadt Wien
2 Die Basis: Einführung der Data Excellence (DX) - Organisation
3 Die Drehscheibe: DX-Services in der MA 01 – Wien Digital
4 Zentrale DX KPIs für die Stadt Wien
5 PEDES: Programm zur Einführung von Data Excellence Services
6 Das DX-Framework
7 Rolle und Enablement der FachdatenexpertInnen
8 Mehrwert von Data Excellence
9 DX-Schulungskonzeption
10 Ergebnisse des Data Excellence Programms PEDES
27. Juni 2018 | . | 3

Warum wurde Data Excellence in der
Stadt Wien eingeführt?
Datensilos
Redundante Daten
Manuelle Mehrfach-Datenerfassungen
Datenverantwortung oft unklar
Aufwändige Suche nach Daten
Negative Außenwirkung wegen
mangelnder Datenqualität und durch
unterschiedliche Informationen an
mehreren Stellen
Auswertungen aufwändig
Mühsames Berichtswesen
BI nur eingeschränkt möglich
27. Juni 2018 | . | 4

Data Excellence Vision
Die Stadt Wien stellt verlässliche
Informationen & Daten als zentralen
Wert einer offenen Verwaltung der
Zukunft zur Verfügung.
Dadurch schaffen wir einen hohen
Nutzen für die Bevölkerung, Wirtschaft
& Wissenschaft und
leisten einen Beitrag zu einer
effizienten Aufgabenerledigung.
.
27. Juni 2018 | . | 5

Die Basis: Data Excellence Organisation
der Stadt Wien
DataExcellence
Steuerung
DataExcellenceStandards&Support
BevölkerungWirtschaftWissenschaft
StadtWien
DataExcellenceFachbereiche
Auftraggeberin Data Excellence
CIO
Exekutives Entscheidungsgremium
Lenkungsausschuss Data Excellence
Data Governance
Fachbeirat
Fach-ExpertInnen
Fach-ExpertInnen
Data Expert
Data Steward
Koordination Data
Excellence
Magistratsdirektion
(MD-OS/PIKT)
Data Governance – Koordinatorin
= Leiterin Data Governance Fachbeirat
MA 01 – Wien Digital
Gruppe Data Excellence
Daten-
KonsumentInDaten-
KonsumentInDaten-
KonsumentIn
Daten-
KonsumentInData User
27. Juni 2018 | . | 6

DX-Rolle: Data Steward
Aufgaben der Data Stewards
Vertretung einer Datendomäne
Planung von Anforderungen und Koordination der
Datenlieferung
Entwicklung von Geschäftsregeln für Daten
Entwicklung von fachlichen Datenmodellen
Formulierung von Fachkonzepten
Unterstützung Strategie, Planung, regelmäßige
Abstimmungen mit anderen Data Excellence Rollen
Vertretung in Gremien
Kann als Mitglied im Fachbeirat Data Governance
nominiert sein
27. Juni 2018 | . | 7

DX-Rolle: Data Expert
Aufgaben der Data Experts
Unterstützung der Data User im Verstehen und
Benutzen der fachlichen Datenqualitätsanforderungen.
Fachliche Definition von Daten
Definition der Anforderungen für Datenqualität und
Datenverfügbarkeit
Formulierung von Datenbedarf und Begleitung der
Umsetzung
Kann OGD-Ansprechpartner/in sein
Kann ViennaGIS-Ansprechpartner/in sein
Kann als Datenschutzverantwortliche/r nominiert sein
27. Juni 2018 | . | 8

DX-Rolle: Data User
Aufgaben der Data User
Verantwortung für die Einhaltung der Datenqualität
Produktion von Daten unter Einhaltung der Vorgaben
Umsetzung von Datenkorrekturen
Verstehen und Extrahieren von Daten
Feedback bezüglich Datenqualität an die Data
Experts
27. Juni 2018 | . | 9

