M1A. Datenqualitätsmanagement im Kontext von BI-Vorhaben Erfahrungen mit der Umsetzung von DQ-Maßnahmen in BI-Projekten. Detlef Apel Rüdiger Eberlein

Transkript

1 M1A 7. Europäische TDWI Konferenz Juni 2008 Forum am Deutschen Museum, München Datenqualitätsmanagement im Kontext von BI-Vorhaben Erfahrungen mit der Umsetzung von DQ-Maßnahmen in BI-Projekten Detlef Apel Rüdiger Eberlein

2 Datenqualitäts-Mgmt. im Kontext von Business Intelligence Erfahrungen München, 2. Juni 2008 Detlef Apel, Rüdiger Eberlein Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel

3 Vorgefertigte Komponenten Stärke des Unternehmens am BI-Markt maßgeschneiderte Reporting+Analyse Endanwender-Zufriedenheit Adm i nistrati on B3-Integration FlexCube-Integration Reporting Funktionalität (komplexe Reports, Druckqualität, Export-Formate) Ad-Hoc-Querying Performance Management Funktionalität (Dashboard, Alert, Collaboration) Siebel-Integration Cognos Busi ness Obj ects Reveleus Siebel Analytics Vorstellung sd&m gehört zu den führenden deutschen Software- und Beratungsunternehmen Geschäftsfelder Entwicklung und Integration maßgeschneiderter Software-Lösungen für unternehmenskritische Prozesse IT-Beratung mit Umsetzungskompetenz Kunden Namhafte Unternehmen und Organisationen, die durch Einsatz individueller Lösungen Wettbewerbsvorteile erlangen Kernkompetenz Düsseldorf Köln/Bonn Frankfurt Stuttgart München Zürich Hamburg Berlin NSC Wrocaw Gestaltung von IT-Architekturen Management komplexer IT-Projekte Einsatz moderner Software-Technik Partnerschaftliche Arbeitsweise sd&m gehört zur Capgemini-Gruppe Unternehmensentwicklung Umsatz: in Mio. Mitarbeiter 1 geschätzt seit 2000 zu 100% sd&m, Vorstellung sd&m verfügt über ein organisiertes Kompetenzfeld für Business Intelligence und Data Warehousing Mitgliedschaft im Verein The Data Warehouse Institute (TDWI) Deutschland Projekte Kundenforen BI Capgemini Studie IT-Trends Kunden Konferenzteilnahmen Konferenzbeiträge Veröffentlichungen in Medien BI- Community BI-Community Center of Competence BI Produkthersteller Partnerschaften Austausch zu Themen, Produkten, Trends Produkt-Dossiers Produkt-Vergleiche Best Practices Analysten Austausch zu Themen, Produkten, Trends Marktstudien 4 sd&m,

4 Vorstellung Seit mehr als 10 Jahren hat sd&m in verschiedenen Branchen Anwendungen für Business Intelligence entwickelt Kunde Projekt / Vorhaben Data Warehouse, Analyse und Reporting für Lieferanten-Regress Unternehmensweites Data Warehouse vom Controlling über Marketing bis zur Compliance Integration von Daten aus Lagerbeständen, Aufträgen, Lieferungen in einen zentralen Operational Data Store Reporting für Sales & Distribution, Production, Material Management, Quality Management, Complaint Management sowie Transport und Lieferservice Data Mart Konsolidierung vom Vertriebscontrolling bis zur Provisionierung Ergebnis / Nutzen Regressabwicklung, Zuordnung von Gewährleistungskosten zu den betreffenden Teile- Lieferanten der BMW Übergreifende Analyse und Reporting der wesentlichen Kennzahlen zur Steuerung der Prozesse der Bank Übergreifendes Reporting und Visibility, Optimierung laufender Prozesse durch zeitnahe Information Weltweit vereinheitlichtes Reporting für das Supply Chain Management Gesamtheitliches Controlling über mehrere Versicherungen der Talanx-Gruppe 5 sd&m, Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel

