Inhalt. I. Theorie. Seite Vorwort...9 Abkürzungen...11 Einleitung...13

Größe: px
Ab Seite anzeigen:

Download "Inhalt. I. Theorie. Seite Vorwort...9 Abkürzungen...11 Einleitung...13"

Transkript

1

2 005 Inhalt I. Theorie Seite Vorwort...9 Abkürzungen...11 Einleitung...13 I.1 Datenqualität...18 I.1.1 Daten...18 I.1.2 Qualität...19 I.1.3 Datenqualität...21 I.1.4 Datenqualitätsmanagement...25 I.1.5 Zusammenfassung...30 I.2 Ursachen und Ausprägungen schlechter Datenqualität...31 I.2.1 Geschäftstreiber...31 I.2.2 Ausprägungen schlechter Datenqualität...34 I.2.3 Ursachen schlechter Datenqualität...36 I.2.4 Beispiel: Finanzdienstleister...41 I.2.5 Zusammenfassung...43 I.3 Auswirkungen schlechter Datenqualität...44 I.3.1 Datenqualitätskosten...44 I.3.2 Gesetzliche Anforderungen...48 I.3.3 Zusammenfassung...51 I.4 Organisation...52 I.4.1 Aufbauorganisation...52 I.4.2 Ablauforganisation...59 I.4.3 Empfehlungen...62 I.5 Referenzarchitektur für Business-Intelligence-Anwendungen...63 I.5.1 Referenzarchitektur...63 I.5.2 Problemstellen und Lösungsansätze hinsichtlich der Datenqualität...67 I.5.3 Architektur für Datenqualitätsmanagement...71 I.5.4 Serviceorientierte Architektur...73 I.5.5 Master Data Management...74 I.6 Kennzahlen zur Messung der Datenqualität...79 I.6.1 Anwendungsmöglichkeiten von Kennzahlen...80 I.6.2 Messpunkte für Datenqualität...82 I.6.3 DQ-Metriken...85 I.6.4 Beispiele für Kennzahlen je Datenqualitätskriterium...87

3 006 Inhalt II. Technische Umsetzung Seite I.6.5 Kennzahlenbaum...89 I.6.6 DQ-Assessment...90 I.6.7 DQ-Planung...93 I.6.8 DQ-Projekte...94 I.6.9 Kennzahlenformular...94 I.6.10 Zusammenfassung...95 Einleitung...98 II.1 Verbesserung der Datenqualität im Quellsystem II.1.1 Korrektur fehlerhafter Daten II.1.2 Vorbeugung vor neuen Datenqualitätsproblemen II.1.3 Empfehlungen II.2 Data Profiling II.2.1 Data-Profiling-Prozess II.2.2 Zusammensetzung des Data-Profiling-Teams II.2.3 Data-Profiling-Verfahren II.2.4 Empfehlungen II.3 Erfolgreiche Datenvalidierung und -filterung II.3.1 Validierung auf vier Ebenen II.3.2 Filterung fehlerhafter Daten II.3.3 Validierung bei Extraktion oder Laden II.3.4 Arten der Datenvalidierung II.3.5 Erstellung der Validierungsregeln und Speicherung der Ergebnisse II.3.6 Empfehlungen II.4 Standardisierung und Bereinigung II.4.1 Standardisierung vor der Bereinigung II.4.2 Datenbereinigung II.4.3 Standardisierung und Bereinigung im ETL-Prozess II.4.4 Verfahren für nicht zu bereinigende Daten II.4.5 Empfehlungen II.5 Datenanreicherung II.5.1 Wirtschaftsinformationen II.5.2 Geografische Informationen II.5.3 Soziodemografische Informationen II.5.4 Haushaltsbildung II.5.5 Standards zur Klassifizierung von Waren und Dienstleis tungen II.5.6 Branchen-Klassifizierung II.5.7 Empfehlungen...192

4 Inhalt 007 II.6 II.7 Seite Verbesserung der Datenqualität in der Bereitstellung und Präsentation II.6.1 Bereitstellung der Daten II.6.2 Präsentation der Information II.6.3 Empfehlungen Metadaten II.7.1 Metadaten: Begriff und Strukturierung II.7.2 Metadaten-Architekturen II.7.3 Erstellung von Metadaten II.7.4 Nutzung von Metadaten II.7.5 Empfehlungen II.8 Data Quality Monitoring II.8.1 DQ-Messung und -Analyse II.8.2 Methoden II.8.3 Visualisierung II.8.4 Benachrichtigung und Aktionen II.8.5 Verantwortlichkeiten II.8.6 Zusammenfassung II.9 Produktauswahl und -integration II.9.1 Anbieter und Produkte II.9.2 Auswahlkriterien im Überblick II.9.3 Funktionale Kriterien II.9.4 Integration II.9.5 Einbeziehung der Fachbereiche II.9.6 Sprachen und Länder II.9.7 Einbindung in DQM-Prozesse II.9.8 Empfehlungen III. Projektpraxis Einleitung III.1 Datenqualitätsmanagement in einer Studie III.1.1 Analyse des Ist-Zustands III.1.2 Entwurf des Soll-Konzepts III.1.3 Bewertung III.1.4 Umsetzungsplanung III.1.5 Empfehlungen...248

5 008 Inhalt Seite III.2 Datenqualitätsmanagement in der Spezifikation III.2.1 Spezifikation der Schnittstellen III.2.2 Definition der Rollen in der Datenorganisation III.2.3 Festlegung der Datenqualitätsziele III.2.4 Bezeichnung und Definition der Objekte III.2.5 Festlegung der Geschäftsregeln III.2.6 Messung der Qualität von Definitionen und Geschäftsregeln III.2.7 Data Profiling in der Spezifikation III.2.8 Entwurf des Systems III.2.9 Empfehlungen III.3 Datenqualitätsmaßnahmen in der Konstruktionsphase III.3.1 Übertragung der Datenqualitätsziele III.3.2 Konventionen und Richtlinien III.3.3 Entwurf des Systems III.3.4 Erstellung eines Prototypen III.3.5 Empfehlungen III.4 Steuerung der Datenqualität in der Realisierung III.4.1 Einhaltung der Konventionen, Richtlinien und Konzepte III.4.2 Data Profiling in der Realisierung III.4.3 Einbindung der Datenverantwortlichen und Benutzer III.4.4 Realisierung der Datenqualitätsmaßnahmen III.4.5 Durchführung von Tests III.4.6 Empfehlungen III.5 Steuerung der Datenqualität im Betrieb III.5.1 Monitoring und Berichtswesen III.5.2 Ausbildung III.5.3 Empfehlungen Anhang Literatur Die Autoren Register...277

