Upload
jerrykprague
View
761
Download
2
Embed Size (px)
Citation preview
INFORMATION QUALITYRETURN ON INVESTMENT
Prezentace z pracovních snídanízáří 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 O2, 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 UP
20%
80%
100%
Flexibilita
Chaos
Svázanostprocesy
Excelentnířešení
Špatnéřešení
Průměrnéřešení
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
Pro
finitAnalýza 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 datinformace = f(data, definice, prezentace)
Vymezení pojmů - Chybovost dat
Správný záznam Chybný záznam Image DM Faktura
Jaroslav Kalvoda Jarosalv Kalvoda CHYBA OK CHYBA
Jabloňová 11 Jabloňová 10 CHYBA CHYBA CHYBA
Praha 10 Praha 10 OK OK OK
106 00 110 00 CHYBA OK CHYBA
• Chyba je překročení přípustné míry nepřesnosti• Pro různé účely může být chybovost stejných dat
hodnocena jako různá
Obsah prezentace
Představení firmy Profinit
• Návratnost investic do Informační kvalityVymezení 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
Porovnání kampaní Původní data Vyčištěná data
Počet adres v databázi 500 000 500 000
Chybovost databáze 25% 3%
Počet oslovených klientů 375 000 485 000
Počet ztracených klientů 125 000 15 000
Cena poštovného 10 Kč 10 Kč
Cena letáku 20 Kč 20 Kč
Ztráta na poštovném 1 250 000 Kč 150 000 Kč
Ztráta na letácích 2 500 000 Kč 300 000 Kč
Ztráta na kampani celkem 3 750 000 Kč 450 000 Kč
Ušlý zisk
• Odesláním direct mailu na chybné adresy nezrealizujeme zisk, který bychom zrealizovali při odeslání na správné adresy.
Ušlý zisk
Porovnání kampaní Původní data Vyčištěná data
Počet adres v databázi 500 000 500 000
Chybovost databáze 25% 3%
Počet oslovených klientů 375 000 485 000
Počet ztracených klientů 125 000 15 000
Účinnost kampaně 1% 1%
Počet uzavřených zakázek 3 750 4 850
Průměrný zisk na zakázce 20 000 Kč 20 000 Kč
Celkový zisk 75 000 000 Kč 97 000 000 Kč
Ušlý zisk 25 000 000 Kč 3 000 000 Kč
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 nebokteré 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 PWCreportovalo 75% ze vzorku 600 firemzásadní problémyjako důsledek nekvalitních dat.
Global Data Management Survey, 2004
• Až celá třetina nezvládla doručit účet klientovia tím neobdržela očekávaný příjem včas.
Global Data Management Survey, 2004
Nedoručené faktury
Opožděné platby Původní data Vyčištěná data
Počet adres v databázi 500 000 500 000
Chybovost PSČ 3% 0%
Počet opožděných faktur 15 000 0
Průměrná cena na faktuře 700 Kč 700 Kč
Průměrné zpoždění platby 1 den 0 dnů
Celkové zpoždění plateb 10 500 000 Kč 0 Kč
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.
MarketingZtráty na kampaníchUšlý zisk
ObchodNerealizovaný Cross-selling
Cash flowNedoručené faktury
Management firmyChybná rozhodnutí
• Vymyslete další ekonomické dopady
Obsah prezentace
Představení firmy Profinit
• Návratnost investic do Informační kvalityVymezení základních pojmůEkonomické 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 případěsoudních 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 mohoumít fatální následky.
