SlideShare ist ein Scribd-Unternehmen logo
6. Workshop Business Intelligence und Data
Quality Management

Data Quality Management: Geht doch auch ohne!?

    BUSINESS INTELLIGENCE RESEARCH
    Dresden, 02.12.2011
Agenda

         BearingPoint

                Datenqualität: Kurzüberblick


                    Data Quality Management: Geht doch auch ohne!?


                         Data Quality Management:
                         Was passiert, wenn nichts passiert


                        Data Quality Management: Lösungsansätze


               Praxisbeispiel


                                © 2011 BearingPoint GmbH             2
BearingPoint im Überblick

Consultants:      2.750
Partner:          140
Gesamtzahl der
Mitarbeiter:      3.200
Umsatz 2010:      €462 Millionen



                  Management
                  Wir liefern Strategien und Prozesse, die einen nachhaltigen
                  und messbaren Mehrwert generieren können.
                  Wir bieten ganzheitliche Lösungen von der Vision bis zum
                  operativen System, die dem Kunden bei der Integration,
                  Innovation und dem Wachstum helfen.


Unser             Technology
Beratungsansatz   Wir liefern die passende Technologie zur Erreichung von
                  Unternehmenszielen. Mit unserem Fachwissen und unserer
                  Erfahrung definieren wir in enger Zusammenarbeit mit den
                  Kunden anspruchsvolle Ziele und entwickeln die dafür
                  notwendigen Lösungen.

                  Consultants
                  Der Erfolg unserer Kunden hat bei uns höchste Priorität. Um
                  die individuellen Anforderungen jedes Kunden zu erfüllen,
                  hören wir zu und greifen auf unsere Expertise und unsere
                  Innovationsfähigkeit zurück.



                                                 © 2011 BearingPoint GmbH       3
BearingPoint (Deutschland)

BearingPoint                                                     Unsere Kunden

Management & Technology Consultants                              Wir beraten mehr als 450 Kunden, darunter mehr als 20 der 30
                                                                 DAX-Unternehmen, viele Bundesministerien sowie die Europäische
Platz 11 der TOP 25 Managementberatungsunternehmen auf der       Gemeinschaft, die Top 5 der deutschen Banken und die Top 5 der
Lünendonk-Liste 2011                                             deutschen Versicherungen
207 Mio. Euro Umsatz (2010)                                      Partnerschaften
Rund 1.400 Mitarbeiter in Deutschland                            Mehr als 40 marktführende Allianzpartner, u. a. IBM, HP, Oracle,
                                                                 Microsoft, SAP, Informatica
Acht Standorte mit Hauptsitz in Frankfurt am Main




                                                    © 2011 BearingPoint GmbH                                                        4
Agenda

         BearingPoint

                Datenqualität: Kurzüberblick


                    Data Quality Management: Geht doch auch ohne!?


                         Data Quality Management:
                         Was passiert, wenn nichts passiert


                        Data Quality Management: Lösungsansätze


               Praxisbeispiel


                                © 2011 BearingPoint GmbH             5
Kurze Einführung: Merkmale für Datenqualität


      Glaubwürdigkeit            Nützlichkeit             Interpretierbarkeit          Integrität


         Korrektheit          Vollständigkeit              Einheitlichkeit       eindeutige
                                                                                     Schlüssel
         Widerspruchs-        Genauigkeit                  Eindeutigkeit
          freiheit                                                                  Referentielle
                               Redundanz-                   Verständlichkeit
                                                                                     Integrität
         Zuverlässigkeit       freiheit
         syntaktische         zeitlicher Bezug
          Korrektheit           (Aktualität, zeitl.
                                Konsistenz)
         Datenherkunft
                               Nicht Volatilität
                               Relevanz




                                    Data Quality Management

                                           © 2011 BearingPoint GmbH                                  6
Agenda

         BearingPoint

                Datenqualität: Kurzüberblick


                    Data Quality Management: Geht doch auch ohne!?


                         Data Quality Management:
                         Was passiert, wenn nichts passiert


                        Data Quality Management: Lösungsansätze


               Praxisbeispiel


                                © 2011 BearingPoint GmbH             7
Die Aussagen im Unternehmen zum Thema
Datenqualität ähneln sich oft


     Mein Daten                                                    Ich besitze den
   prüfe ich selbst           Mein Daten                              Quell der
                              gehören mir                             Weisheit!




                                              Ich brauche die
                                              Daten eh immer
                                                  anders
            Nur meine Daten                                                Ich brauche
              sind richtig!                                                keine Daten




                                Nur externe Daten
                                     sind gut
       Ich vertraue auf                                         Ich stelle meine
         alles, was ich                                           Daten nur in
           bekomme                                              meinen Formaten
                                                                     bereit




                                 © 2011 BearingPoint GmbH                                8
Jeder Bereich „spricht“ eine eigene Sprache
basierend auf unterschiedlichen Anforderungen…



        Organisa-
                                    Personal                  Planung
          tion
                      Unter-
                    nehmens-                    Mitarbeiter               Wachstum
                     struktur




                                                              Entwick-
         Einkauf                   Produktion
                                                                lung

                     Qualität
                                                Veredeln                  Innovation
                    einkaufen




                                                              Bilanzie-
        Verkauf                    Marketing
                                                                rung

                     Hohe                        Positive
                                                  Außen-                  Abrechnung
                     Erlöse
                                                darstellung



                                © 2011 BearingPoint GmbH                               9
… aus welchen sich im Idealfall ein
gemeinsamer Datenhaushalt ableiten ließe,




Daten aus
anderen
Bereichen, die
jeweils ganz
oder teilweise
benötigt
werden
könn(t)en




Daten, die
ausschließlich
in diesen
Bereichen
anfallen



                       © 2011 BearingPoint GmbH   10
… was aber leider selten der Fall ist.




                Daten
               werden
             täglich neu
             in Minuten
               erfasst
                           Viele Plan-
                               und
                           Spieldaten,
                            Vorgaben
                                                Möglichst
                                                  keine      Bilanzie-
                                                 Daten-        rung
                                                weitergabe
                            Daten im
                             Monats,
                            Quartals
                           und Jahres-
               Zeitliche     rytmus
             Ausrichtung
             in Monaten,
                 nicht
              historisch




                              © 2011 BearingPoint GmbH                   11
Agenda

         BearingPoint

                Datenqualität: Kurzüberblick


                    Data Quality Management: Geht doch auch ohne!?


