Optimierung der Datenqualität im Unternehmen. Wie Sie schlechte Informationen in den Griff bekommen. Ein Whitepaper.

Transkript

1 Optimierung der Datenqualität im Unternehmen Wie Sie schlechte Informationen in den Griff bekommen Ein Whitepaper von Vincent Lam 1 Information Builders

2 Vincent Lam Vincent Lam ist der für die Vermarktung der gesamten Produktlinie von iway Software verantwortliche Produktmarketingleiter. Er verfügt über breit gefächerte Erfahrungen im Technologiesektor und hat zur erfolgreichen Positionierung von iway Software an der Marktspitze beigetragen. Zu Beginn seiner beruflichen Karriere war Lam als strategischer Produktmanager tätig. Er führte neue strategische und innovative Produkte am Markt ein, z. B. WebFOCUS Magnify, die weltweit erste transaktionsbasierte Echtzeit-Suchlösung für den Unternehmenseinsatz. Lam trug in Firmen an der Wall Street und in High-Tech-Unternehmen zu Innovationen bei und war auch unternehmerisch tätig. Vincent Lam besitzt einen Bachelor of Science von der Cornell University in Ithaca, New York.

3 Inhaltsverzeichnis 1 Einführung Verbesserung der Datenqualität Profiling Bereinigung, Standardisierung, Anreicherung, Abgleich und Zusammenführung Scoring Erweiterbarkeit und Flexibilität für individuelle Daten Qualitätsmanagement im gesamten Daten-Lebenszyklus Upstream Instream Downstream Datenqualität effektiv nutzen Qualitätssicherung bei externen Daten Warum es auf die Qualität bei Echtzeitdaten ankommt iway Software: Perfektes Datenqualitätsmanagement im Unternehmen iway Data Quality Center iway Data Profiler 13 Entscheidend in jeder Informationsmanagement-Strategie 14 Schlussfolgerungen

4 Einführung Datenqualität das Maß für Korrektheit, Vollständigkeit und Einheitlichkeit von Daten im Unternehmen steht in vielen Unternehmen im Zentrum des Informationsmanagements. Unternehmen jeder Größe kämpfen mit Problemen bei der Datenqualität. Umfragen bestätigen, dass mindestens 75% aller Großunternehmen derzeit große Herausforderungen angesichts unzureichenden Informationsgehaltes haben. Damit nicht genug, behauptet eine Studie von SiriusDecisions, dass selbst in Firmen mit optimierten Prozessen etwa 10 % aller Kundendatensätze gravierende Fehler aufweisen. Bei Firmen ohne formalisiertes Datenmanagement kann dieser Wert im Extremfall bei 25 % liegen. 1 Solche Datenqualitätsprobleme können unterschiedlichste Ursachen haben. Es ist noch nicht lange her, da fand die große Mehrheit aller Daten ihren Weg in die Unternehmens-IT über fehlerträchtige manuelle Datenerfassung. Neue Datenquellen wie Web-Portale und B2B- Interaktionen mit Lieferanten und Partnern erhöhen die Komplexität der Datenumgebungen in den Unternehmen. Diese unterschiedlichen elektronischen Echtzeit-Quellen liefern Informationen, die anspruchsvoller und vielfältiger und damit geschäftlich wertvoller sind. Gleichzeitig erschweren Sie eine einheitliche Datenqualität im Unternehmen, weil zur Sicherung der Informationen eine Echtzeit-Firewall notwendig wird. Außerdem sind ähnliche Informationen wie z. B. Kundendaten in unterschiedlichen separaten Quellen gespeichert, etwa CRM-Anwendungen oder Buchhaltungssystemen. Die Informationen werden in einer Quelle aktualisiert, aber nicht in der anderen, und so entstehen Inkonsistenzen, die zu unterschiedlichen Versionen führen. Darüber hinaus sind manche Daten schwer zu finden. Wenn die Benutzer nicht in der Lage sind, auf die am dringendsten benötigten Informationen zuzugreifen und schnelle Entscheidungen zu treffen, sinkt der Wert der Unternehmensdaten. Ein kleiner Fehler kann Daten im gesamten Unternehmen unbrauchbar machen, und beschädigte Daten können fatale Folgen haben. Marktstudien schätzen, dass US-Firmen durch Kundendaten- Qualitätsprobleme jährlich ein Schaden von 611 Milliarden Dollar entsteht. In seinem Buch Data Driven: Profiting From Your Most Important Business Asset stellt Thomas C. Redman die These auf, dass ein einziges Prozent fehlerhafter Daten katastrophale Folgen haben kann. Er führt als Beispiel eine Kundenbestellung an, für die 12 Informationen benötigt wurden. Werden 100 Bestellungen mit je 12 Informationselementen perfekt eingegeben, kostet dies das Unternehmen je Bestellung einen Dollar, also insgesamt hundert Dollar. Bei Berücksichtigung der Fehlerquelle von 1 % werden 12 Bestellungen falsch abgewickelt, was die entsprechenden Kosten mehr als verdoppeln kann. 2 In diesem Artikel sollen Techniken behandelt werden, mit denen Firmen die Datenqualität unternehmensweit verbessern können. Außerdem werden die Datenqualitätsmanagement- Lösungen von iway Software vorgestellt, mit denen Richtigkeit, Vollständigkeit und Einheitlichkeit von Informationen in sämtlichen Systemen innerhalb der Firmeninfrastruktur effektiv und kostengünstig gesichert werden können. 1 The Impact of Bad Data on Demand Creation, SiriusDecisions, Redman, Thomas C., Data Driven: Profiting From Your Most Important Business Asset, Information Builders