6 I. Theorie

7 018 Theorie I.1 Datenqualität Der Begriff Datenqualität ist sehr stark subjektiv geprägt. Sowohl bei der Befragung von Fachleuten als auch in der Literatur erhält man zu diesem Thema sehr unterschiedliche Antworten. Viele Autoren gehen in Ermangelung einer einheitlichen Definition daher auf die beiden Grundbestandteile des Begriffs zurück und definieren sowohl Daten als auch Qualität all gemein und folgen damit Larry English, einem der Pioniere auf dem Gebiet der Datenqualität: The best way to look at information quality is to look at what quality means in the general marketplace and then translate what quality means for information. 1 In diesem Kapitel werden zunächst die grundlegenden Begriffe Daten und Qualität und daraus abgeleitet der Begriff Datenqualität erläutert. Nach einer ausführlichen Beschreibung der Eigenschaften wird auf unterschiedliche Taxonomien eingegangen. Den Abschluss des Kapitels bildet das Thema Datenqualitätsmanagement. I.1.1 Daten Die aktuelle Situation in den Unternehmen ist durch eine steigende Datenflut gekennzeichnet. Beispielsweise fallen durch die Vernetzung von Scannerkassen in Supermärkten oder die Speicherung von Verbindungsdaten in der Telekommunikationsbranche große Datenmengen an. Dieser Trend wird durch neue Entwicklungen wie Radio Frequency Identification (RFID) noch verstärkt. Nach Schätzungen der Gartner-Gruppe würde die Einzelhandelskette Wal-Mart täglich Daten im Umfang von 7 Terabyte generieren, wenn alle Artikel mit RFID- Marken versehen würden. 2 Daten allein haben jedoch begrenzten Wert, erst in einem sinnvollen Kontext werden daraus unternehmensrelevante Informationen. Bisher gibt es keine einheitliche Definition des Begriffs Daten. Den meisten Definitionen ist jedoch gemein, dass sie Daten nicht getrennt, sondern im Zusammenhang mit Information und Wissen betrachten, weil sich die Begriffe jeweils ergänzen. 3 Zumeist findet eine Hierarchisierung statt, deren unterstes Glied die Daten darstellen. Hierbei wird häufig die Semiotik als Strukturierungshilfe (Syntaktik Semantik Pragmatik) genutzt, die die allgemeine Lehre von den Zeichen, Zeichensystemen und Zeichenprozessen in das Gebiet der Informatik überträgt. Information Semantik Bedeutung von Zeichenfolgen Daten Syntaktik Struktur von Zeichenfolgen Wissen Pragmatik Verwendung von Zeichenfolgen Abb. I.1.1: Semiotisches Dreieck 4 1 Vgl. English 1999, S.15ff. 2 Vgl. Raskino/Fenn/Linden Vgl. English 1999, S.18 ; Helfert 2002, S. 13; Müller 2000, S. 5ff. u. a. 4 In Anlehnung an Hinrichs 2002, S. 27.

8 Datenqualität 019 Auf syntaktischer Ebene werden lediglich die Zeichen sowie ihre mathematisch-statistischen Beziehungen untereinander (z. B. relative Häufigkeit innerhalb bestimmter Grundstruk turen) untersucht, ohne dabei auf die Bedeutung der Zeichen einzugehen. Diese maschinenlesbaren Zeichenfolgen (Daten) bilden somit die Informationen der realen Welt ab. Wird den Daten Bedeutung hinzugefügt, gelangt man auf die semantische Ebene, d. h. die Daten werden in einem bestimmten Kontext gesehen und man spricht von Information. Auf der pragmatischen Ebene steht der direkte Benutzer (Interpreter) im Mittelpunkt der Untersuchungen, d. h. hier spielt die Wirkung von Information auf die sie ver arbeitenden Verwender (Menschen, Maschinen) eine wichtige Rolle. Somit kommt die pragmatische Ebene der Wirklichkeit am nächsten, indem sie sich über die ersten zwei Ebenen hinausgehend noch mit Fragen der jeweiligen Absicht und des Wertes für den einzelnen Benutzer befasst. Erst dann wird aus der Information Wissen. Aus Gründen der besseren Lesbarkeit bezieht sich in den nachfolgenden Kapiteln dieses Buches der Begriff Datenqualität sowohl auf die Qualität der Daten als auch auf die Qualität der Informationen. I.1.2 Qualität Der Begriff Qualität stammt aus dem Lateinischen qualitas und bedeutet Eigenschaft oder Beschaffenheit. Ursprünglich weder positiv noch negativ belegt, wird der Begriff in der Umgangssprache automatisch als positiv angesehen. Die Suche nach einer einheitlichen Definition führt zu einer Vielzahl von Definitions- und Interpretationsversuchen. Eine allgemein akzeptierte Begriffsbeschreibung ist die DIN-Norm Danach ist die Qualität die Gesamtheit von Eigenschaften und Merkmalen eines Produktes oder einer Tätigkeit, die sich auf deren Eignung zur Erfüllung festgelegter oder vorausgesetzter Erfordernisse beziehen. 5 Einer der ersten Systematisierungsansätze geht auf Garvin 6 zurück, der fünf generelle Qualitätsvorstellungen unterscheidet: Produktorientierter Ansatz Anwenderorientierter Ansatz Prozessorientierter Ansatz Wertbezogener Ansatz Transzendenter Ansatz Die produktbezogene Sicht entspricht einem objektiven Qualitätsbegriff, weil Qualität als eine messbare, genau spezifizierbare Größe, die das Produkt beschreibt, gesehen wird. Qualität stellt dabei eine objektive Größe dar, die unabhängig von subjektiven Wahrnehmungen bestimmt werden kann, d.h. dieser Ansatz bezieht sich nur auf das Endprodukt, unabhängig von den Kunden (Benutzern). Qualitätsdifferenzen lassen sich damit auf die Unterschiede in den Produkteigenschaften zurückführen. Der kunden- oder anwenderbezogene Ansatz hingegen definiert die Qualität eines Produk ts über den Produktnutzer, und somit entscheidet ausschließlich der Kunde, inwieweit das Produkt 5 Vgl. DIN Vgl. Garvin 1984, S. 40ff.

