View
2.581
Download
5
Category
Preview:
DESCRIPTION
Citation preview
6. Workshop Business Intelligence und Data
Quality Management
Data Quality Management: Geht doch auch ohne!?
BUSINESS INTELLIGENCE RESEARCH
Dresden, 02.12.2011
© 2011 BearingPoint GmbH 2
Agenda
Data Quality Management: Geht doch auch ohne!?
Data Quality Management: Was passiert, wenn nichts passiert
Datenqualität: Kurzüberblick
Praxisbeispiel
BearingPoint
Data Quality Management: Lösungsansätze
© 2011 BearingPoint GmbH 3
BearingPoint im Überblick
Consultants: 2.750
Partner: 140
Gesamtzahl der
Mitarbeiter: 3.200
Umsatz 2010: €462 Millionen
Unser Beratungsansatz
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.
Technology
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 4
BearingPoint (Deutschland)
BearingPoint
Management & Technology Consultants
Platz 11 der TOP 25 Managementberatungsunternehmen auf der Lünendonk-Liste 2011
207 Mio. Euro Umsatz (2010)
Rund 1.400 Mitarbeiter in Deutschland
Acht Standorte mit Hauptsitz in Frankfurt am Main
Unsere Kunden
Wir beraten mehr als 450 Kunden, darunter mehr als 20 der 30 DAX-Unternehmen, viele Bundesministerien sowie die Europäische Gemeinschaft, die Top 5 der deutschen Banken und die Top 5 der deutschen Versicherungen
Partnerschaften
Mehr als 40 marktführende Allianzpartner, u. a. IBM, HP, Oracle, Microsoft, SAP, Informatica
© 2011 BearingPoint GmbH 5
Agenda
Data Quality Management: Geht doch auch ohne!?
Data Quality Management: Was passiert, wenn nichts passiert
Datenqualität: Kurzüberblick
Praxisbeispiel
BearingPoint
Data Quality Management: Lösungsansätze
© 2011 BearingPoint GmbH 6
Kurze Einführung: Merkmale für Datenqualität
Korrektheit
Widerspruchs-freiheit
Zuverlässigkeit
syntaktische Korrektheit
Datenherkunft
Vollständigkeit
Genauigkeit
Redundanz-freiheit
zeitlicher Bezug (Aktualität, zeitl. Konsistenz)
Nicht Volatilität
Relevanz
Einheitlichkeit
Eindeutigkeit
Verständlichkeit
eindeutige Schlüssel
Referentielle Integrität
Data Quality Management
Glaubwürdigkeit Nützlichkeit Interpretierbarkeit Integrität
© 2011 BearingPoint GmbH 7
Agenda
Data Quality Management: Geht doch auch ohne!?
Data Quality Management: Was passiert, wenn nichts passiert
Datenqualität: Kurzüberblick
Praxisbeispiel
BearingPoint
Data Quality Management: Lösungsansätze
© 2011 BearingPoint GmbH 8
Die Aussagen im Unternehmen zum Thema Datenqualität ähneln sich oft
Mein Daten prüfe ich selbst Mein Daten
gehören mir
Ich besitze den Quell der Weisheit!
Nur meine Daten sind richtig!
Ich brauche die Daten eh immer
anders
Ich brauche keine Daten
Ich vertraue auf alles, was ich
bekomme
Nur externe Daten sind gut
Ich stelle meine Daten nur in
meinen Formaten bereit
© 2011 BearingPoint GmbH 9
Jeder Bereich „spricht“ eine eigene Sprache basierend auf unterschiedlichen Anforderungen…
Einkauf
Planung Personal Organisa-
tion
Produktion Entwick-
lung
Verkauf Marketing Bilanzie-
rung
Unter-nehmens-struktur
Mitarbeiter Wachstum
Qualität einkaufen
Veredeln Innovation
Hohe Erlöse
Positive Außen-
darstellung
Abrechnung
© 2011 BearingPoint GmbH 10
… aus welchen sich im Idealfall ein gemeinsamer Datenhaushalt ableiten ließe,
Daten, die ausschließlich in diesen Bereichen anfallen
Daten aus anderen Bereichen, die jeweils ganz oder teilweise benötigt werden könn(t)en
© 2011 BearingPoint GmbH 11
… was aber leider selten der Fall ist.
