Matthias Rottländer. Diplomarbeit im Fach Spezielle Wirtschaftsinformatik

Größe: px
Ab Seite anzeigen:

Download "Matthias Rottländer. Diplomarbeit im Fach Spezielle Wirtschaftsinformatik"

Transkript

1 Matthias Rottländer Diplomarbeit im Fach Spezielle Wirtschaftsinformatik Eignung von Methoden des Datenqualitätsmanagement für Datentypen im Unternehmenskontext Themasteller: Univ.-Prof. Dr. Ali Sunyaev Vorgelegt in der Diplomprüfung im Studiengang Wirtschaftsinformatik der Wirtschafts- und Sozialwissenschaftlichen Fakultät der Universität zu Köln Köln, Mai 2012

2 II Inhaltsverzeichnis Abkürzungsverzeichnis... IV 1. Einleitung Problemstellung Zielsetzung Vorgehensweise Einführung in die Daten- und Informationsqualität Definition Daten- und Informationsqualität und ihre Dimensionen Definition Datenqualitätsmanagement Definition Datenqualitätsmanagement-Methoden Datentypen in Unternehmen Definition Datentypen Einteilung von Datentypen nach Eigenschaften Format Struktur Inhalt Stabilität Verarbeitung Business Object Datentypen im unternehmerischen Kontext Zusammenhänge zwischen den Datentypen im Unternehmen Methoden des Datenqualitätsmanagement Kriterien für die Auswahl von DQM-Methoden Verschiedene Perspektiven zum Vergleich von DQM-Methoden Ansätze von DQM-Methoden in der Literatur Komplett-Methoden Überprüfungs-Methoden Operativ-Methoden DQM-Methoden und Datentypen Analyse der DQM-Methoden hinsichtlich ihrer Eignung für unterschiedliche Datentypen Übersicht DQM-Methoden/ Datentypen Fazit...46 Literaturverzeichnis...48

3 III Erklärung...56 Lebenslauf...57

4 IV Abkürzungsverzeichnis AIM-Q BPMD CRM DA DBPMD DQ DQA DQM DQMC DQT DW ERMCD FSTDQM GO GQM HFMDQ HDQM IASDO IMS IP AIM-Quality Bias Patterns in Missing Data Customer Relationship Management Dual Assessment Discover Bias Patterns in Missing Data Datenqualität Data Quality Assessment Datenqualitätsmanagement Data Quality Metric For Currency Data Quality Toolkit Data Warehouse Estimating and Replacing Missing Categorical Data Four-stage Methodology for TDQM Geschäftsobjekt Goal-Question-Metric Homogenous Framework to Measure Data Quality Heterogenous Data Quality Methodology Integrated Aspects of Static, Dynamic and Organisation Information Manufacturing System Informationsprodukt

5 V IQ IS MIMS PSPM TDQM TRFDQMIS WWW Informationsqualität Informationssystem Modelling IMS Product-Service-Performance-Modell Total Data Quality Management Time related factors of DQ in Multichannel IS World Wide Web

6 VI Abbildungsverzeichnis Abb. 2-1 : Zusammenhang DQ, DQ-Dimensionen und DQ-Metriken...8 Abb. 2-2 : Geeignetes Datenqualitätsmangement...9

7 VII Tabellenverzeichnis Tab. 2-1: Datenqualitätsdimensionen und ihre Kategorien nach Wang (1996)...7 Tab. 3-1: Unterscheidungskriterien: Stammdaten vs. Bewegungsdaten...16 Tab. 4-1: Übersicht über die DQM-Methoden mit entsprechenden Abkürzungen...37 Tab. 5-1: Übersicht über DQM-Methoden in Hinblick auf ihre Eignung für verschiedene Datentypen....45