                         Data Quality Management:
                         Was passiert, wenn nichts passiert


                        Data Quality Management: Lösungsansätze


               Praxisbeispiel


                                © 2011 BearingPoint GmbH             12
Praxisbeispiel
fehlendes DQM – Ist-Zustand


Kommunalverwaltung einer deutschen
Großstadt
   Produktorientierter Haushalt ist ein komplexes
    Druckwerk, bestehend aus Gesamt- und Teilhaushalten
    mit ergebnis- und finanzorientieren Daten, Stellenplänen,
    Investitionsmaßnahmen und Erläuterungstexten
   Für den Haushaltsplandruck werden die Daten in einem
    SAP Business Warehouse-System (SAP-BW) vorgehalten
   Planung des produktorientieren Haushalts erfolgt im ERP-
    System
   Automatisierte Ladeprozesse sorgen für einen
    tagesaktuellen Stand der Daten
   Überwachung des SAP-BW erfolgt durch die
    Basisbetreuung
   Maßnahmen zum Data-Quality-Management werden nicht
    ergriffen




                                         © 2011 BearingPoint GmbH   13
Praxisbeispiel
fehlendes DQM - Folgen


Die Folgen bilden eine Domino-Kette:

   Kein Vertrauen in die Qualität und Richtigkeit der
    ausgewiesenen Daten
   Im Planungsprozess werden daher die aufbereiteten Daten
    mehrfach mit den Originaldaten aus dem ERP-System
    abgeglichen.
   Der Planungsprozess verzögert sich damit erheblich
   Das SAP-BW hat als Reportingsystem keine weitere Relevanz.
    Alle operativen Berichte kommen aus dem ERP
   Spezielle Berichtsanforderungen werden weiterhin über
    Excellösungen mit manueller Datenaufbereitung
    vorgenommen


Damit keine Akzeptanz des SAP-BW. Potenziale zur
Verbesserung der Planungsprozesse und des
strategischen und operativen Reportings werden nicht
ausgenutzt.



                                          © 2011 BearingPoint GmbH   14
Weitere Gründe für die Durchführung von
Data Quality Projekten im Unternehmen



                                                        Data Warehouse
   Gesetzliche Vorgaben
                                                          Einführung




                            Einführung
       Technischer              von
                           Data Quality               Entstandene Verluste
       Datenabgleich
                           Management




                                                      Konsolidierung von
  Unternehmensübergrei-
                                                       Umgebungen (z.B.
   fender Datenaustausch
                                                       nach Übernahmen)



                           © 2011 BearingPoint GmbH                          15
Agenda

         BearingPoint

                Datenqualität: Kurzüberblick


                    Data Quality Management: Geht doch auch ohne!?


                         Data Quality Management:
                         Was passiert, wenn nichts passiert


                        Data Quality Management: Lösungsansätze


               Praxisbeispiel


                                © 2011 BearingPoint GmbH             16
Data Quality Management
lässt sich in fünf Kategorien einteilen



         Data Quality Monitoring
         Data Quality Management

                                                     3
                                              Permanentes
                                              Data Quality
                                              Management

                                                                                          Namen/Adressen
                                                                                          (Vereinheitlichung
                                                                                          und Korrektur)
                                              Masterdaten-
                                                                                          Regelentdeckung
                                              management                                  (Entdecken von
                                                                                          „Geschäftsregeln“
                             1                       5                       2            und entsprechende
                                                                                          Korrekturen)
                        Data Profiling                                Data Cleansing      Record Linkage
                       Auditing (Analyse                              (Transformieren,    (Erkennen und
                        der Daten) und                                Vereinheitlichen,
                                                                       Bereinigen von     Zusammenführen
                         Messung der                                                      von Duplikaten)
                                                                           Daten)
                         Datenqualität

                                                     4
                                           Metadatenmanagement




                                           © 2011 BearingPoint GmbH                                        17
Data Quality Projekte benötigen in 99% der
Fälle einen fachlichen Sponsor, doch…

..wie lief es in der Vergangenheit?
   Rein IT-seitige Data Quality-Initiativen scheiterten oft am
    Widerstand der Fachseite bzw. des Budgetgebers, doch
    warum?
         Data Quality-Probleme waren nicht eindeutig greifbar;
          das Problem nur schwer visualisierbar
         In den Datenhaushalten steckten die Daten mehrerer
          Fachbereiche – und nicht alle, sondern oft keiner
          fühlte sich unter Budgetgesichtspunkten
          gesamtverantwortlich
         Nur einzelne Daten aus dem gesamten Datenhaushalt
          waren für den jeweiligen Bereich relevant
   Ein ersten großen Aufschwung in der Finanzbranche
    erlangte Data Quality Management im Kontext von Basel II
         Erstmals erfolgten – meist weniger als mehr
          strukturiert – Rückkopplungen der Data Quality-
          Messungen „am Ende der Nahrungskette“ an den Ort
          der Datenerfassung / -generierung und somit zurück
          zu anderen Fachbereichen



                                           © 2011 BearingPoint GmbH   18
Agenda

         BearingPoint

                Datenqualität: Kurzüberblick


                    Data Quality Management: Geht doch auch ohne!?


                         Data Quality Management:
                         Was passiert, wenn nichts passiert


                        Data Quality Management: Lösungsansätze


               Praxisbeispiel


                                © 2011 BearingPoint GmbH             19
Praxisbeispiel 1:
DQM-Data Mart & Reporting (System-Überblick)




                      © 2011 BearingPoint GmbH   20
Praxisbeispiel 1:
DQM-Data Mart & Reporting (Herkunft Kennzahlen)




                      © 2011 BearingPoint GmbH    21
Praxisbeispiel 2: DQM-Data Mart + Reporting
Frontend-Sicht (Report und Analyse)




                         Diagramm
                                                                                                                          schliessen                          X

                                           kumulierte Fehler der letzten 30 Tage (je 1.000 Fehler)

                                12


                                10


                                8


                                6


                                4


                                2


                                0
                                  8

                                           8


                                                  8


                                                           8

                                                                  8

                                                                           8


                                                                                  8

                                                                                           8

                                                                                                  8

                                                                                                          8

                                                                                                                  8

                                                                                                                          8


                                                                                                                                 8

                                                                                                                                          8


                                                                                                                                                 8

                                                                                                                                                          8
                                .0

                                      .0


                                                .0


                                                       .0

                                                                .0

                                                                      .0


                                                                                .0

                                                                                       .0

                                                                                               .0

                                                                                                       .0

                                                                                                               .0

                                                                                                                      .0


                                                                                                                               .0

                                                                                                                                      .0


                                                                                                                                               .0

                                                                                                                                                     .0
                              2

                                       2


                                              2


                                                       2

                                                              2

                                                                       2


                                                                              2

                                                                                       2

                                                                                              2

                                                                                                      2

                                                                                                              2

                                                                                                                      2


                                                                                                                             2

                                                                                                                                      2


                                                                                                                                             2

                                                                                                                                                      3
                            .0

                                     .0


                                            .0


                                                     .0

                                                            .0

                                                                     .0


                                                                            .0

                                                                                     .0

                                                                                            .0

                                                                                                    .0

                                                                                                            .0

                                                                                                                    .0


                                                                                                                           .0

                                                                                                                                    .0


                                                                                                                                           .0

                                                                                                                                                    .0
                           01

                                 03


                                           05


                                                  07

                                                           09

                                                                11


                                                                           13

                                                                                  15

                                                                                       17

                                                                                                  19

                                                                                                          21

                                                                                                               23


                                                                                                                          25

                                                                                                                                 27


                                                                                                                                          29

                                                                                                                                               02
                       © 2011 BearingPoint GmbH                                                                                                                   22
Ansprechpartner bei BearingPoint



    Eckhard Kalbhenn                                              André Trappmann
    Technology Architect                                          Technology Architect


