SlideShare ist ein Scribd-Unternehmen logo
Herzlich Willkommen
Datenqualität - Voraussetzung
für ein funktionierendes
Qualitäts-Management-System
Datenqualität 04/16 │ LTL 1 │ Folie 1
Vorstellung ACT
ACT IT Holding GmbH
ACT
IT-Consulting & Services
AG
ACT
Development & Integration
GmbH
ACT
Expert Services
GmbH
IT-Business Consulting
IT-Infrastruktur
Korrespondenz- und
Outputmanagement
IT-Operations
Governance Methoden Vertrieb Marketing Administration Recruiting ACT Training Center
Mitarbeiter: 170 Ø
Umsatz: 18 Mio. €
Sitz: Niederkassel bei Bonn
Gesellschafter: ACT Management, keine Fremdbeteiligung
Kunden: Namhafte Kunden in Deutschland, Österreich, Schweiz
Portfolio: Business Analytics & Durchsatzmanagement; IT-Infrastruktur, Planung u.
Projekte; Output Management u. Software Engineering; IT-Betrieb u. Sourcing;
Seminare: PRINCE2, PMI, CCPM, ITIL, ISO/IEC 20000, Datenqualitätsmanagement (DQM)
Datenqualität 04/16 │ LTL 1 │ Folie 2
Zusammenhang Datenqualität & Entscheidungen
Entscheidungen gut
Annahmen richtig
Daten- u. Informationen korrekt
Daten-/Informationsqualität hoch
Grundsatz DIN EN ISO9000:2015
Faktengestützte
Entscheidungsfindung
Datenqualität 04/16 │ LTL 1 │ Folie 3
Definition
Datenqualität
Datenqualität beschreibt die Korrektheit, die Relevanz und die
Verlässlichkeit von Daten, abhängig vom Zweck, die die Daten in einem
bestimmten Zusammenhang erfüllen sollen.
Datenqualitätsmanagement
Datenqualitätsmanagement bezeichnet alle Maßnahmen, die eine
vermögenswertorientierte Betrachtung , Steuerung und Qualitätssicherung
von Daten in einer Organisation ermöglichen.
(vgl. http://www.enzyklopaedie-der-wirtschaftsinformatik.de/wi-enzyklopaedie/lexikon/daten-
wissen/Datenmanagement/Datenmanagement--Konzepte-des/Datenqualitatsmanagement)
Datenqualität 04/16 │ LTL 1 │ Folie 4
15 Dimensionen der Informationsqualität
Zugänglichkeit Bearbeitbarkeit
Verständlichkeit
Übersichtlichkeit
Einheitliche
Darstellung
eindeutige
Auslegbarkeit
systemunterstützt
inhärent
zweck-
abhängig
Hohes
Ansehen
Fehlerfreiheit
Objektivität
Glaub-
würdigkeit
darstellungsbezogen
Aktualität
Wertschöpfung
Vollständigkeit
Relevanz
IQ
Quelle: DGIQ e.V.
Datenqualität 04/16 │ LTL 1 │ Folie 5
Datenqualitätskriterien
Korrektheit Konsistenz Zuverlässigkeit Vollständigkeit
Genauigkeit Aktualität Redundanzfreiheit Relevanz
Einheitlichkeit Eindeutigkeit Verständlichkeit
Datenqualität 04/16 │ LTL 1 │ Folie 6
Beispiel 1
Datenqualität 04/16 │ LTL 1 │ Folie 7
Beispiel 2
Datenqualität 04/16 │ LTL 1 │ Folie 8
Beispiel 3 (Handelsblatt)
Zu dem Fehler sei es
gekommen, weil eine
Mitarbeiterin statt der zu
zahlenden Summe eine
Kundennummer in das
Formular kopiert hatte.
Datenqualität 04/16 │ LTL 1 │ Folie 9
Schäden durch schlechte Datenqualität
› Datenqualitätsprobleme kosten die US-
Wirtschaft jährlich mehr als 600 Mrd. Dollar*
› Fehlerhafte Warenpreise in Artikel-DB des
US-Einzelhandels - Kosten für Konsumenten: 2.5 Mrd $ / Jahr*
› nach Meta Group: 35% aller IT-Projekte scheitern an mangelnder
Datenqualität*
› US-Finanzbehörde 1992: knapp 100.000 Steuererstattungsbescheide
nicht zustellbar**
› US-Post 2004: von 100.000 Massen-Postsendungen bis zu 7.000
aufgrund von Adressfehlern nicht zustellbar **
* (2004) Prof. Dr. Klaus Kruczynski, Hochschule für Technik, Wirtschaft und Kultur Leipzig
** (2005) Kai-Uwe Sattler, TU Ilmenau (10. Datenbank-Tutorientage Karlsruhe)
Datenqualität 04/16 │ LTL 1 │ Folie 10
Internationale Studie zu Datenqualität (2014)
(Quelle: Datenqualität als kritischer Erfolgsfaktor, Experian Marketing Services)
Parameter zur Studie
Teilnehmer: 1200
Branchen: Finanzindustrie, öffentlicher
Sektor, Einzelhandel,
Produktionsindustrie,
Dienstleistungsbranche, Bildungssektor.
Positionen: oberste Führungskräfte, Vice
Presidents, Geschäftsführer, Manager
und Mitarbeiter im Bereich
Datenverwaltung und Datenmanagement.
Datenqualität 04/16 │ LTL 1 │ Folie 11
Studie zu BigData in der Industrie, 02/2015, MHP
Datenqualität eines der wichtigsten Zukunftsaufgaben im BIG-DATA-
Management
› Nutzen von Big Data
› Kundenansprache (58%): Big Data ermöglicht es, die Kunden besser zu verstehen
und dann gezielter anzusprechen.
› Prognosen (48%): Mithilfe von Big Data lassen sich genauere Prognosen
erstellen.
› Entwicklung (46%): Mit Big Data können Auswertungen erstellt werden, deren
Ergebnisse in die Entwicklung von Produkten und Dienstleistungen einfließen.
› Ergebnisse zu Datenqualitätsmanagement
› etwa 40% der Befragten (254) gaben an, dass die Datenqualität im Unternehmen
unzureichend oder schlecht sei.
› Unternehmen, die der Spitzengruppe (24% der Befragten Unternehmen)
zugeordnet wurden, haben ein ausgeprägtes Bewusstsein für den Wert einer
hohen Datenqualität entwickelt, im Gegensatz zu der Verfolgergruppe.
Quelle: MHP, a Porsche Company, http://www.mhp.com/de/studien/
Fazit
Um Big-Data-Initiativen erfolgreich zum Ziel zu führen,
bedarf es einerseits einer klaren Strategie und
anderseits einer qualitativ hochwertigen
Datenaufbereitung. Diese beiden Maßnahmen machen
erfahrungsgemäß bereits 80% des Gesamtaufwandes,
aber auch den Erfolg von Big-Data-Projekten aus.
Datenqualität 04/16 │ LTL 1 │ Folie 12
Warum Qualitätsmanagement (QM)?
Qualität ist die Erfüllung der Anforderungen!
Ergebnis:
Produkte, Dienstleistungen und Informationen in der geforderten Qualität.
Wer stellt die Anforderungen?
Kunde, Organisation, Gesetzgeber, Eigentümer,
Lieferanten, Mitarbeiter
Datenqualität 04/16 │ LTL 1 │ Folie 13
Warum DQM/IQM?
wirtschaftliches
Interesse
freiwillig -> erkennbarer Nutzen
Compliance
(Regelkonformität)
unfreiwillig -> auferlegter Nutzen
Datenqualität 04/16 │ LTL 1 │ Folie 14
Compliance und Datenqualität
› CoBIT (Control Objectives for
Information and Related Technology)
› ITIL (Information Technology
Infrastructure Library)
› GoBD (Grundsätze zur
ordnungsmäßigen Führung und
Aufbewahrung von Büchern,
Aufzeichnungen und Unterlagen in
elektronischer Form sowie zum
Datenzugriff)
› Basel III
› Solvency II
› DIN EN ISO 9000:2015
› DIN EN ISO 9001:2015
Daten, … generieren einen Wert
für das Unternehmen
... Genauigkeit, Verfügbarkeit,
Aktualität und Qualität von Daten
Prüfung und Verbesserung der
Datenqualität
„Lückenlose“ progressive und
retrograde Auswertbarkeit