5 Verbesserung der Datenqualität Der Schlüssel zur konstant hohen Datenqualität ist die Sicherung einheitlicher Datenqualitätsverfahren für alle Informationsquellen im Unternehmen. Gängige Datenqualitätsmanagement-Methoden: Profiling Wird auch als Data-Discovery bezeichnet. Profiling ist der Prozess der Erstellung von Statistiken über Unternehmensdaten. Was sind ihre Haupteigenschaften und Attribute? Wie und von wem wurden sie erstellt? Welche Benutzer greifen am häufigsten zu? Für welche Zwecke werden sie vor allem eingesetzt? Und vor allen Dingen, in welchem Zustand befinden sie sich? Profiling ist eines der effektivsten Mittel, wenn es darum geht, Unternehmensdaten zu durchschauen. Solche Erkenntnisse erleichtern es, den Gesamtzustand der Daten präzise einzuschätzen, Fehler zu ermitteln, zu priorisieren und zu korrigieren und die Ursachen von Qualitätsproblemen zu beheben. Ist erst einmal ein Profil erstellt, kann ein Unternehmen durch die laufende Überwachung profilbezogener Parameter frühzeitiger auf Qualitätsprobleme reagieren. 2 Optimierung der Datenqualität im Unternehmen

6 Bereinigung, Standardisierung, Anreicherung, Abgleich und Zusammenführung Alle diese unzusammenhängend erscheinenden Schritte sind wesentlich für die Erzielung und Aufrechterhaltung maximaler Datenqualität. Durch die Bereinigung werden Fehler in Datenbanken und anderen Informationsquellen durch die Veränderung vorhandener Daten anhand vordefinierter Regeln und Kriterien eliminiert. Im Beispiel unten wurden Datensätze mit fehlerhaften Namen identifiziert. Beim Bereinigungsprozess werden fehlende Einträge ergänzt und ausgefüllte Felder werden automatisch nach festgelegten Regeln an ein bestimmtes Format angepasst. Source Data Name G SIN Birth Date Address Dr. John Smith M /16/ Ave Surrey V3R 2A9 Smith W. John M Surrey Ave John William Smith Linden Str Toronto M4X 1V5 Dr. J.W. Smith M /16/78 John Smith Leslie L3T 7M8 Toronto Smith John Leslie street Marham John Smiht Jane Watson Leslie str. Toronto L3T 7M8 Watson Jane F Leslei street Toronto L3T 7M8 Jane Smith F SIN J. Smith Daten vor der Bereinigung Cleansed Data First Last G SIN Birth Date Address John Smith M V3R 2A9; BC; Surrey; Avenue John Smith M V3R 2A9; BC; Surrey; Avenue John Smith M M4X 1V5; ON;Toronto; 25 Linden Street Smith M John Smith M L3T 7M8; ON; Markham; 8500 Leslie Str. John Smith M L3T 7M8; ON; Markham; 8500 Leslie Str. John Smith M Jane Watson F L3T 7M8; ON; Markham; 8500 Leslie Str. Jane Watson F L3T 7M8; ON; Markham; 8500 Leslie Str. Jane Smith F J. Smith Daten nach der Bereinigung 3 Information Builders

