Eine Strategie zur nachhaltigen Verbesserung der Datenqualität

Transkript

1 Eine Strategie zur nachhaltigen Verbesserung der Datenqualität Christian Fürber, Michael Wernz, Joachim Sobota TDWI Vorstellung des Information Quality Institute Bedeutung von Daten für den Unternehmenserfolg Das House of Information Quality Corporate Culture Data Quality Management Data Governance Business Process Management Das Information Quality Institute 2 1

2 Daten sind das Rückgrat moderner Unternehmen 3 Prozesse funktionieren nur, wenn die Daten stimmen 4 2

3 Daten bestimmen die Richtung Daten entscheiden mittelbar und unmittelbar wie ein Material beschafft wird wie ein Patient behandelt werden soll ob ein Kunde einen Rabatt erhält wann ein Aktienpaket verkauft werden soll auf welcher Route ein Gut am schnellsten ankommt ob ein Unternehmensteil ausgelagert werden soll ob ein Kunde einen Kredit erhalten soll wie viel ein Produkt kosten soll wie viele Träger unter eine Brücke müssen, damit sie nicht einstürzt vieles mehr 5 Häufig sehen Datenbanken aber so aus 6 3

4 Datenfehler: Viraler Befall von Prozessen und Entscheidungen Entscheidungen (Analytics) Prozesse (Transactions) 7 Datenfehler: Viraler Befall von Prozessen und Entscheidungen Entscheidungen (Analytics) Prozesse (Transactions) 8 4

5 Auswirkungen schlechter Datenqualität Unmittelbare Auswirkungen Mittelbare Auswirkungen Fehlinformation Fehlentscheidungen Keine Information Nacharbeiten Fehlleitung von Prozessen Längere Durchlaufzeiten Prozessstörungen Gesetzesverletzungen Unfälle Folgen für den Geschäftserfolg: Höhere Kosten (z.b. durch Nacharbeiten und Fehlentscheidungen) Geringere Mitarbeiterzufriedenheit Geringere Kundenzufriedenheit Schlechteres Image Bußgelder und Strafen 9 Warum Datenqualitätsinitiativen scheitern Fehlende Vorgaben der Fachbereiche Fehlende / Inkonsistente Definition Was sind gute Daten? Fehlende Organisation um das Datenqualitätsmanagement herum / Fehlendes Data Governance Beschränkung von Datenqualitätsaktivitäten auf Datenmigrationen Hardcoding von Datenqualitätsregeln Fehlende Vorgaben für die Datenpflege Falscher Einsatz von Datenqualitätswerkzeugen und Stammdatenmanagementtools 10 5

6 Data Governance Data Quality Management Business Process Management Unsere Lösung: Das House of Information Quality Information Quality Corporate Culture 11 Vom Chaos zur nachhaltigen Datenqualität Level 5: Optimierend Kontinuierliche Verbesserung des DQM Integriertes Daten- und Prozessmgt. Level 4: Proaktiv / Steuernd Mängel werden rechtzeitig erkannt und beseitigt Kontinuierliche Überprüfung der Datenanforderungen Data Governance Organisation vorhanden Level 3: Systematische Fehlererkennung und -überwachung Regelmäßiges Data Quality Monitoring & Assessment Level 2: Bewusstsein vorhanden / Reaktiv Einige Mängel sind bekannt Grundlegendes Informationsmanagement Level 1: Ungeordnet Fehlendes Bewusstsein für die Bedeutung von Datenqualität Kein dokumentiertes Informationsmanagement In Anlehnung an Baškarada et al. (2008) 12 6

7 Offene Fehlerkultur schaffen Es gibt keine Datenbank ohne Datenqualitätsmängel Ohne offene Fehlerkultur keine Steigerung der Datenqualität Management und Mitarbeiter für die Bedeutung von Datenqualität sensibilisieren Nur wer offen über Probleme spricht, kann sie auch lösen 13 Data Quality Pain Chains zur Sensibilisierung 14 7

8 Data Quality Management 15 Data Quality Management - Was sind gute Daten? Definition von Anforderungen an Daten aus Unternehmensperspektive Datenqualität ist hergestellt, wenn die Daten den Anforderungen entsprechen Daten Anforderungen 16 8

9 Data Quality Management - Standards + Verträge Fachbereiche Inhalt Anforderungen Inhalt Management Gesetze Techniker (IT) 17 Data Quality Management - Bewertung der Relevanz von Daten und Anforderungen Erfassung und Abstimmung von Datenanforderungen Konsensgetriebener Prozess 18 9

10 Data Quality Management - Abgleich der Anforderungen mit den Daten Fehlerberichte mit Anforderungsverletzungen als Grundlage für eine systematische Verbesserung / Erhaltung der Datenqualität erzeugen 19 Data Quality Management - Identifikation der Ursache / Quelle des Fehlers Mögliche Ursachen für Datenqualitätsmängel: Mangel im Geschäftsprozess (z.b. mangelnde Standardisierung, fehlende Zuständigkeit, falsche / keine Vorgaben, fehlende Schulung, etc.) Technischer Fehler (z.b. Fehler bei Datenübertragung, Berechtigungsprobleme, etc.) 20 10