9 020 Theorie der geforderten Qualität entspricht (subjektive Beurteilung des Kunden). In die amerikanische Literatur hat dieser Ansatz Eingang über die Defi nition fitness for purpose oder fit for use gefunden. Dabei können verschiedene End benutzer unterschiedliche Bedürfnisse haben, sodass die Qualität des gleichen Produkts unterschiedlich bewertet werden kann. Beim Herstellungsbezug (prozessorientierter Ansatz) wird angenommen, dass Qualität dann entsteht, wenn der Herstellungsprozess optimal und kontrolliert verläuft und alle Vorgaben (Produktspezifikationen) eingehalten werden. Abweichungen von dem definierten Prozess werden als Qualitätsverlust angesehen. Der wertbezogene Ansatz betrachtet Qualität unter Kostengesichtspunkten. Ein Produkt ist dann von hoher Qualität, wenn die Kosten und die empfangene Leistung in einem akzeptablen Verhältnis stehen. Der transzendente Ansatz kennzeichnet Qualität als vorgegebene Vortrefflichkeit, Einzigartigkeit oder Superlativ. Qualität wird als Synonym für hohe Standards und Ansprüche angesehen. Dieser Grundgedanke setzt ein philosophisches Verständnis voraus, das davon ausgeht, dass Qualität nicht messbar, sondern nur erfahrbar ist. Dieser Ansatz ist für den hier zu betrachtenden Kontext von Business Intelligence nicht geeignet. Auch wenn die hier beschriebenen Ansätze für die Fertigungsindustrie entwickelt wurden, lassen sie sich ohne Weiteres auf den Bereich der Datenqualität übertragen, wie die folgenden Analogien zeigen. 7 Ein Datenverarbeitungsprozess kann auch als Herstellungsprozess im Sinne der Fertigungsindustrie gesehen werden. Die Datenquellen (Lieferanten), die die Rohdaten (Rohmaterialien) bereitstellen, bilden den Ausgangspunkt der Wertschöpfungskette. Sie werden im Zuge der Integration/Transformation (Produktionsprozess) bearbeitet. Das Ergebnis des Prozesses sind die Datenprodukte, die den Datenbeziehern (Kunden) zu Auswertungszwecken zur Verfügung gestellt werden. Industrielle Fertigung Kunden Data Warehousing Datennutzer Produkte Produktion/Veredelung Rohstoffe Qualitätsmanagement Datenprodukte Produktion/Veredelung Rohstoffe Lieferanten Lieferanten Abb. I.1.2: Analogie zwischen industrieller Fertigung und Datenverarbeitung (Data Warehousing) 8 7 Vgl. Wang/Ziad/Lee 2001, S. 3f. 8 In Anlehnung an Grimmer/Hinrichs 2001, S. 72.

10 Datenqualität 021 Der wesentliche Unterschied liegt im Betrachtungsgegenstand sowie dessen Qualitätsmerkmalen. Im industriellen Fertigungsprozess werden physische Produkte erstellt, die Merkmale wie Haltbarkeit, Länge und Gewicht aufweisen. Im dargestellten Kontext der Datenverarbeitung entspricht das Produkt einem bestimmten Ausschnitt des Datenbestands, auch als Datenprodukt (gleichbedeutend mit einem Datensatz) bezeichnet. Zur Bestimmung der Qualität wird einem Produkt eine Menge von Merkmalen zugeordnet. Ein Merkmal ist dabei eine Eigenschaft, die zur Unterscheidung von Produkten in qualitativer oder quantitativer Hinsicht herangezogen werden kann. 9 Während in der Industrie der Qualitätsbegriff seit Jahrzehnten einen wichtigen Platz einnimmt, taucht der Begriff Datenqualität erst Mitte der 1990er-Jahre vermehrt auf. Die Vorgaben zu Datenqualität liegen damit in ihrer Entwicklung hinter den im Kontext der industriellen Fertigung entwickelten Standards hinsichtlich Qualität deutlich zurück. I.1.3 Datenqualität Es gilt nun, aus den obigen allgemeinen Daten- und Qualitätsdefinitionen den Begriff der Datenqualität abzuleiten. Helfert hat die in der Literatur vorhandenen Ansätze zur Definition von Datenqualität untersucht und einander gegenübergestellt. 10 Das Ergebnis dieser Unter suchung zeigt, dass der Anwender das Qualitätsniveau festlegt und damit im Kontext der Datenverarbeitung ausschließlich der anwenderorientierte Ansatz 11 sinnvoll ist. Datenqualität wird daher nach Würthele definiert als mehrdimensionales Maß für die Eignung von Daten, den an ihre Erfassung/Generierung gebundenen Zweck zu erfüllen. Diese Eignung kann sich über die Zeit ändern, wenn sich die Bedürfnisse ändern. 12 Diese Definition macht deutlich, dass die Qualität von Daten vom Zeitpunkt der Betrachtung sowie von den zu diesem Zeitpunkt an die Daten gestellten Anspruchs niveaus abhängt. Um die Datenqualität letztendlich messbar zu machen, bedarf es objektiver Merkmale (auch Qualitätskriterien genannt), die den Daten (Datenprodukten) zugeordnet werden. Diese werden dabei aufgrund der praktischen Erfahrungen intuitiv definiert, auf Basis von Literaturrecherchen erstellt oder anhand von empirischen Untersuchungen zusammengestellt. 13 Die Qualitätskriterien müssen messbar sein, damit der jeweilige Erfüllungsgrad durch den Daten nutzer ermittelt werden kann. In der Praxis wird es einen hundertprozentigen Erfüllungsgrad der Kriterien nicht geben, vielmehr sind jeweils applikations- oder kundenbezogene Anspruchsniveaus (Sollwerte) zu definieren, an denen die Datenqualität gemessen wird. Beispielsweise gelten für Quartals- oder Jahresbilanzen im Bankenbereich, die kurz fristig nach Ablauf des jeweiligen Zeitraums an die Aufsichtsbehörden übermittelt werden, sehr hohe Ansprüche an die Genauigkeit und Aktualität. Dagegen sind bei Auswertungen zum Kundenverhalten geringere Anspruchsniveaus akzeptabel. 9 Vgl. Behme 2002, S Vgl. Helfert 2002, S. 69ff. 11 Vgl. Müller 2000, S. 15; English 1999, S. 52ff. 12 Vgl. Würthele 2003, S Vgl. Helfert 2002, S. 69.