• Obdobné důsledky najdemev 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 kvalityVymezení základních pojmůEkonomické dopady nekvalitních informacíOstatní 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 datinformace = f(data, definice, prezentace)
Metodiky IQ
např. TIQM
Nástroje DQ
např. Trillium
Metodologie zvýšení kvality informací
Informační kvalita
Datová kvalita
Vztah informací a datinformace = f(data, definice, prezentace)
TIQM
Nástroje DQ
např. Trillium
Metodika TIQM
P1Hodnocení
kvalitydefinice data informačníarchitektury
P2Hodnocení
kvalityinformací
P3Hodnocení
nákladůna nekvalitní
informace
P4Reengineeringa čištění dat
P5Zlepšení kvality
informačníchprocesů
Zhodnoceníkvality
definice dat
Zhodnoceníkvality
informací
Poměr hodnotya nákladů na
informaci
Vyčištěná data
Zlepšená kvalitainformací
P6Tvorba prostředí podporující kvalitu informací
Zdroj: Information Impact International
Metodika TIQM
P1Hodnocení
kvalitydefinice data informačníarchitektury
P2Hodnocení kvality
informací
P3Hodnocení
nákladůna nekvalitní
informace
P4Reengineering
a čištění dat
P5Zlepšení kvality
informačníchprocesů
Zhodnoceníkvality
definice dat
Zhodnoceníkvality
informací
Poměr hodnotya nákladů na
informaci
Vyčištěná data
Zlepšená kvalitainformací
P6Tvorba 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
P1Hodnocení kvality
definice data informačníarchitektury
P2Hodnocení
kvalityinformací
P3Hodnocení
nákladůna nekvalitní
informace
P4Reengineering
a čištění dat
P5Zlepšení kvality
informačníchprocesů
Zhodnoceníkvality
definice dat
Zhodnoceníkvality
informací
Poměr hodnotya nákladů na
informaci
Vyčištěná data
Zlepšená kvalitainformací
P6Tvorba 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 datinformace = f(data, definice, prezentace)
Metodiky IQ
např. TIQM
Nástroje DQ
např. Trillium
Metodologie zvýšení kvality informací
Informační kvalita
Datová kvalita
Vztah informací a datinformace = f(data, definice, prezentace)
Metodiky IQ
např. TIQM
Nástroje DQ
Nástroje pro zvýšení kvality dat
Repository
Zdrojová data
Profiling
ETL
Obohacení
Provázání
Integrace
Standardizace Etapy procesučištění dat
Profiling
Profiling
• Data profiling poskytuje uživatelům ohromnou možnost poznání stavu jejich 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 záznamÚřad Vlády
Ing. Jura Novák
Nábřeží Eduarda Beneše 4
118 01 Praha 1
tel: 224002335
e-mail: poš[email protected]
Výstupní záznamtitul: Ing.křestní jméno: Jiřípříjmení: Novákfirma: Úřad vlády ČRulice: nábř. Edvarda Benešečíslo: 4obec: Praha 1PSČ: 118 01tel: +420 224002335e-mail: [email protected]
Tvorba konzistentního záznamu zákazníka
Obohacení
Vstupní záznamtitul: 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: [email protected]
Výstupní záznamtitul: Ing.křestní jméno: Jiřípříjmení: Novákfirma: Úřad vlády ČRulice: nábř. Edvarda Benešečíslo popisné: 130číslo orientační: 4obec: Praha část obce: Malá Strana (Praha 1)PSČ: 118 01tel: +420 224002340e-mail: [email protected]
Doplnění a opravení chybějících údajů podle různých zdrojů
Provázání
Centrální databázeCentrální databázeklientůklientů
Centrální databázeCentrální databázeklientůklientů
Černý Jan, Ing.Černý Jan, Ing.
Ing. Jan ČernýIng. Jan Černý
Honza ČernýHonza Černý
Rodina ČernýchRodina ČernýchJan ČernýJan Černý
Deduplikace a identifikace householdů
Univerzita KarlovaUniverzita Karlova
Klub zahraničních Klub zahraničních pedagogůpedagogů
Identifikace záznamůse společným faktorem
Identifikaceduplicitních záznamů
Příklad leasingové společnosti
1)Zdánlivě rizikový klient
2)Zdánlivě nerizikový klient
Přehled světového trhu DQ Tools
Zdroj: META Group, Inc, 2004
Business Objects
IBM
Informatica
Konsolidace světového trhu DQ Toolssvědčí 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 1700prodaných licencí v celém světě
• Globální pokrytí
• Dlouhá historie
• Cenová flexibilita
Podle Gartneraa 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 kvalityVymezení základních pojmůEkonomické dopady nekvalitních informacíOstatní dopady nekvalitních informacíMetodologie 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
Porovnání kampaní Původní data
Ztráty na zásilkách 3 750 000
Ušlý zisk na kampani 25 000 000
Celková ztráta na kampani 28 750 000
Počet kampaní za rok 4
Počet sledovaných let 5
Celková ztráta na kampaních za 5 let 575 000 000
Vyhodnocení návratnosti investic
Porovnání kampaní Původní data
Ztráty na zásilkách 3 750 000
Ušlý zisk na kampani 25 000 000
Celková ztráta na kampani 28 750 000
Počet kampaní za rok 4
Počet sledovaných let 5
Celková ztráta na kampaních za 5 let 575 000 000
Nástroj na zvýšení kvality dat 0
