Potenziale erkennen & Innovationen erfolgreich nutzen
•Als PPTX, PDF herunterladen•
0 gefällt mir•121 views
Im Wettlauf um die digitale Transformation investieren die Branchen immer mehr in neue Technologien, wie z. B. Big Data, Künstliche Intelligenz oder IOT. Auch wenn der Begriff „Digitale Transformation“ nicht mehr neu ist, werden nach wie vor enorme Investitionen getätigt. IDC prognostiziert die weltweiten Investitionen von bis zu 2,3 Billionen Dollar im Jahr 2023. Was erwarten Unternehmen also von der digitalen Transformation? Was sind die Treiber und was sind die Erfolgsfaktoren? Warum überhaupt transformieren, und wenn ja, mit welchem Ziel? Und zu guter Letzt was sind die Voraussetzungen für den Erfolg? In diesem On-Demand Webinar lernen Sie die Kernthemen, was Datenintegrität wirklich bedeutet und zeigen Ihnen anhand von Kundenbeispielen, welche Herausforderungen sie in diesem Zusammenhang hatten und wie sie Projekte gewinnbringend umgesetzt haben.
Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Potenziale erkennen & Innovationen erfolgreich nutzen
Ähnlich wie Potenziale erkennen & Innovationen erfolgreich nutzen (20)
Mehr von Precisely
Mehr von Precisely (20)
Potenziale erkennen & Innovationen erfolgreich nutzen
- 1. Potenziale erkennen & Innovationen erfolgreich nutzen Datenintegrität in Zeiten der Digitalen Transformation Burchard Hillmann-Köster | Account Executive
- 2. Quelle IDC $2,3 Billionen Prognostizierte Ausgaben für die digitale Transformation im Jahr 2023 $1,3 Billionen Ausgaben für digitale Transformation im Jahr 2020 2
- 3. Veränderung COVID is accelerating the drive to all things digital Produktivität und Umsatz steigern WACHSEN SCHÜTZEN Kundenerlebnis verbessern Neue Produkt- und Service- Angebote Operatives Risiko Regulatorisches / Rechtliches Risiko Finanzielles Risiko Neue Geschäfts- modelle Strategisches / Reputationsrisiko VERÄNDERUNG 3
- 4. Challenges (Examples) Customer Intelligence Digital First • Vollständiges Verständnis des Kunden und seines Lifetime Values, um bessere Kundenerlebnisse zu schaffen • Bieten Sie Personalisierung und ein nahtloses Erlebnis auf allen Kanälen, insbesondere auf den vom Kunden bevorzugten Kanälen. Risk & Compliance Data Democratization • Transparenz in der Lieferkette, um die Auswirkungen von Risikoereignissen auf das Geschäft zu verstehen und Risiken besser zu minimieren • Erfüllen Sie Vorschriften wie Sanktionslisten, GDPR, lokale US- Steuerbestimmungen • Erweiterter Zugriff auf vertrauenswürdige Unternehmensdaten für zusätzliche Analysen und Geschäftseinblicke Supply Chain Optimization • Vollständige Sicht auf Lieferanten und Unterlieferanten über alle Geschäftsbereiche hinweg, um die Beziehungen zu verstehen und so den Einblick in die Lieferkette und die Entscheidungsfindung zu verbessern und die Widerstandsfähigkeit der Lieferkette zu erhöhen. Data Monetization • Nutzen Sie Daten, die durch den Geschäftsbetrieb generiert werden, verfügbare exogene Daten oder Inhalte sowie Daten im Zusammenhang mit dem Internet der Dinge (IoT). 4
- 5. Hybrid Cloud 68% der Unternehmen gaben an, dass sich verteilte Daten negativ auf ihr Unternehmen auswirken 2 Streaming 92% der Firmen stimmen zu, dass sie die Nutzung von externen Daten erhöhen müssen 5 Location 47% der neu erstellten Datensätze haben mindestens einen kritischen Fehler 3 AI 54% der Unternehmen, die durch einen Mangel an Daten-Location Intelligence herausgefordert werden 4 der CEOs sind besorgt über die Integrität der Daten, auf die sie ihre Entscheidungen stützen1 Sources: 1. Forbes, 2. Data Trends Survey 2019, 3. Harvard Business Review, 4. IDC, 5. Forrester 84% 5
- 6. Data Maturity 6 A worldwide survey of 196 organizations by Gartner, Inc. showed that 91 percent of organizations have not yet reached a "transformational" level of maturity in data and analytics, despite this area being a number one investment priority for CIOs in recent years. "Most organizations should be doing better with data and analytics, given the potential benefits," said Nick Heudecker, research vice president at Gartner. "Organizations at transformational levels of maturity enjoy increased agility, better integration with partners and suppliers, and easier use of advanced predictive and prescriptive forms of analytics. This all translates to competitive advantage and differentiation." The global survey asked respondents to rate their organizations according to Gartner's five levels of maturity for data and analytics. It found that 60 percent of respondents worldwide rated themselves in the lowest three levels. https://www.gartner.com/en/newsroom/press-releases/2018-02-05-gartner-survey-shows- organizations-are-slow-to-advance-in-data-and-analytics Gartner Data Maturity Model Gartner Survey Shows Organizations Are Slow to Advance in Data and Analytics Stamford, Conn.