Daten prüfen und sicherstellen,
dass die Daten konsistent sind …
… darauf zu achten, die Eignung
und Angemessenheit der
erhobenen Daten auch zu
bewerten und formal
festzustellen.
Datenqualität 04/16 │ LTL 1 │ Folie 15
Umsetzungsleitfaden
ISO 8000
ISO 9001
Best Practice
wirtschaftlicher
Nutzen
Basel III
Solvency II
GoBD
ITIL
Normen
Datenqualität 04/16 │ LTL 1 │ Folie 16
Aufbau und Struktur ISO/TS 8000
Part
100
Part
102
Part
110
Part
120
Part
130
Part
140
Einführung
Metriken
Abkürzungen
Definitionen
Beschreibungen
Qualitäts-
managementsystem
DIN EN ISO 9001
Konzeptionelles
Datenmodell
Fehlerfreiheit im
Rahmen von
Datenaustausch-
formaten
(Schnittstellen)
Vollständigkeit
Datenqualität 04/16 │ LTL 1 │ Folie 17
DQM/IQM integrierter Baustein im Management System
Anforderungen
Nutzen für den Kunden*2 realisieren!€*1
Zuverlässigkeit
Politik /
Strategie
Ziele
Kunde*2
Eigentümer*1
Gesellschaft
Mitarbeiter
LieferantDQM/IQM
Relevant für
Entscheidungs-
Transparenz
Daten + Informationen
Abbildung der Realität
QMS
Risikobetrachtung/-bewertung
(DIN EN ISO 9001:2015)
Datenqualität 04/16 │ LTL 1 │ Folie 18
ISO 9000:2015 - Faktengestützte Entscheidungsfindung und
Datenqualität
Aussage
Entscheidungen auf Grundlage der
Analyse u. Auswertung v. Daten u.
Informationen führen wahrscheinlich eher
zu den gewünschten Ergebnissen.
Begründung
Tatsachen, Nachweise u.
Datenanalyse führen zu größerer
Objektivität u. Vertrauen in die
Entscheidungsfindung.
Maßnahmen
Sicherstellen, dass Daten u.
Informationen ausreichend
präzise, verlässlich u. sicher
sind.
Datenqualität 04/16 │ LTL 1 │ Folie 19
DIN EN ISO 9000:2015 - Begriffe
Daten 3.8.1
(Fakten über ein Objekt)
Objektiver Nachweis 3.8.3
(Daten, welche die Existenz oder
Wahrheit von etwas bestätigen)
Leistung 3.7.8
(messbares Ergebnis)
metrologisches Merkmal 3.7.8
(Merkmal, das die Messergebnisse
beeinflussen kann)
Merkmal =
schlechte
Datenqualität
Faktengestützte
Entscheidungsfindung
Datenqualität 04/16 │ LTL 1 │ Folie 20
Entwurf der ISO 9001:2015 - Risikobasiertes Denken
Umgang mit Risiken
Organisationen müssen Risiken und Chancen bestimmen und behandeln,
die das Erreichen von Produkt- und Prozesszielen beeinflussen können. Das
Unternehmen muss Maßnahmen planen, um Risiken entgegenzutreten und
Chancen zu ergreifen sowie die Wirksamkeit bewerten. (Kap. 6.1)
Schlussfolgerung
Wenn Daten- und Informationsqualität als Risiko identifiziert ist und das
Erreichen von Produkt- und Prozesszielen beeinflusst, so muss das
Unternehmen Maßnahmen planen und umsetzen, um diesen Risiken
entgegenzutreten und die Wirksamkeit bewerten!
Datenqualität 04/16 │ LTL 1 │ Folie 21
Anforderungen aus Normen an die Organisation
Daten- u. Informationsqualität
Daten- und Informationslogistik
Prozesse
Produkt- und Prozessentwicklung
Lessons Learn Ergebnis: Produkt
Organisation Anforderungen
• ISO 9001 (Qualitätsmgt.)
• ISO 14001 (Umweltmgt.)
• TS 16949 (Qualitätsmgt. Automobilindustrie)
• ISO 27001 (Informations-Sicherheits-Mgt.)
• ISO 31000 (Risikomgt.)
• SPICE ISO/IEC 15504-5 (Softwareentw.)
Datenqualität 04/16 │ LTL 1 │ Folie 22
Von den Daten zum Wissen zur Wettbewerbsfähigkeit
(Wissenstreppe n. North, 1998 + Auer Consulting & Partner, 2009)
+ Syntax
+ Semantik
+ Kontext
+
Anwendungsbezug
+ Wollen
+
Handlungseffizienz
Zeichen
Daten
Information
Wissen
Können
Handeln
Kompetenz
Wettbewerbsfähigkeit
+ Einzigartigkeit
Explizites Wissen Implizites Wissen
Intellektuelles Kapital
Informationsmanagement Wissens-Evolution bzw. Wissensarbeit
DQ & IQ Management
Datenqualität 04/16 │ LTL 1 │ Folie 23
DQM – Best Practice
Definieren
Messen
Analysieren
Verbessern
Monitoren /
Steuern
Datenqualität 04/16 │ LTL 1 │ Folie 24
DQM Implementierungsprozess
Mit einem klar abgegrenzten und nutzenstiftenden Projekt starten.
Laufzeit ca. 3 - 6 Monate!
KVP
•Rules Mgt.
•Process Mgt.
•Analyse
•Controling /
Monitoring
Transition
Datenqualität
(Prüfen, Verbessern,
Monitoren)
Prozess-
Management
Change Management
Projekt Management
DIN EN ISO 9001 + ISO 8000 + DQM Best Practice
Data & Information
Governance
Anforderungs-
Analyse
Datenqualität 04/16 │ LTL 1 │ Folie 25
Fazit und Empfehlung
› Daten u. Informationen sind Produkte (Vermögenswerte) und
ergebnisrelevant für die Prozessqualität.
› Die Daten- u. Informationsqualität ist einer Risikobewertung zu
unterziehen.
› Die Daten- u. Informationsqualität ist integraler Bestandteil der
Anforderungen an ein Qualitätsmanagementsystem z.B. nach DIN EN
ISO 9001.
› Für die Umsetzung eines Daten- u. Informations-Qualitätsmanagement-
System ist es sinnvoll die Regeln der DIN EN ISO 9001 als etablierte
Norm und die ISO 8000 heranzuziehen.
› Best Practice Ansätze von DQM/IQM dienen der Nachhaltigkeit.
› Grundsätzlich fördert die Einbeziehung der Daten- u. Informationsqualität
in das QM-System eine Zertifizierung nach anerkannten Regelwerken.
Datenqualität 04/16 │ LTL 1 │ Folie 26
Weitere Informationen
Prozessorientiertes Datenqualitätsmanagement
https://www.qz-online.de/qualitaets-management/qm-
basics/massnahmen/datenqualitaetsmanagement/artikel/prozessorientiertes-
datenqualitaetsmanagement-1136859.html
Datenqualitätsmanagement wird unumgänglich
http://www.qz-online.de/qualitaets-management/qm-
basics/massnahmen/datenqualitaetsmanagement/artikel/datenqualitaetsmanagement-wird-
unumgaenglich-985779.html
Datenqualität sichert den Erfolg
http://www.qz-online.de/qualitaets-management/qm-
basics/massnahmen/datenqualitaetsmanagement/artikel/datenqualitaet-sichert-den-erfolg-
1029994.html
Datenqualitätsmanagement und DIN EN ISO 9001: Ist die Revision schon jetzt überholt?
http://www.qz-online.de/qz-zeitschrift/archiv/artikel/datenqualitaetsmanagement-und-din-en-iso-9001---
ist-die-revision-schon-jetzt-ueberholt--1020846.html
Blog: Business Information Excellence
http://www.business-information-excellence.de/
Seminar „Managen von Datenqualität“
http://www.dgq.de/produkte/managen-von-datenqualitaet/
http://www.actgruppe.de/seminare/managen-von-datenqualitaet/
Datenqualität 04/16 │ LTL 1 │ Folie 27
HABEN SIE FRAGEN?
VIELEN DANK FÜR IHRE AUFMERKSAMKEIT.
Kontaktdaten
Deutsche Gesellschaft für Qualität
August-Schanz-Straße 21A
60433 Frankfurt am Main
M mar@dgq.de
T + 49(0)69-954 24-182
F + 49(0)69-954 24-297

