• Share
  • Email
  • Embed
  • Like
  • Save
  • Private Content
Information Quality
 

Information Quality

on

  • 1,201 views

 

Statistics

Views

Total Views
1,201
Views on SlideShare
1,177
Embed Views
24

Actions

Likes
0
Downloads
0
Comments
0

2 Embeds 24

http://www.linkedin.com 23
https://www.linkedin.com 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • Slovo data pochází z Latiny a znamená „Dát“, profile – z AJ – analyzovat banky jsou orientované produktově a je hodně projektů na datovou integraci
  • míra závislosti účasti na trhu a výkonem určuje hranice úspěšnosti, které jsou znázorněny dvěmi linkami hranicemi úspěchu. presence – vize/strategie, kanály/partneři, reputace, geografické pokrytí, investice, procento trhu performace – technologie, služby, cenová politika, hbitost, lidské zdroje, solventnost všichni vendoři mají standardizaci…., ale leaři mají také konektory a větší lokalizace pro jednotlivé země
  • míra závislosti účasti na trhu a výkonem určuje hranice úspěšnosti, které jsou znázorněny dvěmi linkami hranicemi úspěchu. presence – vize/strategie, kanály/partneři, reputace, geografické pokrytí, investice, procento trhu performace – technologie, služby, cenová politika, hbitost, lidské zdroje, solventnost všichni vendoři mají standardizaci…., ale leaři mají také konektory a větší lokalizace pro jednotlivé země
  • It is a component based GUI, all parameters can edited using it.
  • 14 mil. špatných trx. každé čtvrtletí produkty jsou lokalizovány do 30 jazyku a prodavany v 50 zemich

