Duplikaterkennung - Motivation Masterseminar. Felix Naumann Hasso-Plattner-Institut

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Duplikaterkennung - Motivation Masterseminar. Felix Naumann Hasso-Plattner-Institut"

Transkript

1 Duplikaterkennung - Motivation Masterseminar Felix Naumann Hasso-Plattner-Institut Fachgebiet Informationssysteme

2 Überblick 2 Datenqualität Datenfehler und ihre Ursachen Datenreinigung i Duplikaterkennung

3 Qualität 3 Even though quality cannot be defined, you know what it is. Robert Pirsig

4 Zoom in die Datenqualität 4 1 Fitness for use Accuracy, Objectivity, Believability, Reputation, Accessibility, Security, 15 Relevance, Value-Added, Timeliness, Completeness, Amount of Data, Interpretability, Understandability, Consistency, Concise Representation Dimensionen

5 DQ-Probleme: Auswirkungen 5 Fehlerhafte Warenpreise in Artikel-DB des US-Einzelhandels Kosten für Konsumenten Mrd $ 80% der Barcode-Scan-Fehler zulasten der Konsumenten US-Finanzbehörde 1992: knapp Steuererstattungsbescheide unzustellbar 50 80% d Ei t ä i USUS 50-80% der Einträge im Vorstrafenregister ungenau, unvollständig oder fehlerhaft US-Post: von MassenPostsendungen bis zu aufgrund von Adressfehlern unzustellbar

6 Überblick 6 Datenqualität Datenfehler und ihre Ursachen Datenreinigung i Duplikaterkennung

7 Nachkommastellen 7

8 Deutsche Namen 8

9 Schwierige Namen 9

10 Falsche Duplikate 10

11 Unternehmensduplikate 11

12 Datenqualität: Probleme 12 Repräsentation Widersprüche Ref. Integrität KUNDE KNr Name Geb.datum Alter Geschlecht Telefon PLZ 1234 Kuhn, Mark m Anne Will f Eindeutigkeit 1235 Mark Kuhn m ADRESSE PLZ Ort Fehlende Werte Duplikate lk Potsdam Schreibfehler Postdam BRD Falsche Werte

13 Klassifikation von Datenfehlern 13 Datenfehler Einzelne Datenquelle Integrierte Datenquellen Schemaebene Datenebene Schemaebene Datenebene Unzulässiger Wert Attributabhängigkeit verletzt t Eindeutigkeit verletzt Referentielle Integrität verletzt Fehlende Werte Schreibfehler Falsche Werte Falsche Referenz Kryptische Werte Eingebettete Werte Falsche Zuordnung Widersprüchliche Werte Transpositionen Duplikate Datenkonflikte Strukturelle Heterogenität Semantische Heterogenität Schematisch Heterogenität Widersprüchliche Werte Unterschiedliche h Repräsentationen Unterschiedliche Einheiten Unterschiedliche Genauigkeit Unterschiedliche Aggregationsebenen Duplikate

14 Überblick 14 Datenqualität Datenfehler und ihre Ursachen Datenreinigung i Duplikaterkennung

15 Hilfsmittel 15 Gesunder Menschenverstand Text-Editor Datenbanken und SQL ( Bordmittel ) Programmiesprachen Selbstentwickelte Tools Kommerzielle Tools Referenzdaten Orts- und PLZ-Verzeichnisse, Straßenverzeichnisse Namensverzeichnisse z.b. IBMs Global Name Recognition mit 1 Milliarde Namen

16 Gesunder Menschenverstand 16

17 Standardisierung 17 Adressen Str. Straße, Ch. Chaussee, usw. R.-Breitscheid-Str. id 72 a Rudolf-Breitscheid.-Str. id 72A 128 Schreibweisen für Frankfurt am Main Namen Frankfurt a.m., Frankfurt/M Frankfurt, Frankfurt a. Main, Dr. Ing. h.c. F. Porsche AG Hewlett-Packard Development Company, L.P. Numerische Daten = 10T EURO = 10k EUR = ,00 = 10,000.- Telefonnummern Geburtsdaten t

18 Strukturierung Personen 18 Anrede Titel Vorname Nachname Herr Prof. Dr. Felix Naumann Anrede Titel Vorname Nachname Herr Prof. Dr. Felix Naumann Anrede Titel Vorname Nachname Herr Prof. Dr. Felix und Marie Naumann Anrede Titel Vorname Nachname Herr Prof. Dr. Felix Naumann Frau Marie Naumann

19 Strukturierung Straßen 19 Straße HNR Hauptstr. 7 Hauptstr. 7A Weg 17 Straße des 17. Juni 23

20 Ziele der Datenreinigung 20 Verbesserung der Datenqualität einzelner Datensätze Gewinnung neuer Informationen Verbesserung der Ergebnisse der Duplikaterkennung Standardisierte Datensätze sind besser vergleichbar.

21 21

22 Überblick 22 Datenqualität Datenfehler und ihre Ursachen Datenreinigung i Duplikaterkennung

23 Wie entstehen Duplikate? 23 Original Zugestellt

24 Wie entstehen Duplikate? 24

25 25

26 Wie entstehen Duplikate? 26 Integrierte Daten Schering Kundenmanagement Bayer Kundenmanagement

27 Duplikaterkennung 27 Duplikaterkennung ist das Finden mehrerer Repräsentationen desselben Realweltobjekts. Problem 1: Repräsentationen sind nicht identisch. Fuzzy duplicates Lösung: Ähnlichkeitsmaße Wert- und Datensatzvergleiche Domänenunabhängig oder -abhängig Problem 2: Die Datenmenge ist groß. Quadratischer Aufwand: Jedes Paar muss verglichen werden. Lösung: Algorithmen Z.B. Vergleiche durch Partitionierung vermeiden