Weitere ähnliche Inhalte

Was ist angesagt?

Data Quality Best Practices
Data Quality Best PracticesData Quality Best Practices
Data Quality Best Practices
DATAVERSITY
 
Linking Data Governance to Business Goals
Linking Data Governance to Business GoalsLinking Data Governance to Business Goals
Linking Data Governance to Business Goals
Precisely
 
DAS Slides: Data Quality Best Practices
DAS Slides: Data Quality Best PracticesDAS Slides: Data Quality Best Practices
DAS Slides: Data Quality Best Practices
DATAVERSITY
 
The Data Driven University - Automating Data Governance and Stewardship in Au...
The Data Driven University - Automating Data Governance and Stewardship in Au...The Data Driven University - Automating Data Governance and Stewardship in Au...
The Data Driven University - Automating Data Governance and Stewardship in Au...
Pieter De Leenheer
 
How to Build & Sustain a Data Governance Operating Model
How to Build & Sustain a Data Governance Operating Model How to Build & Sustain a Data Governance Operating Model
How to Build & Sustain a Data Governance Operating Model
DATUM LLC
 
DMBOK and Data Governance
DMBOK and Data GovernanceDMBOK and Data Governance
DMBOK and Data Governance
Peter Vennel PMP,SCEA,CBIP,CDMP
 
Data-Ed: Data Governance Strategies
Data-Ed: Data Governance StrategiesData-Ed: Data Governance Strategies
Data-Ed: Data Governance Strategies
Data Blueprint
 
CDMP preparation workshop EDW2016
CDMP preparation workshop EDW2016CDMP preparation workshop EDW2016
CDMP preparation workshop EDW2016
Christopher Bradley
 
You Need a Data Catalog. Do You Know Why?
You Need a Data Catalog. Do You Know Why?You Need a Data Catalog. Do You Know Why?
You Need a Data Catalog. Do You Know Why?
Precisely
 
Data Quality Strategy: A Step-by-Step Approach
Data Quality Strategy: A Step-by-Step ApproachData Quality Strategy: A Step-by-Step Approach
Data Quality Strategy: A Step-by-Step Approach
FindWhitePapers
 
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
Ahmed Alorage
 
Selecting Data Management Tools - A practical approach
Selecting Data Management Tools - A practical approachSelecting Data Management Tools - A practical approach
Selecting Data Management Tools - A practical approach
Christopher Bradley
 
Data Governance
Data GovernanceData Governance
Data Governance
Rob Lux
 
DAMA CDMP exam cram
DAMA CDMP exam cramDAMA CDMP exam cram
DAMA CDMP exam cram
Christopher Bradley
 