Information Quality Information Quality Presentation Transcript

  • INFORMATION QUALITY RETURN ON INVESTMENT Prezentace z pracovních snídaní září 2005 až prosinec 2006 Ing. Jaroslav Kalvoda
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních informací
        • Ostatní dopady nekvalitních informací
        • Metodologie zvýšení kvality informací
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních informací
        • Ostatní dopady nekvalitních informací
        • Metodologie zvýšení kvality informací
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Profil firmy Profinit
    • Poskytovatel IT řešení a služeb
    • Přibližně 60 konzultantů
    • Přibližně 170 milionů tržeb ročně
    • Meziroční růst 20%
    • Rating A2 v registru D & B
    • Kompetence firmy
        • Vývoj informačních systémů
        • Poskytování zkušených konzultantů
        • Data Management
  • Profil firmy Profinit
    • Poskytovatel IT řešení a služeb
    • Přibližně 60 konzultantů
    • Přibližně 170 milionů tržeb ročně
    • Meziroční růst 20%
    • Rating A2 v registru D & B
    • Kompetence firmy
        • Vývoj informačních systémů
        • Poskytování zkušených konzultantů
        • Data Management
    Professionals in Information Technology
  • Významní zákazníci firmy Profinit
    • Česká pošta, s.p.
    • Česká spořitelna, a.s.
    • Československá obchodní banka, a.s.
    • ČSOB Pojišťovna, a.s.
    • Komerční banka, a.s.
    • Letiště Praha, s.p.
    • Telefonica O 2 , a.s.
  • Vývoj informačních systémů
    • Komplexní realizace
        • Od business požadavků po odevzdání systému do provozu a zajištění technické podpory
    • Omezení rizik
        • Důraz na získávání know-how pro omezování rizik spojených s vývojem rozsáhlých systémů
          • Riziko prodloužení termínů
          • Riziko překročení rozpočtu
          • Riziko chyby v provozu
    • Příklady
    • Pojišťovací systém pro ČSOBP
    • Centrální adresa pro Českou poštu
  • Vývoj informačních systémů
    • Kvalita a riziko řešení
    A U P 20% 80% 100% Flexibilita Chaos Svázanost procesy Excelentní řešení Špatné řešení Průměrné řešení
  • Poskytování zkušených konzultantů
    • Naši experti patří k nejlépe hodnoceným
    • Vybíráme
        • Výjimečný talent
        • Kvalitní vzdělání
        • Bohatá zkušenost
        • Prokazatelné reference
        • Povinné další vzdělávání
    • Často spojeni se speciální technologií
        • Informatica, Teradata, ETL, Trillium Software
        • Oracle, Sybase, Cognos, Websphere, Java
    • Příklady
    • Komerční banka
    • Česká spořitelna
    • Náročný výběrový proces
    • Nízká fluktuace
  • Poskytování zkušených konzultantů
    • Na stranu zadavatele proti dodavateli
    Zadavatel Dodavatel Profinit Analýza a formulace zadání Project Management (EON, RFI, RFP, POC, FS) Quality Assurance Zadavatel A Zadavatel B Zadavatel C Dodavatel A Dodavatel B Dodavatel C
  • Data Management
    • Stěžejní témata
        • Datová integrace
        • Datové sklady
        • Informační a datová kvalita
        • ETL procesy
        • Master Data Management
    • Příklady
    • Datové sklady pro Komerční banku
    • CAODB pro Letiště Praha
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních informací
        • Ostatní dopady nekvalitních informací
        • Metodologie zvýšení kvality informací
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Vymezení pojmů - Souvislosti Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace )
  • Vymezení pojmů - Chybovost dat
    • Chyba je překročení přípustné míry nepřesnosti
    • Pro různé účely může být chybovost stejných dat hodnocena jako různá
    CHYBA OK CHYBA 110 00 106 00 OK OK OK Praha 10 Praha 10 CHYBA CHYBA CHYBA Jabloňová 10 Jabloňová 11 CHYBA OK CHYBA Jarosalv Kalvoda Jaroslav Kalvoda Faktura DM Image Chybný záznam Správný záznam
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních informací
        • Ostatní dopady nekvalitních informací
        • Metodologie zvýšení kvality informací
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Ekonomické dopady nekvalitních inf.
    • Marketing
        • Ztráty na zásilkách
        • Ušlý zisk