7 Bei der Anreicherung wird der Inhalt abgerundet, indem die Informationen durch den Vergleich mit externen Inhalten wie Altersstrukturen oder geografischen Faktoren verglichen und ggf. durch Attribute dynamisch erweitert und optimiert werden. In diesem Beispiel werden bisher fehlende PLZ anhand der Adressen ermittelt und als separates Feld ergänzt. Cleansed Data First Last G SIN Birth Date Address John Smith M BC;Surrey; Avenue John Smith M BC;Surrey; Avenue John Smith M ON;Toronto;25 Linden Street Smith M John Smith M ON;Markham;8500 Leslie Str. John Smith M ON;Markham;8500 Leslie Str. John Smith M Jane Watson F ON;Markham;8500 Leslie Str. Jane Watson F ON;Markham;8500 Leslie Str. Jane Smith F J. Smith Daten vor der Anreicherung Enriched Data First Last G SIN Birth Date Address Zip John Smith M BC; Surrey; Avenue V3R 2A9 John Smith M BC; Surrey; Avenue V3R 2A9 John Smith M ON; Toronto; 25 Linden Street M4X 1V5 Smith M John Smith M ON; Markham; 8500 Leslie Str. L3T 7M8 John Smith M ON; Markham; 8500 Leslie Str. L3T 7M8 John Smith M Jane Watson F ON; Markham; 8500 Leslie Str. L3T 7M8 Jane Watson F ON; Markham; 8500 Leslie Str. L3T 7M8 Jane Smith F J. Smith Daten nach der Anreicherung Zusammenführung und Abgleich fördern die Einheitlichkeit, weil verwandte Einträge innerhalb eines Systems oder systemübergreifend automatisch erkannt werden und dann verknüpft, abgestimmt oder verschmolzen werden können. Das Beispiel zeigt, wie der Abgleich- und Zusammenführungsprozess abläuft. 4 Optimierung der Datenqualität im Unternehmen

8 Cleansed Data First Last G SIN Birth Date Address John Smith M V3R 2A9;BC;Surrey; Avenue John Smith M V3R 2A9;BC;Surrey; Avenue John Smith M M4X 1V5;ON;Toronto;25 Linden Street Smith M John Smith M L3T 7M8;ON;Markham;8500 Leslie Str. John Smith M L3T 7M8;ON;Markham;8500 Leslie Str. John Smith M Jane Watson F L3T 7M8;ON;Markham;8500 Leslie Str. Jane Watson F L3T 7M8;ON;Markham;8500 Leslie Str. Jane Smith F J. Smith Abgleich Es werden verwandte Einträge für John Smith und Jane Watson gefunden. Trotz der Ähnlichkeiten zwischen den Datensätzen sind nicht alle Informationen redundant es gibt wirklich zwei verschiedene John Smiths. Leistungsfähige Abgleichfunktionen werten die Daten in den einzelnen Sätzen detailliert aus und ermitteln, welche redundant sind und welche eigenständig. Cleansed Data First Last G SIN Birth Date Address John Smith M V3R 2A9;BC;Surrey; Avenue John Smith M V3R 2A9;BC;Surrey; Avenue John Smith M M4X 1V5;ON;Toronto;25 Linden Street Golden Record First Last G SIN Birth Date Address John Smith M V3R;BC;Surrey; Avenue Zusammenführung Durch die Zusammenführung werden die abgestimmten Daten zu einem umfassenden Datensatz. Hier werden die doppelten Einträge für John Smith zu einem vollständigen Datensatz vereinigt, der alle Informationen enthält. Da das Adressfeld widersprüchliche Daten enthielt, wurde anhand fester Regeln die häufigste Version verwendet. Auch Householding, eine ähnliche Technik wie die Zusammenführung, bei der verwandte Informationen von getrennten Systemen gesammelt und in einer zentralen Datenbank gespeichert werden, fällt in diese Kategorie. Mit Householding können Firmen ähnliche Informationen etwa über Familien oder Unternehmen konsolidieren und so dem Benutzer ein vollständiges Bild bieten. 5 Information Builders