- 7. Vertrauenswürdige Daten für den Wandel Datenquellen Datenkonsumenten Datensilos Mainframe, IBM i Relationale Datenbanken, EDW, DBMS Dateien, XML, JSON Hadoop, HDFS Sensor Geoinformation ? Erkenntnisse CRM, ERP, E-Commerce 7 Analytics, BI, Reporting Billing, Omni Channel Communication, Customer Service Finance, Sales, Marketing, SCM, PIM, Field Service, Logistics, Governance, Risk Management Cloud Plattformen & DWHs Data Analytics Plattformen, BI, LI Geschäftsprozesse & Applikationen ML, AI
- 8. Vertrauenswürdige Daten für den Wandel Datenquellen Datenkonsumenten Datenfabrik 8 Datensilos Mainframe, IBM i Relationale Datenbanken, EDW, DBMS Dateien, XML, JSON Hadoop, HDFS Sensor Geoinformation CRM, ERP, E-Commerce Erkenntnisse Analytics, BI, Reporting Billing, Omni Channel Communication, Customer Service Finance, Sales, Marketing, SCM, PIM, Field Service, Logistics, Governance, Risk Management Cloud Plattformen & DWHs Data Analytics Plattformen, BI, LI Geschäftsprozesse & Applikationen ML, AI
- 9. Manuelle Datenerfassung und -verwaltung Vertrauenswürdige Daten - Schritt für Schritt Ergebnisse erzielen: Datenanalytik zur Verbesserung der Entscheidungsfindung Erhöhung der Datenreife - Von Rohdaten zu vertrauenswürdigen Daten 9 Master Data Konsolidierung Matchen & verlinken Deduplizieren Datenqualität und - anreicherung Data Profiling Scorecards Parsen & Normalisieren Bereinigen & Standardisieren Anreicherung von Firmendaten Anreicherung von Kundendaten Anreicherung von Standortinformationen Datenmanagementfunktionen Automatisierte Datenerfassung und - integration Business Glossary Modellierung Lineage Datenkataloge Datenintegration 360° Sicht auf das Unternehmen Graph Datenquellen Datenkonsumenten Datenfabrik Datensilos Mainframe, IBM i Relationale Datenbanken, EDW, DBMS Dateien, XML, JSON Hadoop, HDFS Sensor Geoinformation CRM, ERP, E-Commerce Erkenntnisse Analytics, BI, Reporting Billing, Omni Channel Communication, Customer Service Finance, Sales, Marketing, SCM, PIM, Field Service, Logistics, Governance, Risk Management Cloud Plattformen & DWHs Data Analytics Plattformen, BI, LI Geschäftsprozesse & Applikationen ML, AI
- 10. Datenquellen Datenintegrität Datenkonsumenten Datenintegrität - ein ganzheitlicher Ansatz Datenintegrität ist eine Reise 10 Manuelle Datenerfassung und -verwaltung Ergebnisse erzielen: Datenanalytik zur Verbesserung der Entscheidungsfindung Master Data Konsolidierung Datenqualität und - anreicherung 360° Sicht auf das Unternehmen Automatisierte Datenerfassung und - integration ENRICH VISUALIZE PUBLISH MODEL CONNECT DISCOVER CATALOG CLEAN LOCATE Datensilos Mainframe, IBM i Relationale Datenbanken, EDW, DBMS Dateien, XML, JSON Hadoop, HDFS Sensor Geoinformation CRM, ERP, E-Commerce Erkenntnisse Analytics, BI, Reporting Billing, Omni Channel Communication, Customer Service Finance, Sales, Marketing, SCM, PIM, Field Service, Logistics, Governance, Risk Management Cloud Plattformen & DWHs Data Analytics Plattformen, BI, LI Geschäftsprozesse & Applikationen ML, AI
- 11. Supply Chain Data Optimization ZIEL • Die M&T-Abteilung von Babcock muss genaue Daten und Informationen erstellen, verwalten und verwerten • Globales Wachstum des Unternehmens und Sicherung eines kontinuierlichen Wettbewerbsvorteils durch effektives Datenmanagement • Die genaue und kompetente Verwaltung der riesigen Datenmengen, die mit der Lieferkette verbunden sind, ist entscheidend für die Maximierung der Effizienz und die Minimierung der Kosten HERAUSFORDERUNGEN • Verwalten Sie Daten zu >1 Million Teilen und Waren von über 3.000 Lieferanten • Integrieren Sie komplexe Daten unterschiedlicher Qualität aus verschiedenen Systemen “Daten sind die DNA unserer Lieferkette. Datenvollständigkeit und -genauigkeit sind entscheidend für unsere aktuellen und zukünftigen Aktivitäten in einem zunehmend wettbewerbsorientierten Markt.” Andy Chapell Head of Supply Chain Capability LÖSUNG • Precisely Discovery bewertet zuverlässig die Vollständigkeit und Genauigkeit von Daten • Supply-Chain-Anwender mit Precisely Discovery überprüfen fehlerhafte Datenzeilen und exportieren Daten, um Inkonsistenzen schnell und präzise zu beheben NUTZEN • Weniger Nacharbeit = weniger Kosten • Verbesserung der Qualität der Lieferantenstammdaten um 23%. 4 von 11 Geschäftsbereichen haben das Ziel von 98 % Datenqualität erreicht, 6 weitere haben 95 % überschritten • Verbessertes Reporting, Analyse ==> verbesserte Entscheidungsfindung • Schnellere Bereitstellung von IT-Anwendungen • Verbesserte Einhaltung von Vorschriften und Branchenstandards Babcock Marine & Technology 11
- 12. Personalisierte Kundenbeziehungen ZIEL • Aufbau noch stärker personalisierter Kundenbeziehungen HERAUSFORDERUNGEN • Siloartige Systeme • Die Duplizierung von Kundendatensätzen innerhalb von CRM beeinträchtigte die Kundentransparenz • Kunden erhielten mehrfaches Marketingmaterial, was die Marketingkosten erhöhte und das Kundenerlebnis beeinträchtigte • Risiko, die Anforderungen der EU- DSGVO nicht zu erfüllen “Die besten Geschäftsentscheidungen beruhen auf Daten. Die meisten operativen und analytischen Geschäftsprozesse stützen sich auf eine solide, hochwertige Datengrundlage und eine einheitliche Sicht auf unsere Kunden.” Giang Pham-Dac, Customer Master Data Manager, L’Occitane Group LÖSUNG • Data Lake einrichten und Precisely Master Data Management (MDM) Lösung nutzen NUTZEN • Schnelle Integration von 19 Standalone-Systemen inkl. CRM, E-Commerce, Auftragsmanagement, API-Management, Kundenbetreuung und Zahlungssystemen • Einfaches Management der EU-DSGVO- Konformität mit eingebauten Regeln • Reduzierung des De-Duplizierungsprozesses von Kundeninformationen von 150 Minuten auf weniger als 5 Minuten • De-Duplizierungsprozess jetzt täglich statt wöchentlich • Marketingmaßnahmen können auf einen Kunden zugeschnitten werden, basierend auf seiner Kaufhistorie, seinen Standorten und Vorlieben. • Kontakt in Echtzeit • Besseres, personalisiertes und reibungsloses Kundenerlebnis L’Occitane 12
- 14. Vielen Dank
Hinweis der Redaktion
- Guten Tag und herzlich willkommen zur heutigen Coffee & Learn Veranstaltung, in der wir einen Ausflug in die Welt der Daten machen wollen - und deren Bedeutung im Kontext der digitalen Transformation näher betrachten. Mein Name ist Burchard Hillmann-Koester, Account Manager bei Precisely, wo ich für die Branchen Manufacturing und Retail in der DACH-Region zuständig bin. In meinen mehr als 20 Jahren in der IT-Branche ist "Data as an Asset" ein ständiger Begleiter und Grundlage für die kontinuierlichen Veränderungen. Datenintegrität ist für die digitale Transformation ein Erfolgsfaktor.