28 Duplikaterkennung 28 Bayer Schering Alle Paare Ähnlichkeitsmaß Algorithmus Duplikate? Nicht- Duplikate

29 Wirkungen von Duplikaten 29 Mehrfache Zusendung von Katalogen Rechnungen werden doppelt bezahlt Banken Überschreiten des Kreditlimits wird nicht erkannt Lagerhaltung g / Einkauf Zu niedriger Lagerbestand einzelner Waren wird ausgewiesen. Kein Ausnutzen von Mengenrabatten bei Bestellungen Gesamtumsatz eines Kunden bleibt unbekannt. Kunde Umsatz Mehraufwand in der IT BMW Sinkende Kundenzufriedenheit BaMoWe Potenziale und Gefahren nicht erkannt Bayerische Inkorrekte Kennzahlen Motorenwerke

30 Duplikaterkennung hat viele Duplikate 30 Household matching Fuzzy match Duplicate detection ti Mixed and split citation problem Record linkage Match Deduplication Object identification Dubletten Object consolidation Entity resolution Identity uncertainty Approximate match Entity clustering Hardening soft databases Merge/purge Householding Reference reconciliation Reference matching

31 Duplikaterkennung 31 Duplikaterkennung Identität Ähnlichkeitsmaß Algorithmus Evaluation Relational XML DWH Partition- Bezieh- Clustering / Precision/ ierung ungen Lernen Recall Effizienz Domänen- Domänen- Filter Inkrementell unabhängig abhängig / Suche Edit-basiert Token-basiert Regeln Datentypen Relationship-aware

32 Datenfusion 32 amazon.de H. Melville $3.98 ID max length MIN CONCAT Herman Melville Moby Dick $5.99 bol.de

33 Datenfusion in Outlook 33

Datenqualität und Datenreinigung

Datenqualität und Datenreinigung Datenqualität und Datenreinigung FGBS Herbsttreffen 10. November 2011 Felix Naumann Hasso-Plattner-Institut Fachgebiet Informationssysteme Überblick 2 Datenqualität Datenfehler und ihre Ursachen Datenreinigung

Mehr

Informationsqualität Antrittsvorlesung am

Informationsqualität Antrittsvorlesung am Informationsqualität Antrittsvorlesung am 26.4.2007 Felix Naumann Hasso-Plattner-Institut Fachgebiet Informationssysteme Überblick 2 Informationsqualität Informationsintegration Duplikaterkennung Ähnlichkeit

Mehr

Duplikaterkennung. 3.7.2012 Felix Naumann

Duplikaterkennung. 3.7.2012 Felix Naumann Duplikaterkennung 3.7.2012 Felix Naumann Quality 2 Even though quality cannot be defined, you know what it is. Robert Pirsig Zoom in die Informationsqualität 3 1 Fitness for use 15 Accuracy, Objectivity,

Mehr

Datenwertintegration / Informationsqualität

Datenwertintegration / Informationsqualität / Fabian Panse 09.09.2014 Fabian Panse II Datenintegration 09.09.2014 1 / 18 Datenreinigung Datenintegration [NL06] Wenn Daten in gemeinsamem Schema vorliegen: weitere Probleme Datenfehler: Formatfehler

Mehr

Duplikaterkennung. Dr. Armin Roth arminroth.de. Dr. Armin Roth (arminroth.de) II Duplikaterkennung / 17

Duplikaterkennung. Dr. Armin Roth arminroth.de. Dr. Armin Roth (arminroth.de) II Duplikaterkennung / 17 Dr. Armin Roth arminroth.de 27.04.2013 Dr. Armin Roth (arminroth.de) II Duplikaterkennung 27.04.2013 1 / 17 Agenda 1 Wiederholung: Datenwertintegration 2 Duplikaterkennung Dr. Armin Roth (arminroth.de)

Mehr

Datenqualität: allgemeiner Überblick Waldemar Braun. Seminar Datenqualität OvGU Magdeburg 03.12.2009

Datenqualität: allgemeiner Überblick Waldemar Braun. Seminar Datenqualität OvGU Magdeburg 03.12.2009 Datenqualität: allgemeiner Überblick Waldemar Braun Seminar Datenqualität OvGU Magdeburg Gliederung 1. Einleitung 2. Motivation 3. Definition 4. DQ-Probleme 5. DQ-Dimensionen 6. DQ-Modelle 7. Messen der

Mehr

Datenwertintegration / Informationsqualität

Datenwertintegration / Informationsqualität / Dr. Armin Roth arminroth.de 26.04.2013 Dr. Armin Roth (arminroth.de) II Datenintegration 26.04.2013 1 / 18 Agenda 1 Datenwertintegration Datenreinigung Dr. Armin Roth (arminroth.de) II Datenintegration

Mehr

Workshop Datenreinigung Duplikaterkennung Felix Naumann

Workshop Datenreinigung Duplikaterkennung Felix Naumann Workshop Datenreinigung Duplikaterkennung 11.10.2011 Felix Naumann Überblick 2 Das Problem der Duplikaterkennung Ähnlichkeitsmaße Edit Distance et al. Algorithmen Naiv Blocking Sorted-Neighborhood Methode

Mehr

Data Warehouses. Kapitel 5 Datenreinigung. Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de

Data Warehouses. Kapitel 5 Datenreinigung. Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de Data Warehouses Sommersemester 2011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Kapitel 5 Datenreinigung Datenfehler Duplikaterkennung Datenfusion

Mehr

Informationsintegration Große Datenräume in Web-basierten Umgebungen

Informationsintegration Große Datenräume in Web-basierten Umgebungen Informationsintegration Große Datenräume in Web-basierten Umgebungen Felix Naumann Humboldt-Universität zu Berlin naumann@informatik.hu-berlin.de Einige Untertitel Content Merging Objekt Fusion Datenintegration

Mehr

Frühjahrsemester 2013. CS243 Datenbanken Kapitel 4: Datenqualität* H. Schuldt. Datenqualität

Frühjahrsemester 2013. CS243 Datenbanken Kapitel 4: Datenqualität* H. Schuldt. Datenqualität Frühjahrsemester 2013 CS243 Datenbanken Kapitel 4: Datenqualität* H. Schuldt * Folien basieren zum Teil auf Unterlagen von Dr. Diego Milano Datenqualität Datenqualität (DQ) beschreibt allgemein die (anwendungsspezifische)