11 277 Register A Abhängigkeiten funktionale 131, 135 referenzielle 136 Ablauforganisation 059 Abstimmungsprobleme 038 Abweisung fehlerhafter Daten 148 Achsenskalierung 204 Ad-Hoc-Querying 065 Aggregatverfahren 179 Ähnlichkeitsmetriken 172 Aktualität 035 Ampelgrafik 224 Analyse von Datensätzen 131 Analyse von Tabellen 136 Analysen 195 Anlieferungszeitpunkt 035 Anwendungslandschaft 039, 073, 245 Architektur 038, 063, 071, 075, 210, 245, 247, 258 serviceorientierte 073 Attributbezeichnungen 252 Attribute abgeleitete 134 redundante 139 zeitabhängige 141 Attributnamen-Analyse 113 Ausbildung 268 A-T-Nummer 183 B Bedeutung von Daten 019 Benachrichtigungsregeln 214, 226 Benutzerfehler 037 Bereinigung von Daten 150, 157, 255 Bereinigungskosten 047 Bericht 195 Berichtswesen 222, 266 Betroffenheitsmatrix 226 Bezeichnungen 252, 257 Beziehungen, zulässige 194 BI-Frontend-Tools 065 Branchen-Klassifizierung 190 Business Information Guide 209 Business Intelligence Services 066 Business-Intelligence-Anwendungen 031 C Change Data Capture 069 Common Warehouse Metamodel (CWM) 211 Compliance 033 Compliance-Vorgaben 048 Customer Relationship Management 182 D D&B Family Tree 183 Darstellungsformen 195, 255 Darstellungsstruktur 201 Darstellungswerkzeuge 194 Dashboard 196, 226 Data Federation 065, 069 Data Mart 039 Data Mining 070 Data Profiling 066, 108, 221, 230, 243, 255, 262 Werkzeuge 108 Data Quality Monitoring 152, 219 Data Steward 055, 057, 226 Data-Governance-Ansatz 053 Data-Governance-Organisation 241, 250 Data-Profiling-Prozess 109 Data-Profiling-Team 111 Data-Profiling-Verfahren 112 Data-Quality-Monitoring-Komponente 220 Daten Anreicherung 182, 232 Bedeutung 019 Eingabe 103 Erfassung 037, 067 fehlerhafte 147, 180

12 278 Register Bereinigung 076, 150, 157, 159, 231, 255 Interpretation 070 Korrektur 040, 101, 162, 255 Partitionierung 166 Überschreiben 162 Datenabgleich 244 Datenanreicherung 182, 232 Datenarchitektur 038 Datenbankmodell 263 Datenbereinigung 076, 150, 157, 159, 231, 255 Datenbereitstellung 194 Dateneingabeprozess 103 Datenerfassung 037, 067 Datenextraktion 151 Datenfilterung 147 Datenfluss 067, 213 Datenfluss-Metadaten 213 Datenhaltung 070 Datenintegration 065, 233 Datenkorrektur 040, 101, 162, 255 Datenmigration 039 Datenqualität 021, 031, Definition 019 Erwartungen 245 Kosten 045, 047 Metriken 025, 085 Steuerung 266 Überwachung 221 Datenqualitäts-Analyse 219 Datenqualitäts-Assessment 079, 090 Datenqualitäts-Jour-Fixe 055, 058 Datenqualitäts-Messung 219 Datenqualitäts-Metadaten 214 Datenqualitäts-Planung 093 Datenqualitäts-Projekt Durchführung 094 Datenqualitäts-Werkzeuge 073 Datenqualitätsanforderungs-Management 059, 061 Datenqualitätsberichte 220, 222 Datenqualitätseskalations-Management 059, 062 Datenqualitätskriterien 022, 024, 034, 079, 087, 223 Datenqualitätslenkungsausschuss 055, 058 Datenqualitätsmanagement 025, 028, 071 Ordnungsrahmen 030 Projektablauf 240 Prozesse 255 Werkzeuge 228 Datenqualitätsmanager 055, 056, 226 Datenqualitätsproblem-Management 059, 061 Datenqualitätsprobleme Identifikation 102 Datenqualitätsradar 225 Datenqualitätsreporting 059, 060 Datenqualitätssicherung 059, 060 Datenqualitätsstrategie 029 Datenqualitätsziele Datenquellen 064, 240 Datenredundanz 068 Datenregeln, formale 153 Datenstandardisierung 157 Datenstrukturen 065, 070 Datentyp-Analyse 114 Datenvalidierung 147, 153 Datenverfall 040 Datenverwendung 040 Datumsformat 157 Definitionen 250 Überprüfung 254 Design 199 Design-Konzept 255, 262 Design-Prototyp 256 Domäne 124 Domänen-Analyse 119 Domänenbildung 073 DUNS-Nummer 182 Duplikate 152, 160, 164, 183, 231 Auflösung 076 Identifikation 168 Konsolidierung 164, 176 Durchlaufzeiten 033 DV-Konzept 257

13 Register 279 E EAI-Technologie 065 eclass 189 Editierabstand 173 Eindeutigkeits-Analyse 121 Eingabemasken 037 Eingabeprozesse 101 Entdeckungskosten 046 Enterprise Application Integration 069 Enterprise Information Integration 065, 069 Enterprise Service Bus 069 Eskalationsschwelle 224 ETL-Technologie 065 F Farben 205 Feedbackprozesse 038 Fehlerbericht 264 Feld-Abgleich-Algorithmus, rekursiver 174 Feldformate 039 Freigabeprozess 206 Frontend-Tools 065 G Genauigkeit 127 Genauigkeits-Analyse 116 Geo-Marketing 184 Geocodierung 184 Geographical Business Intelligence 184 Gesamtarchitektur 258 Geschäftsregeln 124, 135, 140, 153, 254, 260 Geschäftstreiber 031, 048 Gremien 052 Gültigkeitszeitraum 069 H Hamming-Abstand 175 Häufigkeitsverteilung 117 Haushaltsbildung 186 Historienreihe 223 Historisierung 068 I Informationen geografische 184 soziodemografische 185 Wirtschafts~ 182 Informationsanordnung 201 Informationsbereitstellung 065, 070 Informationsdichte 203 Informationswert 182 Infrastruktur, technische 258 Inkonsistenz 035 Integration 233 Integrationsgrad 228 Integrität, referenzielle 136 Interpretation von Daten 070 K Kardinalität 136, 138 Kennzahlen 079, 103, 196, 221, 223, 256 Anwendungsmöglichkeiten 080 Berechnung 079, 085, 087 Definition 085, 093 Kennzahlenbaum 089 Kennzahlenformular 094 Klassifikationssystem 187 Klassifizierungsstandards 187 Kommentierung 202 Komplexität der Abläufe 038 Konfidenz 179 Konsistenz 035, 067 Konsolidierung 068 Konstruktionsphase 257 Konventionen 257, 262 Konzeption 257 Korrektheit 035 Kosten 102, 105, 152 indirekte 046 Kosten-Nutzen-Betrachtung 032, 248 L Laufzeit 214 Laufzeitdienste 071 Levenshtein-Distanz 173