    T (+49) 69 13022 5816                                         T (+49) 40 4149 2026
    M (+49) 174 3015 360                                          M (+49) 173 600 6783

    eckhard.kalbhenn@bearingpoint.com                             andre.trappmann@bearingpoint.com




                                Silvio Kressin
                                Senior Manager


                                T (+49) 69 13022 1859
                                M (+49) 174 309 2679

                                Silvio.kressin@bearingpoint.com




                                              © 2011 BearingPoint GmbH                               23
Fragen und Antworten




                       © 2011 BearingPoint GmbH   24
© 2011 BearingPoint GmbH   25
Data Profiling:
    Techniken zur formalen Untersuchung der Daten


                                    Inspektion
                                    (Was ist anhand der Daten selbst zu erkennen?):
                                        Detaillierte Analyse der existierenden Daten
                                        Klassifizierung, Mustererkennung
                                        (Ableitung von Regeln)

                                    Validierung:
                                        Analyse der Quelldaten aufgrund von vorgegebenen
                                        Business Rules



                                    Verifikation:
                                        Abgleich gegen andere verlässliche Quellen
                                        (Referenzdatenbestände, reale Welt z.B. Verträge,
                                        weitere Datenquellen)


                    Kombinationen der Techniken sind möglich und sinnvoll

Quelle: nach TDWI                          © 2011 BearingPoint GmbH                         26
Data Cleansing – Regeln und Aktionen

                                            Bedingungen, abgeleitet aus Business Rules
                                            (wenn „Endedatum“ = NULL…)
                                            Aktionsteil
                                            (…dann ersetze „31.12.9999“ oder
                                             „…lösche kompletten Datensatz“)

                                            Vorgehensweise:
                                               80:20 Regel: mit einfachen Regeln möglichst viele Fälle
                                                abdecken
                                               Teile von Business Rules verwenden
                                               Kombination aus verschiedenen Aktionen:
                                                        Reparatur zur Behebung akuter Probleme
                                                        Prävention
                                                        Restbereinigung
                                               Aktionen können auch manuelle Tätigkeiten sein,
                                                besonders für „Restfälle“

Quelle: nach TDWI,
        Delivering High Quality Warehouse Data, 2004        © 2011 BearingPoint GmbH                      27

Weitere ähnliche Inhalte

Was ist angesagt?

Aktuelle Trends in der Visualisierung von Informationen
Aktuelle Trends in der Visualisierung von InformationenAktuelle Trends in der Visualisierung von Informationen
Aktuelle Trends in der Visualisierung von Informationen
BARC GmbH
 
Operational Intelligence - TDWI Europe 2008
Operational Intelligence - TDWI Europe 2008Operational Intelligence - TDWI Europe 2008
Operational Intelligence - TDWI Europe 2008Christian Schieder
 
Unternehmensweites DQ-Controlling auf Basis von BI-Werkzeugen
Unternehmensweites DQ-Controlling auf Basis von BI-WerkzeugenUnternehmensweites DQ-Controlling auf Basis von BI-Werkzeugen
Unternehmensweites DQ-Controlling auf Basis von BI-WerkzeugenVizlib Ltd.
 
Operational Intelligence im Kontext des Enterprise Decision Managements - MKW...
Operational Intelligence im Kontext des Enterprise Decision Managements - MKW...Operational Intelligence im Kontext des Enterprise Decision Managements - MKW...
Operational Intelligence im Kontext des Enterprise Decision Managements - MKW...Christian Schieder
 
Benötigt IT Service Management einen kulturellen Wandel? Oder: warum ITSM-Pro...
Benötigt IT Service Management einen kulturellen Wandel? Oder: warum ITSM-Pro...Benötigt IT Service Management einen kulturellen Wandel? Oder: warum ITSM-Pro...
Benötigt IT Service Management einen kulturellen Wandel? Oder: warum ITSM-Pro...
Digicomp Academy AG
 
130213 itn webcast_sap
130213 itn webcast_sap130213 itn webcast_sap
130213 itn webcast_sapit-novum
 
Open Source Data Mining - Data Mining Cup 2007
Open Source Data Mining - Data Mining Cup 2007Open Source Data Mining - Data Mining Cup 2007
Open Source Data Mining - Data Mining Cup 2007Christian Schieder
 
Steffan Müller Standortübergreifende Liquiditätsanalyse mit Jedox bei der ...
Steffan Müller   Standortübergreifende  Liquiditätsanalyse mit Jedox bei der ...Steffan Müller   Standortübergreifende  Liquiditätsanalyse mit Jedox bei der ...
Steffan Müller Standortübergreifende Liquiditätsanalyse mit Jedox bei der ...
Stephan Trahasch
 
High Performance Analytics im marketing
High Performance Analytics im marketingHigh Performance Analytics im marketing
High Performance Analytics im marketing
SAS in Deutschland, Österreich und der Schweiz
 
Der Servicekatalog – wie aus Theorie Praxis wird
Der Servicekatalog – wie aus Theorie Praxis wirdDer Servicekatalog – wie aus Theorie Praxis wird
Der Servicekatalog – wie aus Theorie Praxis wird
Digicomp Academy AG
 
TDWI - Agile Business Intelligence - Tom Gansor - Arno Tigges - OPITZ CONSULTING
TDWI - Agile Business Intelligence - Tom Gansor - Arno Tigges - OPITZ CONSULTINGTDWI - Agile Business Intelligence - Tom Gansor - Arno Tigges - OPITZ CONSULTING
TDWI - Agile Business Intelligence - Tom Gansor - Arno Tigges - OPITZ CONSULTING
OPITZ CONSULTING Deutschland
 
ITSM in der Praxis
ITSM in der PraxisITSM in der Praxis
ITSM in der Praxis
Walter Abel
 
Agile Business Intelligence in der Praxis - Scrum im DWH-Umfeld
Agile Business Intelligence in der Praxis - Scrum im DWH-UmfeldAgile Business Intelligence in der Praxis - Scrum im DWH-Umfeld
Agile Business Intelligence in der Praxis - Scrum im DWH-Umfeld
OPITZ CONSULTING Deutschland
 
Open Source Business Intelligence - TDWI 2007
Open Source Business Intelligence - TDWI 2007Open Source Business Intelligence - TDWI 2007
Open Source Business Intelligence - TDWI 2007Christian Schieder
 
BeSales
BeSalesBeSales
BeSales
Markus Kemmer
 
Smart Data Management
Smart Data ManagementSmart Data Management
Smart Data ManagementJanAppl
 
ITIL Edition 2011 Service Strategy
ITIL Edition 2011 Service StrategyITIL Edition 2011 Service Strategy
ITIL Edition 2011 Service Strategy
bczaja
 
NICE Workforce Management
NICE Workforce ManagementNICE Workforce Management
NICE Workforce Management
NICE_Systems_Deutschland
 
Datenqualitätsmanagement heute und morgen
Datenqualitätsmanagement heute und morgenDatenqualitätsmanagement heute und morgen
Datenqualitätsmanagement heute und morgenVizlib Ltd.
 

