Bewertungsmethoden von Datenqualität in einem Data Warehouse

Größe: px
Ab Seite anzeigen:

Download "Bewertungsmethoden von Datenqualität in einem Data Warehouse"

Transkript

1 Technische Universität München Fakultät für Informatik Bewertungsmethoden von Datenqualität in einem Data Warehouse Marcus Kühnle Diplomarbeit in Informatik Aufgabensteller: Prof. Dr. Florian Matthes Betreuer: Alexander M. Ernst Abgabedatum: 15. Juni 2006

2 Erklärung Ich versichere, dass ich diese Diplomarbeit selbständig verfasst und nur die angegebenen Quellen und Hilfsmittel verwendet habe. München, den 14. Juni Marcus Kühnle

3 Danksagung An dieser Stelle möchte ich mich bei der Firma Loyalty Partner GmbH bedanken, die diese Diplomarbeit ermöglicht hat. Besonders hervorheben möchte ich meinen Betreuer Carsten Bomsdorf, der mir während meiner Tätigkeit stets hilfreich zur Seite stand. Mein Dank richtet sich auch an Prof. Dr. Florian Matthes, der mir die Gelegenheit gegeben hat, diese Arbeit zu schreiben. Hervorheben möchte ich außerdem Alexander Ernst für die Betreuung meiner Diplomarbeit seitens der Technischen Universität München und danke für die zahlreichen wissenschaftlichen Ratschläge, welche fortwährend zur Verbesserung der Arbeit beigetragen haben. Zum Schluss möchte ich mich noch bei allen bedanken, die durch ihre persönliche Unterstützung zum Gelingen dieser Arbeit beigetragen haben, vor allem bei den zahlreichen geduldigen Korrekturlesern. Mein größter Dank gilt meiner Mutter. München, Juni 2006

4 Qualität kommt von quälen. Felix Magath

5 Inhaltsverzeichnis I Inhaltsverzeichnis Inhaltsverzeichnis...I Abbildungsverzeichnis...IV Tabellenverzeichnis... V Abkürzungsverzeichnis...VI 1 Einleitung Problemstellung Zielsetzung und Abgrenzung Aufbau Motivation Umfeld der Arbeit Loyalty Partner GmbH Data Warehouse Data Warehouse Konzept Unterschied von OLTP- und OLAP-Systemen Datenqualität Qualitätsbegriff Systematisierungsansatz von Garvin Transzendente Sichtweise Prozessbezogene Sichtweise Produktbezogene Sichtweise Anwenderbezogene Sichtweise Kosten-Nutzen-bezogene Sichtweise Ansätze zur Definition von Qualität Ansatz von Deming Ansatz von Juran Ansatz von Feigenbaum Ansatz von Crosby Anwendung des Systematisierungsansatzes von Garvin auf Datenqualität... 18

6 Inhaltsverzeichnis II Mögliche Sichtweisen auf Datenqualität nach Garvin Abwandlung von Garvins Sichtweisen nach Helfert Auswahl einer Sichtweise auf die Datenqualität in einem DWH Ausgewählte Ansätze zum Begriff der Datenqualität Empirische Untersuchung von Wang und Strong Innere Datenqualität nach Wand und Wang Ansatz von Redman Qualitätsmerkmale nach English Untersuchungen zur Datenqualität in einem Data Warehouse Qualitätsfaktoren für Data Warehouse Systeme nach Jarke Datenqualität in Data Warehouse Systemen nach Helfert Folgerung Erfassung der relevanten Datenqualitätsmerkmale für das PAYBACK-DWH Aufbau des Fragebogens Durchführung der Umfrage Auswertung der Umfrage Anwendergruppe Management Anwendergruppe Prozessverantwortliche Anwendergruppe Datenanalysten Anwendergruppe DWH-Management Zusammenfassung Nicht weiter betrachtete Datenqualitätsmerkmale Datenqualitätsmerkmale dieser Arbeit Definition der Datenqualitätsmerkmale Vollständigkeit Korrektheit Aktualität Historisierung Widerspruchsfreiheit Messung von Datenqualität in einem Data Warehouse Ressourcen und Kosten Vorgehensweise zur Messung Überprüfung der Datenqualität innerhalb des DWH Systemübergreifende Überprüfung der Datenqualität... 59

7 Inhaltsverzeichnis III 7.3 Variationen von Abgleichen Abgleich des gesamten Datenbestandes Partieller Abgleich des Datenbestandes Einplanen von Datenqualitätsmessungen Besonderheiten bei der Messung der einzelnen Datenqualitätsmerkmale Messung der Vollständigkeit Messung der Korrektheit Messung der Aktualität Messung der Historisierung Messung der Widerspruchsfreiheit Grenzen der Messung Darstellung und Bewertung der Messergebnisse Darstellung der Messergebnisse Bewertung der Messergebnisse Prototypische Umsetzung Überprüfung der Vollständigkeit Ergebnis der Vollständigkeitsprüfung Überprüfung der Korrektheit Ergebnis der Korrektheitsprüfung Zusammenfassung Fazit Ausblick Literaturverzeichnis... VII Anhang A: Fragebogen...XV Anhang B: Angaben der Anwendergruppen... XIX B1: Angaben der Anwendergruppe Management... XIX B2: Angaben der Anwendergruppe Prozessverantwortliche... XXI B3: Angaben der Anwendergruppe Datenanalysten... XXIV B4: Angaben der Anwendergruppe DWH-Management... XXVI

8 Abbildungsverzeichnis IV Abbildungsverzeichnis Abbildung 2.1: Probleme aufgrund unzureichender Datenqualität... 6 Abbildung 3.1: Zentral organisiertes Data Warehouse Abbildung 4.1: Interpretation von Garvins Sichtweisen auf Qualität nach Helfert Abbildung 4.2: Datengewinnung bei der prozessbezogenen Sichtweise Abbildung 5.1: Die DWH-Nutzer bei Loyalty Partner Abbildung 5.2: Angaben des Managements über existierende Defizite Abbildung 5.3: Gewichtung der Merkmale durch das Management Abbildung 5.4: Angaben der Prozessverantwortlichen über existierende Defizite Abbildung 5.5: Gewichtung der Merkmale durch die Prozessverantwortlichen Abbildung 5.6: Angaben der Datenanalysten über existierende Defizite Abbildung 5.7: Gewichtung der einzelnen Merkmale durch die Datenanalysten Abbildung 5.8: Angaben des DWH-Managements über existierende Defizite Abbildung 5.9: Gewichtung der einzelnen Merkmale durch das DWH-Management Abbildung 6.1: Die Datenqualitätsmerkmale beim PAYBACK-DWH... 48

9 Tabellenverzeichnis V Tabellenverzeichnis Tabelle 3.1: Unterschiedliche Anforderungen an OLTP- und OLAP-Systeme Tabelle 4.1: Datenqualitätsmerkmale nach Wang und Strong Tabelle 4.2: Innere Datenqualitätsmerkmale nach Wand und Wang Tabelle 4.3: Datenqualitätsmerkmale nach Redman Tabelle 4.4: Datenqualitätsmerkmale von Datenwerten nach English Tabelle 4.5: Qualitätsmerkmale nach Jarke Tabelle 4.6: Qualitätsmerkmale von Datenwerten nach Helfert Tabelle 4.7: Unterschiedliche Definitionen des Vollständigkeitsmerkmals Tabelle 5.1: Übersicht über die Anwendergruppen Tabelle 5.2: Verschickte und beantwortete Fragebögen Tabelle 6.1: Die unterschiedlichen Typen der Vollständigkeit Tabelle 6.2: Beispiel-Relation für die Vollständigkeit Tabelle 7.1: Beispieltabelle zur Historisierung... 69