    • Obchod
        • Nerealizovaný Cross-selling
        • Chybné ceny
    • Cashflow
        • Nedoručené faktury
    • Management
        • Chybná rozhodnutí
  • Ztráty na zásilkách
    • Odesláním direct mailu na chybné adresy ztratíme peníze na:
        • Poštovném
        • Vytištění letáků
        • Práci
  • Ztráty na zásilkách 450 000 Kč 3 750 000 Kč Z tráta na kampani celkem 300 000 Kč 2 500 000 Kč Ztráta na letácích 150 000 Kč 1 250 000 Kč Ztráta na poštovném 20 Kč 20 Kč Cena letá ku 10 Kč 10 Kč Cena poštovného 15 000 125 000 Počet ztracených klientů 485 000 375 000 Počet oslovených klientů 3% 25% Chybovost databáze 500 000 500 000 Počet adres v databázi Vyčištěná data Původní data Porovnání kampaní
  • Ušlý zisk
    • Odesláním direct mailu na chybné adresy nezrealizujeme zisk, který bychom zrealizovali při odeslání na správné adresy.
  • Ušlý zisk 3 000 000 Kč 25 000 000 Kč Ušlý zisk 97 000 000 Kč 75 000 000 Kč Celkový zisk 20 000 Kč 20 000 Kč Průměrný zisk na zakázce 4 850 3 750 Počet uzavřených zakázek 1% 1% Účinnost kampaně 15 000 125 000 Počet ztracených klientů 485 000 375 000 Počet oslovených klientů 3% 25% Chybovost databáze 500 000 500 000 Počet adres v databázi Vyčištěná data Původní data Porovnání kampaní
  • Nerealizovaný Cross-selling
    • Příklad
        • Pokud pojišťovna nemá provázaný systém životního a neživotního pojištění, přichází o zakázky.
    • Obecně
        • Nemá-li obchodník v okamžiku komunikace se zákazníkem informace o dalších produktech, které by zákazník nakoupit mohl nebo které již nakoupil, přichází o zakázky.
  • Chybné ceny
    • Website error sells rooms for £ 2
        • Hotel vyprodal pokoje v novoroční době za zlomek běžné ceny z důvodu chyby na webu
        • Klienti zaplatili jen £ 2 namísto £ 220 za pokoj v Marriott **** hotelu, Huntington, Cambs.
        • Manažer Ian Pask řekl, že když chybu zjistili, rozhodli se jí uznat
  • Chybné ceny
    • Chyba na webu prodávala **** namísto ++
        • Canaria Travel na webu chybně označila kategorii prodávaného ubytování na Tenerife
        • Ubytovna ++ byla označena jako hotel ****
        • Po vyjednávání cestovní kancelář přesunula klienty do **** hotelu za ceny ++ ubytovny
  • Nedoručené faktury
    • V průzkumu provedeném PWC reportovalo 75 % ze vzorku 600 firem zásadní problémy jako důsledek nekvalitních dat.
    • Global Data Management Survey, 2004
    • Až celá třetina nezvládla doručit účet klientovi a tím neobdržela očekávaný příjem včas.
    • Global Data Management Survey, 2004
  • Nedoručené faktury 0 Kč 10 500 000 Kč Celkové zpoždění plateb 0 dnů 1 den Průměrné zpoždění platby 700 Kč 700 Kč Průměrná cena na faktuře 0 15 000 Počet opožděných faktur 0% 3% Chybovost PSČ 500 000 500 000 Počet adres v databázi Vyčištěná data Původní data Opožděné platby
  • Chybná rozhodnutí
    • Vložíte-li do systému nekvalitní data, dostanete nekvalitní výsledky. Odtud je jenom krok ke špatnému firemnímu rozhodnutí.
    • Andy Bury, Data Quality Manager, NCR
  • Ekonomické dopady nekvalitních inf.
    • Marketing
        • Ztráty na kampaních
        • Ušlý zisk
    • Obchod
        • Nerealizovaný Cross-selling
    • Cash flow
        • Nedoručené faktury
    • Management firmy
        • Chybná rozhodnutí
    • Vymyslete další ekonomické dopady
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních informací
        • Ostatní dopady nekvalitních informací
        • Metodologie zvýšení kvality informací
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Ostatní dopady nekvalitních informací
    • Image firmy
        • Příklad Barbra Streisand
    • Správná identifikace osoby nebo firmy
        • Příklad Soudní spor
        • Příklad Policie
        • Příklad Nemocnice
    • Legislativa
        • Příklad Enron
  • Příklad Barbra Streisand
    • Barbra si velmi zakládá na svém křestním jménu, často je chybně jmenována Barbara.
    • Zrušila své účty u banky, která jí přes upozornění posílala výpisy na jméno Barbara.
  • Příklad Soudní spor
    • Pro vedení soudního sporu je třeba, aby:
        • Na všech daňových dokladech byl správně uveden adresát
        • Na všech smlouvách byly správně uvedeny smluvní strany