Was ist angesagt? (20)

Aktuelle Trends in der Visualisierung von Informationen
Aktuelle Trends in der Visualisierung von InformationenAktuelle Trends in der Visualisierung von Informationen
Aktuelle Trends in der Visualisierung von Informationen
 
Operational Intelligence - TDWI Europe 2008
Operational Intelligence - TDWI Europe 2008Operational Intelligence - TDWI Europe 2008
Operational Intelligence - TDWI Europe 2008
 
Unternehmensweites DQ-Controlling auf Basis von BI-Werkzeugen
Unternehmensweites DQ-Controlling auf Basis von BI-WerkzeugenUnternehmensweites DQ-Controlling auf Basis von BI-Werkzeugen
Unternehmensweites DQ-Controlling auf Basis von BI-Werkzeugen
 
Operational Intelligence im Kontext des Enterprise Decision Managements - MKW...
Operational Intelligence im Kontext des Enterprise Decision Managements - MKW...Operational Intelligence im Kontext des Enterprise Decision Managements - MKW...
Operational Intelligence im Kontext des Enterprise Decision Managements - MKW...
 
Benötigt IT Service Management einen kulturellen Wandel? Oder: warum ITSM-Pro...
Benötigt IT Service Management einen kulturellen Wandel? Oder: warum ITSM-Pro...Benötigt IT Service Management einen kulturellen Wandel? Oder: warum ITSM-Pro...
Benötigt IT Service Management einen kulturellen Wandel? Oder: warum ITSM-Pro...
 
130213 itn webcast_sap
130213 itn webcast_sap130213 itn webcast_sap
130213 itn webcast_sap
 
Open Source Data Mining - Data Mining Cup 2007
Open Source Data Mining - Data Mining Cup 2007Open Source Data Mining - Data Mining Cup 2007
Open Source Data Mining - Data Mining Cup 2007
 
Steffan Müller Standortübergreifende Liquiditätsanalyse mit Jedox bei der ...
Steffan Müller   Standortübergreifende  Liquiditätsanalyse mit Jedox bei der ...Steffan Müller   Standortübergreifende  Liquiditätsanalyse mit Jedox bei der ...
Steffan Müller Standortübergreifende Liquiditätsanalyse mit Jedox bei der ...
 
High Performance Analytics im marketing
High Performance Analytics im marketingHigh Performance Analytics im marketing
High Performance Analytics im marketing
 
Der Servicekatalog – wie aus Theorie Praxis wird
Der Servicekatalog – wie aus Theorie Praxis wirdDer Servicekatalog – wie aus Theorie Praxis wird
Der Servicekatalog – wie aus Theorie Praxis wird
 
TDWI - Agile Business Intelligence - Tom Gansor - Arno Tigges - OPITZ CONSULTING
TDWI - Agile Business Intelligence - Tom Gansor - Arno Tigges - OPITZ CONSULTINGTDWI - Agile Business Intelligence - Tom Gansor - Arno Tigges - OPITZ CONSULTING
TDWI - Agile Business Intelligence - Tom Gansor - Arno Tigges - OPITZ CONSULTING
 
ITSM in der Praxis
ITSM in der PraxisITSM in der Praxis
ITSM in der Praxis
 
Agile Business Intelligence in der Praxis - Scrum im DWH-Umfeld
Agile Business Intelligence in der Praxis - Scrum im DWH-UmfeldAgile Business Intelligence in der Praxis - Scrum im DWH-Umfeld
Agile Business Intelligence in der Praxis - Scrum im DWH-Umfeld
 
Open Source Business Intelligence - TDWI 2007
Open Source Business Intelligence - TDWI 2007Open Source Business Intelligence - TDWI 2007
Open Source Business Intelligence - TDWI 2007
 
BeSales
BeSalesBeSales
BeSales
 
mühlnickel beit_PechaKucha
mühlnickel beit_PechaKuchamühlnickel beit_PechaKucha
mühlnickel beit_PechaKucha
 
Smart Data Management
Smart Data ManagementSmart Data Management
Smart Data Management
 
ITIL Edition 2011 Service Strategy
ITIL Edition 2011 Service StrategyITIL Edition 2011 Service Strategy
ITIL Edition 2011 Service Strategy
 
NICE Workforce Management
NICE Workforce ManagementNICE Workforce Management
NICE Workforce Management
 
Datenqualitätsmanagement heute und morgen
Datenqualitätsmanagement heute und morgenDatenqualitätsmanagement heute und morgen
Datenqualitätsmanagement heute und morgen
 

Andere mochten auch

Wie Social Media für das KMU machbar wird
Wie Social Media für das KMU machbar wirdWie Social Media für das KMU machbar wird
Wie Social Media für das KMU machbar wird
netlive IT AG
 
Audi
AudiAudi
Consulta clientes
Consulta clientesConsulta clientes
Consulta clientes
Paolita Arias
 
PHASE 3...
PHASE 3...PHASE 3...
PHASE 3...
zachafe
 
Pd v may13_esp-lat
Pd v may13_esp-latPd v may13_esp-lat
Pd v may13_esp-lat
MovimientoParroquialZR
 
Filosofía de la historia
Filosofía de la historiaFilosofía de la historia
Filosofía de la historia
Pepe José
 
Primitiva estandar
Primitiva estandarPrimitiva estandar
Primitiva estandar
salejo
 
Los Portatiles
Los PortatilesLos Portatiles
Los Portatiles
Elizabethmarinsj
 
Slide share
Slide shareSlide share
Slide share
ronniepp
 
Mario para la exposicion
Mario para la exposicionMario para la exposicion
Mario para la exposicion
marioni100
 
Analisis Spm
Analisis SpmAnalisis Spm
Analisis Spmeeyantie
 
[EB1 da Estalagem] St Valentine's King and Queen
[EB1 da Estalagem] St Valentine's King and Queen[EB1 da Estalagem] St Valentine's King and Queen
[EB1 da Estalagem] St Valentine's King and Queen
AEC-Inglês
 
Suchmaschinenmarketing
SuchmaschinenmarketingSuchmaschinenmarketing
Posibilidades de comunicación
Posibilidades de comunicaciónPosibilidades de comunicación
Posibilidades de comunicación
LauraBeatrizMejia
 
PROYECTO 5 SEM
PROYECTO 5 SEMPROYECTO 5 SEM
PROYECTO 5 SEM
lucho_rivera
 
La educación, una puerta de entrada a la sociedad del conocimiento
La educación, una puerta de entrada a la sociedad del conocimientoLa educación, una puerta de entrada a la sociedad del conocimiento
La educación, una puerta de entrada a la sociedad del conocimiento
LauraBeatrizMejia
 
Programa cultural español en Alemania del 7 al 17 de Febrero de 2011
Programa cultural español en Alemania del 7 al 17 de Febrero de 2011Programa cultural español en Alemania del 7 al 17 de Febrero de 2011
Programa cultural español en Alemania del 7 al 17 de Febrero de 2011
Cext
 

Andere mochten auch (20)

Wie Social Media für das KMU machbar wird
Wie Social Media für das KMU machbar wirdWie Social Media für das KMU machbar wird
Wie Social Media für das KMU machbar wird
 
Audi
AudiAudi
Audi
 
Consulta clientes
Consulta clientesConsulta clientes
Consulta clientes
 
PHASE 3...
PHASE 3...PHASE 3...
PHASE 3...
 