Roční poplatek za údržbu 0
Roční náklady na správu dat 1 200 000
Náklady na zvýšení kvality dat za 5 let 6 000 000
Celkem
Vyhodnocení návratnosti investic
Porovnání kampaní Původní data
Ztráty na zásilkách 3 750 000
Ušlý zisk na kampani 25 000 000
Celková ztráta na kampani 28 750 000
Počet kampaní za rok 4
Počet sledovaných let 5
Celková ztráta na kampaních za 5 let 575 000 000
Nástroj na zvýšení kvality dat 0
Roční poplatek za údržbu 0
Roční náklady na správu dat 1 200 000
Náklady na zvýšení kvality dat za 5 let 6 000 000
Celkem 581 000 000
Vyhodnocení návratnosti investic
Porovnání kampaní Původní data Vyčištěná data
Ztráty na zásilkách 3 750 000
Ušlý zisk na kampani 25 000 000
Celková ztráta na kampani 28 750 000
Počet kampaní za rok 4
Počet sledovaných let 5
Celková ztráta na kampaních za 5 let 575 000 000
Nástroj na zvýšení kvality dat 0
Roční poplatek za údržbu 0
Roční náklady na správu dat 1 200 000
Náklady na zvýšení kvality dat za 5 let 6 000 000
Celkem 581 000 000
Vyhodnocení návratnosti investic
Porovnání kampaní Původní data Vyčištěná data
Ztráty na zásilkách 3 750 000 450 000
Ušlý zisk na kampani 25 000 000 3 000 000
Celková ztráta na kampani 28 750 000 3 450 000
Počet kampaní za rok 4 4
Počet sledovaných let 5 5
Celková ztráta na kampaních za 5 let 575 000 000 69 000 000
Nástroj na zvýšení kvality dat 0
Roční poplatek za údržbu 0
Roční náklady na správu dat 1 200 000
Náklady na zvýšení kvality dat za 5 let 6 000 000
Celkem 581 000 000
Vyhodnocení návratnosti investic
Porovnání kampaní Původní data Vyčištěná data
Ztráty na zásilkách 3 750 000 450 000
Ušlý zisk na kampani 25 000 000 3 000 000
Celková ztráta na kampani 28 750 000 3 450 000
Počet kampaní za rok 4 4
Počet sledovaných let 5 5
Celková ztráta na kampaních za 5 let 575 000 000 69 000 000
Nástroj na zvýšení kvality dat 0 5 000 000
Roční poplatek za údržbu 0 1 000 000
Roční náklady na správu dat 1 200 000 2 400 000
Náklady na zvýšení kvality dat za 5 let 6 000 000 22 000 000
Celkem 581 000 000
Vyhodnocení návratnosti investic
Porovnání kampaní Původní data Vyčištěná data
Ztráty na zásilkách 3 750 000 450 000
Ušlý zisk na kampani 25 000 000 3 000 000
Celková ztráta na kampani 28 750 000 3 450 000
Počet kampaní za rok 4 4
Počet sledovaných let 5 5
Celková ztráta na kampaních za 5 let 575 000 000 69 000 000
Nástroj na zvýšení kvality dat 0 5 000 000
Roční poplatek za údržbu 0 1 000 000
Roční náklady na správu dat 1 200 000 2 400 000
Náklady na zvýšení kvality dat za 5 let 6 000 000 22 000 000
Celkem 581 000 000 91 000 000
Vyhodnocení návratnosti investic
Porovnání kampaní Původní data Vyčištěná data
Ztráty na zásilkách 3 750 000 450 000
Ušlý zisk na kampani 25 000 000 3 000 000
Celková ztráta na kampani 28 750 000 3 450 000
Počet kampaní za rok 4 4
Počet sledovaných let 5 5
Celková ztráta na kampaních za 5 let 575 000 000 69 000 000
Nástroj na zvýšení kvality dat 0 5 000 000
Roční poplatek za údržbu 0 1 000 000
Roční náklady na správu dat 1 200 000 2 400 000
Náklady na zvýšení kvality dat za 5 let 6 000 000 22 000 000
Celkem 581 000 000 91 000 000
Celková úspora
u tohoto příkladu za 5 let
490 milionů korun
Připočtěte:
1.Nerealizovaný Cross-selling
2.Riziko chybných rozhodnutí
3.Riziko soudních sporů
4.Riziko vysokých pokut regulátorů
Obsah prezentace
Představení firmy Profinit
• Návratnost investic do Informační kvalityVymezení základních pojmůEkonomické dopady nekvalitních informacíOstatní dopady nekvalitních informacíMetodologie zvýšení kvality informacíVyhodnocení 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
Ministerstvo 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%• Výsledky automatizované opravy jmenných a
adresních záznamů ukazuje tabulka
Počet záznamů k opravě celkem 2 165 000 100%
Opravené nebo rekonstruované záznamy 1 014 000 47%
Opravené nebo rekonstruované názvy měst 664 500 31%
Opravené nebo rekonstruované názvy ulic 505 330 23%
Opravená nebo rekonstruovaná PSČ 85 549 4%
Opravená nebo rekonstruovaná křestní jména 59 225 3%
Opravená nebo rekonstruovaná příjmení 58 679 3%
Obsah prezentace
Představení firmy ProfinitNávratnost investic do Informační kvality
Vymezení základních pojmůEkonomické dopady nekvalitních datOstatní dopady nekvalitních datMetodologie zvýšení kvality datVyhodnocení návratnosti investicPřípadové 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 ProfinitNávratnost investic do Informační kvality
Vymezení základních pojmůEkonomické dopady nekvalitních informacíOstatní dopady nekvalitních informacíMetodologie zvýšení kvality informacíVyhodnocení návratnosti investicPřípadové studieDoporučené zdroje informací
Otázky