Aufgaben der MA 01 - Gruppe Data Excellence
Die Drehscheibe:
DX Services in der MA 01 – Wien Digital
Daten-
bereitstellung
Daten-
verständnis
Daten-
bereinigung
Daten-
anreicherung
Berichte
Analysen
Datenaufbereitung
Datenqualitätsberichte
Zugriff auf Metadaten
Datenpools
Verwaltung fachliche Metadaten
Daten-Profiling
Auswirkungsanalysen
bei Änderungen
Ursachenanalyse bei
(Daten-)Fehlern
Automatische Korrekturen
Datenqualitätsprüfungen
Formatanpassungen
Dublettenbereinigung
Standardisierungen
Stammdatenmanagement
Referenzdatenmanagement
Datenintegration
27. Juni 2018 | . | 10

Vorgabe für die Umsetzung:
Die Data Excellence Strategie
Definierte
Datenqualität &
-integrität sichern
Richtlinien & DGV-
Prozesse leben
DX-Budget schaffen &
an priorisierten
Bedarfen ausrichten
Interne Kosten
mittels guter
Datenqualität
senken
Transaktions-
kosten senken &
Netzwerkeffekte
ermöglichen
Fachliche Bedarfe
erfassen und
priorisieren
Risiken für DX
managen
DX-Kompetenz
erhöhen
Serviceausmaß gegenüber
DatenkonsumentInnen
erhöhen
Digitale Transformation
vorantreiben
BürgerInnen-Service
verbessern
Verantwortlich
-keiten und
Rollen leben
Standards für
Daten-
integrität
sicherstellen
Voraussetzungen
für eine valide
Datenbasis
schaffen
Fachdaten-
modell für
Stadt Wien
nutzen
Ressourcen-
aufwand im
Datenlebens-
zyklus reduzieren
KundInnen
Finanzen
Prozesse
MitarbeiterInnen &
interne Entwicklung
27. Juni 2018 | . | 11

Zentrale Data Excellence KPIs
für die Stadt Wien
KPI 1: DQ (Datenqualität)
• Anzahl Definitionen von Datenqualität
• Messen der Erreichung der definierten DQ-Vorgaben
• Einzelsicht und konsolidierte Sichten nach Datenbereichen und nach
Fachbereichen
KPI 2: FDM (Fachdatenmodell)
• Anzahl der fachlich definierten Geschäftsobjekte & Attribute
• Anzahl der fachlich definierten Referenzobjekte/-daten
KPI 3: DX-Reifegrad (DX Reifegrad der Abteilungen)
• Messen des Reifegrades (Anlehnung an CMMI) von Abteilungen in
den einzelnen DX Themen (lt. Vorgaben in den Leitfäden)
• Einzelsicht und konsolidierte Sichten möglich (nach Thema, Abteilung)
27. Juni 2018 | . | 12

• Adresserhebung neu bis
31.12.2017
• Verbesserung der
Personaldaten um 4% zum
Vorquartal
• Ressourcen für Korrektur-
Batch der Leistungsdaten
derzeit nicht freigegeben
Datenqualitäts-Status 26.04.2017
KPI1: Datenqualität
Personaldaten
92%
Leistungsdaten
86%
Finanzdaten
98%
Adressdaten
63%
Organisationsdaten
99%
Sonstige Daten
78%
Overall
86%
27. Juni 2018 | . | 13

KPI2: Fachdatenmodell
123 155 178 201 222 254 299 359 401 432 449 470 501
64
51
34
59
81
67
98
123
89
101 76
102
95
81
79
101
94
88
139
101
78 75
56
121
94 77
0
100
200
300
400
500
600
700
800
Q1/18 Q2/18 Q3/18 Q4/18 Q1/19 Q2/19 Q3/19 Q4/19 Q1/20 Q2/20 Q3/20 Q4/20 Q1/21
Veröffentlicht Abgestimmt in Arbeit
27. Juni 2018 | . | 14

KPI3: Reifegradmodell der
Data Excellence Organisation
DXO FDM RDM SDM DQM BDM DNU DRM
3 2 1 3 2 1 1 3
3 2 1 3 2 2 2 1
3 3 3 3 3 3 3 2
3 3 3 2 1 0 0 0
3 1 1 1 1 1 1 2
3 1 3 1 2 3 1 1
3 1 1 1 1 1 1 2
2 1 1 1 1 1 1 1
2 3 1 3 3 3 2 1
1 2 2 1 2 2 3 1
1 2 1 1 1 2 1 1
0 1 1 2 1 1 1 1
2 2 2 2 1 0 0 1
Exzellent Etabliert Initial Etabliert Initial Initial Initial Initial
Abteilungen/Dienststellen
Data Excellence Thema
27. Juni 2018 | . | 15