- Im Wettlauf um die digitale Transformation investieren alle Branchen immer mehr in neue Technologien, wie z. B. Big Data, Künstliche Intelligenz , oder das Internet der Dinge. Zugegeben, die digitale Transformation ist als Begriff nicht mehr ganz neu und wirkt ein wenig abgedroschen. Dennoch werden nach wie vor riesige Investitionen getätigt und die eigentlichen Treiber und Motivationen sind offenbar immer noch allgegenwärtig. IDC beispielsweise beziffert die weltweiten Investitionen im Jahr 2020 auf 1,3 Billionen US Dollar und prognostiziert Ausgaben von 2,3 Billionen US Dollar im Jahr 2023 - das sind gewaltige Summen. Was erwarten Unternehmen also von der digitalen Transformation? Was sind die Treiber und was sind die Erfolgsfaktoren? Warum überhaupt transformieren, und wenn ja, mit welchem Ziel? Was sind Voraussetzungen für den Erfolg?
- Mit stärkeren Kundenerwartungen, den gestiegenen Anforderungen an die Individualisierung, der Komplexität der globalen Lieferkette und wechselnden Vorschriften, besteht bei Herstellern Veränderungsbedarf, den sie durch digitale Transformation und digitale Optimierung zu erreichen versuchen. In der Industrie ist z.B. das Hauptziel, durch Senkung der Herstellungs- und Logistikkosten zu wachsen z.B. die Stärkung der Rückverfolgbarkeit und Transparenz innerhalb der Lieferkette Andere Beispiele zu Wachsen sind die Verbesserung der Kundenerfahrung, die Entwicklung neuer Produkte und Serviceangebote, die Schaffung neuer Geschäftsmodelle. Auf der anderen Seite müssen sich Unternehmen geleichzeitig vor verschiedenen Arten von Risiken schützen, wie es hier zu sehen ist. Um diese Ziele zu erreichen, ist die Qualitätskontrolle eine eminent wichtige Voraussetzung - in der physischen Welt der Fertigung ebenso wie in der digitalen Welt. Jedes Industrieunternehmen hat eine sehr gute Qualitätskontrolle für seine bestehenden physischen Produktionsprozesse, um Kosten zu reduzieren, die Effizienz zu verbessern und Qualitätsprodukte zu liefern. Stellen Sie sich vor, was es bedeutet, ein Auto auszuliefern, bei dem der Motor nicht funktioniert, weil niemand die Motoren vorher getestet hat? Was wären die Kosten, wenn Sie die Rückrufe Ihrer Produkte durchführen müssten, um das zu beheben? Was wäre das für ein Kundenerlebnis? Was würde es für Ihre Marke und Ihren Umsatz bedeuten? Wenn Sie eine Datenlieferkette (Data Supply Chain) mit einer schwachen Qualitätskontrolle haben, hat das die gleichen Auswirkungen auf Ihr Unternehmen! Lassen Sie uns einen Blick auf einige Initiativen in der Industrie werfen, bei denen vertrauenswürdige Daten eine Grundvoraussetzung sind.