Mehr

Beyond Information Integration: Content Merging Forschungskolloquium CIS/ISST

Beyond Information Integration: Content Merging Forschungskolloquium CIS/ISST Beyond Information Integration: Content Merging Forschungskolloquium CIS/ISST Felix Naumann naumann@informatik.hu-berlin.de Einige Untertitel Content Merging Objekt/Data Fusion Data Amalgamation Data Consolidation

Mehr

Motivation: Datenqualitätsprobleme in der Praxis (1/2) Mars Climate Orbiter. Chinesische Botschaft in Belgrad

Motivation: Datenqualitätsprobleme in der Praxis (1/2) Mars Climate Orbiter. Chinesische Botschaft in Belgrad Datenqualität mit dem DataFlux dfpower Studio 8.1 Tobias Jansen Zaferna-Hütte, 4. Januar 2009 Motivation: Datenqualitätsprobleme in der Praxis (1/2) Mars Climate Orbiter Nasa Marssonde Mars Climate Orbiter

Mehr

Datenreinigung (Seminar)

Datenreinigung (Seminar) Datenreinigung (Seminar) Prof. Felix Naumann, Alexander Albrecht, Jana Bauckmann, Jens Bleiholder, Frank Kaufer, Melanie Weis Hasso-Plattner-Institut für Softwaresystemtechnik GmbH FB Informationssysteme

Mehr

Datenvorverarbeitung von nominalen Daten für Data Mining

Datenvorverarbeitung von nominalen Daten für Data Mining Datenvorverarbeitung von nominalen Daten für Data Mining Entstanden 2004/2005 bei der T-Systems International GmbH unter Betreuung von Prof. Dr. J. Fürnkranz Seite 1 Gliederung Datenvorverarbeitung Prepared

Mehr

Data/Information Quality Management

Data/Information Quality Management Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!

Mehr

Duplikaterkennung und Datenfusion

Duplikaterkennung und Datenfusion Duplikaterkennung und Datenfusion Kolloquium Stuttgart, 6.7.2004 Felix Naumann Humboldt-Universität zu Berlin Humboldt-Universität zu Berlin 22.04.2004 Felix Naumann, Humboldt-Universität zu Berlin 2 Humboldt-Universität

Mehr

Informationsintegration II Data Cleansing 2 Duplikaterkennung

Informationsintegration II Data Cleansing 2 Duplikaterkennung Informationsintegration II Data Cleansing Duplikaterkennung 7.05.004 Felix Naumann Überblick Motivation und Data Cleansing Prozess Datenfehler Edit Distance als Ähnlichkeitsmaß Sorted-Neighborhood Methode

Mehr

Universität Leipzig Institut für Informatik Auffinden von Dubletten in ECommerce Datenbeständen

Universität Leipzig Institut für Informatik Auffinden von Dubletten in ECommerce Datenbeständen Universität Leipzig Institut für Informatik Auffinden von Dubletten in ECommerce Datenbeständen Hanna Köpcke AG 3: Objekt Matching Agenda Problemstellung FEVER-System - Manuell definierte Match-Strategien

Mehr

Extraktion, Transformation, Laden (ETL)

Extraktion, Transformation, Laden (ETL) Extraktion, Transformation, Laden (ETL) ƒ ETL-Prozeß ƒ Integrationsschritte ƒ Integrationsprobleme Konflikte und deren Klassifikation Behebung von Konflikten ƒ Data Cleaning Vorlesung Data-Warehouse-Technologien

Mehr

Beauty is our Business. 16.4.2008 Felix Naumann

Beauty is our Business. 16.4.2008 Felix Naumann Beauty is our Business Organisatorisches und Einführung 16.4.2008 Felix Naumann Das Motto 2... Wenn wir uns klarmachen, dass der Kampf gegen Chaos, Durcheinander, und unbeherrschte Kompliziertheit eine

Mehr

Datenintegration. Kapitel 0: Organisatorisches. Dr. Anika Groß Sommersemester 2016

Datenintegration. Kapitel 0: Organisatorisches. Dr. Anika Groß Sommersemester 2016 Datenintegration Datenintegration Kapitel 0: Organisatorisches Dr. Anika Groß Sommersemester 2016 Universität Leipzig Institut für Informatik http://dbs.uni-leipzig.de 1 Organisatorisches Termin: donnerstags,

Mehr

Informationsintegration Datenreinigung und Duplikaterkennung. 5.7.2007 Melanie Weis

Informationsintegration Datenreinigung und Duplikaterkennung. 5.7.2007 Melanie Weis Informationsintegration Datenreinigung und Duplikaterkennung 5.7.2007 Melanie Weis Überblick 2 Motivation und Datenreinigungsprozess Datenfehler Duplikaterkennung Ähnlichkeitsmaße Edit Distance (Attribute)

Mehr

Datenqualität in medizinisch-betriebswirtschaftlichen Informationssystemen MedConf 2013

Datenqualität in medizinisch-betriebswirtschaftlichen Informationssystemen MedConf 2013 Datenqualität in medizinisch-betriebswirtschaftlichen Informationssystemen MedConf 2013 Endler Gregor, Warum Datenqualität? 2002, USA: 600.000.000 $ Y2k weltweit: 1.500.000.000 $ Kosten 44.000 98.000 Todesfälle

Mehr

Quality Point München Datenqualität

Quality Point München Datenqualität Quality Point München Datenqualität Paul, wie ist denn Eure Datenqualität? Nachdem ich bei der letzten Gehaltszahlung mit Frau... angeredet wurde, bin ich mir nicht mehr so sicher. Autor: W. Ulbrich IT&More

Mehr

Datenqualität AKTUELLES SCHLAGWORT* / DATENQUALITÄT } Felix Naumann

Datenqualität AKTUELLES SCHLAGWORT* / DATENQUALITÄT } Felix Naumann AKTUELLES SCHLAGWORT* / DATENQUALITÄT } Datenqualität Felix Naumann Daten von niedriger Qualität sind in kommerziellen und wissenschaftlichen Datenbanken allgegenwärtig. Produktcodes werden falsch verwendet,