9 Scoring Viele Unternehmen setzen auf ein Scoringsystem, um die Datenqualität besser beurteilen und Probleme besser priorisieren zu können, sobald diese auftreten. Dabei wird jedem Datensatz eine Zahl zugeordnet, die etwas über die Qualität aussagt. Ein lupenreiner Datensatz kann beispielsweise einen Wert von 5 erhalten, während ein völlig ungültiger Datensatz einen Wert von 1 erhält. Die Werte dazwischen zeigen, wieviel Vertrauen das Unternehmen in die Korrektheit des Datensatzes setzt und gibt an, ob Maßnahmen erforderlich sind (Datensätze mit Werten von 3 und darunter sind manuell zu prüfen). In der Praxis zählt hier Flexibilität für verschiedene Datentypen müssen unterschiedliche Regeln verwendet werden, die bei Problemen die jeweilige Dringlichkeit deutlich machen. Kritische Daten wie Informationen über Kunden sollten strenger bewertet werden als Daten über Verbrauchsmaterialbestände. Erweiterbarkeit und Flexibilität für individuelle Daten Um ermitteln zu können, welche Daten mangelhaft sind, muss festgelegt werden, wie die Datensätze aussehen müssen. Informationen wie Adressen und Postleitzahlen können einfach mit einer Datenbank abgeglichen werden, aber für die meisten Datentypen ist das nicht möglich. Ein Großteil der Daten ist technischer Natur z. B. Produktdaten und die Beurteilung erfordert Fachkenntnisse. Zur proaktiven Bewertung solcher Daten müssen feste Schemata vorhanden sein. Die Regeln müssen einfach zu definieren und umzusetzen sein und sollten idealerweise von vornherein verhindern, dass fehlerhafte Daten überhaupt in die Umgebung gelangen. 6 Optimierung der Datenqualität im Unternehmen

10 Qualitätsmanagement im gesamten Daten-Lebenszyklus Unternehmensdaten haben einen Lebenszyklus. Sie bewegen sich in verschiedenen Richtungen innerhalb und außerhalb eines Betriebs. Im Geschäftsablauf fließen Daten: Upstream Daten gelangen auf verschiedenen Wegen und in zahllosen Formaten in ein Unternehmen, z. B. als , Fax oder Brief. Sie können bei Telefonaten, Besprechungen oder im dynamischen und automatisierten B2B-Austausch erfasst werden. Sie können sogar über neue Kanäle wie Web-Portale und Self-Service-Umgebungen sowie gehostete oder Cloud-basierte Quellen wie Salesforce.com ankommen. Die Berührungspunkte, über die Daten generiert und gesammelt werden, sind in den letzten Jahren komplexer geworden und die Fehlerquellen haben zugenommen. Das erschwert die Einhaltung von Regeln und Datenqualitätsstandards und damit auch die Sicherstellung der Datenintegrität. Instream Vorhandene Daten werden laufend durch das Unternehmen transportiert und werden bei komplexen Geschäftstransaktionen oder zur Unterstützung von Reporting- oder Analyseaktivitäten häufig verändert oder mit anderen Datensätzen kombiniert. 7 Information Builders