    • Je rozdíl mezi:
        • Firma, s.r.o.
        • Firma, spol. s r.o.
    • Chyby mohou být v případě soudních sporů velmi drahé.
  • Příklad Policie
    • Nevinný muž byl držen ve vazbě.
    • Důvodem byla chybná identifikace jako důsledek špatné datové kvality.
    • Chyby v datové kvalitě u policie mohou mít vážné následky.
  • Příklad Nemocnice
    • Pacient v nemocnici dostal jiné léky než, které mu byly určeny.
    • Důvodem byla chybná identifikace pacienta jako důsledek špatné datové kvality.
    • Chyby v nemocnici mohou mít fatální následky.
    • Obdobné důsledky najdeme v lékárnách
  • Příklad Enron
    • V dnešním světě existují stovky regulací, kterými se musí business řídit. Součástí všech je reportování podmíněné určitou úrovní datové kvality.
        • Sarbanes-Oxley (USA)
        • OFAC (USA)
        • Patriot Act (USA)
        • Higgs Report (UK)
        • IAS (UK/Europe)
        • Basel II (Europe)
  • Příklad Enron
    • V dnešním světě existují stovky regulací, kterými se musí business řídit. Součástí všech je reportování podmíněné určitou úrovní datové kvality.
        • Sarbanes-Oxley (USA)
        • OFAC (USA)
        • Patriot Act (USA)
        • Higgs Report (UK)
        • IAS (UK/Europe)
        • Basel II (Europe)
    Ke krachu firmy vedly sofistikované a legálně se tvářící operace. Tržní hodnota firmy klesla z 60 miliard na nulu, penzijní plán přišel o 2,1 miliardy a o práci přišlo 5600 lidí. Předseda správní rady Kenneth Lay a generální ředitel Jefferey Skilling byli shledáni vinnými a za podvody přes 80 milionů dolarů jim hrozí trest přes 20 let. K ochraně investorů platí již čtvrtým rokem zákon Sarbanes-Oxley. Reportování je podmíněno kvalitními daty.
  • Příklad Enron
    • V dnešním světě existují stovky regulací, kterými se musí business řídit. Součástí všech je reportování podmíněné určitou úrovní datové kvality.
        • Sarbanes-Oxley (USA)
        • OFAC (USA)
        • Patriot Act (USA)
        • Higgs Report (UK)
        • IAS (UK/Europe)
        • Basel II (Europe)
    • Jaký zůstatek máme reportovat?
    • Kde toto číslo v systému vzniklo?
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních informací
        • Ostatní dopady nekvalitních informací
        • Metodologie zvýšení kvality informací
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) Metodik y IQ např. TIQM Nástroj e DQ např. Trillium
  • Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) TIQM Nástroj e DQ např. Trillium
  • Metodika TIQM P1 Hodnocení kvality definice dat a informační architektury P2 Hodnocení kvality informací P3 Hodnocení nákladů na nekvalitní informace P4 Reengineering a čištění dat P5 Zlepšení kvality informačních procesů Zhodnocení kvality definice dat Zhodnocení kvality informací Poměr hodnoty a nákladů na informaci Vyčištěná data Zlepšená kvalita informací P6 Tvorba prostředí podporující kvalitu informací Zdroj: Information Impact International
  • Metodika TIQM P1 Hodnocení kvality definice dat a informační architektury P2 Hodnocení kvality informací P3 Hodnocení nákladů na nekvalitní informace P4 Reengineering a čištění dat P5 Zlepšení kvality informačních procesů Zhodnocení kvality definice dat Zhodnocení kvality informací Poměr hodnoty a nákladů na informaci Vyčištěná data Zlepšená kvalita informací P6 Tvorba prostředí podporující kvalitu informací Zdroj: Information Impact International S1.1 Identifikace prostředků pro kvalitní definici dat S1.2 Vymezení skupin informací, které budou hodnoceny S1.3 Identifikace zainteresovaných stran S1.4 Technické hodnocení definice dat S1.5 Hodnocení kvality architektury a designu DB S1.6 Hodnocení spokojenosti uživatelů s definicí dat
  • Metodika TIQM P1 Hodnocení kvality definice dat a informační architektury P2 Hodnocení kvality informací P3 Hodnocení nákladů na nekvalitní informace P4 Reengineering a čištění dat P5 Zlepšení kvality informačních procesů Zhodnocení kvality definice dat Zhodnocení kvality informací Poměr hodnoty a nákladů na informaci Vyčištěná data Zlepšená kvalita informací P6 Tvorba prostředí podporující kvalitu informací Zdroj: Information Impact International S2.1 Identifikuje skupinu informací, která bude předmětem šetření. S2.2 Určují se kriteria , která budou předmětem zkoumání. S2.3 Dokumentuje řetězec vzniku nákladů a zhodnocení informace. S2.4 Výběr souborů a procesů ke zhodnocení. S2.5 Určení zdrojů, proti kterým budou data validována. S2.6 Získání náhodných vzorků dat. S2.7 Měření informační kvality S2.8 Interpretace a reporting informační kvality
  • Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) Metodik y IQ např. TIQM Nástroj e DQ např. Trillium
  • Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) Metodik y IQ např. TIQM Nástroj e DQ
  • Nástroje pro zvýšení kvality dat Repository Zdrojová data Profiling ETL Obohacení Provázání Integra ce Standardizace Etapy procesu čištění dat Profiling
  • Profiling
    • Data profiling poskytuje uživatelům ohromnou možnost poznání stavu jej i ch dat, předtím než vůbec začnou projekt datové integrace nebo proces datové kvality , což může nejen dramaticky snížit čas a úsilí, ale také zvýšit šanci takového projektu na úspěch.
    • Doug Laney, Vicepresident, META Group Inc.
    Zjištění objektivního a přesného obrazu o struktuře a obsahu dat
  • Standardizace
    • Vstupní záznam
    • Úřad Vlády
    • Ing. Jura Novák
    • Nábřeží Eduarda Beneše 4
    • 118 01 Praha 1
    • tel: 224002335
    • e-mail: pošta@vlada.cz
    • Výstupní záznam
    • titul: Ing.
    • křestní jméno: Ji ří
    • příjmení: Novák
    • firma: Úřad vlády ČR
    • ulice: nábř. Edvarda Beneše
    • číslo: 4
    • obec: Praha 1
    • PSČ: 118 01
    • tel: +420 224002335
    • e-mail: posta@vlada.cz
    Tvorba konzistentního záznamu zákazníka
  • Obohacení
    • Vstupní záznam
    • titul: Ing.
    • křestní jméno: Jiří
    • příjmení: Novák
    • firma: Úřad vlády ČR
    • ulice: nábř. Edvarda Beneše
    • číslo: 4
    • obec: Praha
    • PSČ: 118 01
    • tel: +420 224002335
    • e-mail: posta@vlada.cz
    • Výstupní záznam
    • titul: Ing.
    • křestní jméno: Jiří
    • příjmení: Novák
    • firma: Úřad vlády ČR
    • ulice: nábř. Edvarda Beneše
    • číslo popisné: 130
    • číslo orientační: 4
    • obec: Praha
    • část obce: Malá Strana (Praha 1)
    • PSČ: 118 01
    • tel: +420 224002340
    • e-mail: posta@vlada.cz
    Doplnění a opravení chybějících údajů podle různých zdrojů
  • Provázání Centrální databáze klientů Černý Jan, Ing. Ing. Jan Černý Honza Černý Rodina Černých Jan Černý Deduplikace a identifikace householdů Univerzita Karlova Klub zahraničních pedagogů Identifikace záznamů se společným faktorem Identifikace duplicitních záznamů
    • Příklad leasingové společnosti
    • Zdánlivě rizikový klient
    • Zdánlivě nerizikový klient
  • Přehled světového trhu DQ Tools Zdroj: META Group, Inc, 2004 Business Objects IBM Informatica Konsolidace světového trhu DQ Tools svědčí o přesunu zájmu vendorů i klientů k oblasti datové kvality
  • Přehled světového trhu DQ Tools Zdroj: META Group, Inc, 2004
  • Trillium Software
  • Trillium Software
    • Leader mezi DQ nástroji
    • Český geocoder
    • Více než 1700 prodaných licencí v celém světě
    • Globální pokrytí
    • Dlouhá historie
    • Cenová flexibilita
    Podle Gartnera a Forrestera Jediný z hodnocených nástrojů s českým geocoderem Nejrozšířenější nástroj na kontrolu kvality ve světě Zastoupen ve 27 zemích 25-leté know how Tříletý vývoj poslední verze za 6.5 milionů USD Světová kvalita za přijatelné ceny
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních informací
        • Ostatní dopady nekvalitních informací
        • Metodologie zvýšení kvality informací
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Vyhodnocení návratnosti investic
    • Možnosti řešení informační kvality
        • Do nothing
        • Cleansing (DQ)
        • Improving (IQ)
    Porovnáme v příkladu
  • Vyhodnocení návratnosti investic 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Původní data Porovnání kampaní
  • Vyhodnocení návratnosti investic Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Původní data Porovnání kampaní
  • Vyhodnocení návratnosti investic 581 000 000 Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Původní data Porovnání kampaní
