Datenqualität transparent und messbar machen mit dem SAP Information Steward

Transkript

1 Datenqualität transparent und messbar machen mit dem SAP Information Steward Unterstützen Sie Ihre datengetriebenen Initiativen, wie z. B. ERP-, CRM- oder BI-Projekte, mit den notwendigen Informationen. Wie der SAP Information Steward Ihnen beim Data Profiling und dem kontinuierlichen Überwachen von Datenqualität hilft, die Basis für bessere Entscheidungen und effizientere Prozesse zu legen Atos - For internal use

2 Datenqualität Warum sollten Sie sich überhaupt damit beschäftigen? Geschäftsentscheidungen basieren auf Daten/Informationen Geschäftsprozesse konsumieren und produzieren diese Schlechte Daten/Informationen führen zu Ungesicherten oder gar falschen Entscheidungen Ineffizienten oder fehleranfälligen Prozessabläufen Veröffentlichung falscher Informationen Gute Datenqualität ermöglicht Höheren Umsatz Geringere Kosten Größere Agilität Weniger Risiken Lars Lorenz Atos - For internal use

3 Datenqualität Warum sollten Sie sich überhaupt damit beschäftigen? Probleme werden verursacht durch Menschliche Fehler Ungenügende oder fehlende Standards Schlechte Unterstützung in Programmen und Applikationen Jedes Unternehmen hat Datenqualitätsprobleme! Die wenigsten kennen die Qualität ihrer Daten oder managen sie. 1) 1) The price of light is less than the cost of darkness. Arthur C. Nielsen, Market Researcher & Founder of ACNielsen Die Beschäftigung mit dem Thema Datenqualität hat besonders Relevanz im Kontext von ERP-, CRM- und BI-Initiativen Lars Lorenz Atos - For internal use

4 Datenqualität ist ein Schwerpunkt-Thema der SAP Enterprise Information Management Lösungen SAP Data Services SAP Information Steward SAP Sybase Power Designer SAP SAP Master Data Governance SAP NW Information Lifecycle Management SAP Extended ECM by OpenText Lars Lorenz Atos - For internal use

5 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Durchführung von Einmal-Maßnahmen Schaffung einer Single Source of Truth für Auswertungszwecke Integration der Datenflüsse über beteiligte Applikationen und Systeme Anreicherung der Daten durch zusätzliche/externe Services Punktuelle Anpassung/Optimierung der Prozesse Definition von (Stamm-)Datenstandards Rules and Guidelines Einführung eines zentralen Stammdatenmanagements Einführung von Governance-Funktionen Lars Lorenz Atos - For internal use

6 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Identifikation der geschäftsrelevanten Daten- Objekte und ihrer Systemnutzung Ermittlung des Ist- Zustands der Daten-Objekte mittels Data Profiling Definition und Anwendung von Datenqualitäts- Regeln Fachliche Beurteilung der Datenqualität und ihrer Auswirkung auf Entscheidungen und Prozesse Kundenstammsätze aus den CRM-, ERP- und Service-Applikationen Produktstammdaten aus den PLM-, ERP- und Warehouse-Systemen sowie aus dem Webshop Serviceaufträge, Lieferantenbestellungen, Produktionsaufträge, Kundenrechnungen, Lieferantenstammsätze, Kundenaufträge, Materialstammdaten, Lars Lorenz Atos - For internal use

7 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Identifikation der geschäftsrelevanten Daten- Objekte und ihrer Systemnutzung Ermittlung des Ist- Zustands der Daten-Objekte mittels Data Profiling Definition und Anwendung von Datenqualitäts- Regeln Fachliche Beurteilung der Datenqualität und ihrer Auswirkung auf Entscheidungen und Prozesse Strukturen: Entsprechen die Daten den vorgesehenen Mustern? Beziehungen: Gibt es abgeleitete Relationen über Systemgrenzen hinweg? Inhalte: Sind die Datensätze vollständig, genau und eindeutig? Welche Ausprägungen gibt es? Lars Lorenz Atos - For internal use