10 Abkürzungsverzeichnis VI Abkürzungsverzeichnis BI... Business Intelligence bspw... beispielsweise BSC... Balanced Scorecard bzw.... beziehungsweise ca... circa CRM... Customer Relationship Management DQ... Datenqualität DWH... Data Warehouse etc... et cetera ETL... Extraction Transformation Load evtl.... eventuell Hrsg... Herausgeber LP... Loyalty Partner GmbH Mio... Millionen Mrd... Milliarden o.ä... oder Ähnliches OLAP... Online Analytical Processing OLTP... Online Transactional Processing RDBMS... Relationales Datenbankmanagementsystem S.... Seite sog... sogenannte u.a... unter anderem v.a... vor allem vgl.... vergleiche z.b.... zum Beispiel

11 Einleitung 1 1 Einleitung 1.1 Problemstellung Die Qualität von Daten und Informationen spielt in der heutigen Informationsgesellschaft eine immer wichtigere Rolle. Immer mehr Entscheidungen basieren auf Auswertungen ständig wachsender Datenbestände bei zunehmend komplexer werdenden Datenstrukturen. Fehlentscheidungen, die basierend auf nicht korrekten Daten getroffen werden, können erheblichen unternehmerischen Schaden verursachen. Trotz der negativen Auswirkungen schlechter Datenqualität auf das gesamte Unternehmen besitzen viele Unternehmen noch keine Strategie, um dieses Problem anzugehen. Um ein hohes Datenqualitätsniveau langfristig zu sichern, reichen punktuelle Datenbereinigungsmaßnahmen von Qualitätsdefiziten, die während des Betriebs entdeckt wurden, nicht aus. Es gilt, Mechanismen und Methoden einzuführen, welche kontinuierlich die Qualität der Daten überwachen, damit die Qualität der Information messbar wird. Diese Mechanismen und Methoden können dann als Frühindikator für etwaige Qualitätsverluste in den Daten dienen. 1.2 Zielsetzung und Abgrenzung Für die dauerhafte Etablierung und Nutzung eines DWH-Systems als zentrale Informationsquelle in einem Unternehmen ist die Qualität der Daten und die Verlässlichkeit daraus abgeleiteter Aussagen von zentraler Bedeutung. Im Rahmen dieser Arbeit werden Kriterien zur Identifizierung möglicher Datenqualitätsdefizite in einem DWH 1 aufgezeigt werden. Diese Diplomarbeit bezieht sich auf das PAYBACK Data Warehouse (PAYBACK-DWH 2 ) der Loyalty Partner GmbH (LP), mit dem Schwerpunkt auf den aus dem PAYBACK Programm gewonnenen Daten. 1 Durch DWH wird im weiteren Verlauf dieser Arbeit ein beliebiges Data Warehouse bezeichnet. 2 Mit PAYBACK-DWH wird im Folgenden das Data Warehouse bezeichnet, in dem die Daten des PAYBACK Programms vorgehalten werden.

12 Einleitung 2 Von hoher Bedeutung ist, was einen Datenbestand von hoher bzw. niedriger Qualität auszeichnet. Um eine Aussage über die Qualität von Daten treffen zu können, wird die Beurteilung der Datenqualität hierbei grundlegend auf ein DWH bezogen definiert. Beispielhaft sind hier einige Qualitätsmerkmale genannt: Aktualität (keine veralteten Daten) Konsistenz (Widerspruchsfreiheit) Korrektheit (Übereinstimmung mit der Realität) Vollständigkeit (es fehlen keine Werte) Diese Arbeit soll Aufschluss darüber geben, wie eine Aussage über die Datenqualität im vorhandenen PAYBACK-DWH getroffen werden kann. Es werden Kriterien erarbeitet, um Datenqualitätsdefizite sowohl innerhalb des PAYBACK-DWH als auch im Vergleich zu den operativen Quellsystemen messen zu können. Ziel ist es, Merkmale zu definieren, anhand derer die Datenqualität zuverlässig im PAYBACK-DWH überwacht werden kann. Etwaige daraus resultierende Maßnahmen zur Verbesserung der Qualität dieser Daten werden ebenso wie die Ursachen mangelnder Datenqualität nicht untersucht. Grundlage sind die im PAYBACK-DWH vorgehaltenen Basisdaten. Unter Basisdaten sind im Rahmen dieser Arbeit Daten zu verstehen, die durch Extraktions-, Transformations- und Ladeprozesse (ETL- Prozesse) aus den operativen Systemen in das PAYBACK-DWH geladen werden. Ebenfalls nicht weiter untersucht werden daraus abgeleitete Daten, Aggregationen oder in Auswertungen bzw. Reports dargestellte Daten, die auf Basis der im DWH vorgehaltenen Daten durchgeführt werden. Das Datenmodell, nach dessen Schema die Daten im PAYBACK-DWH strukturiert sind, wird als fest und unveränderbar vorausgesetzt. Mögliche Ergebnisse zur Beseitigung von Mängeln am Datenmodell können nicht umgesetzt werden, da die Umsetzung einer solchen Änderungsanforderung aufgrund der hohen Komplexität des PAYBACK-DWH hohe Kosten nach sich ziehen würde. Deshalb werden in dieser Arbeit auch keine Datenqualitätsmerkmale näher betrachtet, die das Datenmodell betreffen bzw. nötige Veränderungen daran zur Folge hätten. Ein Beispiel dafür ist das Merkmal des Umfangs [Re96], wonach das Datenmodell umfassend genug modelliert sein muss und die laut Anforderung an das DWH wesentlichen Daten beinhalten muss.

13 Einleitung 3 Darüber hinaus wird angenommen, dass das System (Server, Netzwerk etc.) fehlerfrei arbeitet und Zugriff auf die Daten jederzeit möglich ist. Aus diesem Grund werden im Rahmen dieser Arbeit keine Datenqualitätsmerkmale behandelt, die das System oder den Zugriff auf die Datenbank betreffen. Ein Merkmal das den Zugriff betrifft ist nach Helfert [He02a] das Merkmal Zugriffsrechte, welches verlangt, dass die DWH-Nutzer ausreichend Rechte haben, um die anstehenden Aufgaben zu erfüllen. Wie bereits erwähnt, bezieht sich diese Arbeit aufgrund der Zusammenarbeit mit Loyalty Partner auf das PAYBACK-DWH. Um eine Wiederverwendung auch für andere Data Warehouses zu ermöglichen, wird bei der Erstellung der Ergebnisse auf Allgemeingültigkeit geachtet. Auf die Gegebenheiten des PAYBACK-DWH wird nur bei Bedarf eingegangen. 1.3 Aufbau In Kapitel 2 werden Auswirkungen mangelnder Datenqualität anhand einiger Beispiele erläutert, um die Bedeutung und Aktualität dieser Problematik zu verdeutlichen. Das Umfeld dieser Diplomarbeit wird in Kapitel 3 näher beschrieben. Neben einer kurzen Beschreibung des Unternehmens LP werden die Eigenschaften eines DWH vorgestellt, um die Unterschiede zu den operativen Systemen zu verdeutlichen. Einige ausgewählte Ansätze zur Bestimmung von Qualität im Allgemeinen und zur Datenqualität im Speziellen werden in Kapitel 4 aufgeführt. Anhand dieser Ansätze soll verdeutlicht werden, dass schon eine Reihe von wissenschaftlichen Arbeiten zu diesem Thema existieren. In den vorgestellten Ansätzen zur Bestimmung der Datenqualität werden Merkmale identifiziert, anhand derer die Datenqualität gemessen werden kann. In Kapitel 5 wird beschrieben, wie durch eine Umfrage bei LP die relevanten Datenqualitätsmerkmale für das PAYBACK-DWH identifiziert werden. Zunächst wird der verwendete Fragebogen dargestellt, dessen Merkmale auf den in Kapitel 4 vorgestellten Erkenntnissen basieren. Durch die Auswertung der Umfrage werden die wichtigsten Datenqualitätsmerkmale für das PAYBACK-DWH ersichtlich. Die ermittelten Datenqualitätsmerkmale werden in Kapitel 6 genauer definiert. Anhand dieser Merkmale kann die Datenqualität im PAYBACK-DWH gemessen werden. Die Notwendigkeit einer einheitlichen Definition wird aufgrund des Mangels einer einheitlichen Bezeichnung in der wissenschaftlichen Literatur immer wichtiger.