- Wir sehen, dass unsere Kunden und Interessenten mehr über die Monetarisierung von Daten sprechen, wobei sie die Daten, die durch Geschäftsvorgänge und Sensoren generiert werden, innerhalb neuer Analyseplattformen nutzen möchten. Um diese Daten zu nutzen, müssen Sie sicher sein, dass die Daten von guter Qualität sind. Wir unterstützen viele Kunden dabei, aber wir sind auch einer der weltweit führenden Anbieter von Daten und wissen, worauf es bei der Integration, Harmonisierung und Anreicherung von Daten ankommt, um qualitativ hochwertige Datensätze zu erstellen, die für Datenanalysen und zur Anreicherung von Stammdaten genutzt werden können. Zum Beispiel unterstützen wir führende Telekommunikationsanbieter mit ihren massiven Datenmengen von mobilen Geräten, indem wir unsere Geofunktionalitäten innerhalb von Big-Data-Frameworks sowie unsere globalen Datensätze nutzen. Intern wird es z. B. zur Verbesserung von Dienstleistungen sowie für Marketingkampagnen genutzt, die den Wettbewerb wirklich herausfordern. Extern wird es genutzt, um Datenprodukte für andere Organisationen bereitzustellen, die mehr über die Mobilität der Verbraucher verstehen wollen. Customer Intelligence und Digital First sind Themen, die ich vor allem in der Automobil-, CPG- und Luxusgüterindustrie erlebe. So helfen wir beispielsweise einem führenden Anbieter von neuen Premium-Mobilitätsdiensten in Deutschland, sein Wachstumsziel und seine Wettbewerbsfähigkeit zu unterstützen, indem wir den internen Aktivierungsprozess für seine Geschäftskunden von 48 Stunden auf etwa eine Minute reduzieren. Wir konnten dies erreichen, indem wir sichergestellt haben, dass die von den Kunden eingegebenen Daten in Echtzeit validiert, korrigiert und mit den von der Regulierungsbehörde geforderten Informationen angereichert werden, so dass der Prozess weiter automatisiert werden konnte und ein erstklassiges Kundenerlebnis bietet Die Nachfrage nach Datendemokratisierung durch Datenkataloge sehen wir vor allem bei Data-Science-Teams, die den Aufwand für die Suche nach den richtigen Daten reduzieren und die Qualität der Daten verstehen möchten, die sie gerne nutzen möchten, wenn es der Gesetzgeber erlaubt. Ein Pharmaunternehmen benötigte zum Beispiel Unterstützung beim Aufbau eines Datenkatalogs, aber auch bei der Visualisierung und dem Verständnis der Beziehungen zwischen Datensätzen, Merkmalen, Algorithmen, KPIs und Schemata, um eine einheitliche Sicht zu erhalten. Ein Dauerthema ist die Supply-Chain-Optimierung sowie Risk & Compliance. Eine zentrale Ansicht verbessert die Sichtbarkeit und erhöht die Transparenz der Lieferantendaten für ein vertrauenswürdiges Verständnis aller Beziehungen und verbesserte Einblicke in die Lieferkette und Entscheidungsfindung. Ein großes Life-Sciences-Unternehmen benötigte akkurate Handelspartner-Datensätze, um das finanzielle Risiko zu reduzieren, und brauchte unsere Unterstützung, um die Stammdaten in seinen Systemen zu verbessern. Zum Beispiel kann eine unsachgemäße Lieferung von Produkten Kosten von bis zu 2 Millionen Dollar pro Sendung verursachen. Was wir aber auch sehen, dass die technischen und fachlichen Möglichkeiten von Unternehmen zu Unternehmen unterschiedlich sind. Womit wir bei der Realität wären.
- Die Herausforderungen für unsere Kunden sind Transparenz über die vorhandenen Daten und deren Qualität, Data Governance bereitzustellen, Golden Records zu erstellen und interne Daten mit externen Daten für mehr Kontext anzureichern. Wir sehen, dass Fertigungsunternehmen immer noch mit der Verwaltung der Integrität ihrer Daten zu kämpfen haben und nun vor Herausforderungen stehen, wie z. B. der Schwierigkeit Investitionen zurückgewinnen, automatisierte datengesteuerte Geschäftsprozesse aufzubauen, Risiken zu vermeiden, eine angemessene Daten-Governance und Demokratisierung zu gewährleisten, sowie Innovation in großem Umfang vorantreiben, um auf die Veränderungen von Geschäftsmodellen zu reagieren, oder die Kundenabwanderungsrate zu senken, oder Änderungen in der Regulierung zu adressieren We see, manufacturing companies are still struggling with managing the integrity of their data and now facing challenges such as difficulty to recover investments, automated data driven business process, avoid risk, ensure proper data governance and democratization, as well as drive innovation at a large scale, in order to respond to the changes in business models, or decrease customer churn rates, or changes in regulation Gartner hat zum Beispiel einige Berechnungen angestellt und beziffert den durchschnittlichen finanziellen Verlust für Unternehmen, die nichts gegen ihre schlechten Daten unternehmen, auf etwa 9,7 Millionen Dollar pro Jahr. Wie Sie auf dieser Folie sehen können, gibt es einige Studien zum aktuellen Stand des Datenmanagements, die zumindest deutliche Hinweise darauf geben, dass der Umgang mit Daten, ihre Verfügbarkeit, Qualität und Integrität teilweise weit von dem entfernt sind, was man als wirklich gut bezeichnen kann. Stellen Sie sich vor, nur 16 % der CEOs würden der Qualitätskontrolle ihrer physischen Produktionsprozesse vertrauen - was würden sie tun? Gerade in Bezug auf digitale Prozesse gibt es noch viel zu tun, da die digitale Transformation darauf abzielt, dass immer mehr Entscheidungen auf Basis von automatisierten Prozessen und künstlicher Intelligenz getroffen werden. Umso wichtiger ist es, die Qualitätskontrolle zu betrachten, da Daten und Datenanalysen zunehmend zu Waffen im Wettbewerb der führenden Unternehmen und sogar als Beschleuniger im Kontext der Digitalisierung werden, wie Gartner feststellt. Bis Ende 2022, so prognostiziert Gartner, werden 90 % aller Unternehmensstrategien Informationen als kritischen Unternehmenswert und Analytik als eine wesentliche Kompetenz. Als Konsequenz dieser Entwicklung sehen wir, dass Daten und Datenanalytik zunehmend in den Fokus unternehmerischen Handelns rücken und Kernelemente von Strategie und Investitionen bilden werden.