11 Diese ständige Bewegung schafft das Potenzial für gravierende Qualitätsprobleme. Ein Mangel an aktiven Kontrollen beim Datenkonsum kann zu mangelhaft abgeglichenen, schlecht kategorisierten, redundanten Daten und zu Datenverlust führen. Derartige Probleme werden oft zu spät erkannt. Downstream Endanwender greifen häufig zu Auswertungs- oder Analysezwecken auf Daten zu. Daten können direkt von Backend-Quellen oder Datenspeichern abgerufen werden und werden dann für operatives, Finanz- oder Compliance-Reporting genutzt, Managern anhand von Dashboards oder Scorecards präsentiert oder in mehrdimensionale Cubes für weitergehende Bearbeitung und Analyse geladen. Zugriffsprobleme wie Duplikation oder inkonsistente Semantik können die Benutzer dabei behindern, Daten sinnvoll für die tägliche Arbeit zu nutzen. Das kann sich negativ auf betriebliche Effizienz, Geschäftserfolg und Profitabilität auswirken. Es ist bekannt, dass fehlerhafte Daten sich vermehren. So wie ein verschmutzter Fluss das Wasser eines Sees kontaminiert, in den er fließt, so kann ein einziger defekter Datensatz zahlreiche Systeme infizieren. Je länger ein Unternehmen damit wartet, fehlerhafte Daten zu berichtigen, desto schädlicher. Datenmanagement muss frühzeitig ansetzen, damit nicht aus kleinsten Qualitätsproblemen große werden. 8 Optimierung der Datenqualität im Unternehmen

12 Datenqualität effektiv nutzen Qualitätssicherung bei externen Daten Datenqualität wird meist im Hinblick auf Informationen in Backend-Datenbanken und sonstigen internen Datenquellen diskutiert. Viele Daten kommen jedoch von außen. Sie stammen aus Anwendungen von Lieferanten, Distributoren und anderen Partnern, werden von Websites abgerufen oder kommen von Kunden in diversen unstrukturierten Formaten. Dennoch wird dieser Umstand von wenigen Datenqualitätsinitiativen berücksichtigt, was den Erfolg solcher Initiativen durch große Lücken und risikobehaftete Umgebungen erschwert. Da schon ein einzelner Datensatz jede Menge andere Systeme kontaminieren kann, sind solche externen Quellen ein erhebliches Risiko. Deshalb ist es so wichtig, bewährte Qualitätsmanagement-Techniken wie Scoringsysteme, Bereinigung, Abgleich und Zusammenführung für alle Datenquellen einzusetzen. Die Einführung einer Datenqualitätspolitik ausschließlich für interne Systeme schützt nur einen Teil der kritischen Daten und schränkt die Effektivität einer solchen Initiative stark ein. Warum es auf die Qualität bei Echtzeitdaten ankommt Die Ermittlung und Korrektur fehlerhafter Daten nach dem Eintritt in das System ist wichtig, aber das Management der Datenqualität in Echtzeit bringt erheblich größere Effekte. Der SiriusDesigns- Report stellt die Regel vor, die den Nutzen proaktiven Handelns bei der Datenqualität veranschaulicht. Diese Regel besagt, dass es einen Dollar kostet, einen Datensatz zu überprüfen, zehn Dollar, ihn nach der Erfassung zu berichtigen und zu deduplizieren und hundert Dollar an potenziellen Produktivitätsverlusten oder Umsätzen, wenn gar nichts unternommen wird.5 Nehmen wir noch einmal das Beispiel des Flusses. Es ist weniger aufwändig, das verschmutzte Wasser an der Quelle aufzufangen, als ein großes Gewässer nach erfolgter Verschmutzung zu reinigen. Gleiches gilt für Unternehmensdaten. Die Bereinigung von Daten, die über mehrere Quellen verteilt sind, verursacht weit mehr Aufwand als das Berichtigen eines fehlerhaften Datensatzes, bevor dieser in eine Datenbank gelangt. 5 The Impact of Bad Data on Demand Creation, Sirius Decisions, Information Builders