  • Vyhodnocení návratnosti investic 581 000 000 Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
  • Vyhodnocení návratnosti investic 581 000 000 Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
  • Vyhodnocení návratnosti investic 581 000 000 Celkem 22 000 000 6 000 000 Náklady na zvýšení kvality dat za 5 let 2 400 000 1 200 000 Roční náklady na správu dat 1 000 000 0 Roční poplatek za údržbu 5 000 000 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
  • Vyhodnocení návratnosti investic 91 000 000 581 000 000 Celkem 22 000 000 6 000 000 Náklady na zvýšení kvality dat za 5 let 2 400 000 1 200 000 Roční náklady na správu dat 1 000 000 0 Roční poplatek za údržbu 5 000 000 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
  • Vyhodnocení návratnosti investic Celková úspora u tohoto příkladu za 5 let 490 milionů korun
    • Připočtěte:
    • Nerealizovaný Cross-selling
    • Riziko chybných rozhodnutí
    • Riziko soudních sporů
    • Riziko vysokých pokut regulátorů
    91 000 000 581 000 000 Celkem 22 000 000 6 000 000 Náklady na zvýšení kvality dat za 5 let 2 400 000 1 200 000 Roční náklady na správu dat 1 000 000 0 Roční poplatek za údržbu 5 000 000 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních informací
        • Ostatní dopady nekvalitních informací
        • Metodologie zvýšení kvality informací
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Případové studie
    • Microsoft
    • Ministerstvo obrany UK
    • Letiště Praha
    • Banka
  • Microsoft
    • Výzva
        • Celosvětové použití databáze napříč společností
        • Potřeba detailních informací o prodejích
        • Týdenní přírůstek 50.000 chybných záznamů
    • Přínosy řešení
        • Rychlá implementace (3 měsíce, 20 specialistů)
        • Zkrácení generování reportů (z 5 dnů na 2 dny)
        • Jednodušší ověření dat (z 18 pracovníků na 8)
        • Návratnost investic 10-ti násobná již v prvním roce implementace
  • Min i sterstvo obrany UK
    • Výzva
        • Konsolidovat data z více než 860 systémů
        • Zlepšit efektivitu dodavatelského řetězce
        • Zpracovávat velké objemy dat
    • Přínosy řešení
        • Úspora £ 20 mil během 2 let
        • Zvýšení efektivity provozu
        • Zvýšení efektivity správy dat
        • Dosažení konzistence dat napříč všemi složkami britské armády
    http://www.mod.uk/dlo/index.html
  • Letiště Praha
    • Výzva
        • Konsolidovat data z různých zdrojů, vytvořit centrální úložiště se správnými daty
        • Dosáhnout maximální přípustné zpoždění 30 sekund
        • Mnoho zdrojů, často s nízkou kvalitou dat
        • Minimum času na řešení chybových stavů
    • Použité metodiky na nástroje
        • TIQM
        • Informatika a Message Broker
        • Trillium Software
  • Banka
    • Předpokládaná chybovost 20% až 30%
    • Skutečná chybovost 47%
    • Výsled ky automatizované opravy jmenných a adresních záznamů ukazuje tabulka
    3% 58 679 Opravená nebo rekonstruovaná příjmení 3% 59 225 Opravená nebo rekonstruovaná křestní jména 4% 85 549 Opravená nebo rekonstruovaná PSČ 23% 505 330 Opravené nebo rekonstruované názvy ulic 31% 664 500 Opravené nebo rekonstruované názvy měst 47% 1 014 000 Opravené nebo rekonstruované záznamy 100% 2 165 000 Počet záznamů k opravě celkem
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních dat
        • Ostatní dopady nekvalitních dat
        • Metodologie zvýšení kvality dat
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Doporučené zdroje informací
    • ROI Calculator
    • Library
  • Doporučené zdroje informací
    • Larry English
    • Improving Data Warehouse and Business Information Quality: Methods for Reducing Costs and Increasing Profits
    • Wiley Computer Publishing, 1999
    • Information Impact International
  • Obsah prezentace
    • Představení firmy Profinit
    • Návratnost investic do Informační kvality
        • Vymezení základních pojmů
        • Ekonomické dopady nekvalitních informací
        • Ostatní dopady nekvalitních informací
        • Metodologie zvýšení kvality informací
        • Vyhodnocení návratnosti investic
        • Případové studie
        • Doporučené zdroje informací
  • Otázky [email_address]