14 Einleitung 4 In Kapitel 7 wird die Vorgehensweise für die Messung von Datenqualität in einem DWH im Allgemeinen erläutert. Hierzu werden die wichtigsten Faktoren, die zu beachten sind, hervorgehoben. Einige ausschlaggebende Faktoren sind die zur Verfügung stehenden Systemressourcen, entstehende Laufzeiten der Messungen und evtl. vorhandene konkurrierende Prozesse. Eine einfache und übersichtliche Darstellungsmöglichkeit der Messerergebnisse wird in Kapitel 8 aufgezeigt, damit sie für das gesamte Unternehmen zur Verfügung stehen und genutzt werden können. In Kapitel 9 wird die prototypische Umsetzung der in dieser Arbeit gewonnen Erkenntnisse zur Messung von Datenqualität beschrieben und die dadurch gewonnenen Messresultate erläutert. Schließlich werden in Kapitel 10 die Ergebnisse dieser Arbeit zusammengefasst und Vorschläge für weitere mögliche Vorgehensweisen zur Ermittlung der Datenqualität im PAYBACK-DWH gegeben.

15 Motivation 5 2 Motivation Mangelnde Datenqualität kann schwerwiegende Probleme und sehr hohe Kosten verursachen [Ec02, TH04]. In der Literatur findet sich eine Vielzahl von Beispielen für die Folgen von Qualitätsmängeln, wie bspw. bei Eckerson [Ec02], wonach die Industrie und Verwaltung in den USA jährlich einen Verlust von rund 600 Mrd. USD aufgrund von schlechter Datenqualität erleidet. Als Ursache dieser Kosten werden u.a. zusätzliche Druck- und Portokosten und ein zu hoher Bestand an Personal, der aufgrund mangelhafter Daten errechnet wurde, genannt. Auch das Manager Magazin [Th04] weist darauf hin, dass schlechte Datenqualität Gesamtkosten in Höhe von 8-12 % des Umsatzes eines Unternehmens ausmachen kann. Das Magazin nennt dazu Beispiele und Projekte aus der Praxis. Eine Studie von SAS 3 [Sa03] kommt zu dem Ergebnis, dass nur 18% der Betriebe ihren Daten vertrauen. Das bedeutet: Über 80% der Betriebe vertrauen ihren Daten nicht! Laut dieser Studie werden Datenqualitätsmängel sehr oft durch Fehler in den Front-Office-Systemen und durch Schwierigkeiten bei der Systemintegration verursacht. Auch die mangelnde Qualität unternehmensexterner Daten trägt deutlich zu Datenqualitätsproblemen bei. Häufig hat man mit den Auswirkungen von Datenqualitätsmängeln auch im täglichen Leben zu tun, ohne dass die Auswirkung mit der eigentlichen Ursache - der mangelnden Qualität von Daten - sofort in Verbindung gebracht werden kann [SMB05]. Die Schuld für eine verspätete oder nicht erfolgte Auslieferung eines Briefes wird bspw. oft der Post gegeben, obwohl bei einer näheren Betrachtung meist Mängel in der Adressdatenbank als Ursache identifiziert werden können. Auf ähnliche Weise kann der mehrfache Versand automatisch erzeugter Post häufig auf einen doppelten Datenbankeintrag zurückgeführt werden. Für eine dauerhafte Etablierung eines DWH in einem Unternehmen ist es nach Wolf [Wo99] unbedingt notwendig, die Qualität der Daten zu sichern. Eckerson [Ec02] identifiziert durch eine Umfrage im Rahmen einer Studie des The Data Warehouse Institute die Folgen unzureichender Datenqualität. Wie in Abbildung 2.1 dargestellt, verursachen Datenqualitätsmängel in einem DWH sehr häufig zusätzlichen Zeitaufwand für Abgleiche und die Konsistenzerhaltung der Daten, Verlust von Vertrauen in das DWH und Folgekosten, bspw. durch den mehrfachen Versand von Briefen, aber auch durch den Versand an fehlerhafte Adressen. Neben der Unzufriedenheit von Kunden identifizierte Eckerson durch die Umfrage auch 3 SAS Institute AG, Schweiz.

16 Motivation 6 Ertragsverluste, die u.a. aufgrund fehlerhafter Rechnungen verursacht wurden. Auch Probleme bei der Erfüllung der gesetzlichen Auflagen, wie etwa bei der Bilanzerstellung, waren die Folge unzureichender Datenqualität. Abbildung 2.1: Probleme aufgrund unzureichender Datenqualität (aus [Ec02]) Trotz dieser Folgen hatten fast 50% der befragten Unternehmen noch keine Strategie, um dieses Problem anzugehen und nur ca. 10% gaben an, bereits umfassende Maßnahmen eingeleitet zu haben, um die Datenqualität zu verbessern. Nur ca. 40% der Unternehmen waren erst dabei, einen Plan für dieses Problem zu entwickeln oder befanden sich noch in der Phase der Implementierung. Da auf Basis der Daten des PAYBACK-DWH sowohl bei LP als auch bei den Partnern des PAYBACK-Programms strategische Entscheidungen getroffen werden, kommt der Korrektheit der Daten eine besondere Bedeutung zu. Ziel dieser Diplomarbeit ist es, durch die Identifikation von Merkmalen zur Bestimmung der Datenqualität und das Erarbeiten von Methoden zur Messung dieser Merkmale die Qualität der Daten im PAYBACK-DWH messbar zu machen.