Mehr

DGIQ Projekt IQ-Definition

DGIQ Projekt IQ-Definition DGIQ Projekt IQ-Definition Definition des Begriffsfeldes Informationsqualität bzw. Datenqualität Ein Projekt der DGIQ, 2007 Normen und Standards Dr. Jan Philipp Rohweder, Andrea Piro, Joachim Schmid GIQMC,

Mehr

Agenda. Einführung MS SQL Server Integration Services (SSIS) Oracle Data Warehouse Builder (OWB) Zusammenfassung Quellen. Einführung SSIS OWB

Agenda. Einführung MS SQL Server Integration Services (SSIS) Oracle Data Warehouse Builder (OWB) Zusammenfassung Quellen. Einführung SSIS OWB Agenda Einführung MS SQL Server Integration Services () Oracle Data Warehouse Builder () Quellen 10.12.2009 Martin Tobies - DQ Tools 2 Agenda Einführung MS SQL Server Integration Services () Oracle Data

Mehr

Architektur eines Identitätsmanagementsystems an einer Hochschule

Architektur eines Identitätsmanagementsystems an einer Hochschule Diplomarbeit Architektur eines Identitätsmanagementsystems an einer Hochschule steffen.hofmann@fu-berlin.de betreut von Birgit Feldmann an der Fakultät für Mathematik und Informatik, Lehrgebiet Informationssysteme

Mehr

Domain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing

Domain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0

Mehr

DataCategorizer Qualität & Transparenz

DataCategorizer Qualität & Transparenz DataCategorizer Qualität & Transparenz für Ihre klassifizieren Stammdaten konsolidieren bereinigen Die Qualität Ihrer verbessern. www.procurement-data.com Der größte Teil der Lieferanten lässt sich auf

Mehr

Extraktion, Transformation, Laden (ETL)

Extraktion, Transformation, Laden (ETL) Extraktion, Transformation, Laden (ETL) ETL-Prozeß Integrationsschritte Integrationsprobleme fi Konflikte und deren Klassifikation fi Behebung von Konflikten Data Cleaning VL Data Warehouses, WS 2000/2001

Mehr

Einführung. Information Retrieval. IR-Aufgaben. IR in Beispielen. Adhoc-Suche: Web. IR in Beispielen. Was ist IR? Norbert Fuhr

Einführung. Information Retrieval. IR-Aufgaben. IR in Beispielen. Adhoc-Suche: Web. IR in Beispielen. Was ist IR? Norbert Fuhr Einführung Information Retrieval Norbert Fuhr 13. Oktober 2011 IR in Beispielen Was ist IR? Daten Information Wissen Dimensionen des IR Rahmenarchitektur für IR-Systeme Adhoc-Suche: Web IR in Beispielen

Mehr

105.3 SQL-Datenverwaltung

105.3 SQL-Datenverwaltung LPI-Zertifizierung 105.3 SQL-Datenverwaltung Copyright ( ) 2009 by Dr. W. Kicherer. This work is licensed under the Creative Commons Attribution-Noncommercial-Share Alike 2.0 Germany License. To view a

Mehr

Seminar Datenqualität. Dr. V. Köppen. Einführung

Seminar Datenqualität. Dr. V. Köppen. Einführung 1 Seminar Datenqualität Einführung 27. Oktober 2011 2 Agenda Allgemeines Themen Datenqualität Seminardurchführung Themenvergabe 3 Allgemeines: Seminarablauf Leistungen: 1 Vortrag (vorab in der Konsultation

Mehr

Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten

Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung

Mehr

FUSIONPLEX. Datenfusion mit. 1 Datenfusion 2 Multiplex 3 Fusionplex 4 Autoplex 5 Konkurrenzansatz

FUSIONPLEX. Datenfusion mit. 1 Datenfusion 2 Multiplex 3 Fusionplex 4 Autoplex 5 Konkurrenzansatz Datenfusion mit FUSIONPLEX Seminar Datenfusion in drei Schritten im Wintersemester 2006/2007 Kathleen Haucke Inhalt 1 Datenfusion 2 Multiplex 3 Fusionplex 4 Autoplex 5 Konkurrenzansatz 2 1 1 Datenfusion

Mehr

PHP + MySQL. Die MySQL-Datenbank. Hochschule Karlsruhe Technik & Wirtschaft Internet-Technologien T3B250 SS2014 Prof. Dipl.-Ing.

PHP + MySQL. Die MySQL-Datenbank. Hochschule Karlsruhe Technik & Wirtschaft Internet-Technologien T3B250 SS2014 Prof. Dipl.-Ing. PHP + MySQL Die MySQL-Datenbank Zusammenspiel Apache, PHP, PHPMyAdmin und MySQL PHPMyAdmin Verwaltungstool Nutzer Datei.php oder Datei.pl Apache HTTP-Server PHP Scriptsprache Perl Scriptsprache MySQL Datenbank

Mehr

Inhalt. 4.1 Motivation. 4.2 Datenintegration. 4.3 Konzeptuelle Modellierung. 4.4 Anfragen an Data Warehouses. 4.5 Implementierungsaspekte

Inhalt. 4.1 Motivation. 4.2 Datenintegration. 4.3 Konzeptuelle Modellierung. 4.4 Anfragen an Data Warehouses. 4.5 Implementierungsaspekte 4. Data Warehouses Inhalt 4.1 Motivation 4.2 Datenintegration 4.3 Konzeptuelle Modellierung 4.4 Anfragen an Data Warehouses 4.5 Implementierungsaspekte 2 Literatur V. Köppen, G. Saake und K.-U. Sattler:

Mehr

Wege aus dem Datenlabyrinth

Wege aus dem Datenlabyrinth Wege aus dem Datenlabyrinth - Datenqualität auf dem Prüfstand - 17. November 2009 CEA v6.4 Studie IT-Trends 2009 in Deutschland: Das BI-Top-Thema ist Datenqualität Business Intelligence: Bedeutung einzelner

Mehr

Ausgezeichnete Arbeiten zur Informationsqualität

Ausgezeichnete Arbeiten zur Informationsqualität Ausgezeichnete Arbeiten zur Informationsqualität Herausgegeben von M. Gebauer, Hannover R. Giebichenstein, Köln Bewertungskommission des Information Quality Best Master Degree Award 2010: H. Hinrichs,

Mehr

Problemfeld Datenqualität. Wo kann IT helfen?