Das Data Excellence Programm
der Stadt Wien
Wir müssen unsere Hausaufgaben machen, gleichzeitig
eine Investition in die Zukunft tätigen und eine
Datenbasis für die Digitalisierung schaffen – daher
wurde das Programm zur Etablierung der Data
Excellence Services in der Stadt „PEDES“ gestartet:
Data Governance etablieren
Data Warehouse aufsetzen und befüllen
Datenqualitätsmanagement sicherstellen
27. Juni 2018 | . | 16

Data Excellence Framework ©
Data Excellence (DX) Framework ©
Daten nutzenDaten verantworten
Wissen über die Daten verantworten
Daten strategisch betrachten
Daten strukturieren
Daten nachvollziehen Daten schützen
Daten verstehenDaten optimieren
Daten planen
Datenservices
anbieten
21. Juni 2018 | © 2018 . | 17

Data Excellence Framework ©
Data Excellence (DX) Framework ©
DatennutzungDX Organisation
Fachliches Metadaten-Management
Data Excellence Strategie
Referenzdaten
Datenherkunft Datenschutz
Fachliches
Datenmodell
Datenqualität
DX Bedarfs-
management
DX Services
21. Juni 2018 | © 2018 . | 18

Fachbereich
Grundlagen der Implementierung:
Requirements Engineering
FachdatenanalystIn
(Requirements Engineer)
FachdatenexpertIn
(fachlicher Requirements Engineer)
MA 01 - Gruppe Data Exellence
(Umsetzung)
prüft, stimmt ab, formalisiert
prüft, nimmt ab
27. Juni 2018 | . | 19

Agiles Vorgehen mit verschiedenen
Ergebnistypen
Ergebnistypen für die Fachabteilungen
1. Daten planen: Fachkonzepte und Fachdatenmodell
2. Daten sichten: Data Profiling der operativen Daten
3. Datenqualität erkennen: Datenqualitätsberichte ad-hoc, laufend
4. Daten verstehen: Auswertungsmöglichkeiten erkennen aus der Datenbasis
5. Daten auswerten: Kennzahlen & Daten, selbst auswertbar in Cognos/TM1
6. Daten konsumieren: Standardberichte, Anzeige von Daten
27. Juni 2018 | . | 20

Mehrwert von Data Excellence:
Zentrale Stammdaten - Adressen
Ohne Verwendung zentraler Stammdaten
Mit Verwendung zentraler Stammdaten
Adressen 1
Adressen 2
Konsequenz:
• Doppelte Adressen durch unterschiedlicher Schreibweise
• Selektion von Adressen nicht eindeutig möglich, da keine zentralen
Stammdaten vorhanden sind
• Manuelle Zusammenführung erforderlich
• Negative Außenwirksamkeit durch doppelte Adressen
Konsequenz:
• 2-fach selektierte Adressen werden als eine erkannt
• Selektion von Adressen eindeutig möglich, da von zentralen
Stammdaten ausgehend
• Reduzierter Aufwand bei Adressfile-Erstellung in den
Fachbereichen, keine Zusammenführung erforderlich
 Nutzung zentraler Stammdaten muss verbindlich sein
Adress-
Register
Fachbereich 1
Fachbereich 2
Fachbereich 1
Fachbereich 2
Adressen
Adressen 1
Adressen 2
27. Juni 2018 | . | 21