14 280 Register M Maskierung 177 Master Data Management 064, 074 Definition 075 Match Rules 235 Matching-Verfahren 235 Materialklassenhierarchie 189 Mechanismen 033 Medienbrüche 068 Messbarkeit 079 Messpunkte 082, 103, 221 Messung 085 Messwerte 266 Metadaten 066, 072, 082, 108, 208, 242, 250, 257, 258, 264 Austausch 211 Definition 208 fachliche 209 Nutzung 216 Repository 208, 210, 242 Standards 211 technische 209 Metadaten-Management 212 Metriken 025 Metriken, phonetische 173 Mitarbeiterschulung 268 Monitoring 266 Multipass-Verfahren 171 Muster 118 Muster-Analyse 118 N n-gramme 173 NACE-Code (Nomenclature statistique des activités économiques dans la Communauté Européenne) 190 NACE-Gliederungsstruktur 191 Nachbarschaft, sortierte 170 NAICS-Code (North American Industry Classification System) 192 Normierung 158 Notation 199 NULL-Werte-Analyse 123 Nutzenpotenziale 047 O Objektdefinition 253 OLAP 065 Ontologie 175 Operationalisierung 030 Organisation 052 Organisationsregeln 206 Organisationsstruktur 052 Originärdaten 161 Outsourcing der Datenerfassung 038 P Paradigmen 063 Parsing 110 Partitionierung von Daten 166 Phonetik, Kölner 173 Plan-Do-Check-Act-Zyklus 027, 093, 219 Präsentation 194 Aufgaben 197 Regeln 198 Präventivkosten 046 Priorisierung 102 Programmierrichtlinien 258, 262 Projektplanung 105, 240 Prototyp 261 Prüfprozesse 038 Prüfregeln 219 Q q-gramme 174 Qualität 019 Qualitätskriterien 021, 022 Qualitätsmerkmale 021 Qualitätsvorstellung 019, 031 Quellanwendungen 040 Quelldaten 064 Quellsystem 102, 240 R Realisierungsphase 262 Reconciliation 035, 038 Referenzarchitektur 063, 071

15 Register 281 Referenzdaten 072, 154 Regeln, multiple 131 Relevanz 036 Repository 072, 156 Richtlinien 257 Right Time Data Integration 069 Rollen 052 S Sample 255 Schicht, semantische 066, 194, 206 Schlüssel fachlicher 132 technischer 132, 133 Schlüsselattribute 132 Schnittstellen 249 Schnittstellen-Metadaten 214 Schnittstellenspezifikation 249 Schnittstellenvereinbarung 249 Schwellwerte 166, 169, 266 Scorecards 196 Selektionsverfahren 178 Semantik 019 Semiotik 018 Sensibilisierung 031 Sensitivität 169 SIC-Code (Standard Industrial Classification) 191 Skalierung 200 Soundex-Algorithmus 173 Spend Management 187 Spezifikation 249 Spezifität 169 Spinnengrafik 223 Sponsor 056 Sprachregelungen 200 Sprachspezifika 235 Spread Marts 070 Stammdaten-Hub 064 Stammdatendomänen 064 Standardisierung 157 Standards 033 Strukturierung 157 Supplier Relationship Management 182 Systemarchitektur 255 T Tests 264 Textattribute 128 Total Data Quality Management (TDQM) 027 U Überschreiben von Daten 162 Überwachung 266 Unicode 235 UNSPSC (United Nations Standard Products and Services Code) 188 UNSPSC-Kategoriebaum 188 V Validierung 151, 255 bei der Extraktion 151 beim Laden 152 Validierungsregeln 155 Verantwortlichkeiten 226 Verfahren, konfidenzbasierte 179 Verfügbarkeit 035 Veröffentlichungsrechte 207 Visualisierung 223 Vollständigkeit 036 W Werkzeuge 228, 247, 261 Auswahlkriterien 229 Werte fehlende 129 kardinal skalierte 175 nominal skalierte 175 Werteausschlussbereich 127 Wertebereich 126, 225 Wertebereichs-Analyse 117 Werteentwicklung 144 Werteliste 158 Widerspruchsfreiheit 035 Wirtschaftlichkeit 044, 070

16 282 Register Wirtschaftlichkeitsrechnung 047 Wirtschaftsinformationen 182 Word-based Heterogeneous Information Retrieval Logic (WHIRL) 174 Z Zeichensätze 235 Zeitnähe 035 Zeitreihen 142 Zeitreihenvergleich 223 Zeitstempel 069 Zeitverschiebung 067 Zurückhaltung fehlerhafter Daten 149 Zusammenführung, mengenbasierte 177 Zuverlässigkeit 035

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

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

DATENQUALITÄT ERFOLGREICH STEUERN. detlef APEL wolfgang BEHME rüdiger EBERLEIN christian MERIGHI

DATENQUALITÄT ERFOLGREICH STEUERN. detlef APEL wolfgang BEHME rüdiger EBERLEIN christian MERIGHI DATENQUALITÄT ERFOLGREICH STEUERN detlef APEL wolfgang BEHME rüdiger EBERLEIN christian MERIGHI DATENQUALITÄT ERFOLGREICH STEUERN PRAXISLÖSUNGEN FÜR BUSINESS-INTELLIGENCE- PROJEKTE detlef APEL wolfgang

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

1 Datenqualität. 1.1 Daten

1 Datenqualität. 1.1 Daten 3 Der Begriff Datenqualität ist sehr stark subjektiv geprägt. Sowohl bei der Befragung von Fachleuten als auch in der Literatur erhält man zu diesem Thema sehr unterschiedliche Antworten. Viele Autoren

Mehr

Datenqualität erfolgreich steuern

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

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

A Framework for Planing and Controlling Data Quality in Data-Warehouse-Systems

A Framework for Planing and Controlling Data Quality in Data-Warehouse-Systems A Framework for Planing and Controlling Data Quality in Data-Warehouse-Systems markus.helfert@unisg.ch Slide 2 Überblick Data-Warehouse-Systeme und Datenqualität Datenqualitätsmanagement Datenqualität

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

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

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Sven Bosinger solution architect BI. Data Warehouse Architekturen Der Schlüssel zum Erfolg! DOAG 16.11.2007 1

Sven Bosinger solution architect BI. Data Warehouse Architekturen Der Schlüssel zum Erfolg! DOAG 16.11.2007 1 Sven Bosinger solution architect BI Data Warehouse Architekturen Der Schlüssel zum Erfolg! DOAG 16.11.2007 1 Agenda Kurze Vorstellung its-people Architektur als Erfolgsfaktor Verschiedene Architekturansätze

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

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

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006)

Datenmanagement. Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau. Strategisches Informationsmanagement 1 (01/2006) Simone Unfried, Passau Vitaly Aleev, Passau Claus Schönleber, Passau (01/2006) Strategisches Informationsmanagement 1 Definition Notwendige Vermaischung der Daten in der Vorstufe zur Destillation von hochprozentiger

Mehr

Definition und Begriffsabgrenzung

Definition und Begriffsabgrenzung Munich Business School Datenqualität in CRM-Systemen Munich Business School Working Paper 2005-12 Amparo Galinanes-Garcia Munich Business School Elsenheimerstraße 61 D-80687 München E-Mail: Amparo.Galinanes-Garcia@munich-business-school.de