Yahoo! What Women Want
Yahoo! What Women WantYahoo! What Women Want
Yahoo! What Women Want
 
Pd v may13_esp-lat
Pd v may13_esp-latPd v may13_esp-lat
Pd v may13_esp-lat
 
Schüler bauen solarkollektoren
Schüler bauen solarkollektorenSchüler bauen solarkollektoren
Schüler bauen solarkollektoren
 
Filosofía de la historia
Filosofía de la historiaFilosofía de la historia
Filosofía de la historia
 
Primitiva estandar
Primitiva estandarPrimitiva estandar
Primitiva estandar
 
Los Portatiles
Los PortatilesLos Portatiles
Los Portatiles
 
Slide share
Slide shareSlide share
Slide share
 
Mario para la exposicion
Mario para la exposicionMario para la exposicion
Mario para la exposicion
 
Analisis Spm
Analisis SpmAnalisis Spm
Analisis Spm
 
Aplicación web 2
Aplicación web 2Aplicación web 2
Aplicación web 2
 
[EB1 da Estalagem] St Valentine's King and Queen
[EB1 da Estalagem] St Valentine's King and Queen[EB1 da Estalagem] St Valentine's King and Queen
[EB1 da Estalagem] St Valentine's King and Queen
 
Suchmaschinenmarketing
SuchmaschinenmarketingSuchmaschinenmarketing
Suchmaschinenmarketing
 
Posibilidades de comunicación
Posibilidades de comunicaciónPosibilidades de comunicación
Posibilidades de comunicación
 
PROYECTO 5 SEM
PROYECTO 5 SEMPROYECTO 5 SEM
PROYECTO 5 SEM
 
La educación, una puerta de entrada a la sociedad del conocimiento
La educación, una puerta de entrada a la sociedad del conocimientoLa educación, una puerta de entrada a la sociedad del conocimiento
La educación, una puerta de entrada a la sociedad del conocimiento
 
Programa cultural español en Alemania del 7 al 17 de Febrero de 2011
Programa cultural español en Alemania del 7 al 17 de Febrero de 2011Programa cultural español en Alemania del 7 al 17 de Febrero de 2011
Programa cultural español en Alemania del 7 al 17 de Febrero de 2011
 

Ähnlich wie Data Quality Management: Geht doch auch ohne!?

Akquise 2.0
Akquise 2.0Akquise 2.0
Akquise 2.0
CIOConsultingTeam
 
crm made in germany = pc³ = strategy by cqs
crm made in germany = pc³ = strategy by cqscrm made in germany = pc³ = strategy by cqs
crm made in germany = pc³ = strategy by cqs
care quality services (cqs)
 
Cen xchange crm trends 2013
Cen xchange crm trends 2013Cen xchange crm trends 2013
Cen xchange crm trends 2013
Nils Hafner
 
Shared Services Woche: Speaker Yearbook 2011
Shared Services Woche: Speaker Yearbook 2011Shared Services Woche: Speaker Yearbook 2011
Shared Services Woche: Speaker Yearbook 2011
Torben Haagh
 
Dim geschäftsfeld marktforschung_april2012
Dim geschäftsfeld marktforschung_april2012Dim geschäftsfeld marktforschung_april2012
Dim geschäftsfeld marktforschung_april2012
Prof. Dr. Michael Bernecker
 
emotion banking Newsletter 1/2012 - Unternehmenskultur
emotion banking Newsletter 1/2012 - Unternehmenskulturemotion banking Newsletter 1/2012 - Unternehmenskultur
emotion banking Newsletter 1/2012 - Unternehmenskulturemotion banking
 
Web-Management & -Konzeption
Web-Management & -KonzeptionWeb-Management & -Konzeption
Web-Management & -KonzeptionMartin Hahn
 
Über Actonic (Unternehmenspräsentation)
Über Actonic (Unternehmenspräsentation)Über Actonic (Unternehmenspräsentation)
Über Actonic (Unternehmenspräsentation)
Andrei Pisklenov
 
Employee branding ma_zwischen_identität_und_individualität_print
Employee branding ma_zwischen_identität_und_individualität_printEmployee branding ma_zwischen_identität_und_individualität_print
Employee branding ma_zwischen_identität_und_individualität_print
KMB|Konzept Management Beratung für Unternehmenskommunikation
 
Zentrum für Unternehmensentwicklung
Zentrum für UnternehmensentwicklungZentrum für Unternehmensentwicklung
Zentrum für Unternehmensentwicklung
Gerth Vogel
 
Zukunftsfähigkeitsindex vortrag gfwm regional_feb. 2012
Zukunftsfähigkeitsindex vortrag gfwm regional_feb. 2012Zukunftsfähigkeitsindex vortrag gfwm regional_feb. 2012
Zukunftsfähigkeitsindex vortrag gfwm regional_feb. 2012
Friedrich - A. Ittner
 
10 eiselmayer
10   eiselmayer10   eiselmayer
10 eiselmayeraloahe2
 
10 eiselmayer
10   eiselmayer10   eiselmayer
10 eiselmayeraloahe2
 
AIS-Studie: AIS-Audit Property Management
AIS-Studie: AIS-Audit Property ManagementAIS-Studie: AIS-Audit Property Management
AIS-Studie: AIS-Audit Property Management
AIS Management GmbH
 
Challenges of Managing a D2C Business
Challenges of Managing a D2C Business Challenges of Managing a D2C Business
Challenges of Managing a D2C Business Moritz Koch
 
AdWords Konferenz_2012: Mischa Rürup - Bidmanagement
AdWords Konferenz_2012: Mischa Rürup - BidmanagementAdWords Konferenz_2012: Mischa Rürup - Bidmanagement
AdWords Konferenz_2012: Mischa Rürup - Bidmanagement
e-dialog GmbH
 
Kontrolle ist gut - Vertrauen ist besser
Kontrolle ist gut - Vertrauen ist besserKontrolle ist gut - Vertrauen ist besser
Kontrolle ist gut - Vertrauen ist besser
Armin Sieber
 
Content Strategy im Praxistest / CS in der agilen Produktentwicklung
Content Strategy im Praxistest / CS in der agilen ProduktentwicklungContent Strategy im Praxistest / CS in der agilen Produktentwicklung
Content Strategy im Praxistest / CS in der agilen Produktentwicklung
Arne Kittler
 
Erfolg durch transformationale Führung - Meilensteine der Organisationspsycho...
Erfolg durch transformationale Führung - Meilensteine der Organisationspsycho...Erfolg durch transformationale Führung - Meilensteine der Organisationspsycho...
Erfolg durch transformationale Führung - Meilensteine der Organisationspsycho...
KATA- Praktikertag
 

Ähnlich wie Data Quality Management: Geht doch auch ohne!? (20)