Problemfeld Datenqualität. Wo kann IT helfen? 10. Zittauer Umweltsymposium St. Marienthal in Ostritz, 21. April 2009 Problemfeld Datenqualität Wo kann IT helfen? Prof. Dr. -Ing. Axel Toll Hochschule für Technik und Wirtschaft Dresden Fakultät Informatik/Mathematik

Mehr

Entfernung von Duplikaten in Data Warehouses

Entfernung von Duplikaten in Data Warehouses Entfernung von Duplikaten in Data Warehouses Daniel Martens 11.09.2015, Informationsintegration, Seminar 1/41 Gliederung Problem & Motivation Domänen-unabhängige Verfahren Domänen-abhängige Verfahren DELPHI

Mehr

FEHLERTOLERANTE LADEPROZESSE IN ORACLE

FEHLERTOLERANTE LADEPROZESSE IN ORACLE FEHLERTOLERANTE LADEPROZESSE IN ORACLE GEGEN SCHLAFLOSE NÄCHTE DOAG BI Konferenz 2012 Dani Schnider Trivadis AG München, BASEL BERN LAUSANNE ZÜRICH DÜSSELDORF FRANKFURT A.M. FREIBURG I.BR. HAMBURG MÜNCHEN

Mehr

Klassifikation von Integrationskonflikten

Klassifikation von Integrationskonflikten Klassifikation von Integrationskonflikten Christiane Telöken 1 Inhaltsverzeichnis 1. Was bedeutet Integration? 2. Strukturelle Heterogenitätskonflikte 2.1 Konflikte bei bilateralen Korrespondenzen 2.2

Mehr

Leadmanagement zukunftsorientiert gestalten

Leadmanagement zukunftsorientiert gestalten Leadmanagement zukunftsorientiert gestalten Datenqualität und Kundendatenmanagement als Erfolgsfaktoren 1 AGENDA 13:00 Check In & Warm up 13:30 15:00 Die Wasserloch Strategie : Der neue Weg zum erfolgreichen

Mehr

Datenintegration & Datenherkunft Verteilung, Autonomie, und Heterogenität

Datenintegration & Datenherkunft Verteilung, Autonomie, und Heterogenität Datenintegration & Datenherkunft Verteilung, Autonomie, und Wintersemester 2010/11 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen 1 Klassifikation

Mehr

Grundlagen von SQL. Informatik 2, FS18. Dr. Hermann Lehner (Material von Dr. Markus Dahinden) Departement Informatik, ETH Zürich

Grundlagen von SQL. Informatik 2, FS18. Dr. Hermann Lehner (Material von Dr. Markus Dahinden) Departement Informatik, ETH Zürich Grundlagen von SQL Informatik 2, FS18 Dr. Hermann Lehner (Material von Dr. Markus Dahinden) Departement Informatik, ETH Zürich Markus Dahinden 13.05.18 1 Grundlagen von SQL (Structured Query Language)

Mehr

Analysen sind nur so gut wie die Datenbasis

Analysen sind nur so gut wie die Datenbasis Analysen sind nur so gut wie die Datenbasis Datenaufbereitung und Sicherung der Datenqualität durch den kontextbasierten MIOsoft Ansatz. Daten gelten längst als wichtiger Produktionsfaktor in allen Industriebereichen.

Mehr

SQL Server 2012 und SharePoint im Unternehmenseinsatz. Referent Daniel Caesar

SQL Server 2012 und SharePoint im Unternehmenseinsatz. Referent Daniel Caesar SQL Server 2012 und SharePoint im Unternehmenseinsatz Referent Daniel Caesar sqlxpert Daniel Caesar Publikationen Themen SQL Server Admin, Entwicklung SharePoint Admin, Entwicklung.NET Entwicklung Rechtssichere

Mehr

Internationalisierung im E-Commerce und Auswirkungen auf das E-Mail Marketing

Internationalisierung im E-Commerce und Auswirkungen auf das E-Mail Marketing Internationalisierung im E-Commerce und Auswirkungen auf das E-Mail Marketing Jan Niggemann Regional Director Central Europe Return Path Deutschland GmbH Anlässlich der am 28. März2012 in München Agenda

Mehr

Meeting the Challenges of Integrating Large and Diverse Geographic Databases

Meeting the Challenges of Integrating Large and Diverse Geographic Databases Meeting the Challenges of Integrating Large and Diverse Geographic Databases M. Sc. Michael Schäfers schaefers@dbs.uni-hannover.de 04. März 2014 Agenda: 1 Motivation: Räumliche Datenintegration 2 3 Take-Home-Message:

Mehr

Datenqualitätsanalyse ganz einfach auf Basis moderner Werkzeuge zur Unternehmensanalyse

Datenqualitätsanalyse ganz einfach auf Basis moderner Werkzeuge zur Unternehmensanalyse Datenqualitätsanalyse ganz einfach auf Basis moderner Werkzeuge zur Unternehmensanalyse DGIQ-Roadshow, 1.-3. März 2011 Jan Hüfner, Geschäftsführer TIQ Solutions GmbH 2011 TIQ Solutions GmbH All Rights

Mehr

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen:

In die Zeilen würden die Daten einer Adresse geschrieben werden. Das Ganze könnte in etwa folgendermaßen aussehen: 1 Einführung in Datenbanksysteme Fast jeder kennt Excel und hat damit in seinem Leben schon einmal gearbeitet. In Excel gibt es Arbeitsblätter, die aus vielen Zellen bestehen, in die man verschiedene Werte

