© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 0
Simon Schlosser
Digitalisierung: Datenma...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 1
Agenda
Organisation von Kollaboration in...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 2
Teig
Weizenmehl
(Pfalzmühle Mannheim,
De...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 3
Zutat Lieferant Stadt (Herkunft) Region ...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 4
Kurz gesagt – nach Ansicht von
“Transpar...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 5
Zeit für eine kurze Umfrage…
Frage 1: Me...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 6
Die effiziente Wertschöpfung aus „Big Da...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 7
Agenda
Organisation von Kollaboration in...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 8
Mehr und mehr
regulatorische Anforderung...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 9
Die Pflege von nur wenigen Geschäftspart...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 10
Eine Studie belegt das Potenzial kollab...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 11
The Guardian berichtet über Bankdatenbe...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 12
Agenda
Organisation von Kollaboration i...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 13
Es gibt zahlreiche Möglichkeiten, kolla...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 14
Kollaboration und Cloud-Technologie sin...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 15
Aktivitäten, die durch das Governance-M...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 16
Community-Eigenschaften unterscheiden d...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 17
Die Cloud-Services der CDL unterstützen...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 18
Testen Sie die CDL-Cloud!
www.corporate...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 19
Das Referenzbuch basierend auf 10 Jahre...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 20
www.cdq.ch
CDQ AG
www.corporate-data-le...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 21
Corporate Data League
Cross-corporate b...
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 22
Our Roots
We are the leading authority ...
Nächste SlideShare
Wird geladen in …5
×

Digitalisierung: Datenmanagement in der vernetzten Wirtschaft

633 Aufrufe

Veröffentlicht am

Digitalisierung: Datenmanagement in der vernetzten Wirtschaft
- Kollaboratives Datenmanagement in der Cloud
- eCl@ss Kongress 2015
- http://www.eclass-kongress.de/home/

Veröffentlicht in: Business
0 Kommentare
2 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
633
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
9
Aktionen
Geteilt
0
Downloads
2
Kommentare
0
Gefällt mir
2
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Digitalisierung: Datenmanagement in der vernetzten Wirtschaft