Akquise 2.0
Akquise 2.0Akquise 2.0
Akquise 2.0
 
Mbuf
MbufMbuf
Mbuf
 
crm made in germany = pc³ = strategy by cqs
crm made in germany = pc³ = strategy by cqscrm made in germany = pc³ = strategy by cqs
crm made in germany = pc³ = strategy by cqs
 
Cen xchange crm trends 2013
Cen xchange crm trends 2013Cen xchange crm trends 2013
Cen xchange crm trends 2013
 
Shared Services Woche: Speaker Yearbook 2011
Shared Services Woche: Speaker Yearbook 2011Shared Services Woche: Speaker Yearbook 2011
Shared Services Woche: Speaker Yearbook 2011
 
Dim geschäftsfeld marktforschung_april2012
Dim geschäftsfeld marktforschung_april2012Dim geschäftsfeld marktforschung_april2012
Dim geschäftsfeld marktforschung_april2012
 
emotion banking Newsletter 1/2012 - Unternehmenskultur
emotion banking Newsletter 1/2012 - Unternehmenskulturemotion banking Newsletter 1/2012 - Unternehmenskultur
emotion banking Newsletter 1/2012 - Unternehmenskultur
 
Web-Management & -Konzeption
Web-Management & -KonzeptionWeb-Management & -Konzeption
Web-Management & -Konzeption
 
Über Actonic (Unternehmenspräsentation)
Über Actonic (Unternehmenspräsentation)Über Actonic (Unternehmenspräsentation)
Über Actonic (Unternehmenspräsentation)
 
Employee branding ma_zwischen_identität_und_individualität_print
Employee branding ma_zwischen_identität_und_individualität_printEmployee branding ma_zwischen_identität_und_individualität_print
Employee branding ma_zwischen_identität_und_individualität_print
 
Zentrum für Unternehmensentwicklung
Zentrum für UnternehmensentwicklungZentrum für Unternehmensentwicklung
Zentrum für Unternehmensentwicklung
 
Zukunftsfähigkeitsindex vortrag gfwm regional_feb. 2012
Zukunftsfähigkeitsindex vortrag gfwm regional_feb. 2012Zukunftsfähigkeitsindex vortrag gfwm regional_feb. 2012
Zukunftsfähigkeitsindex vortrag gfwm regional_feb. 2012
 
10 eiselmayer
10   eiselmayer10   eiselmayer
10 eiselmayer
 
10 eiselmayer
10   eiselmayer10   eiselmayer
10 eiselmayer
 
AIS-Studie: AIS-Audit Property Management
AIS-Studie: AIS-Audit Property ManagementAIS-Studie: AIS-Audit Property Management
AIS-Studie: AIS-Audit Property Management
 
Challenges of Managing a D2C Business
Challenges of Managing a D2C Business Challenges of Managing a D2C Business
Challenges of Managing a D2C Business
 
AdWords Konferenz_2012: Mischa Rürup - Bidmanagement
AdWords Konferenz_2012: Mischa Rürup - BidmanagementAdWords Konferenz_2012: Mischa Rürup - Bidmanagement
AdWords Konferenz_2012: Mischa Rürup - Bidmanagement
 
Kontrolle ist gut - Vertrauen ist besser
Kontrolle ist gut - Vertrauen ist besserKontrolle ist gut - Vertrauen ist besser
Kontrolle ist gut - Vertrauen ist besser
 
Content Strategy im Praxistest / CS in der agilen Produktentwicklung
Content Strategy im Praxistest / CS in der agilen ProduktentwicklungContent Strategy im Praxistest / CS in der agilen Produktentwicklung
Content Strategy im Praxistest / CS in der agilen Produktentwicklung
 
Erfolg durch transformationale Führung - Meilensteine der Organisationspsycho...
Erfolg durch transformationale Führung - Meilensteine der Organisationspsycho...Erfolg durch transformationale Führung - Meilensteine der Organisationspsycho...
Erfolg durch transformationale Führung - Meilensteine der Organisationspsycho...
 

Mehr von Business Intelligence Research

Lebenszyklus eines Leads im Social Web - Anforderungen an ein Social Media Co...
Lebenszyklus eines Leads im Social Web - Anforderungen an ein Social Media Co...Lebenszyklus eines Leads im Social Web - Anforderungen an ein Social Media Co...
Lebenszyklus eines Leads im Social Web - Anforderungen an ein Social Media Co...Business Intelligence Research
 
Verbindung von Web Analytics und anderen Datenquellen
Verbindung von Web Analytics und anderen Datenquellen Verbindung von Web Analytics und anderen Datenquellen
Verbindung von Web Analytics und anderen Datenquellen Business Intelligence Research
 
E-Commerce als digitales Beziehungsmanagement - Ausblick auf den Kundenservic...
E-Commerce als digitales Beziehungsmanagement - Ausblick auf den Kundenservic...E-Commerce als digitales Beziehungsmanagement - Ausblick auf den Kundenservic...
E-Commerce als digitales Beziehungsmanagement - Ausblick auf den Kundenservic...Business Intelligence Research
 
Angebotsoptimierung durch Empfehlungssysteme im E-Commerce
Angebotsoptimierung durch Empfehlungssysteme im E-CommerceAngebotsoptimierung durch Empfehlungssysteme im E-Commerce
Angebotsoptimierung durch Empfehlungssysteme im E-CommerceBusiness Intelligence Research
 
Nationwide Insurance - Building an Effective Finance Control and Fast Book Cl...
Nationwide Insurance - Building an Effective Finance Control and Fast Book Cl...Nationwide Insurance - Building an Effective Finance Control and Fast Book Cl...
Nationwide Insurance - Building an Effective Finance Control and Fast Book Cl...
Business Intelligence Research
 
Microsoft Business Intelligence
Microsoft Business IntelligenceMicrosoft Business Intelligence
Microsoft Business Intelligence
Business Intelligence Research
 
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...Business Intelligence Research
 
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...Business Intelligence Research
 
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...Business Intelligence Research
 
Business Intelligence zur Prozessoptimierung im Krankenhausmanagement - Volke...
Business Intelligence zur Prozessoptimierung im Krankenhausmanagement - Volke...Business Intelligence zur Prozessoptimierung im Krankenhausmanagement - Volke...
Business Intelligence zur Prozessoptimierung im Krankenhausmanagement - Volke...Business Intelligence Research
 

Mehr von Business Intelligence Research (10)

Lebenszyklus eines Leads im Social Web - Anforderungen an ein Social Media Co...
Lebenszyklus eines Leads im Social Web - Anforderungen an ein Social Media Co...Lebenszyklus eines Leads im Social Web - Anforderungen an ein Social Media Co...
Lebenszyklus eines Leads im Social Web - Anforderungen an ein Social Media Co...
 
Verbindung von Web Analytics und anderen Datenquellen
Verbindung von Web Analytics und anderen Datenquellen Verbindung von Web Analytics und anderen Datenquellen
Verbindung von Web Analytics und anderen Datenquellen
 
E-Commerce als digitales Beziehungsmanagement - Ausblick auf den Kundenservic...
E-Commerce als digitales Beziehungsmanagement - Ausblick auf den Kundenservic...E-Commerce als digitales Beziehungsmanagement - Ausblick auf den Kundenservic...
E-Commerce als digitales Beziehungsmanagement - Ausblick auf den Kundenservic...
 