Mehr

Erhöhung der Datenqualität in XML-Dokumenten von Desktop Applikationen. Alexander Hilliger von Thile - REI/ID

Erhöhung der Datenqualität in XML-Dokumenten von Desktop Applikationen. Alexander Hilliger von Thile - REI/ID Erhöhung der Datenqualität in XML-Dokumenten von Desktop Applikationen Alexander Hilliger von Thile - REI/ID Die Rolle von XML Markup (DQ) < < > > Markup DQ application server < < > Markup application

Mehr

Data Warehouse Grundlagen

Data Warehouse Grundlagen Seminarunterlage Version: 2.10 Version 2.10 vom 24. Juli 2015 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen

Mehr

TransConnect - Anwendertag

TransConnect - Anwendertag TransConnect - Anwendertag Master Data Management mit TransConnect - neu oder nicht? Jürgen Bittner Realität eines Unternehmens Zahlreiche Softwaresysteme bzw. Datenbestände, die Daten der gleichen Objekte

Mehr

Wir bringen HIDDEN CHAMPIONS

Wir bringen HIDDEN CHAMPIONS Wir bringen HIDDEN CHAMPIONS voran. Datenmigration in proalpha Projekten Qualitativ hochwertige Daten aufbereiten am Beispiel eines ERP- Datenübernahmeprojektes bei der MULAG Fahrzeugwerk (Oppenau) Datenübernahme

Mehr

Access 2010. Grundlagen für Anwender. Andrea Weikert 1. Ausgabe, 1. Aktualisierung, Juli 2012. inkl. zusätzlichem Übungsanhang ACC2010-UA

Access 2010. Grundlagen für Anwender. Andrea Weikert 1. Ausgabe, 1. Aktualisierung, Juli 2012. inkl. zusätzlichem Übungsanhang ACC2010-UA Andrea Weikert 1. Ausgabe, 1. Aktualisierung, Juli 2012 Access 2010 Grundlagen für Anwender inkl. zusätzlichem Übungsanhang ACC2010-UA 3 Access 2010 - Grundlagen für Anwender 3 Daten in Formularen bearbeiten

Mehr

Relationale Datenbanken Datenbankgrundlagen

Relationale Datenbanken Datenbankgrundlagen Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern

Mehr

Erkennung mehrerer Darstellungen des selben Objekts. Ludwigsburg. Luwdigsburg. Ludwigsburg (Württ)

Erkennung mehrerer Darstellungen des selben Objekts. Ludwigsburg. Luwdigsburg. Ludwigsburg (Württ) Dublettenerkennung Dublettenerkennung rkennung mehrerer Darstellungen des selben Objekts Fricke Stefanie Ludwigsburg Friedrich- Schiller-Str. Frieke Stephanie Luwdigsburg F.-Schiller-Straße A Fricke-Maier

Mehr

Verkäufe und Umsätze steigern mit IBM Global Financing

Verkäufe und Umsätze steigern mit IBM Global Financing Verkäufe und Umsätze steigern mit IBM Global Financing Jürgen Abele 24.Februar 2012 Agenda IBM Global Financing (IGF) Portfolio IBM Software Finanzierungsmöglichkeiten Ihre Vorteile 1. Leasing IBM Global

Mehr

Definition Informationssystem

Definition Informationssystem Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation

Mehr

Vorlesung Einführung in die Bioinformatik

Vorlesung Einführung in die Bioinformatik Vorlesung Einführung in die Bioinformatik Dr. Uwe Scholz 19.05.2014 Wiederholung I Research Group Internal Data Sources >HY01A03T ATGCTCATG rlkfelfdglgal CCATGGCGT söglölgfllhfd ACAATGCAG löshlkhs TTGCAAGTC

Mehr

Inhaltsverzeichnis. Stand: Seite 1 Copyright Melville-Schellmann GbR

Inhaltsverzeichnis. Stand: Seite 1 Copyright Melville-Schellmann GbR Inhaltsverzeichnis 1 Einsatz von ACT2Mail... 2 2 Konfiguration und Bedienung von ACT2Mail... 2 3 Transferfelder von ACT! nach Outlook... 4 4 Start von ACT2Mail mit Befehlszeilenparametern... 6 Stand: 21.06.2005

Mehr

Datenqualität erfolgreich steuern

Datenqualität erfolgreich steuern Edition TDWI Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte von Detlef Apel, Wolfgang Behme, Rüdiger Eberlein, Christian Merighi 3., überarbeitete und erweiterte Auflage

Mehr

Inhalt. 4.1 Motivation. 4.2 Datenintegration. 4.3 Konzeptuelle Modellierung. 4.4 Anfragen an Data Warehouses. 4.5 Implementierungsaspekte

Inhalt. 4.1 Motivation. 4.2 Datenintegration. 4.3 Konzeptuelle Modellierung. 4.4 Anfragen an Data Warehouses. 4.5 Implementierungsaspekte 4. Data Warehouses Inhalt 4.1 Motivation 4.2 Datenintegration 4.3 Konzeptuelle Modellierung 4.4 Anfragen an Data Warehouses 4.5 Implementierungsaspekte 2 Literatur V. Köppen, G. Saake und K.-U. Sattler:

Mehr

Informationssysteme Übersicht Sommersemester 2017

Informationssysteme Übersicht Sommersemester 2017 Prof. Dr.-Ing. Stefan Deßloch AG Heterogene Informationssysteme Zi. 36/329, Tel.: 0631-205-3275 E-Mail: dessloch@cs.uni-kl.de Informationssysteme Übersicht Sommersemester 2017 http://wwwlgis.informatik.uni-kl.de/cms/courses/informationssysteme/

Mehr

10. Vorlesung: Datenorganisation SS 2007

10. Vorlesung: Datenorganisation SS 2007 10. Vorlesung: Datenorganisation SS 2007 8 Parallele Transaktionen 9 9.1 Drei-Ebenen Ebenen-Architektur 9.2 Verteilte Datenbanken 9.3 Client-Server Server-Datenbanken 9.4 Föderierte Datenbanken 9.5 Das