- Und dieses Bild wird auch durch eine Gartner-Studie bestätigt. Demnach haben 91% der befragten Unternehmen die Transformationsstufe des Data Maturity Models noch nicht erreicht haben, und 60 % der befragten Unternehmen ordnen sich sogar in den untersten drei Stufen ein. Aber die Entwicklung aller "übergeordneten" Analytik-Projekte, einschließlich KI (Künstlicher Intelligenz), IoT, Blockchain sind alle abhängig von einer effektiven Datenqualität und Governance-Grundlage. Laut einer kürzlich durchgeführten Studie von Wakefield Research geben 87 % der Befragten an, dass Probleme mit der Datenqualität ein Hindernis für die erfolgreiche Implementierung von KI in ihrem Unternehmen darstellen. KI versagt, wenn sie mit schlechten Daten gefüttert wird, was zu ungenauen oder unfairen Ergebnissen führt. Darüber hinaus besagt die Gartner Data Management Strategy Survey von 2019, fast 60 % der befragten Unternehmen betonen, dass "nicht in der Lage zu sein, relevante Daten zu finden, die einen Mehrwert bieten", ihre größte Herausforderung im Datenmanagement ist. Des Weiteren stellt Gartner fest, dass viele Data & Analytics (D&A)-Projekte ihr ROI-Versprechen nicht einhalten, da Datenanwender bis zu 80 % ihrer produktiven Zeit damit verbringen Daten zu finden oder Daten anzufordern, die ihnen bereits zur Verfügung gestellt wurden. Und das ist auch das, was ich im Markt höre, wenn ich mit Kunden und Interessenten spreche.
- Was braucht es, um vertrauenswürdige Daten zu haben und wie sieht es im Unternehmenskontext aus? In diesem Bild sehen wir auf der linken Seite eine beispielhafte, aber definitiv nicht vollständige Auflistung verschiedener Datenquellen, deren Inhalte und die darin enthaltenen Informationen, In diesem Bild sehen wir auf der linken Seite eine beispielhafte, aber definitiv nicht vollständige Auflistung verschiedener Datenquellen, deren Inhalte und die darin enthaltenen Informationen korrekt, vollständig, umfassend, konsistent und vertrauenswürdig den Datenkonsumenten auf der rechten Seite der Grafik - egal ob Mensch, Anwendung oder System - zur Verfügung gestellt werden müssen. Auf der Seite der Datenkonsumenten sehen wir die Systeme, die wir benötigen, um Wachstum für die Organisation zu erreichen, wie verschiedene Data Warehouses, Data Marts, Data Lakes, etc, und vor allem die modernen Cloud-Data-Warehouses und Analytics-Plattformen wie Snowflake und Databricks, die überall auf dem Vormarsch sind, müssen ebenfalls berücksichtigt und mit zuverlässigen Daten gefüllt werden. Unter Anwendungen sehen wir die gängigen ERP-, BI- und Reporting-Lösungen, Datenanalytik, Kampagnenmanagement-Systeme. Aber auch Systeme für: Supply Chain Management, Supply Chain Risk Management, Produkt-Informations-Management, Außendienst-Management um ein paar fertigungsspezifische Bereiche zu nennen. Oder auch Kundenservice, Betrugsbekämpfung und, natürlich, die operativen CRM-Systeme, im Rahmen von Verkaufs- und Onboarding-Prozessen. Aber auch die modernen Themen wie Chatbots und personalisierte Videos, zur Erklärung von Angeboten, Rechnungen und Informationen. All diese Anwendungen und Prozesse benötigen eine gute Datengrundlage, um die gewünschten Ergebnisse zu erzielen.
- Müsste man das, was im Wesentlichen benötigt wird, mit einem einzigen Begriff zusammenfassen, würde das Bild einer Datenfabrik eigentlich am besten passen. Warum also passt das gut zusammen? Weil an einem Produktionsstandort auch Rohstoffe verarbeitet und veredelt werden. In mehreren Produktionsschritten werden die Rohstoffe in Endprodukte umgewandelt, die für ihr spezifisches Einsatzszenario bereit sind. Auf der einen Seite kommen die Rohstoffe rein und auf der anderen Seite kommen die fertigen Produkte raus. Rohstoffe sind in unserem Fall die Rohdaten, die wir auf der linken Seite haben. Die Produkte sind die bereinigten, korrigierten, angereicherten, verdichteten und damit gebrauchsfertigen Daten, die "fit for use" sind, aus denen die gewünschten Erkenntnisse gewonnen werden können. Und analog zu einer Produktionsstätte gibt es auch in einer Datenfabrik verschiedene Verarbeitungsschritte. Und bei denen unterschiedliche, spezielle Fähigkeiten - in unserem Fall Datenmanagement-Fähigkeiten - eingesetzt werden, um dem Rohmaterial auf seinem Weg zum Produkt bestimmte Eigenschaften hinzuzufügen, oder um unerwünschte Eigenschaften zu verändern oder zu entfernen.