The data quality challenge
The data quality challengeThe data quality challenge
The data quality challenge
Lenia Miltiadous
 
MDG-M einfach einführen
MDG-M einfach einführenMDG-M einfach einführen
MDG-M einfach einführen
IBsolution GmbH
 
Lessons in Data Modeling: Why a Data Model is an Important Part of Your Data ...
Lessons in Data Modeling: Why a Data Model is an Important Part of Your Data ...Lessons in Data Modeling: Why a Data Model is an Important Part of Your Data ...
Lessons in Data Modeling: Why a Data Model is an Important Part of Your Data ...
DATAVERSITY
 
Data Governance
Data GovernanceData Governance
Data Governance
SambaSoup
 
Data Management Best Practices
Data Management Best PracticesData Management Best Practices
Data Management Best Practices
DATAVERSITY
 
New Analytic Uses of Master Data Management in the Enterprise
New Analytic Uses of Master Data Management in the EnterpriseNew Analytic Uses of Master Data Management in the Enterprise
New Analytic Uses of Master Data Management in the Enterprise
DATAVERSITY
 

Was ist angesagt? (20)

Data Quality Best Practices
Data Quality Best PracticesData Quality Best Practices
Data Quality Best Practices
 
Linking Data Governance to Business Goals
Linking Data Governance to Business GoalsLinking Data Governance to Business Goals
Linking Data Governance to Business Goals
 
DAS Slides: Data Quality Best Practices
DAS Slides: Data Quality Best PracticesDAS Slides: Data Quality Best Practices
DAS Slides: Data Quality Best Practices
 
The Data Driven University - Automating Data Governance and Stewardship in Au...
The Data Driven University - Automating Data Governance and Stewardship in Au...The Data Driven University - Automating Data Governance and Stewardship in Au...
The Data Driven University - Automating Data Governance and Stewardship in Au...
 
How to Build & Sustain a Data Governance Operating Model
How to Build & Sustain a Data Governance Operating Model How to Build & Sustain a Data Governance Operating Model
How to Build & Sustain a Data Governance Operating Model
 
DMBOK and Data Governance
DMBOK and Data GovernanceDMBOK and Data Governance
DMBOK and Data Governance
 
Data-Ed: Data Governance Strategies
Data-Ed: Data Governance StrategiesData-Ed: Data Governance Strategies
Data-Ed: Data Governance Strategies
 
CDMP preparation workshop EDW2016
CDMP preparation workshop EDW2016CDMP preparation workshop EDW2016
CDMP preparation workshop EDW2016
 
You Need a Data Catalog. Do You Know Why?
You Need a Data Catalog. Do You Know Why?You Need a Data Catalog. Do You Know Why?
You Need a Data Catalog. Do You Know Why?
 
Data Quality Strategy: A Step-by-Step Approach
Data Quality Strategy: A Step-by-Step ApproachData Quality Strategy: A Step-by-Step Approach
Data Quality Strategy: A Step-by-Step Approach
 
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
‏‏‏‏‏‏‏‏‏‏Chapter 12: Data Quality Management
 
Selecting Data Management Tools - A practical approach
Selecting Data Management Tools - A practical approachSelecting Data Management Tools - A practical approach
Selecting Data Management Tools - A practical approach
 
Data Governance
Data GovernanceData Governance
Data Governance
 
DAMA CDMP exam cram
DAMA CDMP exam cramDAMA CDMP exam cram
DAMA CDMP exam cram
 
The data quality challenge
The data quality challengeThe data quality challenge
The data quality challenge
 
MDG-M einfach einführen
MDG-M einfach einführenMDG-M einfach einführen
MDG-M einfach einführen
 
Lessons in Data Modeling: Why a Data Model is an Important Part of Your Data ...
Lessons in Data Modeling: Why a Data Model is an Important Part of Your Data ...Lessons in Data Modeling: Why a Data Model is an Important Part of Your Data ...
Lessons in Data Modeling: Why a Data Model is an Important Part of Your Data ...
 
Data Governance
Data GovernanceData Governance
Data Governance
 
Data Management Best Practices
Data Management Best PracticesData Management Best Practices
Data Management Best Practices
 
New Analytic Uses of Master Data Management in the Enterprise
New Analytic Uses of Master Data Management in the EnterpriseNew Analytic Uses of Master Data Management in the Enterprise
New Analytic Uses of Master Data Management in the Enterprise
 

Andere mochten auch

Modularisierung von Webseiten
Modularisierung von WebseitenModularisierung von Webseiten
Modularisierung von Webseiten
Jens Grochtdreis
 
Moderne Webentwicklung
Moderne WebentwicklungModerne Webentwicklung
Moderne Webentwicklung
Daniel Potthast
 
Sicher bloggen mit WordPresse - CMS absichern
Sicher bloggen mit WordPresse - CMS absichernSicher bloggen mit WordPresse - CMS absichern
Sicher bloggen mit WordPresse - CMS absichern
Sven Trautwein
 
DQM in der Versicherung
DQM in der VersicherungDQM in der Versicherung
DQM in der Versicherung
Marco Geuer
 
Durchsatzrechnung vs. Kostenrechnung (erweiterte Version)
Durchsatzrechnung vs. Kostenrechnung (erweiterte Version)Durchsatzrechnung vs. Kostenrechnung (erweiterte Version)
Durchsatzrechnung vs. Kostenrechnung (erweiterte Version)
Marco Geuer
 
Prediction Markets // IA Konferenz 2010
Prediction Markets // IA Konferenz 2010Prediction Markets // IA Konferenz 2010
Prediction Markets // IA Konferenz 2010Rainer Sax
 
TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"Marco Geuer
 
SEPA - Kunden im Blick?
SEPA - Kunden im Blick?SEPA - Kunden im Blick?
SEPA - Kunden im Blick?
Marco Geuer
 
What Would da Vinci Do?
What Would da Vinci Do?What Would da Vinci Do?
What Would da Vinci Do?
Amy Burvall
 
WordPress Professional II
WordPress Professional IIWordPress Professional II
WordPress Professional II
Sebastian Blum
 
Open Source Creativity
Open Source CreativityOpen Source Creativity
Open Source Creativity
Sara Cannon
 
Service Design für Alle?!
Service Design für Alle?!Service Design für Alle?!
Service Design für Alle?!
Thomas Schönweitz
 
17 Ways to Design a Presentation People Want to View
17 Ways to Design a Presentation People Want to View17 Ways to Design a Presentation People Want to View
17 Ways to Design a Presentation People Want to View
Jim MacLeod
 