11 Data Quality Management - Korrektur der fehlerhaften Daten UND Beseitigung der Ursachen Identifikation der wirtschaftlichsten Handlungsoption Data Quality Tools erleichtern das Data Cleansing enorm 21 Data Quality Management - Überwachen des Erfolgs des Data Quality Managements anhand einer Data Quality Scorecard 22 11

12 Decisions Reporting Data Governance Organisatorischer Rahmen für die Erhaltung / Verbesserung der Datenqualität Inhaltliche Verantwortung für Daten / Informationen liegt beim Fachbereich Klare Aufgaben, Verantwortungen und Kommunikationsbeziehungen sorgen für schnelle Erfolge Oft sind ähnliche Rollenträger und Gremien schon vorhanden Instrumente: Weisungen / Richtlinien RACI-Charts Process Owner Data Governance Office Data Governance Council Data Stewards 23 Business Process Management Definition der Datenproduktions- /Informationsaustauschprozesse Wer? Was? Wann? Womit? Wie? Standard Operating Procedures für die Datenpflege Workflows reduzieren das Aufkommen von Datenqualitätsproblemen 24 12

13 Integrierte Prozessdokumentation in Enterprise Wikis End2End Szenario (z.b. Produkteinführung) Prozessablauf (Wer? Was? Wann?) Verfahrensanweisung (Wie?, Womit?) Information Quality Institute GmbH, Sterzenweg 8, Münsing. All rights reserved. Werden Sie Data Quality / Data Governance Experte! Einzigartiges Best Practice Training für Data Governance und Data Quality Management Dauer: Preis: 3 Tage zzgl. USt. Jetzt Platz sichern unter Schulungstermin in München 26 13

14 Unser Portfolio Daten Datendefinition Data Quality Management Datenbereinigung Stammdatenmanagement Datenmigration Data Quality Audit Data Quality as a Service Reporting & Analytics Menschen Data Governance Data Quality Strategie Wissensmanagement Data Quality Training Change Management Rent an Expert Prozesse Integrierte Daten- und Prozessdokumentation Stammdatenpflege Datenproduktionsprozesse Technologien IQI Data Governance Wiki Data Quality Architekturen Data Quality Tools (u.a. Trillium, SAS DataFlux, Uniserv, Talend) Data Integration & Business Intelligence (SAP BW, IBM Cognos, Informatica, Talend) Enterprise Resource Planning (SAP ERP) Master Data Management (SAP MDM, SAS DataFlux) 27 Ausgewählte Publikationen Fürber, Christian und Sobota, Joachim: Eine Datenqualitätsstrategie für große Organisationen am Beispiel der Bundeswehr, HMD Praxis der Wirtschaftsinformatik, Vol.279, 48. Jahrgang, Juni Fürber, Christian und Hepp, Martin: SWIQA A Semantic Web Information Quality Assessment Framework, in: Proceedings of the 19th European Conference on Information Systems (ECIS2011), Juni, 2011, Helsinki, Finnland. Fürber, Christian and Hepp, Martin: Towards a Vocabulary for Data Quality Management in Semantic Web Architectures, in: Proceedings of the 1st International Workshop on Linked Web Data Management (LWDM2011), 25. March, 2011, Uppsala, Schweden. Fürber, Christian und Hepp, Martin: Using Semantic Web Resources for Data Quality Management, in: Proceedings of the 17th International Conference on Knowledge Engineering and Knowledge Management (EKAW2010), Oktober, 2010, Lissabon, Portugal, Springer LNCS Vol Fürber, Christian und Hepp, Martin: Using SPARQL and SPIN for Data Quality Management on the Semantic Web, in: BIS Proceedings of the 13th International Conference on Business Information Systems, 3.-5.Mai, 2010, Berlin, Deutschland, Springer LNBIP. 14

15 Ausgewählte Vorträge 10.German Information Quality Management Conference (GIQMC 2012): Management von Informationsqualität in Wikipedia November 2012, Bad Soden. 10.German Information Quality Management Conference (GIQMC 2012): Der Einsatz von Semantic MediaWiki im Rahmen des Datenqualitätsmanagments der Bundeswehr November 2012, Bad Soden. MIT Chief Data Officer Forum & Information Quality Symposium (MIT CDOIQ 2012): Using Semantic MediaWiki for Data Quality Management in the German Armed Forces Juli 2012, MIT, Boston / USA. 9.German Information Quality Management Conference (GIQMC 2011): Eine Datenqualitätsstrategie für große Organisationen am Beispiel der Bundeswehrlogistik November 2011, Bad Soden. Praxistage Datenqualität: Datenqualitätsmanagement in der Bundeswehrlogistik. 20. Oktober DGIQ Regionalgruppe West. Fraunhoferinstitut, St. Augustin. 5.MIT Information Quality Industry Symposium (MITIQ 2011): A Data Quality Strategy for Large Organizations. 15. Juli 2011, MIT, Boston / USA. 29 Delivering Quality for Your Success Information Quality Institute GmbH Sterzenweg Münsing kontakt@iqinstitute-gmbh.de Phone +49 (0) 8177 / Fax +49 (0) 8177 / Web Blog Twitter Youtube