13 iway Software: Perfektes Datenqualitätsmanagement im Unternehmen iway Software liefert Lösungen mit Leistungsmerkmalen, die Vollständigkeit, Richtigkeit, Einheitlichkeit und Unversehrtheit von Unternehmensdaten optimieren. Unsere zukunftsweisenden Tools helfen Unternehmen jeder Größe und jedes Zuschnitts, in allen relevanten Systemen maximale Datenqualität zu erreichen. iway Data Quality Center iway Data Quality Center (DQC) ist ein grundlegendes Tool für komplexes Datenqualitätsmanagement. Mit seinen lückenlosen Regelsystemen und lokalisierten Wörterbüchern evaluiert, überwacht und verwaltet iway DQC nicht nur die Datenqualität in verschiedenen Informationssystemen, sondern verhindert auch, dass fehlerhafte Daten überhaupt in das System gelangen. Daraus ergeben sich folgende Vorteile: Steuerung der Datenqualität in Transaktions- und Analyseanwendungen Bereinigung und Vereinheitlichung von Daten bei Systemmigrationen Sicherung der Qualität bei Software-Integrationsprojekten Optimierung der Integrität von Adress- und Kontaktinformationen Verbesserung von Kundendaten zur Identifizierung von Kunden Validierung und Korrektur unvollständiger Datensätze in Kundenprofilen Validierung von Daten, die über Self-Service-Anwendungen eingegeben wurden Tiefgreifendes Data Profiling durch Datenintegrations-Projektanalyse 10 Optimierung der Datenqualität im Unternehmen

14 Kostengünstig, integriert, intuitiv iway DQC liefert ein breites Spektrum zukunftsweisender Funktionen. Die wichtigsten Leistungsmerkmale: Zentralisiertes Management aller Aktivitäten zur Optimierung der Datenqualität inklusive aller Geschäftsprozesse und Datenflüsse von einer einzelnen Plattform Kombinierte Administrations-Tools für einfache Konfiguration ohne externe Anwendungen Plattform-unabhängige Architektur auf der Basis offener Standards Parallelverarbeitung sichert Skalierbarkeit, unterstützt Batch- und On-demand-Modi und beschleunigt Datenqualitätsprozesse. Der gesamte Prozess dauert nur eine Zehntelsekunde; pro Stunde werden über fünf Millionen Datensätze verarbeitet Zukunftsweisendes semantisches Profiling zur schnellen, präzisen Informationsanalyse Direkte Integration in jede Anwendung aus den Bereichen B2B, A2A, Portal, ESB, SOA und ETL Direkter Zugriff auf externe Datenquellen wie nationale Adress- oder Namensregister sowie Wörterbücher und Listen zu Analyse-, Bereinigungs- und Validierungszwecken Leistungsfähige Algorithmen zum effizienten Abgleich bei der Datensatzvereinheitlichung unabhängig von internen Datenstrukturen iway Data Profiler Der iway Data Profiler integriert den Output des iway DQC einfach und effektiv in die BI- Technologie. Administratoren können geschäftskritische Daten beobachten, überwachen, vergleichen und auswerten. Zusätzliche Client-Software, Plugins oder Report-Viewer sind nicht erforderlich. iway Data Profiler bietet leistungsfähige Integrationsfunktionen auf der Grundlage ausgereifter Tools für Datenqualitätsüberwachung, Reporting und Analyse, mit denen Profiling- Daten nahezu beliebig abgefragt, analysiert, geliefert und angezeigt werden können. 11 Information Builders