Mehr

Keine Macht dem Betrug

Keine Macht dem Betrug Keine Macht dem Betrug Maßnahmen für sicheren Umsatz im E-Commerce E-Commerce-Tag in Berlin, 04. Juni 2013 Folie 1 Boniversum Wissen schafft Fairplay.» Die Creditreform Boniversum GmbH ist ein Tochterunternehmen

Mehr

Tool: SDQC. Stammdaten-Qualitätscheck im Artikelstamm. Lars Klimbingat

Tool: SDQC. Stammdaten-Qualitätscheck im Artikelstamm. Lars Klimbingat Tool: SDQC Stammdaten-Qualitätscheck im Artikelstamm Lars Klimbingat Basel 08.10.2010 AUSWIRKUNGEN SCHLECHTER DATENQUALITÄT 2 AUSWIRKUNGEN SCHLECHTER DATENQUALITÄT Ungenaues Berichtswesen Mangelhafte Entscheidungen

Mehr

Schema Mapping. Dr. Armin Roth arminroth.de. Dr. Armin Roth (arminroth.de) II Schema Mapping / 23

Schema Mapping. Dr. Armin Roth arminroth.de. Dr. Armin Roth (arminroth.de) II Schema Mapping / 23 Dr. Armin Roth arminroth.de 25.04.2013 Dr. Armin Roth (arminroth.de) II Schema Mapping 25.04.2013 1 / 23 Agenda 1 Wiederholung: Schema Matching / Integration 2 Schema Mapping Definitionen Beispiel Algorithmus

Mehr

Ein Beispiel. Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse?

Ein Beispiel. Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse? Ein Beispiel Ein Unternehmen will Internettechnologien im Rahmen des E- Business nutzen Welche Geschäftsprozesse? Dipl.-Kfm. Claus Häberle WS 2015 /16 # 42 XML (vereinfacht) visa

Mehr

Datenintegration Datenreinigung Duplikate Fusion Qualität

Datenintegration Datenreinigung Duplikate Fusion Qualität Datenintegration Datenreinigung Duplikate Fusion Qualität Ein Vortrag von Janett Niendorf im Rahmen der integrierten Lehrveranstaltung: Integration Heterogener Informationssysteme (HIS) / SS 2009 /Dr.

Mehr

Datenbanken und Informationssysteme

Datenbanken und Informationssysteme Datenbanken und Informationssysteme Lehrangebot Stefan Conrad Heinrich-Heine-Universität Düsseldorf Institut für Informatik April 2012 Stefan Conrad (HHU) Datenbanken und Informationssysteme April 2012

Mehr

Datenmodelle und Datenbanken 2

Datenmodelle und Datenbanken 2 Datenmodelle und Datenbanken 2 Prof. N. Fuhr Institut für Informatik und Interaktive Systeme Arbeitsgruppe Informationssysteme 24. Februar 2005 Hinweise zur Bearbeitung Die Zeit läuft erst, wenn Sie alle

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Das Listen Abgleich Interface wird einfach über Doppelklick auf die Datei Listen-Abgleich-Interface.accde gestartet.

Das Listen Abgleich Interface wird einfach über Doppelklick auf die Datei Listen-Abgleich-Interface.accde gestartet. Anleitung Listen Abgleich Interface Was macht das Listen Abgleich Interface? Das Listen Abgleich Interface importiert und gleicht Excel Listen, welche beispielsweise aus Web Kontaktformularen, Adresszukäufen

Mehr

Wiederholung VU Datenmodellierung

Wiederholung VU Datenmodellierung Wiederholung VU Datenmodellierung VU Datenbanksysteme Reinhard Pichler Arbeitsbereich Datenbanken und Artificial Intelligence Institut für Informationssysteme Technische Universität Wien Wintersemester

Mehr

DATA GOVERNANCE ERFOLGREICH UMSETZEN. Uniserv Academy Seminar 21. März 2017, Sofitel München Dr. Christiana Klingenberg

DATA GOVERNANCE ERFOLGREICH UMSETZEN. Uniserv Academy Seminar 21. März 2017, Sofitel München Dr. Christiana Klingenberg DATA GOVERNANCE ERFOLGREICH UMSETZEN Uniserv Academy Seminar 21. März 2017, Sofitel München Dr. Christiana Klingenberg IHRE REFERENTEN Dr. Christiana Klingenberg Solution & Product Manager Uniserv Christiana.Klingenberg@uniserv.com

Mehr

Phishingerkennung mittels visuellem Ähnlichkeitsvergleich. Felix Hill Ruhr-Universität Bochum felix.hill@rub.de

Phishingerkennung mittels visuellem Ähnlichkeitsvergleich. Felix Hill Ruhr-Universität Bochum felix.hill@rub.de Phishingerkennung mittels visuellem Ähnlichkeitsvergleich Felix Hill Ruhr-Universität Bochum felix.hill@rub.de 1 ÜBERSICHT Entwicklung im Bereich Phishing Ansatz Bilderkennung Evaluation G DATA EINFACH

Mehr

erfolgreich steuern Datenqualität rä dpunkt.verlag Ldwi Praxislösungen für Business-Intelligence-Projekte Rüdiger Eberlein Edition TDWI

erfolgreich steuern Datenqualität rä dpunkt.verlag Ldwi Praxislösungen für Business-Intelligence-Projekte Rüdiger Eberlein Edition TDWI Detlef Apel Wolfgang Behme Rüdiger Eberlein Christian Merighi Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte 3., überarbeitete und erweiterte Auflage Edition TDWI rä

Mehr

Dublettenbereinigung nach dem Record Linkage Algorithmus

Dublettenbereinigung nach dem Record Linkage Algorithmus Dublettenbereinigung nach dem Record Linkage Algorithmus Dipl.-Wirtschaftsinformatiker (FH) Sönke Cordts, Prof. Dr. Burkhard Müller Wirtschaftsinformatik Fachhochschule Westküste, BWL Fritz-Thiedemann-Ring

Mehr

Data Warehouse Technologien

Data Warehouse Technologien Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............