8 Data Profiling mit dem SAP IS In wenigen Minuten zu ersten Ergebnissen Beispiel: Basic Profiling für einfache Wertanalysen von Datenobjekten 1. Verbindung(en) zu Quellsystem(en) anlegen z. B. die produktive ERP-Instanz 2. Neues Analyse-Projekt anlegen z. B. für die Analyse von Kundendaten 3. Tabelle(n) oder Datei(en) auswählen z. B. KNA1 für Kundenstammdaten 4. Profiling-Optionen festlegen z. B. Umfang der Datenmenge bzgl. Zeilen und Spalten, Detailtiefe der Analyse, direkte Ausführung oder als Job 5. Basic Profiling starten 6. Ergebnis analysieren Lars Lorenz Atos - For internal use

9 Data Profiling mit dem SAP IS Basic Profiling - Ergebnisanalyse Profiling- Zusammenfassung + Statistik (Werte, Textlängen, Vollständigkeit, Verteilung Aufriss nach Werten Aufriss der Quelldaten Lars Lorenz Atos - For internal use

10 Data Profiling mit dem SAP IS Basic Profiling - Ergebnisanalyse Vorschlag zum Typ der Spalte Aufriss der Häufigkeit von vorgeschlagenen Datentypen Semantisches, wissensbasiertes Erkennen von Datentypen und Bedeutungen Lars Lorenz Atos - For internal use

11 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Identifikation der geschäftsrelevanten Daten- Objekte und ihrer Systemnutzung Ermittlung des Ist- Zustands der Daten-Objekte mittels Data Profiling Definition und Anwendung von Datenqualitäts- Regeln Fachliche Beurteilung der Datenqualität und ihrer Auswirkung auf Entscheidungen und Prozesse In allen Kundenstammsätzen müssen Pflicht-Adressfelder (abhängig vom Land) gefüllt sein Kundenstammsätze mit identischem Namen und Adressen sind Dubletten Bei der Angabe von Mengen-, Gewichts- und Maßeinheiten für bestimmte Materialien- oder Produkt- Gruppen sollen nur definierte Werte verwendet werden Lars Lorenz Atos - For internal use

12 Daten-Validierung mit dem SAP IS Zentrale Definition der Regeln Definition durch Fachabteilungsoder IT-Anwender Im Regel-Editor Direkt aus der Profiling- Analyse heraus Aus einem Vorschlag des Data Validation Advisor Bei komplexeren Anforderungen steht auch ein Scripting-Editor mit umfangreichen Funktionen zur Verfügung Lars Lorenz Atos - For internal use

13 Daten-Validierung mit dem SAP IS Übersicht und Auswertung Berechnung eines Qualitätsindexes über alle verknüpften Tabellen, inkl. Anzeige der fehlerhaften Datensätze Selektion einer Regel einer spezifischen Qualitäts- Dimension generische Definition der Regeln Verknüpfung der Regeln mit unterschiedlichen Tabellen oder Dateien (Wiederverwendung + individuelle Bewertung der Ergebnisse) Strukturierung von Regeln in Gruppen und Hierarchien Integration von Genehmigungs- Workflows Lars Lorenz Atos - For internal use

14 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Identifikation der geschäftsrelevanten Daten- Objekte und ihrer Systemnutzung Ermittlung des Ist- Zustands der Daten-Objekte mittels Data Profiling Definition und Anwendung von Datenqualitäts- Regeln Fachliche Beurteilung der Datenqualität und ihrer Auswirkung auf Entscheidungen und Prozesse Zu welchen Problemen in der Kommunikation mit den eigenen Kunden führt es dass 30% der Kundenstammsätze im CRM und ERP mit unterschiedlichen Adressen gepflegt sind? Wieviel Einkaufsvolumen kann nicht oder nur unter sehr hohem Aufwand optimiert werden weil 40% der Bestellungen ohne Materialstamm (Freitextbestellungen) ausgelöst werden? Lars Lorenz Atos - For internal use

15 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Durchführung von Einmal-Maßnahmen Schaffung einer Single Source of Truth für Auswertungszwecke Integration der Datenflüsse über beteiligte Applikationen und Systeme Anreicherung der Daten durch zusätzliche/externe Services Punktuelle Anpassung/Optimierung der Prozesse Definition von (Stamm-)Datenstandards Rules and Guidelines Einführung eines zentralen Stammdatenmanagements Einführung von Governance-Funktionen Lars Lorenz Atos - For internal use