15 Die mit den semantischen Analysefunktionen und komplexen Regelsystemen von iway Data Quality Center generierten Data-Profiling-Informationen liefern grundlegende statistische Informationen wie Eindeutigkeit und Häufigkeit und decken Beziehungen zwischen Daten anhand von Primär- und Fremdschlüsseln auf. Diese Profiling-Daten können dann mit intuitiven, grafischen Reporting-Tools noch weiter analysiert werden, sodass Abweichungen bei Datenprofilen in verschiedenen Zeiträumen sichtbar werden. Die so entstandenen Kategorien können dann detaillierter aufgeschlüsselt werden, sodass die einzelnen Datensätze sichtbar werden. Der iway Data Profiler bietet u. a. folgende Funktionen: Individuell einstellbare Datenqualitätsindikatoren (DQI), mit denen verschiedene Gültigkeitsstufen festgelegt werden können. Die DQI können dann auf Daten angewendet werden, um direkt die Unversehrtheit bestimmter Datensätze zu prüfen. Dynamische Sammlung von Profiling-Daten von iway DQC Tagging und Archivierung von Profiling-Daten als Sets in einer zugehörigen relationalen Datenbank zum einfachen Abruf Erweiterte Datenmanipulation und Grafik Vergleich mehrerer Data-Profiling-Sets zur schnelleren Erkennung von Abweichungen Druck und Export von Data-Profiling-Ansichten in HTML, PDF, Excel und weiteren gängigen Formaten Direkt in den Profiling-Report eingebettete portable Analysefunktionen zur Anzeige und Analyse von Profiling-Daten in nahezu beliebiger Weise iway Data Profiler ist auch als SaaS-Anwendung verfügbar. Die Vorteile: Beschleunigte Inbetriebnahme und Einrichtung Mehr Wirtschaftlichkeit durch praktisches Pay-per-use-Modell ohne hohe Anschaffungskosten Detaillierte Profiling-Informationen können leichter an die Veranstwortlichen weitergegeben werden, in der Regel technisch nicht versierte Anwender in unterschiedlichen Unternehmensbereichen Sofortige kostengünstige Skalierbarkeit bei Bedarf 12 Optimierung der Datenqualität im Unternehmen

16 Entscheidend in jeder Informationsmanagement-Strategie Data Profiling und Datenqualitätsmanagement sind wesentliche Komponenten jeder breit angelegten Enterprise-Information-Management (EIM)-Strategie. EIM verbindet die Prinzipien und Technologien der Enterprise Integration, Business Intelligence und Content-Management und rationalisiert so Erzeugung, Speicherung, Zugriff und Handhabung von Daten. Damit können Unternehmen den Wert ihrer Daten steigern und daraus durch höhere Produktivität, niedrigere Verwaltungskosten und höhere Leistungsfähigkeit substanzielle Wettbewerbsvorteile schöpfen. iway Software bietet ein umfassendes Programm von Tools und Lösungen für alle Aspekte des EIM. 13 Information Builders

17 Schlussfolgerungen Datenqualitätsfragen sind in Unternehmen jeder Größe in allen Branchen präsent. Unabhängig von der Ursache kosten diese Probleme Unternehmen Jahr für Jahr Milliardenbeträge. Je länger die Probleme unerkannt bleiben, desto mehr Schaden richten sie an. Neue Verfahren helfen Unternehmen dabei, die gravierendsten Probleme zu überwinden. Mit solchen Methoden und Lösungen können sie formelle Datenqualitätsrichtlinien erfolgreich einführen und durchsetzen. iway Software bietet ein lückenloses Programm von Datenqualitäts-Managementlösungen mit einem leistungsfähigen Data-Profiling-Tool und einer umfassenden Datenqualitätsplattform, mit denen Sie Datenqualität durchgängig steuern können, und zwar schneller, einfacher und kostengünstiger. Mit diesen Tools können Unternehmen Konsistenz, Korrektheit und Vollständigkeit ihrer wichtigsten Daten erheblich steigern unabhängig davon, wo diese erzeugt wurden und wo sie gespeichert sind. 14 Optimierung der Datenqualität im Unternehmen