Visual Design with Data
Visual Design with DataVisual Design with Data
Visual Design with Data
Seth Familian
 
TEDx Manchester: AI & The Future of Work
TEDx Manchester: AI & The Future of WorkTEDx Manchester: AI & The Future of Work
TEDx Manchester: AI & The Future of Work
Volker Hirsch
 

Andere mochten auch (15)

Modularisierung von Webseiten
Modularisierung von WebseitenModularisierung von Webseiten
Modularisierung von Webseiten
 
Moderne Webentwicklung
Moderne WebentwicklungModerne Webentwicklung
Moderne Webentwicklung
 
Sicher bloggen mit WordPresse - CMS absichern
Sicher bloggen mit WordPresse - CMS absichernSicher bloggen mit WordPresse - CMS absichern
Sicher bloggen mit WordPresse - CMS absichern
 
DQM in der Versicherung
DQM in der VersicherungDQM in der Versicherung
DQM in der Versicherung
 
Durchsatzrechnung vs. Kostenrechnung (erweiterte Version)
Durchsatzrechnung vs. Kostenrechnung (erweiterte Version)Durchsatzrechnung vs. Kostenrechnung (erweiterte Version)
Durchsatzrechnung vs. Kostenrechnung (erweiterte Version)
 
Prediction Markets // IA Konferenz 2010
Prediction Markets // IA Konferenz 2010Prediction Markets // IA Konferenz 2010
Prediction Markets // IA Konferenz 2010
 
TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"
 
SEPA - Kunden im Blick?
SEPA - Kunden im Blick?SEPA - Kunden im Blick?
SEPA - Kunden im Blick?
 
What Would da Vinci Do?
What Would da Vinci Do?What Would da Vinci Do?
What Would da Vinci Do?
 
WordPress Professional II
WordPress Professional IIWordPress Professional II
WordPress Professional II
 
Open Source Creativity
Open Source CreativityOpen Source Creativity
Open Source Creativity
 
Service Design für Alle?!
Service Design für Alle?!Service Design für Alle?!
Service Design für Alle?!
 
17 Ways to Design a Presentation People Want to View
17 Ways to Design a Presentation People Want to View17 Ways to Design a Presentation People Want to View
17 Ways to Design a Presentation People Want to View
 
Visual Design with Data
Visual Design with DataVisual Design with Data
Visual Design with Data
 
TEDx Manchester: AI & The Future of Work
TEDx Manchester: AI & The Future of WorkTEDx Manchester: AI & The Future of Work
TEDx Manchester: AI & The Future of Work
 

Ähnlich wie Datenqualität (DQ) - Voraussetzung für ein funktionierendes Qualitäts Management System (QMS)

Fit für Solvency II – wie man Datenqualität messbar macht
Fit für Solvency II – wie man Datenqualität messbar machtFit für Solvency II – wie man Datenqualität messbar macht
Fit für Solvency II – wie man Datenqualität messbar macht
PPI AG
 
Wertbeitrag eines Datenqualitätsmanagements zum Unternehmenserfolg
Wertbeitrag eines Datenqualitätsmanagements zum UnternehmenserfolgWertbeitrag eines Datenqualitätsmanagements zum Unternehmenserfolg
Wertbeitrag eines Datenqualitätsmanagements zum Unternehmenserfolg
Thomas Schäffer
 
Potenziale erkennen & Innovationen erfolgreich nutzen
Potenziale erkennen & Innovationen erfolgreich nutzenPotenziale erkennen & Innovationen erfolgreich nutzen
Potenziale erkennen & Innovationen erfolgreich nutzen
Precisely
 
Data Governance Journey from UM to VF
Data Governance Journey from UM to VFData Governance Journey from UM to VF
Data Governance Journey from UM to VF
Marco Geuer
 
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
Effizienz in Serverräumen und Rechenzentren
 
DQM bei Ihnen
DQM bei IhnenDQM bei Ihnen
DQM bei Ihnen
Michael Küsters
 
Crmexpo 2014 stuttgart
Crmexpo 2014 stuttgartCrmexpo 2014 stuttgart
Crmexpo 2014 stuttgart
B2B Smartdata GmbH
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
DataValueTalk
 
Big data mc_05_2014_long
Big data mc_05_2014_longBig data mc_05_2014_long
Big data mc_05_2014_longAxel Poestges
 
Digitale Transformation für KMU
Digitale Transformation für KMUDigitale Transformation für KMU
Digitale Transformation für KMU
Gernot Sauerborn
 
Linked Open Data Business
Linked Open Data BusinessLinked Open Data Business
Linked Open Data Business
Open Knowledge Austria
 
Stadt Wien: Wie wird eine Stadt data excellent?
Stadt Wien: Wie wird eine Stadt data excellent?Stadt Wien: Wie wird eine Stadt data excellent?
Stadt Wien: Wie wird eine Stadt data excellent?
Stadt Wien
 
Big Data Governance
Big Data GovernanceBig Data Governance
Big Data Governance
Capgemini
 
Messung des Erfolges von E-Government
Messung des Erfolges von E-GovernmentMessung des Erfolges von E-Government
Messung des Erfolges von E-Government
Danube University Krems, Centre for E-Governance
 
Voice Erfahrungsaustausch CIO Barometer
Voice Erfahrungsaustausch CIO BarometerVoice Erfahrungsaustausch CIO Barometer
Voice Erfahrungsaustausch CIO Barometer
Ayelt Komus
 
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp researchFujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Central Europe
 
Denodo: Die Lösung für harmonisierte ESG-Informationsquellen
Denodo: Die Lösung für harmonisierte ESG-InformationsquellenDenodo: Die Lösung für harmonisierte ESG-Informationsquellen
Denodo: Die Lösung für harmonisierte ESG-Informationsquellen
IBsolution GmbH
 
Stammdatenmanagement
StammdatenmanagementStammdatenmanagement
Stammdatenmanagementpatriziapesce
 
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas BerthWerbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at Summit
 

Ähnlich wie Datenqualität (DQ) - Voraussetzung für ein funktionierendes Qualitäts Management System (QMS) (20)

Fit für Solvency II – wie man Datenqualität messbar macht
Fit für Solvency II – wie man Datenqualität messbar machtFit für Solvency II – wie man Datenqualität messbar macht
Fit für Solvency II – wie man Datenqualität messbar macht
 