5 Datenqualität ist ein entscheidender Faktor bei Business- Intelligence-Vorhaben Business Intelligence: Bedeutung einzelner Themen [%] Wie wichtig werden die folgenden Themen im Zusammenhang mit Business Intelligence in den nächsten 12 Monaten für Sie sein? Mittelwert Datenqualität BI-Services Analytisches CRM Operational BI Data Mart Konsolidierung Predictive Intelligence Corporate Performance Management Regulatorisches Reporting Metadaten Management BI Search RFID ,9 2,4 2,7 2,6 3,1 2,8 2,8 3,5 3,1 3,6 4,2 1,7 2,2 2,4 3,1 3,2 2,9 2,9 2,7 3,3 3,5 4, Quelle: Capgemini IT-Trends 2007/2008; Basis: Befragte, die Business Intelligence für eines der 3 wichtigsten Themen halten (n = 35) sd&m, Vorgehensweise für Datenqualitätsmanagement Schlüssel zum erfolgreichen Datenqualitätsmanagement ist ein auf die Aufgabe angepasstes Vorgehensmodell Konzeption 1 Vorgehensmodell DQ-Survey 2 Analyse DQ-HotSpots 3 Design DQ- Prozesse 6 DQM 4 Monitoring 5 Korrektur der Daten 8 sd&m,

6 Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel BI-Architektur Der Fokus des Datenqualitätsmanagement in Business Intelligence Lösungen liegt auf der Datenintegrationsschicht Anwender und Rollen Administrator Ersteller Konsument (interaktiv, passiv) Operative Anwendungen und Prozesse Informationsbereitstellung Business-Intelligence-Portal Reporting Katalog, Suchmaschine, Collaboration Analytische Anwendungen Business Intelligence Services z.b. Scoring, Fraud Detection Risiko Mgmt. Compliance Performance Mgmt. Relationship Mgmt. BI Frontend Werkzeuge Reporting Analyse Data Mining Planung Scorecarding Dashboarding Alarmierung Datenhaltung SQL ODBC JDBC BAPI xquery ODBO MDX XML/A PMML Relationaler Relationaler Data Mart Data Mart Multidim. Mart Aggregate Unternehmensweites Data Warehouse Sterne Core Data Warehouse Operational Data Store CWMI Metadaten Datenintegration Datenquellen Staging Area ODBC Informelle Daten SQL Laden Datenqualität Transformation Extraktion JDBC Operative Systeme Standard-SW, eigenentw. SW File XML BAPI Stammdaten Hubs Kunden, Produkte, Enterprise Application Integration IDOC Stammdaten Hub Externe Daten Enterprise Information Integration Metadaten Management Process Management System Management Data Profiling 10 sd&m,

7 Bei der Architektur für Datenqualitätsmanagement wird in Entwicklung und Produktion unterschieden Entwicklung (Development) Profiling Definition der Datenregeln Reference Data Data Integration Repository Data Quality Names Addresses Data Sources Mappings Data Targets Data Profiles Data Rules Monitoring Results Match Rules Merge Rules Custom Cleanse Rules Standardization Rules Produktion (Runtime) Validierung Standardisierung Bereinigung Name, Adresse, Monitoring Duplikate Vergleichen, Zusammenführen Anreicherung DQ-Bericht, Problemanalyse, Maßnahme 11 sd&m, Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel

8 Lösungsansätze und Werkzeuge Der erste Grundstein für das erfolgreiche Datenqualitätsmanagement wird in der Vorstudie des BI-Projekts gelegt Identifikation der Quellsysteme Nr. Datenbestand Bezeichnung Schnittstelle Ansprechpartner 1 Kundenstammdaten Datenbank xy_hr DB-Connect Peter Lustig, Abt. Kunde, Qualitative Analyse der Quellsysteme Erwartungen an die Datenqualität (aus unterschiedlichen Bereichen!) Bekannte Qualitätsmängel Erstes Data Profiling der wichtigsten Quellsysteme Überblick verschaffen Bekannte Qualitätsmängel validieren Erste unbekannte Qualitätsmängel erkennen 13 sd&m, Lösungsansätze und Werkzeuge Data Profiling ist ein iterativer, zeit- und kostensparender Prozess, aber keine Wunderwaffe oder Methodenersatz Semantische Bewertung der Ergebnisse Bewertung 4 IT-Abt. Businessanalysten Datenanalysten Extraktion Transformation Anreicherung Bereitstellung Integration 3 Data Profiling 1 Datenanalysten Datenanalysten Tabellen-/Spaltenname Verletzte Regeln Liste invalider Werte + Häufigkeit in % Tabellen-/RowID der invaliden Werte Anzahl überprüfter Rows Ergebnisdarstellung 2 IT-Abt. Analyse Spalteneigenschaften Struktur zur Datenerfassung Datenregeln (einfach bis komplex) Werteregeln 14 sd&m,