Bilanzie-rung
Möglichst keine
Daten-weitergabe
Daten im Monats, Quartals
und Jahres-rytmus Zeitliche
Ausrichtung in Monaten,
nicht historisch
Viele Plan- und
Spieldaten, Vorgaben
Daten werden
täglich neu in Minuten
erfasst
© 2011 BearingPoint GmbH 12
Agenda
Data Quality Management: Geht doch auch ohne!?
Data Quality Management: Was passiert, wenn nichts passiert
Datenqualität: Kurzüberblick
Praxisbeispiel
BearingPoint
Data Quality Management: Lösungsansätze
© 2011 BearingPoint GmbH 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 14
Praxisbeispiel fehlendes DQM - Folgen
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.
Die Folgen bilden eine Domino-Kette:
© 2011 BearingPoint GmbH 15
Data Warehouse
Einführung Gesetzliche Vorgaben
Entstandene Verluste Technischer Datenabgleich
Konsolidierung von Umgebungen (z.B. nach Übernahmen)
Unternehmensübergrei-fender Datenaustausch
Einführung von
Data Quality Management
Weitere Gründe für die Durchführung von Data Quality Projekten im Unternehmen
© 2011 BearingPoint GmbH 16
Agenda
Data Quality Management: Geht doch auch ohne!?
Data Quality Management: Was passiert, wenn nichts passiert
Datenqualität: Kurzüberblick
Praxisbeispiel
BearingPoint
Data Quality Management: Lösungsansätze
© 2011 BearingPoint GmbH 17
Data Quality Management lässt sich in fünf Kategorien einteilen
Data Profiling Auditing (Analyse der Daten) und Messung der Datenqualität
Data Cleansing (Transformieren, Vereinheitlichen, Bereinigen von
Daten)
Permanentes Data Quality Management
Masterdaten- management
Metadatenmanagement
Data Quality Monitoring Data Quality Management
Namen/Adressen (Vereinheitlichung und Korrektur) Regelentdeckung (Entdecken von „Geschäftsregeln“ und entsprechende Korrekturen) Record Linkage (Erkennen und Zusammenführen von Duplikaten)
1 2
3
4
5
© 2011 BearingPoint GmbH 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 19
Agenda
Data Quality Management: Geht doch auch ohne!?
Data Quality Management: Was passiert, wenn nichts passiert
Datenqualität: Kurzüberblick
Praxisbeispiel
BearingPoint
Data Quality Management: Lösungsansätze
© 2011 BearingPoint GmbH 20
Praxisbeispiel 1: DQM-Data Mart & Reporting (System-Überblick)
© 2011 BearingPoint GmbH 21
Praxisbeispiel 1: DQM-Data Mart & Reporting (Herkunft Kennzahlen)
© 2011 BearingPoint GmbH 22
Praxisbeispiel 2: DQM-Data Mart + Reporting Frontend-Sicht (Report und Analyse)
kumulierte Fehler der letzten 30 Tage (je 1.000 Fehler)
0
2
4
6
8
10
12
01.0
2.0
8
03.0
2.0
8
05.0
2.0
8
07.0
2.0
8
09.0
2.0
8
11.0
2.0
8
13.0
2.0
8
15.0
2.0
8
17.0
2.0
8
19.0
2.0
8
21.0
2.0
8
23.0
2.0
8
25.0
2.0
8
27.0
2.0
8
29.0
2.0
8
02.0
3.0
8
Diagramm
X schliessen
© 2011 BearingPoint GmbH 23
Ansprechpartner bei BearingPoint
Silvio Kressin Senior Manager
T (+49) 69 13022 1859 M (+49) 174 309 2679
Silvio.kressin@bearingpoint.com
André Trappmann Technology Architect
T (+49) 40 4149 2026 M (+49) 173 600 6783
andre.trappmann@bearingpoint.com
Eckhard Kalbhenn Technology Architect
T (+49) 69 13022 5816 M (+49) 174 3015 360
eckhard.kalbhenn@bearingpoint.com
© 2011 BearingPoint GmbH 24
Fragen und Antworten
© 2011 BearingPoint GmbH 25
© 2011 BearingPoint GmbH 26
Data Profiling: Techniken zur formalen Untersuchung der Daten
Quelle: nach TDWI
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
© 2011 BearingPoint GmbH 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
Recommended