Angebotsoptimierung durch Empfehlungssysteme im E-Commerce
Angebotsoptimierung durch Empfehlungssysteme im E-CommerceAngebotsoptimierung durch Empfehlungssysteme im E-Commerce
Angebotsoptimierung durch Empfehlungssysteme im E-Commerce
 
Nationwide Insurance - Building an Effective Finance Control and Fast Book Cl...
Nationwide Insurance - Building an Effective Finance Control and Fast Book Cl...Nationwide Insurance - Building an Effective Finance Control and Fast Book Cl...
Nationwide Insurance - Building an Effective Finance Control and Fast Book Cl...
 
Microsoft Business Intelligence
Microsoft Business IntelligenceMicrosoft Business Intelligence
Microsoft Business Intelligence
 
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
Beyond SAP - Effektive Nutzung von Business Content durch In-Memory-OLAP und ...
 
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
Analytical Sandboxing: Data-Warehousing und Datenanalysen im Spannungsfeld zw...
 
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
Weitere Dezentralisierung der BI - mehr Selbständigkeit der Fachbereiche durc...
 
Business Intelligence zur Prozessoptimierung im Krankenhausmanagement - Volke...
Business Intelligence zur Prozessoptimierung im Krankenhausmanagement - Volke...Business Intelligence zur Prozessoptimierung im Krankenhausmanagement - Volke...
Business Intelligence zur Prozessoptimierung im Krankenhausmanagement - Volke...
 

Data Quality Management: Geht doch auch ohne!?