  1. 1. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 0 Simon Schlosser Digitalisierung: Datenmanagement in der vernetzten Wirtschaft Kollaboratives Datenmanagement in der Cloud Köln, 10. September 2015
  2. 2. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 1 Agenda Organisation von Kollaboration in der Cloud Potenziale von Kollaboration Kollaboration als „Big Data“-Strategie
  3. 3. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 2 Teig Weizenmehl (Pfalzmühle Mannheim, Deutschland) Weizen (Feld in Hochborn, Deutschland) Backmischung (Deutschland) Vollmilchpulver Sojalecithin (Brasilien) Edamer Betacarotin Milch (Werk in Bayreuth, Deutschland) Tomatensosse Tomaten (Emilia-Romagna und Latium, Italien) Kräuter und Gewürze (Deutschland) Pfeffer (Muntok, Bangka, Indonesien) Knoblauch (Shandong, China) Chili (Muntok, Bangka, Indonesien) Oregano (Türkei) Rosmarin (Marokko) Basilikum (Kairo, Egypt) Thymian (Aschersleben, Deutschland) Geräucherte Salami Buchenholz-Pellets (Deutschland) Salami (Deutschland) Salz Schweinehälften (Belgien, Dänemark, Frankreich, [Vital-Fleisch] Deutschland, Niederlande) Speck Natriumnitrat Maltodextrin (EU, USA) Gewürze (China, Deutschland, Thailand) Ascorbinsäure (China, Deutschland, Thailand) Buchen (Westerwald und Ostalbkreis, Deutschland) Schweinefleisch (Belgien, Dänemark, Frankreich, Deutschland, Niederlande) L30827017F10647 Arbeitsbedingungen Tierhaltung Einsatz von Pestiziden (Bayernland, Deutschland) (Haas, Deutschland) Hygiene-Bestimmungen Quelle: Rohwetter, M.; Willmann, U. (2013): Der Pizza-Code. In: Zeit Online Wirtschaft; http://www.zeit.de/2013/31/lebensmittelindustrie-der-pizza-code, Zugriff: 17.08.2015 Ein einfaches Produkt hat eine komplexe DNA, die noch nicht vollständig dekodiert werden kann
  4. 4. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 3 Zutat Lieferant Stadt (Herkunft) Region (Herkunft) Land (Herkunft) Zusatzinformationen Ascorbinsäure - - - China, Deutschland, Thailand Arbeitsbedingungen: k.A. Backmischung - - - Deutschland Genaue Zusammensetzung: k.A. Basilikum - Kairo - Ägypten Arbeitsbedingungen: k.A. Betacarotin - - - - - Buchenholz - - Westerwald Deutschlan - Buchenholz-Pellets - - - Deutschland - Chili - Muntok - Indonesien Einsatz von Pestiziden: k.A. Edamer Bayernland Bayreuth - Deutschland Hygienebestimmungen: k.A. Knoblauch - Shandong - China Einsatz von Pestiziden: k.A. Milch Bauern Schilling, Rank Eckersdorf, Gefrees - Deutschland Hygienebestimmungen: k.A. Oregano - - - Turkey Einsatz von Pestiziden: k.A. Pfeffer - Muntok - Indonesien Einsatz von Pestiziden: k.A. Rosmarin - - - Marokko Einsatz von Pestiziden: k.A. Salami geräuchert Haas Nonnweiler - Deutschlan Hygienebestimmungen: k.A. Schweinehälften Vital-Fleisch - - Deutschland Hygienebestimmungen: k.A. Sojalecithin - - - Brasilien Einsatz von Pestiziden: k.A. Speck - - - - Tierhaltung: k.A. Thymian - Aschersleben - Deutschland Einsatz von Pestiziden: k.A. Tomaten - - Emilia-Romagna, Latium Italien Einsatz von Pestiziden: k.A. Weizen - Hochborn - Deutschland Einsatz von Pestiziden: k.A. Ein einfaches Produkt hat eine komplexe DNA, die noch nicht vollständig dekodiert werden kann
  5. 5. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 4 Kurz gesagt – nach Ansicht von “Transparenz und Rückverfolgbarkeit sind möglich, dank moderner Informationstechnik bis in den letzten Winkel der Erde. Wer sagt, er wisse etwas nicht, der lügt, ist schlecht organisiert oder kriminell.”
  6. 6. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 5 Zeit für eine kurze Umfrage… Frage 1: Mein Unternehmen ist in der Lage, Informationen zu allen unseren Produkten und verbauten Komponenten bereitzustellen, inklusive aller Daten und Dokumente zu Rohmaterialien und Dienstleistungen aus den entlegensten Winkeln der Erde, in Echtzeit. Ja. Nein. Falls “Nein”, bitte weiter mit Frage 2. Frage 2: Gründe für die Unfähigkeit meines Unternehmens sind: In meinem Unternehmen arbeiten nur Lügner. Mein Unternehmen arbeitet nach „Prinzip Zufall“ und ist schlecht organisiert. Mein Unternehmen agiert illegal – mit Vorsatz. Anmerkung: Mehrere Antworten sind möglich…
  7. 7. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 6 Die effiziente Wertschöpfung aus „Big Data“ wird in Zukunft ein kritischer Erfolgsfaktor für Unternehmen sein In den äusseren Schichten sind mehr Daten, unschärfere Daten, Daten mit höhere Änderungsfrequenz, … Daten in den äusseren Schichten sind weniger kontrolliert, kritisch, eindeutig, … „Nucleus“-Daten Kundenbeziehungen, Produktstammdaten, Mitarbeiterdaten usw. „Community“-Daten Adressen, öffentliche Unternehmensdaten, Bankstammdaten, Produktregistrierungen, Geo-Informationen, GTINs usw. „Open Big Data“ Tweets, Daten aus Sozialen Medien, Sensordaten, Wikipedia usw.
  8. 8. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 7 Agenda Organisation von Kollaboration in der Cloud Potenziale von Kollaboration Kollaboration als „Big Data“-Strategie