9 Lösungsansätze und Werkzeuge Verschiedene Analysemethoden des Data Profiling bestimmen die Qualität der Quell- und zugehörigen Metadaten Unique Key Domain Eindeutige Schlüsselattribute? Attributswerte? Schlüsselattribute NOT NULL? Verteilung? Functional Dependency Referential Dependency Beziehungen zwischen Spalten? Beziehungen zwischen Tabellen? Pattern Data Type Einheitliches Format? Bevorzugte Datentypen der Attribute? Aggregation User Rule Defects (z.b. Nullwerte)/Anzahl Datensätze? Selbst definierte Analysefunktionen Jede Methode hat ihren Anwendungsbereich, im Verbund liegt der Erfolg. 15 sd&m, Lösungsansätze und Werkzeuge Das Data Profiling beginnt mit der Unique-Key-Analyse Schlüsselattribut Nicht eindeutig Eindeutigkeit nicht definiert Drei doppelte ACCOUNTNR ACCOUNTNR doppelt vergeben 16 sd&m,

10 Lösungsansätze und Werkzeuge In der Spezifikationsphase des BI-Projekts werden die Ergebnisse aus der Vorstudie verfeinert und erweitert Dokumentation der Quellsystem- und Berichtsschnittstellen Datenverantwortliche, -nutzer, -interessenten Schnittstellenvereinbarung (wie SLA) Format Inhalt, Liefertermine/Verfügbarkeit Qualität Erstellung eines Kennzahlenglossar Ansprechpartner/Verantwortlicher Fachliche Beschreibung inkl. Berechnungsvorschrift Beeinflusst durch, beeinflusst Datenqualitäts-Metriken (Messpunkte, Kennzahlensystem, Soll-Werte) Definition von Geschäftsregeln z.b. Bestand immer größer als Mindestbestand 17 sd&m, Lösungsansätze und Werkzeuge Geschäftsregeln legen die zulässigen Werte und Beziehungen fest Arten von Geschäftsregeln Domain List: Werteliste Domain Pattern List: Patterns (reguläre Ausdrücke) Domain Range: Wertebereich Common Format: Spezielle Formate (z.b. Telefonnummer) No Nulls: Verbot von NULL-Werten Functional Dependency: Abhängigkeiten innerhalb eines Datenobjekts Unique Key: Eindeutigkeit von Attributen/-gruppen Referential Dependency: Referentielle Integrität zwischen Datenobjekten Name und Adresse: Validierung von Namen und Adressen Custom: Eigene Funktionen aus Profiling selbst erstellt Geschäftsregeln werden im Profiling, in der Korrektur, im Cleansing und Auditing verwendet. 18 sd&m,

11 Lösungsansätze und Werkzeuge Datenqualitätsmanagement hilft auch in der Konstruktionsphase eines BI-Projekts Vollständigkeitsprüfung Sind die Daten für das Modell vorhanden? Nr. Datenobjekt Attribut Ergebnis Maßnahmen 1 Stornierung alle Die Stornierung einzelner Bestellpositionen ist nicht möglich, da die Stornierung im Quellsystem nur über die Bestellnummer mit der ganzen Bestellung verknüpft ist. Stornierung nur für komplette Bestellung möglich, zur Stornierung einzelner Positionen muss Bestellung neu angelegt werden. Verständlichkeitsprüfung Sind die Namensregeln eingehalten worden? Existieren Synonyme (gleicher Inhalt, anderer Name)? Existieren Homonyme (gleicher Name, anderer Inhalt)? 19 sd&m, Lösungsansätze und Werkzeuge Data Profiling, Metadaten und Datenbereinigung unterstützen die Implementierungsphase eines BI-Projekts Data Profiling Quellsystem- und Berichtsschnittstellen Datenmodell Erkennung von Auffälligkeiten Metadaten Zwingend notwendig für Nachvollziehbarkeit setzen Daten in ihren richtigen Kontext (Verständlichkeit) Data Auditing Funktionen einbauen Überwachung der Qualität (Datenqualitäts-Metriken) Überwachung der Geschäftsregeln Cleansing Automatisierte Bereinigung der Daten beim Laden 20 sd&m,