  • 1. 6. Workshop Business Intelligence und Data Quality Management Data Quality Management: Geht doch auch ohne!? BUSINESS INTELLIGENCE RESEARCH Dresden, 02.12.2011
  • 2. Agenda BearingPoint Datenqualität: Kurzüberblick Data Quality Management: Geht doch auch ohne!? Data Quality Management: Was passiert, wenn nichts passiert Data Quality Management: Lösungsansätze Praxisbeispiel © 2011 BearingPoint GmbH 2
  • 3. BearingPoint im Überblick Consultants: 2.750 Partner: 140 Gesamtzahl der Mitarbeiter: 3.200 Umsatz 2010: €462 Millionen Management Wir liefern Strategien und Prozesse, die einen nachhaltigen und messbaren Mehrwert generieren können. Wir bieten ganzheitliche Lösungen von der Vision bis zum operativen System, die dem Kunden bei der Integration, Innovation und dem Wachstum helfen. Unser Technology Beratungsansatz Wir liefern die passende Technologie zur Erreichung von Unternehmenszielen. Mit unserem Fachwissen und unserer Erfahrung definieren wir in enger Zusammenarbeit mit den Kunden anspruchsvolle Ziele und entwickeln die dafür notwendigen Lösungen. Consultants Der Erfolg unserer Kunden hat bei uns höchste Priorität. Um die individuellen Anforderungen jedes Kunden zu erfüllen, hören wir zu und greifen auf unsere Expertise und unsere Innovationsfähigkeit zurück. © 2011 BearingPoint GmbH 3
  • 4. BearingPoint (Deutschland) BearingPoint Unsere Kunden Management & Technology Consultants Wir beraten mehr als 450 Kunden, darunter mehr als 20 der 30 DAX-Unternehmen, viele Bundesministerien sowie die Europäische Platz 11 der TOP 25 Managementberatungsunternehmen auf der Gemeinschaft, die Top 5 der deutschen Banken und die Top 5 der Lünendonk-Liste 2011 deutschen Versicherungen 207 Mio. Euro Umsatz (2010) Partnerschaften Rund 1.400 Mitarbeiter in Deutschland Mehr als 40 marktführende Allianzpartner, u. a. IBM, HP, Oracle, Microsoft, SAP, Informatica Acht Standorte mit Hauptsitz in Frankfurt am Main © 2011 BearingPoint GmbH 4
  • 5. Agenda BearingPoint Datenqualität: Kurzüberblick Data Quality Management: Geht doch auch ohne!? Data Quality Management: Was passiert, wenn nichts passiert Data Quality Management: Lösungsansätze Praxisbeispiel © 2011 BearingPoint GmbH 5
  • 6. Kurze Einführung: Merkmale für Datenqualität Glaubwürdigkeit Nützlichkeit Interpretierbarkeit Integrität  Korrektheit  Vollständigkeit  Einheitlichkeit  eindeutige Schlüssel  Widerspruchs-  Genauigkeit  Eindeutigkeit freiheit  Referentielle  Redundanz-  Verständlichkeit Integrität  Zuverlässigkeit freiheit  syntaktische  zeitlicher Bezug Korrektheit (Aktualität, zeitl. Konsistenz)  Datenherkunft  Nicht Volatilität  Relevanz Data Quality Management © 2011 BearingPoint GmbH 6
  • 7. Agenda BearingPoint Datenqualität: Kurzüberblick Data Quality Management: Geht doch auch ohne!? Data Quality Management: Was passiert, wenn nichts passiert Data Quality Management: Lösungsansätze Praxisbeispiel © 2011 BearingPoint GmbH 7
  • 8. Die Aussagen im Unternehmen zum Thema Datenqualität ähneln sich oft Mein Daten Ich besitze den prüfe ich selbst Mein Daten Quell der gehören mir Weisheit! Ich brauche die Daten eh immer anders Nur meine Daten Ich brauche sind richtig! keine Daten Nur externe Daten sind gut Ich vertraue auf Ich stelle meine alles, was ich Daten nur in bekomme meinen Formaten bereit © 2011 BearingPoint GmbH 8
  • 9. Jeder Bereich „spricht“ eine eigene Sprache basierend auf unterschiedlichen Anforderungen… Organisa- Personal Planung tion Unter- nehmens- Mitarbeiter Wachstum struktur Entwick- Einkauf Produktion lung Qualität Veredeln Innovation einkaufen Bilanzie- Verkauf Marketing rung Hohe Positive Außen- Abrechnung Erlöse darstellung © 2011 BearingPoint GmbH 9
  • 10. … aus welchen sich im Idealfall ein gemeinsamer Datenhaushalt ableiten ließe, Daten aus anderen Bereichen, die jeweils ganz oder teilweise benötigt werden könn(t)en Daten, die ausschließlich in diesen Bereichen anfallen © 2011 BearingPoint GmbH 10
  • 11. … was aber leider selten der Fall ist. Daten werden täglich neu in Minuten erfasst Viele Plan- und Spieldaten, Vorgaben Möglichst keine Bilanzie- Daten- rung weitergabe Daten im Monats, Quartals und Jahres- Zeitliche rytmus Ausrichtung in Monaten, nicht historisch © 2011 BearingPoint GmbH 11
  • 12. Agenda BearingPoint Datenqualität: Kurzüberblick Data Quality Management: Geht doch auch ohne!? Data Quality Management: Was passiert, wenn nichts passiert Data Quality Management: Lösungsansätze Praxisbeispiel © 2011 BearingPoint GmbH 12
  • 13. Praxisbeispiel fehlendes DQM – Ist-Zustand Kommunalverwaltung einer deutschen Großstadt  Produktorientierter Haushalt ist ein komplexes Druckwerk, bestehend aus Gesamt- und Teilhaushalten mit ergebnis- und finanzorientieren Daten, Stellenplänen, Investitionsmaßnahmen und Erläuterungstexten  Für den Haushaltsplandruck werden die Daten in einem SAP Business Warehouse-System (SAP-BW) vorgehalten  Planung des produktorientieren Haushalts erfolgt im ERP- System  Automatisierte Ladeprozesse sorgen für einen tagesaktuellen Stand der Daten  Überwachung des SAP-BW erfolgt durch die Basisbetreuung  Maßnahmen zum Data-Quality-Management werden nicht ergriffen © 2011 BearingPoint GmbH 13
  • 14. Praxisbeispiel fehlendes DQM - Folgen Die Folgen bilden eine Domino-Kette:  Kein Vertrauen in die Qualität und Richtigkeit der ausgewiesenen Daten  Im Planungsprozess werden daher die aufbereiteten Daten mehrfach mit den Originaldaten aus dem ERP-System abgeglichen.  Der Planungsprozess verzögert sich damit erheblich  Das SAP-BW hat als Reportingsystem keine weitere Relevanz. Alle operativen Berichte kommen aus dem ERP  Spezielle Berichtsanforderungen werden weiterhin über Excellösungen mit manueller Datenaufbereitung vorgenommen Damit keine Akzeptanz des SAP-BW. Potenziale zur Verbesserung der Planungsprozesse und des strategischen und operativen Reportings werden nicht ausgenutzt. © 2011 BearingPoint GmbH 14
  • 15. Weitere Gründe für die Durchführung von Data Quality Projekten im Unternehmen Data Warehouse Gesetzliche Vorgaben Einführung Einführung Technischer von Data Quality Entstandene Verluste Datenabgleich Management Konsolidierung von Unternehmensübergrei- Umgebungen (z.B. fender Datenaustausch nach Übernahmen) © 2011 BearingPoint GmbH 15
  • 16. Agenda BearingPoint Datenqualität: Kurzüberblick Data Quality Management: Geht doch auch ohne!? Data Quality Management: Was passiert, wenn nichts passiert Data Quality Management: Lösungsansätze Praxisbeispiel © 2011 BearingPoint GmbH 16
  • 17. Data Quality Management lässt sich in fünf Kategorien einteilen Data Quality Monitoring Data Quality Management 3 Permanentes Data Quality Management Namen/Adressen (Vereinheitlichung und Korrektur) Masterdaten- Regelentdeckung management (Entdecken von „Geschäftsregeln“ 1 5 2 und entsprechende Korrekturen) Data Profiling Data Cleansing Record Linkage Auditing (Analyse (Transformieren, (Erkennen und der Daten) und Vereinheitlichen, Bereinigen von Zusammenführen Messung der von Duplikaten) Daten) Datenqualität 4 Metadatenmanagement © 2011 BearingPoint GmbH 17
  • 18. Data Quality Projekte benötigen in 99% der Fälle einen fachlichen Sponsor, doch… ..wie lief es in der Vergangenheit?  Rein IT-seitige Data Quality-Initiativen scheiterten oft am Widerstand der Fachseite bzw. des Budgetgebers, doch warum?  Data Quality-Probleme waren nicht eindeutig greifbar; das Problem nur schwer visualisierbar  In den Datenhaushalten steckten die Daten mehrerer Fachbereiche – und nicht alle, sondern oft keiner fühlte sich unter Budgetgesichtspunkten gesamtverantwortlich  Nur einzelne Daten aus dem gesamten Datenhaushalt waren für den jeweiligen Bereich relevant  Ein ersten großen Aufschwung in der Finanzbranche erlangte Data Quality Management im Kontext von Basel II  Erstmals erfolgten – meist weniger als mehr strukturiert – Rückkopplungen der Data Quality- Messungen „am Ende der Nahrungskette“ an den Ort der Datenerfassung / -generierung und somit zurück zu anderen Fachbereichen © 2011 BearingPoint GmbH 18
  • 19. Agenda BearingPoint Datenqualität: Kurzüberblick Data Quality Management: Geht doch auch ohne!? Data Quality Management: Was passiert, wenn nichts passiert Data Quality Management: Lösungsansätze Praxisbeispiel © 2011 BearingPoint GmbH 19
  • 20. Praxisbeispiel 1: DQM-Data Mart & Reporting (System-Überblick) © 2011 BearingPoint GmbH 20
  • 21. Praxisbeispiel 1: DQM-Data Mart & Reporting (Herkunft Kennzahlen) © 2011 BearingPoint GmbH 21
  • 22. Praxisbeispiel 2: DQM-Data Mart + Reporting Frontend-Sicht (Report und Analyse) Diagramm schliessen X kumulierte Fehler der letzten 30 Tage (je 1.000 Fehler) 12 10 8 6 4 2 0 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 .0 01 03 05 07 09 11 13 15 17 19 21 23 25 27 29 02 © 2011 BearingPoint GmbH 22
  • 23. Ansprechpartner bei BearingPoint Eckhard Kalbhenn André Trappmann Technology Architect Technology Architect T (+49) 69 13022 5816 T (+49) 40 4149 2026 M (+49) 174 3015 360 M (+49) 173 600 6783 eckhard.kalbhenn@bearingpoint.com andre.trappmann@bearingpoint.com Silvio Kressin Senior Manager T (+49) 69 13022 1859 M (+49) 174 309 2679 Silvio.kressin@bearingpoint.com © 2011 BearingPoint GmbH 23
  • 24. Fragen und Antworten © 2011 BearingPoint GmbH 24
  • 26. Data Profiling: Techniken zur formalen Untersuchung der Daten Inspektion (Was ist anhand der Daten selbst zu erkennen?): Detaillierte Analyse der existierenden Daten Klassifizierung, Mustererkennung (Ableitung von Regeln) Validierung: Analyse der Quelldaten aufgrund von vorgegebenen Business Rules Verifikation: Abgleich gegen andere verlässliche Quellen (Referenzdatenbestände, reale Welt z.B. Verträge, weitere Datenquellen) Kombinationen der Techniken sind möglich und sinnvoll Quelle: nach TDWI © 2011 BearingPoint GmbH 26
  • 27. Data Cleansing – Regeln und Aktionen Bedingungen, abgeleitet aus Business Rules (wenn „Endedatum“ = NULL…) Aktionsteil (…dann ersetze „31.12.9999“ oder „…lösche kompletten Datensatz“) Vorgehensweise:  80:20 Regel: mit einfachen Regeln möglichst viele Fälle abdecken  Teile von Business Rules verwenden  Kombination aus verschiedenen Aktionen:  Reparatur zur Behebung akuter Probleme  Prävention  Restbereinigung  Aktionen können auch manuelle Tätigkeiten sein, besonders für „Restfälle“ Quelle: nach TDWI, Delivering High Quality Warehouse Data, 2004 © 2011 BearingPoint GmbH 27