17 Umfeld der Arbeit 7 3 Umfeld der Arbeit 3.1 Loyalty Partner GmbH Im Fokus dieser Diplomarbeit steht die Datenqualität des PAYBACK-DWH der Loyalty Partner GmbH. LP ist Experte für Kundenmanagement und unterstützt damit Unternehmen, ihre Kunden besser zu verstehen und profitabler zu handeln. Mit PAYBACK betreibt LP das größte und erfolgreichste Bonusprogramm Deutschlands, für Partner wie OBI, Galeria Kaufhof, dm-drogerie markt, real,- und WMF. LP hilft ihnen dabei, Umsätze zu steigern, die Kundenzufriedenheit zu erhöhen und dadurch die Kundenbindung zu stärken. Als branchenübergreifendes Programm bietet PAYBACK seinen Nutzern objektiven Mehrwert beim täglichen Einkauf. Die Konsumenten profitieren von exklusiven Vorteilen bei starken Handelspartnern. Das mit PAYBACK gewonnene Know-how stellt LP in seinem zweiten Geschäftsfeld Outsourcing" Großunternehmen für individuelles und intelligentes Kundenbeziehungsmanagement zur Verfügung. Dies betrifft sowohl die Entwicklung neuer Kundenbindungsprogramme als auch die Abwicklung bereits laufender CRM-Prozesse. So wickelt Loyalty Partner zum Beispiel bahn.comfort - das Serviceprogramm für Vielfahrer und bahn.bonus. - das Prämienprogramm für Bahnfahrer der Deutschen Bahn AG ab 4. Das PAYBACK-DWH von LP basiert auf einer relationalen Datenbank und enthält mehr als 2,8 Mrd. Transaktionsinformationen in über Tabellen. Es hat ein Datenbankvolumen von über 1,5 Terabyte. Als zentrale Informationsquelle im Unternehmen enthält es aufbereitete Kunden- und Partnerdaten und ist Grundlage für strategische Entscheidungen, sowohl für das Unternehmen LP, als auch für dessen Partner. Der Bereich Business Intelligence (BI) ist bei LP der Bewirtschafter des Data Warehouse und trägt die Verantwortung dafür. 4 Ausführliche Informationen zu LP können im Internet unter abgerufen werden.

18 Umfeld der Arbeit Data Warehouse Data Warehouse Konzept Inmon [In96] definiert ein DWH folgendermaßen: A Data Warehouse is a subject oriented, integrated, non-volatile and time variant collection of data in support of management s decisions. Die vier Hauptmerkmale werden im Hinblick auf diese Arbeit im Folgenden näher erläutert: Subject oriented : Eine Ansammlung von Daten in einem DWH soll auf ein bestimmtes Ziel ausgerichtet sein. Dieses Ziel ist in der Regel die Orientierung an unternehmensrelevanten Sachverhalten [Be96], also die Analyse und Auswertung von Unternehmensdaten zur Unterstützung von Entscheidungen der Unternehmensleitung. Das setzt eine Neuorientierung operativer Daten voraus, denn operative Daten beziehen sich immer auf einzelne betriebliche Funktionen [BS02]. Integrated : Mit dem Konzept eines DWH wird die unternehmensweite Integration von Daten in einem einheitlich gestalteten System angestrebt [MB00]. Die Integration erfordert eine Vereinheitlichung der Datenstrukturen, -formate und -bezeichnungen der unternehmensinternen und -externen Datenquellen. Hierzu ein Beispiel: Wird als Abkürzung für das Geschlecht in einem Quellsystem m und w verwendet, in einem anderen 0 und 1, dann müssen diese Ausprägungen vor der Integration in das DWH vereinheitlicht werden. Non-volatile 5 : Durch die Forderung nach einem Verbot von Änderungen [Ba03] darf auf ein DWH nur durch Lese- und Einfügeoperationen zugegriffen werden. Bereits integrierte Daten dürfen demnach nicht verändert werden. Im Rahmen dieser Arbeit kann dieser Definition nur bedingt zugestimmt werden, weil es möglich sein muss, Daten nach der Integration aus den operativen Systemen zu korrigieren, falls im Rahmen von Datenqualitätsprüfungen Fehler im Datenbestand entdeckt werden [Be96]. 5 Volatile beschreibt den Grad, mit dem sich Daten im Laufe der Nutzung ändern [Be96].

19 Umfeld der Arbeit 9 Time variant : Im Gegensatz zu operativen Systemen, bei denen eine Betrachtung der Daten zu einem genauen Zeitpunkt im Mittelpunkt steht, steht bei Auswertungen im DWH ein Zeitraumbezug im Vordergrund, bspw. bei einer Trendanalyse [Be96]. Dazu wird der Datenbestand im DWH periodisch mit aktuellen Daten ergänzt und nach Zeitintervallen verdichtet [HW05], um einen historisierten Datenbestand zu erhalten. Ein Data Warehouse System ist kein Produkt, sondern ein Konzept. Es besteht aus der eigentlichen Data Warehouse Datenbank und allen Komponenten, die zur Integration und Darstellung von Daten notwendig sind [BG01, Qu03]. Ein Data Warehouse dient als separate, redundante und historisierte Sammlung quantitativer Daten mit dem einen Zweck, entscheidungsrelevante Kennzahlen bereitzustellen, die aus den verschiedensten Quellsystemen stammen und integriert gespeichert werden [Ba03, HA01]. Diese Ausrichtung eines Systems an der Analyse von Daten wird auch mit dem Begriff On-Line Analytical Processing (OLAP) bezeichnet, der von Codd geprägt wurde [CCS93]. Entscheidungsunterstützende Daten und Systeme werden beim Data Warehouse Konzept von operativen Systemen getrennt 6. Operative Systeme sind sog. Online Transactional Processing Systems (OLTP-Systeme), die das operative Geschäft eines Unternehmens unterstützen [HW05]. Die Daten der operativen Systeme werden in themenorientierte und entscheidungsunterstützende OLAP-Syteme (DWH) übertragen [Se95]. Operative Systeme sind die wichtigsten Quellen von Daten im DWH [RH96]. Daten können darüber hinaus aus beliebigen, auch unternehmensexternen Datenquellen in das DWH geladen werden, was aber wegen deren uneinheitlicher Struktur problematisch ist. Bei den Quellsystemen des PAYBACK-DWH handelt es sich ausschließlich um interne operative Systeme, externe Quellsysteme sind nicht vorhanden 7. Zur Befüllung eines DWH werden Daten aus den als Quelle dienenden operativen Systemen extrahiert, den Geschäftsregeln entsprechend transformiert und abschließend in das DWH geladen. Zusammengefasst werden diese Vorgänge im Rahmen dieser Arbeit als die Extraktions-, Transformations- und Ladeprozesse (ETL-Prozesse) oder auch als Befüllungsprozes- 6 Entscheidungsunterstützende Systeme werden auch dispositive Systeme bzw. analytische Systeme genannt [HW05]. 7 Externe Daten wie bspw. von Dienstleistern und Partnern werden zunächst in interne operative Systeme integriert und von dort in das PAYBACK-DWH geladen.