Ohne Verwendung Referenzdaten
Mehrwert von Data Excellence:
Referenzdaten – Organisationsdaten
Mit Verwendung Referenzdaten
Dienststellen-
Struktur
(Personalsicht)
Dienststellen-
Struktur
(Finanzsicht)
Konsequenz:
• Manuelle Anlage der Dienststellenstruktur und
Geschäftsgruppenzuordnungen in den diversen Fachbereichen
• Keine einheitliche Sicht von Daten verschiedener Fachbereiche
anhand Dienststellen-/Geschäftsgruppenstruktur möglich
• Unterschiedliche Schreibweisen
• Daten sind zum Teil nicht aktuell
Konsequenz:
• Auswertung von Daten verschiedener Fachbereiche anhand der
zentralen Dienststellenstruktur möglich
• Einheitliche Schreibweisen/Bezeichnungen garantiert
• Daten sind immer aktuell
• Daten werden nur einmal erfasst
• Organisationsdaten sind historisch abfragbar
 Verwendung von Referenzdaten muss verbindlich sein
Überblick
Wien
Fachbereich 1
Fachbereich 2
Fachbereich 1
Fachbereich 2
Auswertung
1
Auswertung
2
Aus-
wertung
(1 & 2)
27. Juni 2018 | . | 22

Mehrwert von Data Excellence:
Datenqualität
Ohne Datenqualitätsmanagement
Mit Datenqualitätsmanagement
Kennzahl
(ungeprüft)
Konsequenz:
• Nicht korrekte Daten bleiben oft lange unentdeckt
• Suche nach Ursache ist mangels richtiger Vergleichswerte äußerst
aufwendig
• Häufige Folgen sind: falsche Analysen, irreführende
Schlussfolgerungen und Maßnahmen
• Negative Außenwirksamkeit durch z. B. falsche Berichte,
Kennzahlen, Planungen
• Risiko von Fehlentscheidungen
Konsequenz:
• Monitoring (Bottom-Up Kontrolle) gewährleistet rasche
Benachrichtigung im Fehlerfall
• Fehlerquelle klar identifiziert und eingegrenzt – gezielte
Verbesserung zeitnah möglich
• Aufwandskosten reduziert, kurze Durchlaufzeit bei der
Fehlerbehebung
• Berichte / Kennzahlen / Planungen auf korrekter Datenbasis
gewährleistet
 Regelmäßige Datenqualitätskontrolle muss verbindlich sein
Kennzahl
DQ
Status
DQI
?
?
?
?
Daten-
KonsumentInnen
Daten-
KonsumentInnen
27. Juni 2018 | . | 23

Data Excellence (DX) Schulungs-
programm für alle in der Stadt Wien
DX Advanced
Training
Data Experts,
Data Stewards
Class Room
Schulung
IKT-Sicherheit
ViennaGIS® von A bis Z
Datenschutz
DX Services (A)
Open Governmant Data (OGD)
Datennutzung (A)
Datenqualitätsmanagement (A) DX Bedarfsmanagement (A)
Referenz- und Stammdaten-
management (A)
Fachdatenmodell (A)
DX Strategie & Richtlinien (A) DX Organisation (A)
Eintrag in Bildungspass
Eintrag in Bildungspass / optional Bescheinigung / Zeugnis
Eintrag in Bildungspass / optional Bescheinigung / Zeugnis
DX Basic
Training
Alle in der Stadt
Wien
E-Learning
Datennutzung (B)
Datenqualitätsmanagement (B) DX Services (B)
ViennaGIS® Basic
DX Bedarfsmanagement (B)Fachdatenmodell (B)
DX Strategie & Richtlinien (B)
DX in a Nutshell (B)
Referenz- und Stammdaten-
management (B)
DX Professional
Training Data Stewards
Class Room
Schulung
Fachdatenmodell (P)
DX Strategie & Richtlinien (P)
DX Bedarfsmanagement (P)
Referenz- und Stammdaten-
management (P)
Datennutzung (P) DX Services (P)
Datenqualitätsmanagement (P)
DX Organisation (P)
DX Organisation (B)
27. Juni 2018 | . | 24

Leistungspakete des
Programms PEDES
Umsetzung von Data Excellence mit dem Data
Excellence Framework (c)
Konzeption und Verprobung erforderlicher,
technischer Grundkonzepte
Data Warehouse-Projekt
Fachliche Grundlagen
Technische Grundlagen
Konsolidierter
Datenhaushalt
Data Excellence
27. Juni 2018 | . | 25

PEDES Ergebnisse:
Fachliche Grundlagen
DX
Organisation
DX KPIs
DX
Schulungs-
programm
DX
Change
Management
DX
Leitfäden
27. Juni 2018 | . | 26