Mehr

Inhaltsverzeichnis 1 Einleitung 2 Zielsetzung 3 Data Warehousing

Inhaltsverzeichnis 1 Einleitung 2 Zielsetzung 3 Data Warehousing ix 1 Einleitung 1 1.1 Gliederung der Arbeit 3 1.2 Das Projekt Steuerkanzlei 2005 6 1.3 Abgrenzung 8 1.4 Notation 10 2 Zielsetzung 13 2.1 IT-technische Kategorisierung 13 2.1.1 IT-intensive vs. nicht IT-intensive

Mehr

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren Strategie und Self Service BI im Unternehmen Gegensätze miteinander kombinieren Claas Planitzer Düsseldorf Juni 2015 Agenda 5. Herausforderungen 1. Idealbild 2. Realität 3. Self Service 4. BI. Was ist

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

Brennpunkt Datenqualität

Brennpunkt Datenqualität Business t Brennpunkt Datenqualität Konzeption eines Datenqualitätsmanagements für ETL-Prozesse Seit Jahren genießt das Thema Datenqualität in IT-Abteilungen sowie auf Managementebene steigende Aufmerksamkeit.

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

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

Frieder Nake: Information und Daten

Frieder Nake: Information und Daten Frieder Nake: Information und Daten Mit Grundlagen der Zeichentheorie nach Morris Seminar 31120: Information Philosophische und informationswissenschaftliche Perspektiven, SS 2004 Frieder Nake: Information

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

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 378

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 378 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 378 Umsetzung ausgewählter Supply-Chain-Operations-Reference-Metriken durch das

Mehr

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch

Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Big Data: Definition, Einführung und Live Democase [C1] Arne Weitzel Uetliberg, 16.09.2014 www.boak.ch Unstrukturierte Daten spielen eine immer bedeutender Rolle in Big Data-Projekten. Zunächst gilt es

Mehr

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM

Agenda. Portfolioübersicht. Business-Case. Zusammenfassung. Das Ziel. SAP EIM Produktportfolio. Datenreorganisation mit SAP EIM Datenreorganisation > Effiziente und performante Stammdatenreorganisation mit SAP Data Services < Simon Hartstein / T-Systems Data Migration Consulting AG / Harmonization & Consolidation Mai 21, 2014 Agenda

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 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

Survival Guide für Ihr Business Intelligence-Projekt

Survival Guide für Ihr Business Intelligence-Projekt Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

Business Intelligence Data Warehouse. Jan Weinschenker

Business Intelligence Data Warehouse. Jan Weinschenker Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data

Mehr

6 Architektur-Mittel (WOMIT)

6 Architektur-Mittel (WOMIT) 6 Architektur-Mittel (WOMIT) Abb. 6-1: Positionierung des Kapitels im Ordnungsrahmen. Dieses Kapitel befasst sich mit der WOMIT-Dimension des architektonischen Ordnungsrahmens, indem es grundlegende Konzepte

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Unternehmensweites DQ Controlling auf Basis von BI-Werkzeugen. Doreen Hartung, TIQ Solutions GmbH 6. GIQMC, Bad Soden, 26.-28.

Unternehmensweites DQ Controlling auf Basis von BI-Werkzeugen. Doreen Hartung, TIQ Solutions GmbH 6. GIQMC, Bad Soden, 26.-28. Unternehmensweites DQ Controlling auf Basis von BI-Werkzeugen Doreen Hartung, TIQ Solutions GmbH 6. GIQMC, Bad Soden, 26.-28. November 2008 2007 TIQ Solutions GmbH All Rights Reserved. GIQMC Bad Soden,

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

EXZELLENTES MASTERDATENMANAGEMENT. Creactives-TAM. (Technical Attribute Management)

EXZELLENTES MASTERDATENMANAGEMENT. Creactives-TAM. (Technical Attribute Management) EXZELLENTES MASTERDATENMANAGEMENT Creactives-TAM (Technical Attribute Management) Datenqualität durch Stammdatenmanagement Stammdaten sind eine wichtige Grundlage für Unternehmen. Oft können diese, gerade

Mehr

Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung

Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung Hochschulstudium (Wirtschaftsinformatik oder ein vergleichbarer Studiengang) Fachliche und technische Kenntnisse im Bereich Business

Mehr

Master-Thesis (m/w) für unseren Standort Stuttgart

Master-Thesis (m/w) für unseren Standort Stuttgart Master-Thesis (m/w) für unseren Standort Abschlussarbeit im Bereich Business Process Management (BPM) Effizienzsteigerung von Enterprise Architecture Management durch Einsatz von Kennzahlen Braincourt

Mehr

Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP

Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP Geschäftsprozessmodellierung und implementierung am Beispiel SAP ERP V04 02. Mai 2011, 16.15-17.45 Uhr, ITS-Pool nur zugelassene Teilnehmer Niedersächsisches Hochschulkompetenzzentrum für SAP (CCC) Aktuelles

Mehr

Datenqualitätsmanagement in Business Intelligence Systemen Grundlagen, typische Probleme und Lösungswege

Datenqualitätsmanagement in Business Intelligence Systemen Grundlagen, typische Probleme und Lösungswege Datenqualitätsmanagement in Business Intelligence Systemen Grundlagen, typische Probleme und Lösungswege Jena, 07.07.2015 Markus Enderlein, Infomotion GmbH Michael Leifeld, Informatica Informatik-Kolloquium

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

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

Business Intelligence

Business Intelligence Business Intelligence TOP Priorität für CIOs? Köln 08. Mai 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business Intelligence BI TOP Priorität

Mehr

AUSGEZEICHNETE SOFTWARE FÜR IHR EINKAUFSCONTROLLING. Creactives-TSV. (Total Spending Visibility)

AUSGEZEICHNETE SOFTWARE FÜR IHR EINKAUFSCONTROLLING. Creactives-TSV. (Total Spending Visibility) AUSGEZEICHNETE SOFTWARE FÜR IHR EINKAUFSCONTROLLING Creactives-TSV (Total Spending Visibility) Globale Kostensenkungspotenziale schneller erkennen International tätige Unternehmen versuchen die Transparenz

Mehr

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57 1... Einleitung... 15 1.1... Zielgruppen dieses Buches... 17 1.2... Aufbau des Buches... 18 1.3... Hinweise zur Benutzung des Buches... 21 1.4... Danksagung... 23 2... Grundlagen der Datenmodellierung...