20 Umfeld der Arbeit 10 se bezeichnet. Beim PAYBACK-DWH werden die ETL-Prozesse periodisch 8 angestoßen. Entsprechend den durch die Geschäftsregeln festgelegten Zeitabständen werden die Befüllungsprozesse gestartet. Für diese Arbeit wird vorausgesetzt, dass die ETL-Prozesse periodisch durchgeführt werden. In der Regel wird ein DWH aus mehreren Datenquellen befüllt. Diese liegen dort häufig mit überschneidendem Inhalt in unterschiedlichen Darstellungsformaten vor. Daher müssen diese Daten, bevor sie in das DWH geladen werden können, in ein einheitliches Format gebracht werden. Das erfolgt innerhalb der Transformationsprozesse. Dazu gehört auch die stufenweise Verdichtung der Daten, wobei bspw. Produkte zu Produktgruppen und die Produktgruppen wiederum zu Hauptproduktgruppen aggregiert werden [Be96]. Allgemein werden diese einzelnen Stufen der Verdichtung mit dem Begriff der Granularität beschrieben [In96]. Durch den abschließenden Ladeprozess werden die konsolidierten Daten in analyseorientierte Strukturen des DWH übertragen, wo sie für Auswertungen zur Verfügung stehen. Das multidimensionale Datenmodell hat sich im Hinblick auf die Analyseorientierung eines DWH für viele Problemstellungen bewährt [TKS01]. In der gängigen Praxis erfolgt die Implementierung multidimensionaler Schemata meistens auf einem relationalen Datenbankmanagementsystem (RDBMS). Multidimensionale Strukturen müssen dazu auf relationale Strukturen abgebildet werden, wozu z.b. das Sternschema verwendet wird [HW05]. Beim Sternschema 9, auf dem die meisten OLAP-Datenmodelle basieren [Th03], wird zwischen quantifizierenden und identifizierenden Attributen unterschieden [Oe00]. Die quantifizierenden Attribute sind die zu analysierenden managementrelevanten Größen und werden Fakten genannt 10. Sie repräsentieren die zentralen betrieblichen Erfolgsgrößen, sind meist numerische Attribute und stehen im Zentrum der Analysen von Anwendern [Th03]. Die Fakten werden in einer sog. Faktentabelle vorgehalten, die sich im Mittelpunkt des Sternschemas befindet [Nu98]. Einzig durch die Fakten kann keine bedeutende Information geliefert werden. Um z.b. die Information über den Umsatz beurteilen zu können ist es notwendig zu wissen, in welchem Zeitraum, durch welche Abteilung, durch welche Produkte etc. dieser 8 Genaueres zu periodisch und anderen möglichen Steuerungen in [Ki98]. 9 Genaueres zum Sternschema z.b. in [Th03]. 10 Oft werden sie auch als Kennzahlen bezeichnet.

21 Umfeld der Arbeit 11 erwirtschaftet wurde. Durch die identifizierbaren (beschreibenden) Attribute werden diese Informationen geliefert. Sie werden Dimensionen genannt. Im Gegensatz zu den Fakten enthalten die Dimensionen die Kriterien, welche die Auswahl, Zusammenfassung und Navigation der Fakten ermöglichen [Lu01]. Nach Humm und Wietek sind Dimensionen Filter- und Auswertungskriterien für Kennzahlen [HW05]: Dimensionen spannen einen mehrdimensionalen Faktenraum auf und bilden somit das Koordinatensystem zur Navigation durch die Daten. Die Dimensionen werden in sog. Dimensionstabellen gespeichert, die im Sternschema als Satellitentabellen um die Faktentabelle im Mittelpunkt angeordnet sind [Nu98]. Kimball bezeichnet die Dimensionstabellen als slowly changing, da sie sich im Gegensatz zu Faktentabellen selten ändern [Ki96]. Im Allgemeinen sind beim Sternschema die Daten in den Dimensionstabellen denormalisiert 11 vorgehalten [Gl97]. Die Architektur eines DWH wird durch unterschiedliche organisatorische und technische Einflussfaktoren bestimmt. Dabei steht die Frage im Vordergrund, ob eine zentrale oder dezentrale Lösung gewählt werden soll. Beim PAYBACK-DWH handelt es sich um ein zentral organisiertes DWH, das sich insbesondere für Unternehmen eignet, in denen zentrale Informationsversorgungsstrukturen wie bei einem Rechenzentrum, vorhanden sind [Ba03]. Wie in Abbildung 3.1 dargestellt, werden Daten in einem zentral organisierten DWH aus internen und externen Quellen in ein zentrales Datenbank-System geladen und verwaltet [Ba03]. Die unterschiedlichen Datenquellen sind über ein Netzwerk angebunden. Üblicherweise ist eine Extraktions-, Transformations- und Lade-Schicht zwischen dem DWH und den Datenquellen eingefügt, um die Daten vor der Speicherung im DWH zu transformieren oder auch um sie in einen bereinigten und konsistenten Zustand zu bringen. Der Zugriff auf die im DWH vorgehaltenen Daten erfolgt durch unterschiedliche Client-Werkzeuge über das Netzwerk. Oft wird dabei auf die Internet-Technologie zurückgegriffen Der Begriff Denormalisierung beschreibt das Vorgehen, aus Gründen der Praktikabilität den Übergang in die nächst höhere Normalform wieder Rückgängig zu machen oder diesen zu verhindern [Ho99]. Durch die Denormalisierung sollen u.a. die im Rahmen von Auswertung bzw. Analysen anfallenden Datenbankzugriffe reduziert und eine Verbesserung der Antwortzeiten beim DWH erreicht werden [St95]. Neben dem erhöhten Aufwand zur Erhaltung der Datenkonsistenz und der referentiellen Integrität wird auch in Kauf genommen, dass denormalisierte Daten aufgrund entstehender Redundanzen einen höheren Speicherplatzbedarf haben [Bi94]. 12 Eine ausführliche Beschreibung zentral organisierter Data Warehouses und auch weiterer Architekturvarianten finden sich u.a. in [SBM99, BG01].

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

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

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

Allgemeines zum Begriff Qualität

Allgemeines zum Begriff Qualität Allgemeines zum Begriff Qualität Andreas Handl Inhaltsverzeichnis 1 Historische Entwicklung 1 2 Was ist Qualität? 1 3 Qualitätsmerkmale 2 4 Die Gurus 4 5 Demings 14 Punkte 5 6 Charakteristika von TQM 6

Mehr

Logische Modellierung von Data Warehouses

Logische Modellierung von Data Warehouses Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble Gliederung. Einführung. Abgrenzung und Grundlagen. Anforderungen. Logische Modellierung. Methoden.. Star Schema.. Galaxy-Schema..

Mehr

Befragung und empirische Einschätzung der Praxisrelevanz

Befragung und empirische Einschätzung der Praxisrelevanz Befragung und empirische Einschätzung der Praxisrelevanz eines Vorgehensmodells zur Auswahl von CRM-Systemen D I P L O M A R B E I T zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen

Mehr

1 Einleitung. 1.1 Motivation

1 Einleitung. 1.1 Motivation 1 Einleitung 1.1 Motivation Eine zunehmende Globalisierung in Verbindung mit der Verbreitung des elektronischen Handels, stets kürzer werdende Produktlebenszyklen und eine hohe Variantenvielfalt konstituieren

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

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

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

Online Analytical Processing

Online Analytical Processing Online Analytical Processing Online Analytical Processing Online Analytical Processing (OLAP) ermöglicht die multidimensionale Betrachtung von Daten zwecks E rmittlung eines entscheidungsunterstützenden

Mehr

Modellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009

Modellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009 Modellbasierte Business Intelligence in der Praxis Nürnberg, 10.11.2009 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Inhalte von Datenmodellen für BI 3. Inhalte von Prozessmodellen 4.