Wertbeitrag eines Datenqualitätsmanagements zum Unternehmenserfolg
Wertbeitrag eines Datenqualitätsmanagements zum UnternehmenserfolgWertbeitrag eines Datenqualitätsmanagements zum Unternehmenserfolg
Wertbeitrag eines Datenqualitätsmanagements zum Unternehmenserfolg
 
Potenziale erkennen & Innovationen erfolgreich nutzen
Potenziale erkennen & Innovationen erfolgreich nutzenPotenziale erkennen & Innovationen erfolgreich nutzen
Potenziale erkennen & Innovationen erfolgreich nutzen
 
Data Governance Journey from UM to VF
Data Governance Journey from UM to VFData Governance Journey from UM to VF
Data Governance Journey from UM to VF
 
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
Cloud oder eigenes Rechenzentrum – Paradigmenwechsel im ICT-Betrieb geht weiter
 
DQM bei Ihnen
DQM bei IhnenDQM bei Ihnen
DQM bei Ihnen
 
Crmexpo 2014 stuttgart
Crmexpo 2014 stuttgartCrmexpo 2014 stuttgart
Crmexpo 2014 stuttgart
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
 
Big data mc_05_2014_long
Big data mc_05_2014_longBig data mc_05_2014_long
Big data mc_05_2014_long
 
Digitale Transformation für KMU
Digitale Transformation für KMUDigitale Transformation für KMU
Digitale Transformation für KMU
 
2010 09 29 13-30 michael gniffke
2010 09 29 13-30 michael gniffke2010 09 29 13-30 michael gniffke
2010 09 29 13-30 michael gniffke
 
Linked Open Data Business
Linked Open Data BusinessLinked Open Data Business
Linked Open Data Business
 
Stadt Wien: Wie wird eine Stadt data excellent?
Stadt Wien: Wie wird eine Stadt data excellent?Stadt Wien: Wie wird eine Stadt data excellent?
Stadt Wien: Wie wird eine Stadt data excellent?
 
Big Data Governance
Big Data GovernanceBig Data Governance
Big Data Governance
 
Messung des Erfolges von E-Government
Messung des Erfolges von E-GovernmentMessung des Erfolges von E-Government
Messung des Erfolges von E-Government
 
Voice Erfahrungsaustausch CIO Barometer
Voice Erfahrungsaustausch CIO BarometerVoice Erfahrungsaustausch CIO Barometer
Voice Erfahrungsaustausch CIO Barometer
 
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp researchFujitsu Storage Days 2018 - Erfahrungsbericht crisp research
Fujitsu Storage Days 2018 - Erfahrungsbericht crisp research
 
Denodo: Die Lösung für harmonisierte ESG-Informationsquellen
Denodo: Die Lösung für harmonisierte ESG-InformationsquellenDenodo: Die Lösung für harmonisierte ESG-Informationsquellen
Denodo: Die Lösung für harmonisierte ESG-Informationsquellen
 
Stammdatenmanagement
StammdatenmanagementStammdatenmanagement
Stammdatenmanagement
 
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas BerthWerbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
Werbeplanung.at SUMMIT 15 - Conversion Optimierung in Echtzeit - Andreas Berth
 

Datenqualität (DQ) - Voraussetzung für ein funktionierendes Qualitäts Management System (QMS)