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

PQM- Prozessorientiertes Qualitätsmanagement

PQM- Prozessorientiertes Qualitätsmanagement Karl Werner Wagner (Hrsg.) PQM- Prozessorientiertes Qualitätsmanagement Leitfaden zur Umsetzung der ISO 9001:2000 Neu: Prozesse steuern mit der Balanced Scorecard 2., vollständig überarbeitete und erweiterte

Mehr

Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009

Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009 Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Anforderungen von BI an Software- Entwicklungsprozesse

Mehr

Aktuelle Abschlussarbeiten

Aktuelle Abschlussarbeiten Aktuelle Abschlussarbeiten Aktuelle Abschlussarbeiten 1 Projektmanage- ment- Grundlagen 2 Angewandte Projektmanagement- Methoden 3 Prozessmanagement 4 Potentiale moderner IT-Technologien 5 IT- Lösungen

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

Intelligente Unternehmens- und Prozesssteuerung durch CPM Intelligente Unternehmens- und Prozesssteuerung durch CPM 5. IIR Forum BI, Mainz, Sept. 2006 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

Hannover, 20.03.2015 Halle 5 Stand A36

Hannover, 20.03.2015 Halle 5 Stand A36 Integrierte Unternehmensinformationen als Fundament für die digitale Transformation vor allem eine betriebswirtschaftliche Aufgabe Hannover, 20.03.2015 Halle 5 Stand A36 Business Application Research Center

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

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

Projekt zur Entwicklung, Umsetzung und Evaluation von Leitlinien zum adaptiven Management von Datenqualität in Kohortenstudien und Registern

Projekt zur Entwicklung, Umsetzung und Evaluation von Leitlinien zum adaptiven Management von Datenqualität in Kohortenstudien und Registern Projekt zur Entwicklung, Umsetzung und Evaluation von Leitlinien zum adaptiven Management von Datenqualität in Kohortenstudien und Registern gefördert durch die Indikatoren von Datenqualität Michael Nonnemacher

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

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller

Was ist Analyse? Hannover, CeBIT 2014 Patrick Keller Was ist? Hannover, CeBIT 2014 Patrick Keller Business Application Research Center Historie 1994: Beginn der Untersuchung von Business-Intelligence-Software am Lehrstuhl Wirtschaftsinformatik der Universität

Mehr

Business Intelligence im Krankenhaus

Business Intelligence im Krankenhaus Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence

Mehr

Welche Daten gehören ins Data Warehouse?

Welche Daten gehören ins Data Warehouse? Welche Daten gehören ins Warehouse? Dani Schnider Principal Consultant 9. Januar 2012 In vielen DWH-Projekten stellt sich die Frage, welche Daten im Warehouse gespeichert werden sollen und wie dieser Datenumfang

Mehr

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung

2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung 2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg

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

GEPRÜFTE / -R INDUSTRIEMEISTER / -IN METALL / NEU

GEPRÜFTE / -R INDUSTRIEMEISTER / -IN METALL / NEU SITUATIONSAUFGABE 35 Bei der Durrchführung einer FMEA wird in der Stufe zwei nach der Bedeutung der potentiellen Folgen eines Fehlers gefragt und schließlich die Frage nach der Wahrscheinlichkeit der Entdeckung

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

Datenqualität erfolgreich managen

Datenqualität erfolgreich managen Consultants Intelligence Business White Paper Datenqualität erfolgreich managen Datenqualität ist essenziell. Sie ist der Schlüssel zur Akzeptanz von IT-Lösungen. Und: Schlechte Daten sind teuer. Unternehmen,

Mehr

Data Governance Informationen kontrolliert managen

Data Governance Informationen kontrolliert managen make connections share ideas be inspired Data Governance Informationen kontrolliert managen Michael Herrmann SAS Copyright 2013, SAS Institute Inc. All rights reserved. DATA GOVERNANCE TRENDS UND TREIBER:

Mehr

BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA

BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA BI WIKI START-UP YOUR DWH PARTIZIPATIVE BI IM ZEITALTER VON BIG DATA Agenda VORSTELLUNG B.TELLIGENT WIE ENTSTEHT EINE KENNZAHL? WAS SIND METADATEN? AUFBAU UND FUNKTIONSWEISE DES BI WIKI LIVE DEMO ZUSAMMENFASSUNG

Mehr

Planung, Ziele, Kennzahlenmanagement

Planung, Ziele, Kennzahlenmanagement DGQ-Regionet Nordwest 13.11.2008 Planung, Ziele, Kennzahlenmanagement Guido Kuper Qualitätsmanagement Wilhelm Karmann GmbH 1 Wozu benötigt man Kennzahlen? Zur Beruhigung Zur Orientierung Zur Analyse der

Mehr

Einführung in die Statistik mir R

Einführung in die Statistik mir R Einführung in die Statistik mir R ww w. syn t egris.de Überblick GESCHÄFTSFÜHRUNG Andreas Baumgart, Business Processes and Service Gunar Hofmann, IT Solutions Sven-Uwe Weller, Design und Development Jens

Mehr

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information

SPoT Agenda. Begrüßung und Vorstellung CAS AG. Markttrends aus Analystensicht. Big Data Trusted Information SPoT Agenda Begrüßung und Vorstellung CAS AG Markttrends aus Analystensicht Big Data Trusted Information Lars Iffert, BARC GmbH Dr. Oliver Adamczak, IBM Deutschland GmbH Factory Ansatz für ETL-Prozesse

Mehr

Best Practice: Dezentraler Datenanlieferungsprozess im Enterprise Data Warehouse

Best Practice: Dezentraler Datenanlieferungsprozess im Enterprise Data Warehouse Best Practice: Dezentraler Datenanlieferungsprozess im Enterprise Data Warehouse 07. Juli 2011 DSAG AG Enterprise-BW Klaus Schneider, Celesio AG Marcel Salein, FIVE1 GmbH & Co. KG 1 March 2011, CCEA Agenda

Mehr

Business Intelligence - Wie passt das zum Mainframe?

Business Intelligence - Wie passt das zum Mainframe? Business Intelligence - Wie passt das zum Mainframe? IBM IM Forum, 15.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Ressourcen bei BARC für Ihr Projekt Durchführung von internationalen Umfragen,

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

Datenintegration mit Informatica PowerCenter

Datenintegration mit Informatica PowerCenter Datenintegration mit Informatica PowerCenter Mein Weg vom Studenten zum Consultant Christoph Arnold 03.07.2013 1 Agenda Von der THM zu Infomotion Datenschieberei oder doch mehr? Die weite Welt von Informatica

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

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Presse Talk CeBIT 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

Mehr

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt

Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt Einmal Pie-Chart und zurück: Manchmal ist mehr drin als man glaubt Ian Perry Marco Lehmann Stefan Sander Darmstadt, 6.11.2012 Einmal Pie-Chart und zurück Ian Perry Sales Engineer - IP&S Client Technical

Mehr

Internationaler Controller Verein. Gründungssitzung der Projektgruppe Business Intelligence Stuttgart, 26.01.2006

Internationaler Controller Verein. Gründungssitzung der Projektgruppe Business Intelligence Stuttgart, 26.01.2006 Internationaler Controller Verein Gründungssitzung der Projektgruppe Business Intelligence Stuttgart, 26.01.2006 Agenda 10.00 Begrüßung 10.00 Rolle des Controllers im Umfeld Business Intelligence (A. Seufert)