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

Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden

Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden Sperrvermerk Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden Bachelorarbeit Zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

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

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 348 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 348 Konzeption eines Projektvorgehensmodells für die Business-Intelligence-Strategieberatung

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 350

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 350 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 350 Ein konzeptioneller Business-Intelligence-Ansatz zur Gestaltung von Geschäftsprozessen

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

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

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

Data Warehousing und Data Mining

Data Warehousing und Data Mining 2 Data Warehousing und Data Mining Kapitel 1: Data-Warehousing-Architektur von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich zum letzten Jahr? In welchen Regionen

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen SAS PharmaHealth & Academia Gabriele Smith KIS-Tagung 2005 in Hamburg: 3. März 2005 Copyright 2003, SAS Institute Inc. All rights

Mehr

Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH)

Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Seminar im Sommersemester 2004 an der Universität Karlsruhe (TH) Verteilung und Integration von Informationen im Verkehrsbereich Thema: OLAP in verteilten Data-Warehouse- Umgebungen Vortrag: Christian

Mehr

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

Design eines Reportings für ein Produktmanagement in der. Automatisierungstechnik

Design eines Reportings für ein Produktmanagement in der. Automatisierungstechnik Design eines Reportings für ein Produktmanagement in der Automatisierungstechnik Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftsingenieur der

Mehr

Anforderungen und Auswahlkriterien für Projektmanagement-Software

Anforderungen und Auswahlkriterien für Projektmanagement-Software Anforderungen und Auswahlkriterien für Projektmanagement-Software Anika Gobert 1,Patrick Keil 2,Veronika Langlotz 1 1 Projektmanagement Payment Giesecke &Devrient GmbH Prinzregentenstr. 159, Postfach 800729,

Mehr

ENTERBRAIN Reporting & Business Intelligence

ENTERBRAIN Reporting & Business Intelligence Überblick Vorhandene Listen/Analysen in ENTERBRAIN Die Daten in ENTERBRAIN Das Fundament des BI - Hauses Details zur ENTERBRAIN Staging Area Reports und Cubes auf Basis der Staging Area Data Mining mit

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

Oracle BI EE mit großen Datenmengen

Oracle BI EE mit großen Datenmengen Oracle BI EE mit großen Datenmengen Christian Casek Riverland Solutions GmbH München Schlüsselworte: Oracle BI EE, Oracle BI Applications, Informatica, RPD, große Datenmengen, Performance, Performanceoptimierung,

Mehr

Data Warehousing in der Lehre

Data Warehousing in der Lehre Data Warehousing in der Lehre Prof. Dr.-Ing. Tomas Benz Dipl.-Inform. Med. Alexander Roth Agenda Vorstellung Fachhochschule Heilbronn Vorstellung i3g Vorlesungen im DWH-Bereich Seminare Projekte Studien-

Mehr

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG...

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... Inhaltsübersicht Inhaltsübersicht I INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... 1 1.1 Zielsetzung und Motivation... 1 1.2

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

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

----------------------------------------------------------------------------------------------------------------------------------------

---------------------------------------------------------------------------------------------------------------------------------------- 0 Seite 0 von 20 03.02.2015 1 Ergebnisse der BSO Studie: Trends und Innovationen im Business Performance Management (BPM) bessere Steuerung des Geschäfts durch BPM. Bei dieser BSO Studie wurden 175 CEOs,

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

Prozessmanagement. Erfahrung mit der ISO 9001:2000. Vortrag von Dr. Jan Schiemann Juni 2005

Prozessmanagement. Erfahrung mit der ISO 9001:2000. Vortrag von Dr. Jan Schiemann Juni 2005 Prozessmanagement Erfahrung mit der ISO 9001:2000 Vortrag von Dr. Jan Schiemann Juni 2005 Zweck des Referats Folgende Fragen werden versucht zu beantworten : - inwieweit haben die neuen QM- Regelwerke

Mehr

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit IT-basierte Erstellung von Nachhaltigkeitsberichten Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

Mehr

IT-basierte Kennzahlenanalyse im Versicherungswesen

IT-basierte Kennzahlenanalyse im Versicherungswesen Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:

Mehr

Remote Management. Stefan Morell

Remote Management. Stefan Morell Stefan Morell Remote Management Ein Verfahren zur Effizienzbestimmung in der verteilten Zusammenarbeit mittels Selbstwirksamkeit in der Automobilindustrie kassel university pre: Inhaltsverzeichnis Vorwort

Mehr

Business Intelligence für Controller

Business Intelligence für Controller Controllers Best Practice Fachbuch Business Intelligence für Controller Hermann Hebben und Dr. Markus Kottbauer Verlag für ControllingWissen ÄG, Freiburg und Wörthsee Ein Unternehmen der Haufe Mediengruppe

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert

Ein Schlüssel ist eine Menge von Attributen (also eines oder mehrere), die eine Datenzeile (Tupel) einer Tabelle eindeutig identifiziert Maika Büschenfeldt Datenbanken: Skript 1 1. Was ist eine relationale Datenbank? In Datenbanken können umfangreiche Datenbestände strukturiert abgelegt werden. Das Konzept relationaler Datenbanken soll

Mehr

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken

Profilbezogene informatische Bildung in den Klassenstufen 9 und 10. Schwerpunktthema Daten und Datenbanken Profilbezogene informatische Bildung in den Klassenstufen 9 und 10 Schwerpunktthema Robby Buttke Fachberater für Informatik RSA Chemnitz Fachliche Einordnung Phasen relationaler Modellierung Fachlichkeit

Mehr

Metriken für ein ROI-basiertes Datenqualitätsmanagement

Metriken für ein ROI-basiertes Datenqualitätsmanagement Dr. Max Mustermann Referat Kommunikation & Marketing Verwaltung Metriken für ein ROI-basiertes Datenqualitätsmanagement Prof. Dr. Bernd Heinrich, Prof. Dr. Mathias Klier Institut für Wirtschaftsinformatik

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

Software-Engineering und Datenbanken

Software-Engineering und Datenbanken Software-Engineering und Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Prof. Dr. Bernhard Schiefer 1-1 Wesentliche Inhalte Begriff DBS Datenbankmodelle

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

Anwendung des Prinzips der Doppik beim Aufbau eines Data Warehouses

Anwendung des Prinzips der Doppik beim Aufbau eines Data Warehouses Anwendung des Prinzips der Doppik beim Aufbau eines Data Warehouses Einführung Einer der Nachteile der Data Warehouse Technologie besteht daran, dass in einem Data Warehouse (DWH ) nur Momentaufnahmen

Mehr

Performance by Design Wie werden performante ETL-Prozesse erstellt?

Performance by Design Wie werden performante ETL-Prozesse erstellt? Performance by Design Wie werden performante ETL-Prozesse erstellt? Reinhard Mense ARETO Consulting Bergisch Gladbach Schlüsselworte: DWH, Data Warehouse, ETL-Prozesse, Performance, Laufzeiten, Partitionierung,

Mehr

Bachelor Thesis an der Fachhochschule Kiel, Fachbereich Wirtschaft. Sommersemester 2011. : Prof. Dr. Doris Weßels

Bachelor Thesis an der Fachhochschule Kiel, Fachbereich Wirtschaft. Sommersemester 2011. : Prof. Dr. Doris Weßels Handlungsempfehlungen zur Nutzung von Social Media zur Gestaltung von Wissensmarktplätzen am Beispiel des europäischen Förderprojektes Win-Vin: Wissen nutzen im Norden Bachelor Thesis an der Fachhochschule

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

TQM in Bauprojekten Kostentreiber oder Kostenersparnis?

TQM in Bauprojekten Kostentreiber oder Kostenersparnis? 1 F A C H H O C H S C H U L E S T U T T G A R T H O C H S C H U L E F Ü R T E C H N I K Master Thesis Internationaler Masterstudiengang Projektmanagement TQM in Bauprojekten Kostentreiber oder Kostenersparnis?