16 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Schaffung der Voraussetzungen für ein kontinuierliches Datenqualitätsmanagement Katalogisierung der Meta-Informationen der Daten-Objekte Kontinuierliche Anwendung und Monitoring der Datenqualitäts- Regeln Schaffung eines Problembewusstseins Definition und Kommunikation von Verantwortlichkeiten Schaffung von (Stamm-)Datenstandards Lars Lorenz Atos - For internal use

17 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Schaffung der Voraussetzungen für ein kontinuierliches Datenqualitätsmanagement Katalogisierung der Meta-Informationen der Daten-Objekte Kontinuierliche Anwendung und Monitoring der Datenqualitäts- Regeln Nutzung in späteren Profiling-Analysen u. Auswertungen(z. B. für Impact Analysen oder Data Lineage) Verwaltung von Metadaten in komplexeren Systemlandschaften Aufbau eines Glossars für Geschäftsbegriffe (Business Terms) Lars Lorenz Atos - For internal use

18 Metadaten-Mgmt. mit dem SAP IS Definition von Geschäftsbegriffen Vereinfachung von Suche und Navigation durch Definition von Synonymen und verwandten Begriffen Begriffsdefinition durch einen Data Steward verwandte Begriffe verwandte Informationen (z. B. Validierungs-Regeln) Lars Lorenz Atos - For internal use

19 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Schaffung der Voraussetzungen für ein kontinuierliches Datenqualitätsmanagement Katalogisierung der Meta-Informationen der Daten-Objekte Kontinuierliche Anwendung und Monitoring der Datenqualitäts- Regeln Bündelung der Ergebnisse von Validierungsergebnissen in Qualitäts-Scorecards Visualisierung der Scorecards in Fachabteilungs-tauglichen Dashboards Lars Lorenz Atos - For internal use

20 Qualitäts-Monitoring mit dem SAP IS Als Ad-hoc Analyse Beobachtung des berechneten Qualitätsindexes über den Zeitverlauf hinweg Drill down über System und Tabelle hin zum Feld Lars Lorenz Atos - For internal use

21 Qualitäts-Monitoring mit dem SAP IS Als Dashboard mit Scorecards aktueller Qualitätsindex Skala für den Qualitäts -index Entwicklung des Qualitätsindex Kennzahlen der einzelnen Qualitätsdimensionen Lars Lorenz Atos - For internal use

22 Qualitäts-Monitoring mit dem SAP IS Als Dashboard mit Scorecards Absprung bis hin zu den fehlerhaften Daten einer einzelnen Regel Lars Lorenz Atos - For internal use

23 3 Phasen auf dem Weg zu besserer Datenqualität Erkennen und verstehen der Datenqualität sowie der damit verbundenen Auswirkungen Definieren und Durchführen von Maßnahmen zur Verbesserung der Datenqualität Dauerhafte Anwendung und Überprüfung Daten Profiling Messung von Datenqualität via Integrations- Szenarien Metadaten- Management Monitoring von Datenqualität Lars Lorenz Atos - For internal use

24 Mögliche Integrations-Szenarien Mit SAP BW, Data Services und MDG SAP Information Steward Data Profiling, Validation and Monitoring Option 3 Manual Adjustment Business Reporting Option 1 Cleansing Package Option 2 Change Requests SAP BW Transform (Master) Data SAP MDG Change Request Processing SAP Data Services Cleansing Package Execution ERP 3 ERP 1 ERP Lars Lorenz Atos - For internal use

25 Schnelle Schritte zur ersten Umsetzung mit Rapid Deployment Solutions Verfügbar für folgende Datenobjekte aus SAP ERP- oder MDG-Systemen: Kundenstammdaten Lieferantenstammdaten Materialstammdaten RDS-Pakete enthalten vorkonfigurierte Datensichten und Metadaten-Beschreibungen Validierungs-Regeln Kennzahlen und Dashboards Einführungsmethodik, inkl. Anleitungen und Dokumentationen Lars Lorenz Atos - For internal use

26 Fragen und Antworten Lars Lorenz Atos - For internal use

27 Thanks For more information please contact: T M Atos, the Atos logo, Atos Consulting, Atos Worldgrid, Worldline, BlueKiwi, Bull, Canopy the Open Cloud Company, Yunano, Zero , Zero Certified and The Zero Company are registered trademarks of the Atos group. May Atos. Confidential information owned by Atos, to be used by the recipient only. This document, or any part of it, may not be reproduced, copied, circulated and/or distributed nor quoted without prior written approval from Atos Atos - For internal use