12 Lösungsansätze und Werkzeuge Erst Standardisierung und Referenzdaten machen Namen- und Adressbereinigung zum Erfolg Standardisierung Bereinigung Matching & Merging Erkennung von Dubletten Aufsplittung von Freitextfeldern mit Namenund Adressinformationen Abgleich mit Domänen (z. B. Titel) Abgleich mit Referenzdaten Regelbasierte Fehlerbehebung Zusammenfassung gleichartiger Datensätze zum Master Record Anreicherung der Datensätze (z. B. geografischer Daten) Kennzeichnung der zusammengefassten Datensätze mit Referenzierung auf Master Record Für ein optimales Matching & Merging müssen die Daten vorher standardisiert und bereinigt werden. 21 sd&m, Lösungsansätze und Werkzeuge Nur durch stetiges, automatisches Monitoring kann die Datenqualität im Betrieb erhalten werden Datenqualitätslifecycle (ohne Auditing) Qualität Datenänderungen Datenqualitäts-Lifecycle (mit Auditing) Qualität Datenänderungen Qualitätsänderungen Qualitätsänderungen Regelaktualisierung Auditing Zeit Zeit Geschäftliche Zielvorgaben DQ- Maßnahmen DQ- Kennzahlen 100% 95% Korrektive Maßnahmen DQ Messung 90% 85% 80% Verfügbarkeit Vollständigkeit Aktualität 75% Analyse 70% Jan Feb Mrz Apr 22 sd&m,

13 Lösungsansätze und Werkzeuge Werkzeugunterstützung Kategorie Data Profiling Datenvalidierung Datenbereinigung Datenanreicherung DQ Monitoring Definition von Regeln zur Identifikation fehlerhafter Daten Name&Adresse Dubletten Einsatz Information zu Struktur, Inhalten, Korrelationen unbekannter Daten Haushalte, Demographische Daten u.a. Fortlaufende Messung der DQ Anbieter und Produkte Oracle Warehouse Builder, IBM ProfileStage, Informatica Data Explorer, Business Objects Data Insight, DataFlux Data Profiling OWB Data Rules, Informatica Data Quality, Business Objects Data Quality, Business Objects Data Insight, DataFlux Data Quality FUZZY! Analyzer, DataFlux, Trillium, IBM QualityStage, Informatica Data Quality, Business Objects Data Quality, DataFlux Data Quality FUZZY! Post/Move/Umzug, OWB Name&Address FUZZY! Double, OWB Match&Merge DataFlux Enrichment, Trillium Data Enrichment FUZZY! DIME, DataFlux Monitoring Master Data Management Mgmt. von Stammdaten (Kunde, Produkt u.a.), ggf. über verteilte Systeme, u.a. Dublettenidentifikation und -auflösung Oracle Siebel, SAP, IBM 23 sd&m, Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel

14 Praktische Erfahrungen Eine Versicherung litt unter der schlechten Datenqualität in den Quellsystemen Projektinhalt Datenqualitätsprobleme Neuentwicklung einer Controllinganwendung auf Basis eines DWH Realisierung und Auslieferung in mehreren Stufen. Quellsysteme Fehlende/fehlerhafte Werte, Zweckentfremdete Attribute, Inkonsistenzen zwischen den Quellsystemen, Fehlende/falsche Metadaten Oracle Datenbanken 9.2 (auf MVS, UNIX, Windows) in mehreren Rechenzentren Flatfiles führtenzu... Technologie Oracle Datenbank Enterprise Edition 9.2, Stufe 1: Oracle Warehouse Builder 10.1, Stufe 2: Oracle Warehouse Builder ungeplanten Mehraufwänden für das Data Cleansing. Terminverschiebungen (inkl. Auslieferung). erhöhtem Abstimmungsbedarf mit der Fachseite. 25 sd&m, Praktische Erfahrungen Die Datenqualität wurde in der Folgestufe aktiv verbessert Aktivitäten Organisation Fachlichkeit Architektur Es wurden Datenansprechpartner auf der Fachseite eindeutig festgelegt. Die Fachbereiche wurden stärker in das Projekt einbezogen. Ein abgestimmtes Data-Cleansing-Konzept wurde erstellt. Es wurden Regeln zur Identifikation fehlerhafter Daten festgelegt. Die Datenfehler wurden zur Bereinigung in den Quellen dokumentiert. Mit Beginn der Spezifikation wurde ein intensives Data Profiling durchgeführt. Berichte um fachliche Kennzahlendefinitionen, Berechnungsalgorithmen und Auswirkungen ergänzt. Es wurden bessere Quellsysteme für die jeweiligen Daten identifiziert. Umfangreiche Fehlerbereinigungen wurden in die ETL-Prozesse integriert. Fehlertabellen und -berichte wurden erstellt. Management Technik Höhere Aufwände (Zeit/Budget) für das Datenqualitätsmanagement wurden frühzeitig eingeplant. Es wurden kürzere Iterationen mit anschließendem Test mit realen Daten durch die Fachbereiche durchgeführt. Die Werkzeugunterstützung durch den OWB wurde intensiv genutzt. 26 sd&m,