Mehr

Informationssysteme: Neuere Konzepte Teil II

Informationssysteme: Neuere Konzepte Teil II Informationssysteme: Neuere Konzepte Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser

Mehr

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel

Data Warehousing. Kapitel 1: Data-Warehousing-Architektur. Folien teilweise übernommen von Matthias Gimbel Data Warehousing Kapitel 1: Data-Warehousing-Architektur Folien teilweise übernommen von Matthias Gimbel 2 Analyse von Geschäftsprozessen Mögliche Fragestellungen Wie entwickelt sich unser Umsatz im Vergleich

Mehr

Schriften zu Familienunternehmen Band 9. Herausgegeben vom Wittener Institut für Familienunternehmen

Schriften zu Familienunternehmen Band 9. Herausgegeben vom Wittener Institut für Familienunternehmen Schriften zu Familienunternehmen Band 9 Herausgegeben vom Wittener Institut für Familienunternehmen Dr. Alexander Leberling E-Commerce-Strategien von Familienunternehmen Erfolgs- und Risikopotenziale Mit

Mehr

Projectmanagement Scorecard. Einsatz und Wirkungsweise der Projektmanagement Scorecard zur Erfolgsmessung in strategischen Projekten

Projectmanagement Scorecard. Einsatz und Wirkungsweise der Projektmanagement Scorecard zur Erfolgsmessung in strategischen Projekten Projectmanagement Scorecard Einsatz und Wirkungsweise der Projektmanagement Scorecard zur Erfolgsmessung in strategischen Projekten Balanced Scorecard Projektmanagement Scorecard Collaborative Project

Mehr

Katrin Lieber. Six Sigma in Banken

Katrin Lieber. Six Sigma in Banken 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Katrin Lieber Six Sigma in Banken Konzept - Verbreitung - Anwendung

Mehr

Nach Data Warehousing kommt Business Intelligence

Nach Data Warehousing kommt Business Intelligence Nach Data Warehousing kommt Business Intelligence Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Business Intelligence, Data Warehouse Zusammenfassung Data Warehouse bedeutet, dass operative

Mehr

Anforderungen aus der Normung

Anforderungen aus der Normung Anforderungen aus der Normung Mehrere nationale und internationale Normen fordern den Einsatz und die Verwendung von statistischen Verfahren. Mit den daraus gewonnenen Ergebnissen (insbesondere Kennzahlen)

Mehr

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN

EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,

Mehr

Anforderungen: Management

Anforderungen: Management Anforderungen: Management Anforderungen: Management Der Begriff der Anforderungsanalyse ist grundsätzlich vom Begriff des Anforderungsmanagements zu trennen, obwohl beide Konzepte in vie l- fältiger Weise

Mehr

Qualitätsmanagement als Werte- und Wachstumstreiber. für den Mittelstand. Skript zum Vortrag. (Auszug) (5 von ursprünglich 61 Seiten)

Qualitätsmanagement als Werte- und Wachstumstreiber. für den Mittelstand. Skript zum Vortrag. (Auszug) (5 von ursprünglich 61 Seiten) DIPLOM - BETRIEBSWIRT H A N S - P E T E R M A R G O T M E T Z E N + M E T Z E N W I R T S C H A F T S P R Ü F E R S T E U E R B E R A T E R S T E U E R B E R A T E R I N Qualitätsmanagement als Werte-

Mehr

Systemen im Wandel. Autor: Dr. Gerd Frenzen Coromell GmbH Seite 1 von 5

Systemen im Wandel. Autor: Dr. Gerd Frenzen Coromell GmbH Seite 1 von 5 Das Management von Informations- Systemen im Wandel Die Informations-Technologie (IT) war lange Zeit ausschließlich ein Hilfsmittel, um Arbeitsabläufe zu vereinfachen und Personal einzusparen. Sie hat

Mehr

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management

Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Andrei Buhrymenka Erfolgreiche Unternehmensführung durch den Einsatz von Corporate Performance Management Für Unternehmen mit Business Intelligence Diplomica Verlag Andrei Buhrymenka Erfolgreiche Unternehmensführung

Mehr

Intelligence (BI): Von der. Nürnberg, 29. November 2011

Intelligence (BI): Von der. Nürnberg, 29. November 2011 Modelle für Business Intelligence (BI): Von der Anforderung zum Würfel Nürnberg, 29. November 2011 Warum Modelle für Business Intelligence (BI)? Warum Modelle für Business Intelligence (BI)? Bis zur Auswertung

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

Qualitätsmanagement - Umweltmanagement - Arbeitssicherheit - TQM

Qualitätsmanagement - Umweltmanagement - Arbeitssicherheit - TQM Qualitätsmanagement - Umweltmanagement - Arbeitssicherheit - TQM Besteht bei Ihnen ein Bewusstsein für Die hohe Bedeutung der Prozessbeherrschung? Die laufende Verbesserung Ihrer Kernprozesse? Die Kompatibilität

Mehr

Phrasensammlung für wissenschaftliches Arbeiten

Phrasensammlung für wissenschaftliches Arbeiten Phrasensammlung für wissenschaftliches Arbeiten Einleitung In diesem Aufsatz/dieser Abhandlung/dieser Arbeit werde ich... untersuchen/ermitteln/bewerten/analysieren... Um diese Frage zu beantworten, beginnen

Mehr

Qualitätsmanagement. Grundlagen

Qualitätsmanagement. Grundlagen Grundlagen Historie: Mit industriellen Massenproduktion erforderlich geworden (Automobilindustrie, Anfang des letzten Jahrhunderts); Qualitätsmanagement zunächst nur in der Fertigung Mitte des letzten

Mehr

DWH Szenarien. www.syntegris.de

DWH Szenarien. www.syntegris.de DWH Szenarien www.syntegris.de Übersicht Syntegris Unser Synhaus. Alles unter einem Dach! Übersicht Data-Warehouse und BI Projekte und Kompetenzen für skalierbare BI-Systeme. Vom Reporting auf operativen

Mehr

Checkliste zur qualitativen Nutzenbewertung

Checkliste zur qualitativen Nutzenbewertung Checkliste zur qualitativen Nutzenbewertung Herausgeber Pentadoc Consulting AG Messeturm Friedrich-Ebert-Anlage 49 60308 Frankfurt am Main Tel +49 (0)69 509 56-54 07 Fax +49 (0)69 509 56-55 73 E-Mail info@pentadoc.com

Mehr

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück

Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware Falk Neubert, Universität Osnabrück Zusammenspiel von Business Intelligence mit betrieblicher Anwendungssoftware 14. März 2013, IHK Osnabrück-Emsland-Grafschaft Bentheim Geschichte Kassenbuch des Liederkranz, 1886 Hutmachergesangvereins

Mehr

Modellierung von OLAP- und Data- Warehouse-Systemen

Modellierung von OLAP- und Data- Warehouse-Systemen Andreas Totok Modellierung von OLAP- und Data- Warehouse-Systemen Mit einem Geleitwort von Prof. Dr. Burkhard Huch Deutscher Universitäts-Verlag Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis

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

Instrumente des Supply Chain Controlling

Instrumente des Supply Chain Controlling Andreas Bacher Instrumente des Supply Chain Controlling Theoretische Herleitung und Überprüfung der Anwendbarkeit in der Unternehmenspraxis Mit einem Geleitwort von Prof. Dr. Jürgen Weber Deutscher Universitäts-Verlag

Mehr

2 Begriffliche und theoretische Grundlagen... 9

2 Begriffliche und theoretische Grundlagen... 9 Inhaltsverzeichnis Geleitwort... V Vorwort... VII Zusammenfassung... IX Inhaltsverzeichnis... XI Abbildungsverzeichnis... XVII Tabellenverzeichnis... XIX Abkürzungsverzeichnis... XXIII 1 Einführung...