PEDES Ergebnisse:
Technische Grundlagen
TECHNISCHE KONZEPTE
Rollen und
Berechtigungen
Tools und
technische
Umgebung
Architektur und
Vorgehensweise
Datenqualitäts- &
Testmanagement
Anbindung
operativer
Datenquellen
27. Juni 2018 | . | 27

Präsentation Ergebnisse:
Konsolidierter Datenhaushalt
Reports
Daten-
bereitstellungModellierung
Änderungsreport
Stammdatenliste
Grunddaten
Fachkonzept
Referenzdaten
Fachkonzept
Datenqualität
Fachkonzept
Data Mart
Fachkonzept
Report
Fachkonzept
Fachkonzepte
Sichten
GOM
GG
...
MA ...
BW
S
GG
...
MA
...
VWS
GG
...
MA
...
Datenqualitätsberichte &
automatische
Verständigung
27. Juni 2018 | . | 28

PEDES Ergebnis:
Fachliche Metadaten
27. Juni 2018 | . | 29

1 23 4
18 137 100%
Gemeinsames Ziel Programm-
MitarbeiterInnen
Streams
Monate
Projektlaufzeit
Abgenommene
Artefakte
Herz
432
Abgehaltene
Meetings
11.348
Getrunkene Tassen
Kaffee
Zusammenfassung:
Das Projekt PEDES
21. Juni 2018 | © 2018 . | 30

Was ist anders, wenn die Stadt Wien
Data excellent ist?
Data Excellence Kompetenz ist erhöht
• Basis-Schulung für alle, vertiefendes Training für die ExpertInnen
• Gemeinsames Verständnis und Bewusstsein über Wert und
Verwendung von Daten vorhanden
• Investition in die Zukunft – neue Berufsbilder
• Digitale Transformation „empowert“
Standards für Datenintegrität sind sichergestellt
• Referenz-, Stamm- & Metadatenmanagement
• Datenqualität erhöht, Zuverlässigkeit der Daten ist gegeben
• Stadt Wien hat „unangreifbare“ Informationen
• DatenkonsumentInnen vertrauen Berichten
• BI-System wird (besser) genutzt
• (Predictive) Analytics wird ermöglicht
27. Juni 2018 | . | 31

Ressourcenaufwand im Datenlebenszyklus reduziert
• Fachdatenbeschreibungen im Intranet vorhanden
• Datenverantwortliche sind bekannt
• Suche nach Daten verkürzt
Berichtspflichten zeitnah und effizient erfüllt
• Selfservice-Angebote
• Standard-Auswertungen
• Ad-hoc Anfragen an das Data Warehouse möglich
Wir erleben Data Governance
• Richtlinien und Prozesse
• Transparenz, Vertrauen und Verantwortung
• Nachweis über sicheren & transparenten Umgang mit Daten der
BürgerInnen
Was ist anders, wenn die Stadt Wien
Data excellent ist?
27. Juni 2018 | . | 32

Exzellenter Umgang mit Daten bedeutet, diese
zu beherrschen, den Aufwand dafür zu
minimieren und die Daten gewinnbringend zu
nutzen.
Die Lösung dafür liegt nicht ausschließlich in der
IT, sondern es bedarf eines fundierten fachlichen
Rahmens, in dem die Daten verstanden und
verwendet werden können.
Data Excellence ist die Basis für die
Herausforderungen der Digitalisierung, Big Data
und Innovationen.

Ihre Vortragenden
Ing. Barbara Kainz, MSc
Geschäftsführerin
dataspot.
barbara.kainz@dataspot.at
Expertin für Data Governance,
Fachliches Metadatenmanagement,
Data Warehousing
Ing. Brigitte Lutz, MSc
Data Governance Koordinatorin
Stadt Wien
brigitte.lutz@wien.gv.at
Expertin für Data Governance,
Open Data,
Blockchain,
IKT-Projektportfoliomanagement
Die Inhalte der Präsentation der Stadt Wien stehen – mit Ausnahme der Seiten 17,18, 30 und der Piktogramme
unter einer Creative Commons Namensnennung 3.0 Österreich Lizenz.
Die Namensnennung der Stadt Wien als Rechteinhaberin hat in folgender Weise zu erfolgen:
"Datenquelle: Stadt Wien"