18 Weltweite Niederlassungen Nordamerika USA Atlanta,* GA (770) Baltimore, MD Professionelle Services: (703) Boston,* MA (781) Chicago,* IL (630) Cincinnati,* OH (513) Dallas,* TX (972) Denver,* CO (303) Detroit,* MI (248) Federal Systems,* DC (703) Hartford, CT (860) Houston,* TX (713) Kanäle, (800) Los Angeles,* CA (310) Minneapolis,* MN (651) New Jersey Vertrieb: (973) New York,* NY Vertrieb: (212) Professionelle Services: (212) , Apparat 4443 Orlando, FL (407) Philadelphia,* PA Vertrieb: (610) Phoenix, AZ (480) Pittsburgh, PA Vertrieb: (412) St. Louis,* MO (636) San Jose,* CA (408) Seattle, WA (206) Washington,* DC Vertrieb: (703) Professionelle Services: (703) Kanada Information Builders (Canada) Inc. Calgary (403) Montreal* (514) Ottawa (613) Toronto* (416) Vancouver (604) Mexiko Information Builders Mexico Mexico City Australien Information Builders Pty. Ltd. Melbourne* Sydney* Europa Belgien* Information Builders Belgium Brüssel Deutschland Information Builders (D) GmbH Eschborn* Frankreich* Information Builders France S.A. Paris Großbritannien* Information Builders (UK) Ltd. London Italien Information Builders Italy Milan Niederlande* Information Builders (Netherlands) B.V. Amsterdam Portugal Information Builders Portugal Lisbon Schweiz Information Builders Schweiz AG Dietlikon Spanien Information Builders Iberica S.A. Barcelona Bilbao Madrid* Vertretungen Ägypten InfoBuild Middle East Abu Dhabi Dubai Äthiopien MKTY T Services Plc Addis Ababa Bahrain InfoBuild Middle East Dubai , ext. 312 Brasilien InfoBuild Brazil Ltda. São Paulo China Information Builders China (IBC) Beijing Beijing Xinrong Software Technology Co., Ltd. Beijing Dänemark InfoBuild AB Kista, SE Finnland InfoBuild Oy Espoo Griechenland Applied Science Athen Guatemala IDS de Centroamerica Guatemala City Indien* InfoBuild India Chennai Israel SRL Group Ltd. Tel Aviv Japan K.K. Ashisuto Osaka Tokio Jordanien InfoBuild Middle East Abu Dhabi Dubai Katar InfoBuild Middle East Dubai Korea UVANSYS Seoul Kuwait InfoBuild Middle East Dubai Libanon InfoBuild Middle East Dubai Norwegen InfoBuild Norway Oslo Oman InfoBuild Middle East Abu Dhabi Dubai Österreich Raiffeisen Informatik Consulting GmbH Vienna Polen/Mittel- und Osteuropa InfoBuild SP.J. Warschau Russische Föderation FOBOS Plus Co., Ltd. Moskau Saudi-Arabien InfoBuild Middle East Riad Singapur Automatic Identification Technology Ltd. Singapur Südafrika InfoBuild South Africa (Pty.) Ltd. Gauteng Fujitsu Services (Pty.) Ltd. Johannesburg Taiwan Galaxy Software Services Taipei Thailand Datapro Computer Systems Co. Ltd. Bangkok , ext. 200 Türkei InfoBuild Middle East Ankara Istanbul Venezuela InfoServices Consulting Caracas Vereinigte Arabische Emirate InfoBuild Middle East Abu Dhabi Dubai Gebührenfreie Nummer Vertrieb, ISV, VAR und SI Partner-Informationen (800) * Mit Schulungseinrichtungen ausgestattet. Hauptniederlassung Two Penn Plaza, New York, NY , USA Tel.: (212) Fax (212) DN DE informationbuilders.com askinfo@informationbuilders.com Kanadischer Hauptsitz 150 York St., Suite 1000, Toronto, ON M5H 3S5, Kanada Tel.: (416) Fax (416) Anfragen aus anderen Ländern +1(212) Copyright 2011 Information Builders. Alle Rechte vorbehalten. [92] Alle Produkte und Produktnamen, die in dieser Publikation erwähnt werden, sind Marken oder eingetragene Marken ihrer jeweiligen Firmen.