Mehr

Vorlesung Einführung in die Bioinformatik

Vorlesung Einführung in die Bioinformatik Vorlesung Einführung in die Bioinformatik Dr. Stephan Weise 18.04.2016 Wiederholung I Research Group with Special Queries External Databases Internet Dr. Stephan Weise Folie # 2 Wiederholung II Biologische

Mehr

Matching von Produktdaten. Wie Sie mit Hilfe lernender Match-Algorithmen eine saubere Datenbasis schaffen.

Matching von Produktdaten. Wie Sie mit Hilfe lernender Match-Algorithmen eine saubere Datenbasis schaffen. Matching von Produktdaten Wie Sie mit Hilfe lernender Match-Algorithmen eine saubere Datenbasis schaffen. Matching von Produktdaten 2 Einleitung Ob Online-Shop oder Markenhersteller - Unternehmen zahlreicher

Mehr

Datenqualitätsmanagement im Customer Relationship Management

Datenqualitätsmanagement im Customer Relationship Management Wolfgang Leußer Datenqualitätsmanagement im Customer Relationship Management Verlag Dr. Kovac Hamburg 2011 Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis XVII XIX XXI

Mehr

Mineralwasser = Taschenbuch!? Studie über die Datenqualität heutiger mobiler Produkte-Apps

Mineralwasser = Taschenbuch!? Studie über die Datenqualität heutiger mobiler Produkte-Apps 1. GS1 Systemtagung 19. September 2012 Mineralwasser = Taschenbuch!? Studie über die Datenqualität heutiger mobiler Produkte-Apps Dr., Associate Director of the Auto-ID Labs Zurich/St. Gallen, ETH Zürich

Mehr

ETL in den Zeiten von Big Data

ETL in den Zeiten von Big Data ETL in den Zeiten von Big Data Dr Oliver Adamczak, IBM Analytics 1 1 Review ETL im Datawarehouse 2 Aktuelle Herausforderungen 3 Future of ETL 4 Zusammenfassung 2 2015 IBM Corporation ETL im Datawarehouse

Mehr

TimeSafe Leistungserfassung

TimeSafe Leistungserfassung Keep your time safe. TimeSafe Leistungserfassung Adressimport 1/8 Inhaltsverzeichnis Inhaltsverzeichnis... 2 1 Allgemeines... 3 1.1 Adressen in der TimeSafe Leistungserfassung... 3 1.2 Organisationen und/oder

Mehr

Data Governance als Teil von IT Governance. Dr.Siegmund Priglinger spriglinger@informatica.com 18.Juni 2007

Data Governance als Teil von IT Governance. Dr.Siegmund Priglinger spriglinger@informatica.com 18.Juni 2007 1 Data Governance als Teil von IT Governance Dr.Siegmund Priglinger spriglinger@informatica.com 18.Juni 2007 2 Agenda Informatica - Allgemeiner Überblick Die Informatica Data Quality Lösungen im Überblick

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

30. Juni 2006 - Technische Universität Kaiserslautern. Paul R. Schilling

30. Juni 2006 - Technische Universität Kaiserslautern. Paul R. Schilling 30. Juni 2006 - Technische Universität Kaiserslautern Paul R. Schilling ! " #$% & '( ( ) *+, - '. / 0 1 2("$ DATEN SIND ALLGEGENWÄRTIG Bill Inmon, father of data warehousing Unternehmen In einer vollkommenen

Mehr

Datenqualität für Kapital- und Liquiditätssteuerung sicherstellen

Datenqualität für Kapital- und Liquiditätssteuerung sicherstellen make connections share ideas be inspired Datenqualität für Kapital- und Liquiditätssteuerung sicherstellen Datenqualitätsprozesse auf allen Verarbeitungsstufen Carsten Krah, SAS Michael Herrmann, SAS Datenqualität

Mehr

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte

Mehr

IT-Compliance -... und die Realität. Was hat Datenqualität mit Compliance zu tun?

IT-Compliance -... und die Realität. Was hat Datenqualität mit Compliance zu tun? IT-Compliance -... und die Realität Was hat Datenqualität mit Compliance zu tun? Situation Stetiger Veränderungsdruck durch immer schnellere Marktveränderungen Auslöser für Veränderungen Globalisierung

Mehr

Adresspflege Online Produktbeschreibung/Handlungsempfehlungen

Adresspflege Online Produktbeschreibung/Handlungsempfehlungen Adresspflege Online Produktbeschreibung/Handlungsempfehlungen Mit Adresspflege Online können die Postkunden ihre Adressen verwalten und pflegen. Dieser Onlinedienst stellt Ihnen ein Instrument zur Verfügung,

Mehr

Datenidentifikation und -synchronisation: Grundlage zur Erfüllung der Qualitätsanforderungen beim Datenaustausch zwischen Systemen

Datenidentifikation und -synchronisation: Grundlage zur Erfüllung der Qualitätsanforderungen beim Datenaustausch zwischen Systemen Datenidentifikation und -synchronisation: Grundlage zur Erfüllung der Qualitätsanforderungen beim Datenaustausch zwischen Systemen Jürg Simonett Luzern, 26. März 2015 Datenaustausch zwischen Systemen Synchronisation

Mehr

Beauty is our Business Felix Naumann

Beauty is our Business Felix Naumann Beauty is our Business Organisatorisches und Einführung 19.4.2010 Felix Naumann Das Motto 2... Wenn wir uns klarmachen, dass der Kampf gegen Chaos, Durcheinander, und unbeherrschte Kompliziertheit eine

Mehr

Datenqualität im NWR - richtige Waffendaten

Datenqualität im NWR - richtige Waffendaten Datenqualität im NWR - richtige Waffendaten EKHK Niels Heinrich Freie und Hansestadt Hamburg Behörde für Inneres und Sport NWR- Nürnberg, den 07. und 08.03.2015 Gliederung Vorbetrachtung - Was versteht

Mehr