15 Praktische Erfahrungen Die Data Rules wurden auch für die Korrektur und das Monitoring verwendet Automatische Fehlerkorrektur Automatisches Monitoring TMP_ET_ CANCELLATION S COR_ FILTER ATTR_ VALUE_5 ET_ CANCELLATION S MINUS_ FILTER MINUS_0 DATATYPE_ MAPLET_6 DATATYPE_ MAPLET_4 ET_CANCEL LATIONS_2 ET_CANCEL LATIONS_1 27 sd&m, Praktische Erfahrungen Eine Bank hat Probleme mit der Qualität der Kundendaten Die Bank Der Kunde Die BaFin Stammdaten Dubletten Frau Max Muster mehrfache Anschreiben Adressen Freistellungsaufträge Personentitel Doppelmeldungen 28 sd&m,

16 Praktische Erfahrungen Kundendubletten bereiteten einer Bank in verschiedenen Geschäftsprozessen große Probleme 1 Freistellungsauftrag 3 Marketing Sehr geehrte Frau Max Muster, Kundin Maria Muster Kunde 2 Maxl Muster Kunde 1 Max Muster Interessent Max Muster vielen Dank für Ihr Interesse an unserer Bank...?? 2 Callcenter 29 sd&m, Praktische Erfahrungen Folgende Aktivitäten wurden im DQ-Projekt durchgeführt Aktivitäten Organisation Fachlichkeit Architektur Technische Umsetzung Gründung des Data-Quality-Board Festlegung eines Hauptverantwortlichen für Datenqualität Starke Einbeziehung der Fachbereiche Auflistung der DQ-Probleme und Gewichtung nach geschäftlichen Kriterien Regeln zur Identifikation fehlerhafter Daten Anpassung der Data Rules auf die Änderungen der beteiligten Anwendungen Bereinigung der Kundenstammdaten Abgleich zwischen den drei Systemen Stammdaten-Management, Kundenportal sowie Siebel, die Kundenstammdaten erfassen Harmonisierung der Datenmodelle der drei beteiligten Anwendungen Anwendung derselben Plausibilisierungsprüfungen direkt bei der Dateneingabe in allen drei beteiligten Anwendungen Dublettenerkennung und teilweise -zusammenführung Abgleichskripte (wöchentlich gelaufen) Intensive Unterstützung durch Fuzzy!-Werkzeuge 31 sd&m,

17 Praktische Erfahrungen Bei der Bank eingesetzte Fuzzy! Tools FUZZY! Post für Qualifizieren und Bereinigen von Adressen Online in Kundenportal, Siebel, Stammdatenmanagement bei Datenerfassung (Einbettung als Web-Service) Als Batch zur Offline-Bereinigung der Daten FUZZY! Analyzer für Validierung von Name, Geschlecht, Adresse Teilnamen-Treffer Zahlendreher FUZZY! Double für Dublettenvermeidung und fehlertolerantes Suchen Datei-Batch und Online (mit DB) Grundlage: fuzzy matching von Textfeldern (teilweise auch Phonetik) Sonderbehandlung von bestimmten Feldtypen (Datum, Strasse, PLZ) Konfigurierbare Dublettenregeln, einstellbar über grafischer Oberfläche Straße OK, Hausnr.-Delta Dubletten- Cluster Vorname Nachname Geburtsdatum Straße 93% PLZ Status 74% Max Muster 100% Beispiel-Allee % Kopfdublette Maxl Friedrich Muster 90% Max Muster Max Muster % Beispiel-Allee % Beispiel-Allee % Beispeil-Alle % überprüfen! Folgedublette Folgedublette sichere Dublette Folgedublette autom. Korrektur 32 sd&m, Praktische Erfahrungen Lessons learnt Lessons learnt Organisation Einer muss den Hut für das Thema Datenqualität aufhaben. Aktivitäten im Umfeld Datenqualität sind nicht per se spannend. Es bedarf einer Top-Down-Motivation durch das Management. Fachlichkeit Die Regeln zum Finden fehlerhaften Daten waren anfänglich zu stark ITgetrieben und nicht ausreichend mit dem Fachbereich abgestimmt. In der Konsequenz hat die Anwendung weitaus mehr Datenmängel angezeigt als fachlich notwendig gewesen wäre. Das führte dazu, dass die betreffenden Anwender wenig Lust auf die Verfolgung der Datenmängel und deren Korrektur aufgebracht haben. Die beteiligten Anwendungen ändern Datenstrukturen, -inhalte, -regeln mit der Zeit. Dementsprechend müssen DQ-Anwendungen angepasst werden, was nicht erfolgte. In der Konsequenz wurden mehr Datenmängel angezeigt als notwendig. 33 sd&m,