- Was erleben wir jetzt auf dem Markt? Welche Möglichkeiten der Datenverarbeitung werden genutzt, um das volle Potenzial der Daten zu nutzen und das Wachstum voranzutreiben? (Klick) Im Wesentlichen beginnt die Datenwertschöpfungskette immer mit der Datenerfassung und normalerweise beginnen Unternehmen mit der manuellen Erfassung und Verwaltung von Daten. Dies kann über Anwendungen wie CRM, ERP, Lieferantenportale, E-Commerce-Websites. (Klick) Um die Datensammlung und -integration zu automatisieren, werden die Datenverwaltungsfunktionen auf zentrale Data Warehouses und Data Lakes erweitert, die gut verwaltet und kontrolliert werden. Ab hier kommen aber auch Sensoren im Rahmen von IoT initiativen als Datenquellen zum Einsatz. Es wird damit begonnen, Datenintegrations-Tools zu verwenden. Zum Beispiel Software-Tools zur Integration verschiedener Datenquellen, auch auf automatisierte Weise. Unser Kunde Wheeler Machinery, mußte zum Beispiel die Daten aus seinem proprietären ERP-System in Echtzeit in eine Microsoft SQL-basierte BI-Anwendung replizieren, um Entscheidungen auf Basis von Echtzeitinformationen treffen zu können. Darüber hinaus benötigten Wheeler eine Echtzeit-Replikation aller Produktionsdaten auf einem zweiten IBM i-basierten System, um die Kontinuität des Geschäftsbetriebs von Wheelers im Falle eines Erdbebens in Salt Lake City zu schützen, wo das Rechenzentrum in einer Erdbebenzone lag. Wir sehen jetzt auch mehr Projekte, bei denen eine Brücke zwischen der ganz alten Welt - dem Mainframe - und den neuen Systemen - wie dem Cloud Data Warehouse - geschlagen werden muss und die Datenverfügbarkeit in Echtzeit sichergestellt werden soll. Data-Governance-Funktionen wie Data Discovery, Geschäftsglossare und Datenkataloge werden verwendet, um die gesamte Datensituation in Bezug auf die Datenverfügbarkeit zu verwalten, damit Datenbestände einfacher verwaltet und gemeinsam genutzt werden können. Ein führender Multimarken-Luxusgüterhersteller entschied sich für uns, da wir den End-to-End-Prozess des Kundeninformationsmanagements von der Datenqualität bis zur Data Governance weltweit managen konnten. (Klick) Die Funktionen für Datenqualität und -anreicherung helfen Unternehmen sicherzustellen, dass ihre Daten korrekt, vollständig, aktuell und konsistent sind - oder "fit for use", wie es heißt. Automatisiertes Data Profiling ist im Einsatz, um Probleme in den Daten zu identifizieren und die Qualität im Zeitverlauf anhand definierter KPIs zu überwachen. Technische Datenqualitätsprozesse sind im Einsatz, um Daten automatisch zu integrieren, zu normalisieren, zu standardisieren, zu validieren und den manuellen Aufwand zu reduzieren. Anreicherungsmöglichkeiten werden genutzt, um die eigenen Daten mit externen Marktdaten anzureichern. Zum Beispiel mit demografischen Daten, Unternehmensdaten oder speziellen geografischen Informationen - also auch hier steht die Schaffung von Kontext über externe Daten im Vordergrund. (Klick) Die unternehmensweite Konsolidierung von Datensätzen wird durch den Einsatz von leistungsstarken, automatisierten Deduplizierungs- und Abgleichsalgorithmen ermöglicht. Sie ermöglichen die Erstellung von Golden Records und eine ganzheitliche, konsistente Sicht auf die unternehmensweiten Datenbestände. (Klick) Eine konsistente Single-Master-Sicht erfordert die Bereitstellung eines zentralen Stammdaten-Repositorys. Das Stammdaten-Repository ermöglicht dann die weitere Kontextualisierung und Verdichtung von Informationen. Zum Beispiel die Erstellung von Kontext über interne Daten. Dies geschieht in der Regel mit modernen Datenmanagementkonzepten, wie z. B. Graphdatenbanken. Sie bieten einen agileren und flexibleren Ansatz für das Master Data Management als relationale Datenbankmanagementsysteme. (Klick) Letztlich können dann die modernen Cloud-Data-Analytics-Infrastrukturen inklusive KI und Machine Learning genutzt werden, um den Datenschatz zu heben oder die gewünschten Erkenntnisse zu gewinnen, je nach individueller Zielsetzung und Geschäftsstrategie. Um die Datenintegrität effizient zu meistern, sind wirklich gute Konzepte und Lösungen gefragt.
- Letztlich lassen sich die geforderten Datenmanagement-Fähigkeiten sehr schön unter der begrifflichen Klammer der Datenintegrität zusammenfassen, denn diese umfasst alle Aspekte von beidem - Datenintegration und Datenqualität - durch Kontextualisierung und Verdichtung der Daten. Was erleben wir jetzt im Markt in Bezug auf die Fähigkeiten? Die aktuellen Unternehmensfunktionen basieren auf der Implementierung vieler einzelner, geschäftsgetriebener, spezifischer, punktueller Anwendungsfälle. Es ist daher wichtig, sich von der Vorstellung zu lösen, große IT-Investitionen und -Projekte tätigen zu müssen. Der Weg entlang der Prozessstufen ist daher alles andere als ein standardisierbarer, linearer, sequentieller Prozess. Er muss auch nicht auf einer einzigen monolithischen Plattform implementiert werden. Wir sehen im Markt, dass digitale Transformationsinitiativen derzeit versuchen, Lücken zu schließen, die helfen eine Demokratisierung der Daten zu erreichen, Daten-Governance zu etablieren bzw. optimieren und vertrauenswürdige Daten im gesamten Unternehmen aufzubauen. Dies geschieht oft als Folge von Investitionen in moderne Cloud-Analyseplattformen, bei denen die Datenintegrität nicht auf dem ursprünglich erwarteten Niveau ist, und die nun zur Unterstützung dieser Initiativen angegangen werden. Auch der Kontext wird zu einem wichtigen Element in jeder Datenstrategie. Und da Datenintegrität auch punktuell in einzelnen Anwendungsfällen erreicht werden kann und soll, sehen wir auch, dass bestimmte Lücken durch die Integration von Software- oder Data-as-a-Service-Angeboten sehr leicht gefüllt werden. Beispiele sind transaktionsbasierte Dienste, wie globale Adressvalidierung und -bereinigung, Geokodierung, Stammdatenanreicherung mit Firmendaten Prüfungen gegen Sanktionslisten. Sie liefern den gewünschten Mehrwert als externer Webservice im gewünschten Prozess oder Anwendungsbereich der Organisation. Aber ich denke, den Kontext nur mit externen Daten gleichzusetzen, ist viel zu kurzsichtig. Bei jeder Frage ist der Gesamtzusammenhang interessant. Zum Beispiel, auch oder gerade, das Beziehungsgeflecht und die Abhängigkeiten zwischen einzelnen Entitäten, über Systeme und Sektoren. Ein Beispiel ist der Bedarf an mehr Transparenz entlang der durchgängigen Lieferkette. Erkennen von Unternehmensverflechtungen und Hierarchien, insbesondere im Hinblick auf Unternehmensbewertung, Lieferkettenrisiko oder Betrug. Aus Sicht eines Herstellers von Konsumgütern könnte es von Interesse sein, zu verstehen, wer in einem Haushalt zusammenlebt, wenn Produkte über D2C beworben werden. Im Folgenden betrachten wir zwei Kundenbeispiele, bei denen die Datenintegrität im Vordergrund stand, um das Wachstum voranzutreiben, aber gleichzeitig auch das Unternehmen zu schützen.