  9. 9. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 8 Mehr und mehr regulatorische Anforderungen Das Management von Geschäftspartnerdaten stellt alle Unternehmen vor die gleichen Herausforderungen Knappere Budgets bei wachsenden Qualitätsanforderungen Zunahme und Professionalisierung digitaler Betrügereien  Innovative Prozesse aufbauen, um Leistung mit weniger Ressourcen zu erhöhen  Digitalisierung manueller Prozesse, um Ressourcen und Risiken zu reduzieren  „Das Rad nicht neu erfinden“  Aufrüstung und Professionalisierung von Hacker-Organisationen  Parallele Attacken auf mehreren Kanälen, z.B. zeitweise Kontrolle von Email und Telefon eines Lieferanten  Gleiche Attacken gegen mehrere Unternehmen  Gewährleistung von Upstream- und Downstream-Transparenz zur Erfüllung von Gesetzen und Kundenbedarfen  Digitalisiertes Reporting zur Erfüllung gesetzlicher Anforderungen Share updated business partner data Share fraud warnings with forged data Share certificates and blacklists Share Aktuelle Geschäftspartnerdaten Share Warnungen zu Betrugsversuchen Share Zertifikate, Sanktionslisten usw.
  10. 10. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 9 Die Pflege von nur wenigen Geschäftspartner-Attributen verursacht den Hauptteil des Aufwands Anzahl Attribute Pflegeaufwand Geschäftspartner- Attribute Unternehmensname, Legalform Legal-/Liefer-/Rechnungs-/…-Adressen Hierarchien (legal, organisatorisch, …) IDs (Steuernummern, Registrierungen, …) Bankdaten (BIC, IBAN) Zertifikate (e.g. SAS70, ISO 9000) … Geschäftskontakte Kunden-/Lieferanten-Klassifikation Einkaufskonditionen Lieferbedingungen Zahlungskonditionen Partnerfunktionen … 5% 30% 70% 95% Öffentliche Daten, hohes Potential für Kollaboration … Kreditlimit Umrechnungskurse Mahnungsbedingungen Zahlungskonditionen Versicherungen Preise …
  11. 11. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 10 Eine Studie belegt das Potenzial kollaborativer Pflege von Geschäftspartnerdaten, schon bei nur 3 Unternehmen Deutschland Schweiz Regionaler Fokus Unternehmen Industrie Anzahl Datensätze A Chemie, Pharma Lieferanten CH: 8.537 Lieferanten DE: 82.924 B Konsumgüter Lieferanten CH: 9.593 Lieferanten DE: 14.617 C Chemie, Pharma Lieferanten CH: 18.573 Lieferanten DE: 43.812 A BC E DF G Unternehmen Überlappung D Überlappung E Überlappung F Überlappung G A 1.377 16.1% 0 0% 1.888 22.1% 2.628 30.8% 5.485 6.6% 0 0% 8.126 9.8% 11.407 13.7% B 709 7.4% 1.926 20.1% 0 0% 2.812 29.3% 3.038 20.1% 1.787 12.2% 0 0% 4.537 31.0% C 0 0% 2.895 15.6% 1.992 10.7% 4.194 22.6% 0 0% 3.923 8.9% 8.424 19.2% 9.950 22.7% Schon in einer Community von nur 3 Unternehmen können bis zu 31 % der Datensätze zu Deutschen und Schweizer Lieferanten gemeinsam gepflegt werden. Ergebnis der Studie
  12. 12. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 11 The Guardian berichtet über Bankdatenbetrug: Unternehmen überweist 17 Mio. Dollar an Betrüger
  13. 13. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 12 Agenda Organisation von Kollaboration in der Cloud Potenziale von Kollaboration Kollaboration als „Big Data“-Strategie
  14. 14. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 13 Es gibt zahlreiche Möglichkeiten, kollaboratives Datenmanagement zu organisieren Contributor roles Service provider Subscribed user Subscribed steward Data owner Forced data owner Third party steward Type of contribution Mandatory maintain Read only Payer Subscriber Forced data owner Third party (sponsor) Third party (data mining) Data maintainer Service provider Data owner Dedicated subscriber Any subscriber Third party steward Anybody Maintenance mode Regularly validation by steward Maintain if required Correction authorization Steward only All subscribers Anyone Change validation Validation by subscribers Validation by reference data No validation Liability for data defects Monetary fine Insurance fee Exclusion from community Performance ranking No liability Entry control Maintaining subscribers Subscribers Organizational maturity No entry control Transparency Known stewards Known subscribers Unknown stewards Unknown subscribers
  15. 15. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 14 Kollaboration und Cloud-Technologie sind die Eckpfeiler der Corporate Data League (CDL) Corporate Data League Das CDQ-Team  Organisiert die CDL-Community als neutraler Moderator  Betreibt die CDL-Cloud  Überwacht Datenqualität und Prozess-Performance  Stellt aktuelle Referenzdaten bereit (z.B. Blacklists, Business Rules) Die CDL-Cloud  Schützt sämtliche CDL-Daten durch moderne Sicherheits- Verfahren  Hält sämtliche Daten in einer geschützten Cloud, betrieben durch Swisscom in der Schweiz Die CDL-Mitglieder  Teilen Aktualisierungen von Geschäftspartnerdaten  Überprüfen von Aktualisierungen, um Datenqualität zu sichern  Austauschen von Compliance-Daten (z.B. Warnungen zu Betrugsversuchen)  Aktualisieren von Metadaten (z.B. Business Rules)  Austauschen von Best Practices * CDL members and interested companies CDL Cloud read write
