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