- Der Geschäftsbereich Marine & Technology von Babcock ist Teil der Babcock International Group, einem multinationalen Unternehmen. Sie ist spezialisiert auf Support-Services, das Management komplexer Anlagen und Infrastruktur in sicherheits- und missionskritischen Umgebungen. Als eines der weltweit führenden Unternehmen im Bereich Marine Support bedient die Division Verteidigungs- und kommerzielle Organisationen in Großbritannien und darüber hinaus. Das Unternehmen ist der größte Einzelanbieter von Unterstützungsdienstleistungen für das britische Verteidigungsministerium und strebt ständig danach, weltweit unter den Top drei in diesem Marktsegment zu bleiben. Um seine herausragende Position in Großbritannien zu halten, das globale Geschäft auszubauen und den zukünftigen Erfolg zu sichern, verfolgt Babcock eine aggressive Agenda der kontinuierlichen Verbesserung. Daten sind die Grundlage, auf der Babcock Kunden- und Lieferantenbeziehungen aufbaut, Prozesse betreibt und Mitarbeiter verwaltet. Sie haben erkannt, dass Daten, die nicht für Geschäftszwecke geeignet sind, die Kosten erhöhen, die Einnahmen verringern und die kommerziellen und regulatorischen Risiken erhöhen können, wodurch die globale Wettbewerbsfähigkeit verringert wird. Die Supply-Chain-Funktion ist ein entscheidender Teil von Babcock und verwaltet alle Aspekte der Lieferkette. Die Abteilung gibt jährlich über 500 Millionen Pfund aus, um Materialien und Dienstleistungen von über 3.000 Lieferanten zu beschaffen, damit sie Kunden und Partner bedienen kann. Es müssen Daten zu über 1 Million Waren und Teilen verwaltet werden. Die Lieferkette stellt komplexe Datenherausforderungen dar. Und Probleme verursachten Ineffizienzen und zusätzliche Kosten im gesamten End-to-End-Prozess. Die Dringlichkeit dieser Herausforderung wurde durch ein unternehmensweites Prozess- und System-Redesign noch verstärkt. Die Zusammenführung von Daten unterschiedlicher Qualität aus verschiedenen Systemen führte zu Problemen, wenn man versuchte, sie in einer einzigen Plattform zu integrieren und abzugleichen. Unsere Datenqualitätslösung vereinfachte das Data Profiling und die Datenanalyse. Mit unseren ausgefeilten und unübertroffenen Discovery- und Profilingtechniken wird eine vollständige, genaue und zuverlässige Bewertung der Daten sichergestellt. Dies führte zu einer besseren Datenqualität. Insbesondere durch die Reduzierung von Dateninkonsistenzen und die Verringerung von fehlenden und doppelten Daten. Daraus wurden Aktionspläne zur Datenverbesserung entwickelt, um die Ursachen zu entdecken und zu beheben, Verbesserungsprozesse aufzubauen und die Verbesserungen zu überwachen und zu verwalten. Der Hauptnutzen bestand darin, dass aufgrund der Verbesserungen weniger Nacharbeit anfiel, was wiederum weniger Kosten bedeutete. Zum Beispiel profitierten sie von einer 23%igen Steigerung der Qualität der Lieferantenstammdaten als Ergebnis des Optimierungsprojekts.
- Die L'OCCITANE Gruppe ist ein globaler Hersteller und Einzelhändler von Naturkosmetik- und Wellnessprodukten, der in mehr als 90 Ländern tätig ist. Ein wichtiger Teil des Erhalts dieser Führungsposition ist für L'Occitane der Aufbau enger Beziehungen zu seinen Kunden über alle Kanäle hinweg. Bis vor kurzem war dies eine Herausforderung für L'Occitane, da die Duplizierung von Kundendatensätzen die Sichtbarkeit der Kunden beeinträchtigte und die Duplizierung zeitaufwendig und schwer zu korrigieren war. L'Occitane entschied sich, ein Data Lake- und Master Data Management-System einzurichten, um die Analyse und Kontrolle seiner Kundendaten zu verbessern. Sie entschieden sich für unsere MDM-Lösung, die auf einer Graphdatenbank basiert. Die Graphdatenbank bietet mehr Flexibilität und Agilität als eine traditionelle relationale Datenbank. Diese Lösung verfolgt nicht nur die Kundendatenpunkte, sondern auch die Beziehungen zwischen ihnen. Sie ermöglicht dem Marketing und dem Kundenservice von L'Occitane eine stärkere Personalisierung der Interaktionen. Die einfache Integration war für sie ein wichtiges Kriterium. L'Occitane war in der Lage, den Integrationsaufwand zu reduzieren, indem 19 eigenständige Systeme, darunter CRM, E-Commerce, Auftragsmanagement, API-Management, Kundenbetreuung und Zahlungssysteme, schnell integriert werden konnten. Außerdem konnten sie die GDPR-Compliance einfach verwalten. Sowie die Deduplizierung von 150 Minuten auf 5 Minuten reduzieren. Und in der Lage sein, jetzt in Echtzeit Kontakt mit neuen Abonnenten zu haben. Es ermöglicht L'Occitane den Aufbau einer Beziehung zu einem Kunden von dem Moment an, in dem er auf den Abo-Button klickt. Damit wäre meine Präsentation beendet und ich würde die Präsentation für Fragen öffnen.