  • 1. Herzlich Willkommen Datenqualität - Voraussetzung für ein funktionierendes Qualitäts-Management-System
  • 2. Datenqualität 04/16 │ LTL 1 │ Folie 1 Vorstellung ACT ACT IT Holding GmbH ACT IT-Consulting & Services AG ACT Development & Integration GmbH ACT Expert Services GmbH IT-Business Consulting IT-Infrastruktur Korrespondenz- und Outputmanagement IT-Operations Governance Methoden Vertrieb Marketing Administration Recruiting ACT Training Center Mitarbeiter: 170 Ø Umsatz: 18 Mio. € Sitz: Niederkassel bei Bonn Gesellschafter: ACT Management, keine Fremdbeteiligung Kunden: Namhafte Kunden in Deutschland, Österreich, Schweiz Portfolio: Business Analytics & Durchsatzmanagement; IT-Infrastruktur, Planung u. Projekte; Output Management u. Software Engineering; IT-Betrieb u. Sourcing; Seminare: PRINCE2, PMI, CCPM, ITIL, ISO/IEC 20000, Datenqualitätsmanagement (DQM)
  • 3. Datenqualität 04/16 │ LTL 1 │ Folie 2 Zusammenhang Datenqualität & Entscheidungen Entscheidungen gut Annahmen richtig Daten- u. Informationen korrekt Daten-/Informationsqualität hoch Grundsatz DIN EN ISO9000:2015 Faktengestützte Entscheidungsfindung
  • 4. Datenqualität 04/16 │ LTL 1 │ Folie 3 Definition Datenqualität Datenqualität beschreibt die Korrektheit, die Relevanz und die Verlässlichkeit von Daten, abhängig vom Zweck, die die Daten in einem bestimmten Zusammenhang erfüllen sollen. Datenqualitätsmanagement Datenqualitätsmanagement bezeichnet alle Maßnahmen, die eine vermögenswertorientierte Betrachtung , Steuerung und Qualitätssicherung von Daten in einer Organisation ermöglichen. (vgl. http://www.enzyklopaedie-der-wirtschaftsinformatik.de/wi-enzyklopaedie/lexikon/daten- wissen/Datenmanagement/Datenmanagement--Konzepte-des/Datenqualitatsmanagement)
  • 5. Datenqualität 04/16 │ LTL 1 │ Folie 4 15 Dimensionen der Informationsqualität Zugänglichkeit Bearbeitbarkeit Verständlichkeit Übersichtlichkeit Einheitliche Darstellung eindeutige Auslegbarkeit systemunterstützt inhärent zweck- abhängig Hohes Ansehen Fehlerfreiheit Objektivität Glaub- würdigkeit darstellungsbezogen Aktualität Wertschöpfung Vollständigkeit Relevanz IQ Quelle: DGIQ e.V.
  • 6. Datenqualität 04/16 │ LTL 1 │ Folie 5 Datenqualitätskriterien Korrektheit Konsistenz Zuverlässigkeit Vollständigkeit Genauigkeit Aktualität Redundanzfreiheit Relevanz Einheitlichkeit Eindeutigkeit Verständlichkeit
  • 7. Datenqualität 04/16 │ LTL 1 │ Folie 6 Beispiel 1
  • 8. Datenqualität 04/16 │ LTL 1 │ Folie 7 Beispiel 2
  • 9. Datenqualität 04/16 │ LTL 1 │ Folie 8 Beispiel 3 (Handelsblatt) Zu dem Fehler sei es gekommen, weil eine Mitarbeiterin statt der zu zahlenden Summe eine Kundennummer in das Formular kopiert hatte.
  • 10. Datenqualität 04/16 │ LTL 1 │ Folie 9 Schäden durch schlechte Datenqualität › Datenqualitätsprobleme kosten die US- Wirtschaft jährlich mehr als 600 Mrd. Dollar* › Fehlerhafte Warenpreise in Artikel-DB des US-Einzelhandels - Kosten für Konsumenten: 2.5 Mrd $ / Jahr* › nach Meta Group: 35% aller IT-Projekte scheitern an mangelnder Datenqualität* › US-Finanzbehörde 1992: knapp 100.000 Steuererstattungsbescheide nicht zustellbar** › US-Post 2004: von 100.000 Massen-Postsendungen bis zu 7.000 aufgrund von Adressfehlern nicht zustellbar ** * (2004) Prof. Dr. Klaus Kruczynski, Hochschule für Technik, Wirtschaft und Kultur Leipzig ** (2005) Kai-Uwe Sattler, TU Ilmenau (10. Datenbank-Tutorientage Karlsruhe)
  • 11. Datenqualität 04/16 │ LTL 1 │ Folie 10 Internationale Studie zu Datenqualität (2014) (Quelle: Datenqualität als kritischer Erfolgsfaktor, Experian Marketing Services) Parameter zur Studie Teilnehmer: 1200 Branchen: Finanzindustrie, öffentlicher Sektor, Einzelhandel, Produktionsindustrie, Dienstleistungsbranche, Bildungssektor. Positionen: oberste Führungskräfte, Vice Presidents, Geschäftsführer, Manager und Mitarbeiter im Bereich Datenverwaltung und Datenmanagement.
  • 12. Datenqualität 04/16 │ LTL 1 │ Folie 11 Studie zu BigData in der Industrie, 02/2015, MHP Datenqualität eines der wichtigsten Zukunftsaufgaben im BIG-DATA- Management › Nutzen von Big Data › Kundenansprache (58%): Big Data ermöglicht es, die Kunden besser zu verstehen und dann gezielter anzusprechen. › Prognosen (48%): Mithilfe von Big Data lassen sich genauere Prognosen erstellen. › Entwicklung (46%): Mit Big Data können Auswertungen erstellt werden, deren Ergebnisse in die Entwicklung von Produkten und Dienstleistungen einfließen. › Ergebnisse zu Datenqualitätsmanagement › etwa 40% der Befragten (254) gaben an, dass die Datenqualität im Unternehmen unzureichend oder schlecht sei. › Unternehmen, die der Spitzengruppe (24% der Befragten Unternehmen) zugeordnet wurden, haben ein ausgeprägtes Bewusstsein für den Wert einer hohen Datenqualität entwickelt, im Gegensatz zu der Verfolgergruppe. Quelle: MHP, a Porsche Company, http://www.mhp.com/de/studien/ Fazit Um Big-Data-Initiativen erfolgreich zum Ziel zu führen, bedarf es einerseits einer klaren Strategie und anderseits einer qualitativ hochwertigen Datenaufbereitung. Diese beiden Maßnahmen machen erfahrungsgemäß bereits 80% des Gesamtaufwandes, aber auch den Erfolg von Big-Data-Projekten aus.
  • 13. Datenqualität 04/16 │ LTL 1 │ Folie 12 Warum Qualitätsmanagement (QM)? Qualität ist die Erfüllung der Anforderungen! Ergebnis: Produkte, Dienstleistungen und Informationen in der geforderten Qualität. Wer stellt die Anforderungen? Kunde, Organisation, Gesetzgeber, Eigentümer, Lieferanten, Mitarbeiter
  • 14. Datenqualität 04/16 │ LTL 1 │ Folie 13 Warum DQM/IQM? wirtschaftliches Interesse freiwillig -> erkennbarer Nutzen Compliance (Regelkonformität) unfreiwillig -> auferlegter Nutzen
  • 15. Datenqualität 04/16 │ LTL 1 │ Folie 14 Compliance und Datenqualität › CoBIT (Control Objectives for Information and Related Technology) › ITIL (Information Technology Infrastructure Library) › GoBD (Grundsätze zur ordnungsmäßigen Führung und Aufbewahrung von Büchern, Aufzeichnungen und Unterlagen in elektronischer Form sowie zum Datenzugriff) › Basel III › Solvency II › DIN EN ISO 9000:2015 › DIN EN ISO 9001:2015 Daten, … generieren einen Wert für das Unternehmen ... Genauigkeit, Verfügbarkeit, Aktualität und Qualität von Daten Prüfung und Verbesserung der Datenqualität „Lückenlose“ progressive und retrograde Auswertbarkeit Daten prüfen und sicherstellen, dass die Daten konsistent sind … … darauf zu achten, die Eignung und Angemessenheit der erhobenen Daten auch zu bewerten und formal festzustellen.