  16. 16. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 15 Aktivitäten, die durch das Governance-Model zu organisieren sind • Datenpflege (z.B. Ändern einer Adresse) • Validierung (Prüfung, ob die Adressänderung korrekt ist) • Autorisierung (Aktualisierung der Adresse in der CDL-Datenbank) Exemplarische Design-Entscheidung: Welches Governance-Modell ist geeignet für die CDL? Governance-Optionen
  17. 17. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 16 Community-Eigenschaften unterscheiden die Corporate Data League von anderen Ansätzen Contributor roles Service provider Subscribed user Subscribed steward Data owner Forced data owner Third party steward Type of contribution Mandatory maintain Read only Payer Subscriber Forced data owner Third party (sponsor) Third party (data mining) Data maintainer Service provider Data owner Dedicated subscriber Any subscriber Third party steward Anybody Maintenance mode Regularly validation by steward Maintain if required Correction authorization Steward only All subscribers Anyone Change validation Validation by subscribers Validation by reference data No validation Liability for data defects Monetary fine Insurance fee Exclusion from community Performance ranking No liability Entry control Maintaining subscribers Subscribers Organizational maturity No entry control Transparency Known stewards Known subscribers Unknown stewards Unknown subscribers
  18. 18. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 17 Die Cloud-Services der CDL unterstützen verschiedene Phasen der Pflege von Geschäftspartnerdaten Lookup Required information: Name, country, locality Details ergänzen z.B. Legalform, Adressen, Bankdaten, Steuernummern usw. Compliance prüfen Prüfe Daten gegen CDL-Compliance-Datenbank Änderungsnachrichten Regelmässige Prüfung der Änderungsdienste Höhere Datenqualität Geringerer Pflegeaufwand Weniger Compliance-Risiken  Lookup business partner data in CDL database  Cleanse addresses  Translate addresses  Validate data  Lookup banking data  Match against blacklists  Check for banking fraud warnings  Pull updated business partner IDs  Pull updates per record Keine Pflege von Details, einfaches Kopieren aktueller und vollständiger DatenGeschäftspartner in CDL-Datenbank gefunden
  19. 19. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 18 Testen Sie die CDL-Cloud! www.corporate-data-league.ch CDL Metadata Repository Browse the documentation of CDL core concepts Browse CDL Business Rules Browse CDL Reference Data (e.g. blacklists) CDL Demo Web Application Create demo data and understand CDL Processes and CDL Business Rules Cleanse and translate data with the CDL Cleansing Engine Check data for duplicates with the CDL Matching Engine
  20. 20. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 19 Das Referenzbuch basierend auf 10 Jahren Forschung zum Management der strategischen Ressource Daten Veröffentlichung am 16. Oktober 2015 Datenqualitätsmanagement Fallstudien Tools und Methoden
  21. 21. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 20 www.cdq.ch CDQ AG www.corporate-data-league.ch Corporate Data League www.benchmarking.iwi.unisg.ch CC CDQ Benchmarking Platform www.xing.com/net/cdqm CC CDQ Community at XING Kontakt Universität St. Gallen simon.schlosser@unisg.ch Wissenschaftlicher Mitarbeiter +41 (0)79 9642762 CDQ AG kai.huener@cdq.ch Partner +49 (0)176 20195027 Dr. Kai Hüner Simon Schlosser
  22. 22. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 21 Corporate Data League Cross-corporate business partner data management in the cloud Increase data quality Automated address cleansing, normalization and translation, semantic business rules validation, state-of-the-art matching technology Reduce data maintenance efforts Common standards, trustful community, sharing of up-to-date information, managed community processes, and easy-to-use cloud services Manage compliance risks Up-to-date blacklist information, sharing of banking data fraud information, compliance with Swiss data privacy law, cloud services hosted in Switzerland Benefit from the shared wisdom of the crowd www.corporate-data-league.ch
  23. 23. © CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 22 Our Roots We are the leading authority for innovative data management solutions In 2006, Prof. Dr. Hubert Österle founded the Competence Center Corporate Data Quality at the University of St. Gallen. The Competence Center is a platform that develops methods and frameworks for effective corporate data management. CDQ AG is a spin-off of the University of St. Gallen. The company was founded in 2015. Until today, we have successfully implemented our methods and frameworks in over 80 projects with leading companies globally.

×