Mehr

DIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT

DIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT DIE DATEN IM ZENTRUM: SAS DATA RAINER STERNECKER SOLUTIONS ARCHITECT SAS INSTITUTE SOFTWARE GMBH Copyr i g ht 2013, SAS Ins titut e Inc. All rights res er ve d. NEUE WEGE GEHEN SAS DATA GOVERNANCE & QUALITY

Mehr

Prozessorientierte Organisation des Metadatenmanagements für Data-Warehouse-Systeme

Prozessorientierte Organisation des Metadatenmanagements für Data-Warehouse-Systeme Prozessorientierte Organisation des Metadatenmanagements für Data-Warehouse-Systeme DISSERTATION der Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften (HSG) zur Erlangung

Mehr

Abbildung 1: Titelbild (Quelle: http://www.oobject.com/algorithmic-architecture/follymorph-continuum-group-finalpresentation/3267/)

Abbildung 1: Titelbild (Quelle: http://www.oobject.com/algorithmic-architecture/follymorph-continuum-group-finalpresentation/3267/) Abbildung 1: Titelbild (Quelle: http://www.oobject.com/algorithmic-architecture/follymorph-continuum-group-finalpresentation/3267/) Enterprise Continuum Wiederverwendung von Unternehmensarchitekturen Modul

Mehr

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots Einleitung Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots von Irmela Herzog Im Rahmen der Herbsttagung der AG DANK (Datenanalyse und Numerische Klassifikation)

Mehr

DW2004. XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science. 3. November 2004. Dr. Michael Hahne, cundus AG

DW2004. XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science. 3. November 2004. Dr. Michael Hahne, cundus AG DW2004 XML-Datenimport in das SAP Business Information Warehouse bei Bayer Material Science Dr. Michael Hahne, cundus AG 3. November 2004 cundus AG 2004 Gliederung Motivation SAP Business Information Warehouse

Mehr

Optimieren von Requirements Management & Engineering

Optimieren von Requirements Management & Engineering Xpert.press Optimieren von Requirements Management & Engineering Mit dem HOOD Capability Model Bearbeitet von Colin Hood, Rupert Wiebel 1. Auflage 2005. Buch. xii, 245 S. Hardcover ISBN 978 3 540 21178

Mehr

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Andreas Ditze MID GmbH Kressengartenstraße 10 90402 Nürnberg a.ditze@mid.de Abstract: Data Lineage

Mehr

Uniserv Academy, Frankfurt am Main 19.05.2015 Kundendaten effektiv und nachhaltig managen Wie Data Governance hilft, Ihre Kunden besser zu verstehen

Uniserv Academy, Frankfurt am Main 19.05.2015 Kundendaten effektiv und nachhaltig managen Wie Data Governance hilft, Ihre Kunden besser zu verstehen Fakultät Informatik und Wirtschaftsinformatik Sanderheinrichsleitenweg 20 97074 Würzburg Folie 1 Uniserv Academy, Frankfurt am Main 19.05.2015 Kundendaten effektiv und nachhaltig managen Wie Data Governance

Mehr

Erfolgsfaktor SAP NetWeaver Master Data Management Infotag 2007

Erfolgsfaktor SAP NetWeaver Master Data Management Infotag 2007 als strategischer Erfolgsfaktor SAP NetWeaver Master Data Management Infotag 2007 Dr. Boris Otto Regensdorf, 20.06.2007 Agenda Motivation und Status quo Strategisches Gestaltungsfeld Corporate Data Quality

Mehr

INFORMATION LIFECYCLE MANAGEMENT

INFORMATION LIFECYCLE MANAGEMENT INFORMATION LIFECYCLE MANAGEMENT REVISIONSSICHERES LÖSCHEN UND RESTRUKTURIEREN VON DOKUMENTENSTRUKTUREN WOLFGANG EIGENBROD RAUM 1B02/03 CENIT EIM IT-TAG 13.06.2013 AGENDA 1. AUSGANGSLAGE - FAKTEN 2. INFORMATION

Mehr

GIS 1 Kapitel 5: Bedeutung von Metadaten und Qualität t von Daten

GIS 1 Kapitel 5: Bedeutung von Metadaten und Qualität t von Daten GIS 1 Kapitel 5: und Qualität t von Daten Stephan Mäs Prof. Dr.-Ing. Wolfgang Reinhardt Arbeitsgemeinschaft GIS Universität der Bundeswehr München Wolfgang.Reinhardt@unibw.de www.agis.unibw.de - Definition

Mehr

Big Data Vom Hype zum Geschäftsnutzen

Big Data Vom Hype zum Geschäftsnutzen Big Data Vom Hype zum Geschäftsnutzen IBM IM Forum, Berlin, 16.04.2013 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Hype 15.04.2013 BARC 2013 2 1 Interesse an Big Data Nature 09-2008 Economist 03-2010

Mehr

Die Managementbewertung Voraussetzungen Vorbereitung Durchführung Nutzen

Die Managementbewertung Voraussetzungen Vorbereitung Durchführung Nutzen Die Managementbewertung Voraussetzungen Vorbereitung Durchführung Nutzen Erstellt/Stand: C. Wirth / 06.05.2005 Folie 1 / 28 Zweck der Managementbewertung Bewertung des Managementsystems, um fortdauernde

Mehr

Konzepte der Information-Governance. Der Missing Link in der Governance of Enterprise IT

Konzepte der Information-Governance. Der Missing Link in der Governance of Enterprise IT Konzepte der Information-Governance Der Missing Link in der Governance of Enterprise IT Dr. Wolfgang Johannsen It s Okay - Governance in Practice Wilhelm Busch Str. 23 64625 Bensheim johannsen@its-okay.com,

Mehr

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse

Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence

Mehr

Wie Fusion CRM die Datenqualität im Marketingprozess erhöhen kann (Fusion CRM@ec4u)

Wie Fusion CRM die Datenqualität im Marketingprozess erhöhen kann (Fusion CRM@ec4u) Wie Fusion CRM die Datenqualität im Marketingprozess erhöhen kann (Fusion CRM@ec4u) Jeder kennt folgende Sätze aus seinem eigenen Unternehmen: Wieso sind so viele doppelte Einträge im System? Kann man

Mehr

Planung und Messung der Datenqualität in Data-Warehouse-Systemen

Planung und Messung der Datenqualität in Data-Warehouse-Systemen Planung und Messung der Datenqualität in Data-Warehouse-Systemen DISSERTATION der Universität St. Gallen, Hochschule für Wirtschafts-, Rechts- und Sozialwissenschaften (HSG) zur Erlangung der Würde eines

Mehr