- Schauen wir mal, welche Fragen eingegangen sind. Hier ist die erste Frage: Frage 1: Muss ich Ihre umfassende Plattform, die Sie hier vorgestellt haben, vollständig lizenzieren, um vertrauenswürdige Daten zu erhalten? Das ist eine gute Frage: Wir haben unsere Integrity Suite so konzipiert, dass sie modular und interoperabel ist. Wir haben dies getan, weil wir glauben, dass Sie nur die Module lizenzieren müssen, die für Ihren Anwendungsfall notwendig sind. Das entspricht auch mehr der Realität, die wir sehen, wo bestimmte Fähigkeiten vorhanden sind und Lücken gefüllt werden müssen. Das heißt, die Plattform wächst mit Ihren Anforderungen, nicht umgekehrt. Frage 2: Brauche ich wirklich Data Governance? Auch eine gute Frage: Sie müssen sich eine gute Data Governance wie eine geordnete Lagerhaltung vorstellen. Nur wenn klar ist welche Daten wir haben und wo sie sind in welchem Zustand in welcher Menge, dann kann man sich darauf verlassen, sie in seinen Projekten zu verwenden und die Einhaltung von Vorschriften zu gewährleisten. Deshalb: Sie können durchaus auch ohne Data Governance arbeiten. Aber wenn Sie eine qualitative Arbeit anstreben, Ineffizienzen und Risiken gering halten wollen und langfristig planen, dann sollten Sie Data Governance als eines der wichtigen Themen auf Ihre Agenda setzen. Frage 3: Wann kann die Datenqualität am einfachsten verbessert werden? Eine weitere gute Frage. Da es nach wie vor gilt, dass sich schlechte Daten wie ein Virus verbreiten, ist der beste Ort, um eine hohe Datenqualität sicherzustellen, das Quellsystem oder noch besser der Zeitpunkt der Dateneingabe z.B. bei Lieferantenportalen, E-Commerce-Websites. Die Investition zahlt sich aus, denn sie minimiert auch den Aufwand für die Datenqualitätsprüfung. Auch bei der Zusammenführung von Anwendungen oder bei der Einführung neuer Anwendungen empfehlen wir, im Vorfeld etwas Zeit für die Datenqualität einzuplanen. Ist dies geschehen, kann auch der Prozess der Integration aufgrund guter Daten reibungslos abgewickelt werden. Aber bedenken Sie bitte, Datenqualität ist ein fortlaufender Prozess. Generell kann man sagen, je später man mit der Datenqualität beginnt, desto teurer wird es. Frage 4: Setzen Sie Machine Learning in Ihren Systemen ein? Ja, das tun wir. Wir nennen es "Smart Data Quality". Mit diesem Ansatz sorgen wir dafür, dass es für Sie einfacher wird, eine Datenqualitätslösung zu implementieren, und wir liefern Ihnen Time-to-Value in wenigen Sprints statt in Monaten und Jahren, mit überlegener Datengenauigkeit. Unser System würde zum Beispiel auf der Basis von maschinellem Lernen Vorschläge machen, welche Algorithmen für den Abgleich von doppelten Datensätzen auf Ihren Datensätzen zu wählen sind. Frage 5: Hätten Sie Lösungen, die auf Big Data Frameworks laufen? Auch das kann ich mit einem Ja beantworten. Wir haben Lösungen, die speziell dafür entwickelt wurden, nativ in Big-Data-Frameworks zu laufen. Das gilt auch für unsere Location Intelligence-Funktionen. Darüber hinaus haben wir eine leistungsstarke Datenintegrationslösung, um Daten in die neuen Cloud-Plattformen zu laden. Frage 6: Müssen Sie als Unternehmen erst alle Fähigkeiten haben, um Vertrieb und Marketing zu optimieren? Eine sehr gute Frage. Wie bereits erwähnt, ist die Reise in Bezug auf die Datenintegrität für jedes Unternehmen, für jede Organisation sehr individuell und oft nicht sequentiell, was alles benötigt wird. Je nach den aktuellen Anforderungen werden Projekte initiiert, um bestimmte Dinge zu lösen und auf diese Weise zu implementieren, so dass die eine oder andere Fähigkeit übersprungen oder vorgezogen werden kann. Der Überblick über die Datenmanagement-Fähigkeiten, den ich gegeben habe, hilft also, eine grundsätzliche Einordnung vornehmen zu können, um zu sehen, welche Fähigkeiten Ihr Unternehmen aktuell hat und wo es vielleicht noch Lücken gibt, die adressiert werden müssen, oder wo die aktuelle Lösung modernisiert werden muss, um neue Ansätze zu nutzen, z.B. den Einsatz von Machine Learning innerhalb der Datenqualität, wie das Erkennen von Mustern und das Vorschlagen entsprechender Geschäftsregeln, um den manuellen Aufwand zu reduzieren. Ich sehe, wir sind fast am Ende der Stunde angelangt. Wir werden die anderen Fragen, die hier drin stehen, separat beantworten. Ich möchte mich für Ihre Aufmerksamkeit bedanken und wünsche Ihnen allen einen guten Tag. Und wenn es irgendwelche Datenherausforderungen gibt, mit denen Sie konfrontiert sind, wenden Sie sich gerne an uns.