18 Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel Demo Trillium und OWB Datenbereinigung mit Trillium 35 sd&m,

19 Demo Trillium und OWB Data Profiling mit Oracle Warehouse Builder 36 sd&m, Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel

20 Kaffeepause Bitte pünktlich zurück sein (12.00 Uhr) danach auf die Werkzeuge aufteilen Oracle Warehouse Builder (Data Profiling) Trillium (Cleansing) pro Rechner ein Zweier-Team bilden Danke! 38 sd&m, Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel

21 Hands-on-Session Dauer: 45 min 40 sd&m, Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel

22 Ergebnisdiskussion Welche Ergebnisse und Eindrücke haben Sie erhalten? Cleansing Trillium Data Profiling Oracle 42 sd&m, Agenda 10:00 10:05 Vorstellung Rüdiger Eberlein 10:05 10:15 Vorgehensweise für Datenqualitätsmanagement Detlef Apel 10:15 10:25 BI-Architektur Rüdiger Eberlein 10:25 10:40 Lösungsansätze und Werkzeuge Detlef Apel 10:40 11:00 Praktische Erfahrungen Detlef Apel 11:00 11:30 Demo Trillium und Oracle Detlef Apel 11:30 12:00 Kaffeepause Alle 12:00 12:45 Hands-on-Session Teilnehmer 12:45 13:05 Ergebnisdiskussion Alle 13:05 13:15 Fazit Detlef Apel

23 Fazit Die Zeit ist reif für korrekte Geschäftsdaten in der Business Intelligence Die Hoffnung vieler Unternehmen auf Lösung dieses Problems durch die bloße Einführung neuer Systeme oder standhaftem Ignorieren der Problematik schwindet und macht endlich Platz für wirksame Maßnahmen. Der Schlüssel zum Erfolg ist ein angepasstes Vorgehensmodell. Richtig ausgewählte und eingesetzte Datenqualitäts-Werkzeuge ermöglichen effizientes Arbeiten. Insbesondere das Data Profiling erkennt viele Schwachstellen in den Quelldaten und sollte zu Beginn eines Projektes eingesetzt werden. Durch Standardisierung, Bereinigung und Anreicherung von Namens- und Adressdaten kann deren Wert für ein Unternehmen sehr stark erhöht werden. Das Data Monitoring bietet im produktiven Betrieb die Sicherheit, dass Veränderungen und neue Qualitätsprobleme in den Daten rechtzeitig erkannt werden. Es gibt keine Ausreden mehr für schlechte Daten fangen Sie an! 44 sd&m, Fazit Ausführliche Informationen zum Thema Datenqualitätsmanagement und weiteren BI-Themen bietet das Buchprogramm des TDWI Der Titel "Datenqualität erfolgreich steuern: Praxislösungen für Business Intelligence Projekte" erscheint bei TDWI Press im Januar 2009 Weitere Buchprojekte zu den Themen Corporate Performance Management, Data Mining und Operational BI sind in Vorbereitung 45 sd&m,

24 Kontakt Kontakt Rüdiger Eberlein sd&m AG Carl-Wery-Strasse München Telefon: Mail: Internet: Rüdiger Eberlein ist Technischer Leiter des Center of Competence Business Intelligence der sd&m AG. Sein Schwerpunkt im Projekt- und Beratungsgeschäft liegt seit mehr als 10 Jahren auf Business Intelligence. Detlef Apel sd&m AG Mülheimer Straße 9a Troisdorf Telefon: Mail: Detlef Apel ist Berater des Center of Competence Business Intelligence der sd&m AG. Er arbeitet seit vielen Jahren in Business Intelligence Vorhaben. Seine Schwerpunkte sind Datenqualitätsmanagement und Data Mining. 46 sd&m, "Menschen machen Projekte" sd&m AG software design & management Carl-Wery-Str München Tel