Data Quality Management: Geht doch auch ohne!?

3,190 views
3,061 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
3,190
On SlideShare
0
From Embeds
0
Number of Embeds
2
Actions
Shares
0
Downloads
21
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Data Quality Management: Geht doch auch ohne!?

  1. 1. 6. Workshop Business Intelligence und DataQuality ManagementData Quality Management: Geht doch auch ohne!? BUSINESS INTELLIGENCE RESEARCH Dresden, 02.12.2011
  2. 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. 3. BearingPoint im ÜberblickConsultants: 2.750Partner: 140Gesamtzahl derMitarbeiter: 3.200Umsatz 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 TechnologyBeratungsansatz 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. 4. BearingPoint (Deutschland)BearingPoint Unsere KundenManagement & Technology Consultants Wir beraten mehr als 450 Kunden, darunter mehr als 20 der 30 DAX-Unternehmen, viele Bundesministerien sowie die EuropäischePlatz 11 der TOP 25 Managementberatungsunternehmen auf der Gemeinschaft, die Top 5 der deutschen Banken und die Top 5 derLünendonk-Liste 2011 deutschen Versicherungen207 Mio. Euro Umsatz (2010) PartnerschaftenRund 1.400 Mitarbeiter in Deutschland Mehr als 40 marktführende Allianzpartner, u. a. IBM, HP, Oracle, Microsoft, SAP, InformaticaAcht Standorte mit Hauptsitz in Frankfurt am Main © 2011 BearingPoint GmbH 4
  5. 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. 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. 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. 8. Die Aussagen im Unternehmen zum ThemaDatenqualität 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. 9. Jeder Bereich „spricht“ eine eigene Sprachebasierend 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. 10. … aus welchen sich im Idealfall eingemeinsamer Datenhaushalt ableiten ließe,Daten ausanderenBereichen, diejeweils ganzoder teilweisebenötigtwerdenkönn(t)enDaten, dieausschließlichin diesenBereichenanfallen © 2011 BearingPoint GmbH 10
  11. 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. 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. 13. Praxisbeispielfehlendes DQM – Ist-ZustandKommunalverwaltung einer deutschenGroßstadt 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. 14. Praxisbeispielfehlendes DQM - FolgenDie 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 vorgenommenDamit keine Akzeptanz des SAP-BW. Potenziale zurVerbesserung der Planungsprozesse und desstrategischen und operativen Reportings werden nichtausgenutzt. © 2011 BearingPoint GmbH 14
  15. 15. Weitere Gründe für die Durchführung vonData 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. 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. 17. Data Quality Managementlässt 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. 18. Data Quality Projekte benötigen in 99% derFälle 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. 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. 20. Praxisbeispiel 1:DQM-Data Mart & Reporting (System-Überblick) © 2011 BearingPoint GmbH 20
  21. 21. Praxisbeispiel 1:DQM-Data Mart & Reporting (Herkunft Kennzahlen) © 2011 BearingPoint GmbH 21
  22. 22. Praxisbeispiel 2: DQM-Data Mart + ReportingFrontend-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. 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. 24. Fragen und Antworten © 2011 BearingPoint GmbH 24
  25. 25. © 2011 BearingPoint GmbH 25
  26. 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 sinnvollQuelle: nach TDWI © 2011 BearingPoint GmbH 26
  27. 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

×