  • 16. Datenqualität 04/16 │ LTL 1 │ Folie 15 Umsetzungsleitfaden ISO 8000 ISO 9001 Best Practice wirtschaftlicher Nutzen Basel III Solvency II GoBD ITIL Normen
  • 17. Datenqualität 04/16 │ LTL 1 │ Folie 16 Aufbau und Struktur ISO/TS 8000 Part 100 Part 102 Part 110 Part 120 Part 130 Part 140 Einführung Metriken Abkürzungen Definitionen Beschreibungen Qualitäts- managementsystem DIN EN ISO 9001 Konzeptionelles Datenmodell Fehlerfreiheit im Rahmen von Datenaustausch- formaten (Schnittstellen) Vollständigkeit
  • 18. Datenqualität 04/16 │ LTL 1 │ Folie 17 DQM/IQM integrierter Baustein im Management System Anforderungen Nutzen für den Kunden*2 realisieren!€*1 Zuverlässigkeit Politik / Strategie Ziele Kunde*2 Eigentümer*1 Gesellschaft Mitarbeiter LieferantDQM/IQM Relevant für Entscheidungs- Transparenz Daten + Informationen Abbildung der Realität QMS Risikobetrachtung/-bewertung (DIN EN ISO 9001:2015)
  • 19. Datenqualität 04/16 │ LTL 1 │ Folie 18 ISO 9000:2015 - Faktengestützte Entscheidungsfindung und Datenqualität Aussage Entscheidungen auf Grundlage der Analyse u. Auswertung v. Daten u. Informationen führen wahrscheinlich eher zu den gewünschten Ergebnissen. Begründung Tatsachen, Nachweise u. Datenanalyse führen zu größerer Objektivität u. Vertrauen in die Entscheidungsfindung. Maßnahmen Sicherstellen, dass Daten u. Informationen ausreichend präzise, verlässlich u. sicher sind.
  • 20. Datenqualität 04/16 │ LTL 1 │ Folie 19 DIN EN ISO 9000:2015 - Begriffe Daten 3.8.1 (Fakten über ein Objekt) Objektiver Nachweis 3.8.3 (Daten, welche die Existenz oder Wahrheit von etwas bestätigen) Leistung 3.7.8 (messbares Ergebnis) metrologisches Merkmal 3.7.8 (Merkmal, das die Messergebnisse beeinflussen kann) Merkmal = schlechte Datenqualität Faktengestützte Entscheidungsfindung
  • 21. Datenqualität 04/16 │ LTL 1 │ Folie 20 Entwurf der ISO 9001:2015 - Risikobasiertes Denken Umgang mit Risiken Organisationen müssen Risiken und Chancen bestimmen und behandeln, die das Erreichen von Produkt- und Prozesszielen beeinflussen können. Das Unternehmen muss Maßnahmen planen, um Risiken entgegenzutreten und Chancen zu ergreifen sowie die Wirksamkeit bewerten. (Kap. 6.1) Schlussfolgerung Wenn Daten- und Informationsqualität als Risiko identifiziert ist und das Erreichen von Produkt- und Prozesszielen beeinflusst, so muss das Unternehmen Maßnahmen planen und umsetzen, um diesen Risiken entgegenzutreten und die Wirksamkeit bewerten!
  • 22. Datenqualität 04/16 │ LTL 1 │ Folie 21 Anforderungen aus Normen an die Organisation Daten- u. Informationsqualität Daten- und Informationslogistik Prozesse Produkt- und Prozessentwicklung Lessons Learn Ergebnis: Produkt Organisation Anforderungen • ISO 9001 (Qualitätsmgt.) • ISO 14001 (Umweltmgt.) • TS 16949 (Qualitätsmgt. Automobilindustrie) • ISO 27001 (Informations-Sicherheits-Mgt.) • ISO 31000 (Risikomgt.) • SPICE ISO/IEC 15504-5 (Softwareentw.)
  • 23. Datenqualität 04/16 │ LTL 1 │ Folie 22 Von den Daten zum Wissen zur Wettbewerbsfähigkeit (Wissenstreppe n. North, 1998 + Auer Consulting & Partner, 2009) + Syntax + Semantik + Kontext + Anwendungsbezug + Wollen + Handlungseffizienz Zeichen Daten Information Wissen Können Handeln Kompetenz Wettbewerbsfähigkeit + Einzigartigkeit Explizites Wissen Implizites Wissen Intellektuelles Kapital Informationsmanagement Wissens-Evolution bzw. Wissensarbeit DQ & IQ Management
  • 24. Datenqualität 04/16 │ LTL 1 │ Folie 23 DQM – Best Practice Definieren Messen Analysieren Verbessern Monitoren / Steuern
  • 25. Datenqualität 04/16 │ LTL 1 │ Folie 24 DQM Implementierungsprozess Mit einem klar abgegrenzten und nutzenstiftenden Projekt starten. Laufzeit ca. 3 - 6 Monate! KVP •Rules Mgt. •Process Mgt. •Analyse •Controling / Monitoring Transition Datenqualität (Prüfen, Verbessern, Monitoren) Prozess- Management Change Management Projekt Management DIN EN ISO 9001 + ISO 8000 + DQM Best Practice Data & Information Governance Anforderungs- Analyse
  • 26. Datenqualität 04/16 │ LTL 1 │ Folie 25 Fazit und Empfehlung › Daten u. Informationen sind Produkte (Vermögenswerte) und ergebnisrelevant für die Prozessqualität. › Die Daten- u. Informationsqualität ist einer Risikobewertung zu unterziehen. › Die Daten- u. Informationsqualität ist integraler Bestandteil der Anforderungen an ein Qualitätsmanagementsystem z.B. nach DIN EN ISO 9001. › Für die Umsetzung eines Daten- u. Informations-Qualitätsmanagement- System ist es sinnvoll die Regeln der DIN EN ISO 9001 als etablierte Norm und die ISO 8000 heranzuziehen. › Best Practice Ansätze von DQM/IQM dienen der Nachhaltigkeit. › Grundsätzlich fördert die Einbeziehung der Daten- u. Informationsqualität in das QM-System eine Zertifizierung nach anerkannten Regelwerken.
  • 27. Datenqualität 04/16 │ LTL 1 │ Folie 26 Weitere Informationen Prozessorientiertes Datenqualitätsmanagement https://www.qz-online.de/qualitaets-management/qm- basics/massnahmen/datenqualitaetsmanagement/artikel/prozessorientiertes- datenqualitaetsmanagement-1136859.html Datenqualitätsmanagement wird unumgänglich http://www.qz-online.de/qualitaets-management/qm- basics/massnahmen/datenqualitaetsmanagement/artikel/datenqualitaetsmanagement-wird- unumgaenglich-985779.html Datenqualität sichert den Erfolg http://www.qz-online.de/qualitaets-management/qm- basics/massnahmen/datenqualitaetsmanagement/artikel/datenqualitaet-sichert-den-erfolg- 1029994.html Datenqualitätsmanagement und DIN EN ISO 9001: Ist die Revision schon jetzt überholt? http://www.qz-online.de/qz-zeitschrift/archiv/artikel/datenqualitaetsmanagement-und-din-en-iso-9001--- ist-die-revision-schon-jetzt-ueberholt--1020846.html Blog: Business Information Excellence http://www.business-information-excellence.de/ Seminar „Managen von Datenqualität“ http://www.dgq.de/produkte/managen-von-datenqualitaet/ http://www.actgruppe.de/seminare/managen-von-datenqualitaet/
  • 28. Datenqualität 04/16 │ LTL 1 │ Folie 27 HABEN SIE FRAGEN? VIELEN DANK FÜR IHRE AUFMERKSAMKEIT. Kontaktdaten Deutsche Gesellschaft für Qualität August-Schanz-Straße 21A 60433 Frankfurt am Main M mar@dgq.de T + 49(0)69-954 24-182 F + 49(0)69-954 24-297