Mehr

Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld. München, 26. Januar 2010

Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld. München, 26. Januar 2010 Modellbasierte Business Intelligence- Praxiserfahrungen in einem komplexen Data Warehouse Umfeld München, 26. Januar 2010 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Inhalte von Datenmodellen

Mehr

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement CMC-KOMPASS: CRM Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement 1 CROSSMEDIACONSULTING 18.05.2010 Unser Verständnis von CRM: Customer Relationship Management ist weit mehr als ein IT-Projekt

Mehr

Total Quality Management

Total Quality Management Total Quality Management TQM Grundlagen Total Quality Management ist ein prozessorientiertes System, das auf der Überzeugung gründet, dass Qualität einfach eine Frage der Ausrichtung an den Erfordernissen

Mehr

Strategische Umsetzung von Corporate. Mittelständigen Unternehmen in Bayern. unter besonderer Berücksichtigung der

Strategische Umsetzung von Corporate. Mittelständigen Unternehmen in Bayern. unter besonderer Berücksichtigung der Strategische Umsetzung von Corporate Social Responsibility in Klein- und Mittelständigen Unternehmen in Bayern unter besonderer Berücksichtigung der Herausforderungen der Internationalisierung Erik Lindner

Mehr

Teil VI. Datenbanken

Teil VI. Datenbanken Teil VI Datenbanken Überblick 1 Grundlegende Begriffe Motivation 2 Relationale Datenbanksysteme Das Relationale Datenmodell SQL 3 Entwurf von Datenbanken Das Enity Relationship (ER) Modell Abbildung von

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources

Mehr

Managementbewertung Managementbewertung

Managementbewertung Managementbewertung Managementbewertung Grundlagen für die Erarbeitung eines Verfahrens nach DIN EN ISO 9001:2000 Inhalte des Workshops 1. Die Anforderungen der ISO 9001:2000 und ihre Interpretation 2. Die Umsetzung der Normanforderungen

Mehr

Qualitätsmanagement ISO 9001:2008

Qualitätsmanagement ISO 9001:2008 Qualitätsmanagement ISO 9001:2008 Prüfe mich und erkenne wie ich es meine Ps. 139, 23 Referent: Jürgen Schuh, Prokurist und QMB der, Offenbach ECKD Das EDV-Centrum für Kirche und Diakonie : 19 Mitarbeitende

Mehr

Oracle Scorecard & Strategy Management

Oracle Scorecard & Strategy Management Oracle Scorecard & Strategy Management Björn Ständer ORACLE Deutschland B.V. & Co. KG München Schlüsselworte: Oracle Scorecard & Strategy Management; OSSM; Scorecard; Business Intelligence; BI; Performance

Mehr

STUDIE ZU IT-RISIKOBEWERTUNGEN IN DER PRAXIS

STUDIE ZU IT-RISIKOBEWERTUNGEN IN DER PRAXIS STUDIE ZU IT-RISIKOBEWERTUNGEN IN DER PRAXIS Stefan Taubenberger und Prof. Jan Jürjens, 22. September 211 Ziele der Studie Konfirmative und explorative Studie mit folgenden Fragestellungen Welche Kriterien

Mehr

Betriebliches Gesundheitsmanagement erfolgreich umsetzen mit den richtigen Instrumenten

Betriebliches Gesundheitsmanagement erfolgreich umsetzen mit den richtigen Instrumenten Betriebliches Gesundheitsmanagement erfolgreich umsetzen mit den richtigen Instrumenten Betriebliches Gesundheitsmanagement erfolgreich umsetzen nur wie? Nur wenn die Situation im Betrieb genau analysiert

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

Raber+Märcker Business Intelligence Lösungen und Leistungen

Raber+Märcker Business Intelligence Lösungen und Leistungen Business Intelligence Raber+Märcker Business Intelligence Lösungen und Leistungen www.raber-maercker.de 2 LEISTUNGEN Business Intelligence Beratungsleistung Die Raber+Märcker Business Intelligence Beratungsleistung

Mehr

Inhaltsverzeichnis 1 Einleitung 1 2 Begriffliche Grundlagen 9 3 Untersuchungsrahmen und Methodenanforderungen 31

Inhaltsverzeichnis 1 Einleitung 1 2 Begriffliche Grundlagen 9 3 Untersuchungsrahmen und Methodenanforderungen 31 Inhaltsverzeichnis 1 Einleitung 1 1.1 Problemstellung und Handlungsbedarf 1 1.2 Zielsetzung und Adressaten 2 1.3 Kontext der Arbeit und Forschungsmethodik 3 1.4 Aufbau der Arbeit 7 2 Begriffliche Grundlagen

Mehr

Integrierte Managementsysteme Eichenstraße 7b 82110 Germering ims@prozess-effizienz.de. 1. Qualitätsmanagement

Integrierte Managementsysteme Eichenstraße 7b 82110 Germering ims@prozess-effizienz.de. 1. Qualitätsmanagement 1. Qualitätsmanagement Die Begeisterung Ihrer Kunden, die Kooperation mit Ihren Partnern sowie der Erfolg Ihres Unternehmens sind durch ein stetig steigendes Qualitätsniveau Ihrer Produkte, Dienstleistungen

Mehr

CALL CENTER- KURZ CHECK

CALL CENTER- KURZ CHECK CALL CENTER- KURZ CHECK DER KARER CONSULTING KURZ-CHECK FÜR IHREN TELEFONISCHEN KUNDENSERVICE Call Center Kurz Check White Paper 1 Einleitung Wollen Sie genau wissen, wie der aktuelle Stand in Ihrem telefonischen

Mehr

Warum Qualität managen? 5. Qualitätsmanagement: Aufgaben der Unternehmensleitung 25. Qualitätsmanagement in Geschäftsprozessen 45

Warum Qualität managen? 5. Qualitätsmanagement: Aufgaben der Unternehmensleitung 25. Qualitätsmanagement in Geschäftsprozessen 45 2 Inhalt Warum Qualität managen? 5 Was genau ist Qualität? 6 Qualitätsmanagement wie es geht und was es bringt 19 Qualitätsmanagement: Aufgaben der Unternehmensleitung 25 Etablieren des Qualitätsgedankens

Mehr

Social Supply Chain Management

Social Supply Chain Management Social Supply Chain Management Wettbewerbsvorteile durch Social Supply Chain Management aus ressourcenorientierter Sicht (Johannes Nußbaum) Abstract Der Druck, soziale Auswirkungen entlang der Supply Chain

Mehr

Kundeninformation DIN EN ISO 9001:2015 - die nächste große Normenrevision

Kundeninformation DIN EN ISO 9001:2015 - die nächste große Normenrevision Kundeninformation DIN EN ISO 9001:2015 - die nächste große Normenrevision Einführung Die DIN EN ISO 9001 erfährt in regelmäßigen Abständen -etwa alle 7 Jahreeine Überarbeitung und Anpassung der Forderungen

Mehr

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

Mehr

your IT in line with your Business Geschäftsprozessmanagement (GPM)

your IT in line with your Business Geschäftsprozessmanagement (GPM) your IT in line with your Business Geschäftsprozessmanagement (GPM) Transparenz schaffen und Unternehmensziele effizient erreichen Transparente Prozesse für mehr Entscheidungssicherheit Konsequente Ausrichtung

Mehr

Verpflichtung zu Excellence (C2E) 2 Stern. Fragebogen zur Selbstbewertung auf Basis des Kriterienmodells

Verpflichtung zu Excellence (C2E) 2 Stern. Fragebogen zur Selbstbewertung auf Basis des Kriterienmodells Verpflichtung zu Excellence (C2E) 2 Stern Fragebogen zur Selbstbewertung auf Basis des Kriterienmodells EFQM Verpflichtung zur Excellence (C2E) 2 Stern Fragebogen zur Selbstbewertung auf der Basis des

Mehr