8 1 1. Einleitung 1.1 Problemstellung In Unternehmen stellt die Qualität der Daten und Informationen einen kritischen Erfolgsfaktor dar, weshalb die ständige Messung, Bewertung und Verbesserung der Daten- bzw. Informationsqualität von hoher Relevanz ist. 1 Aufgrund der hohen Abhängigkeit des Erfolges eines Unternehmens von der Qualität der Daten sowie einer zunehmend heterogenen System- und Datenlandschaft ist ein Management der Datenqualität unumgänglich. Unter Datenqualitätsmanagement (DQM) versteht man aufeinander abgestimmte Maßnahmen zum Leiten und Lenken eines Unternehmens hinsichtlich der Datenqualität. In der Literatur werden verschiedene Methoden des DQM beschrieben. Unterschiedliche Methoden sind dabei für unterschiedliche Datentypen gut geeignet. 2 Batini u.a. differenziert bei der Eignung von Methoden für Datentypen zwischen strukturierten, semi-, und unstrukturierten Daten. 3 Aufgrund einer zunehmend heterogenen Datenlandschaft sowohl innerhalb von Organisationen als auch im Austausch zwischen Organisationen wird die Auswahl einer geeigneten DQM-Methode erschwert. 4 Da DQM-Methoden für unterschiedliche Datentypen geeignet sind, muss die Auswahl einer geeigneten Methode hinsichtlich der im Unternehmen vorliegenden Daten klar analysiert werden. In der Literatur zu dem Thema DQM-Methoden wird in Hinblick auf Datentypen nahezu ausschließlich anhand der Struktur der Daten differenziert. Bei der Beschreibung von Unternehmensdaten gibt es andere gängige Unterscheidungsmerkmale, die sich nicht direkt aus der Struktur der Daten ableiten lassen, sondern dem unternehmerischen Kontext entsprechen. Vor diesem Hintergrund kann bspw. noch zwischen Stamm- und Bewegungsdaten sowie operativen und dispositiven Daten unterschieden werden. 1 Vgl. Hüner (2011), S Vgl. Batini u.a. (2009), S Vgl. Batini u.a. (2009), S Vgl. Batini u.a. (2011), S

9 2 Für die vorliegende Untersuchung, die explizit den unternehmerischen Kontext berücksichtigt, scheint eine Erweiterung der Differenzierung der Datentypen in unternehmerischer Hinsicht sinnvoll. Das beschriebene Praxisproblem motiviert daher für folgende Forschungsfrage: Welche Methoden des Datenqualitätsmanagement werden in der Literatur beschrieben und für welche Datentypen sind die identifizierten Methoden geeignet? Eine hier erstellte Übersicht kann dazu beitragen, dass sich Unternehmen aufgrund ihrer spezifischen Daten für eine geeignete DQM-Methode entscheiden. Im Rahmen der vorliegenden Diplomarbeit wird eine Übersicht entwickelt, die DQM-Methoden hinsichtlich der beschriebenen Perspektiven nach Batini u.a. 5 strukturiert, beschreibt und analysiert, für welche Datentypen diese Methoden geeignet sind. 1.2 Zielsetzung Das Hauptziel dieser Arbeit ist, zu beschreiben, für welche Datentypen welche Methode des DQM geeignet ist. Dabei muss ein Teilziel sein, die unterschiedlichen Datentypen in Unternehmen zu identifizieren und zu beschreiben. Neben den Eigenschaften muss zudem noch der Kontext festgelegt werden, in denen die Daten eingebettet sind. Der Kontext ist charakterisiert durch die Funktion, die die Daten erfüllen sollen und den dahinterliegenden Prozess. Im Anschluss daran muss aufgezeigt werden, welche Zusammenhänge zwischen den Datentypen bestehen (Kapitel 3). Des Weiteren muss festgelegt werden, welche Kriterien ausschlaggebend sind, damit im Rahmen dieser Arbeit eine DQM-Methode Berücksichtigung findet. Ein weiteres Teilziel dieser Arbeit muss damit die Identifikation der Merkmale bzw. Perspektiven sein, anhand derer sich DQM-Methoden unterscheiden lassen. Dabei werden vor allem diejenigen Perspektiven fokussiert, die Auswirkungen auf die in der Methode behandelten Datentypen haben. Anschließend werden die im Rahmen der Literaturrecherche identifizierten Methoden des DQM anhand der festgelegten Perspektiven skizziert (Kapitel 4). Um die zentrale Forschungsfrage dieser Arbeit abschließend zu beantworten und damit das Hauptziel zu erreichen, müssen die beschriebenen DQM-Methoden hinsichtlich 5 Vgl. Batini u.a. (2009), S. 3.

10 3 ihrer Eignung für die zuvor identifizierten Datentypen analysiert werden. Zur Visualisierung der Ergebnisse wird eine Übersicht entwickelt, die alle zuvor berücksichtigten Aspekte beinhaltet (Kapitel 5). 1.3 Vorgehensweise Die vorliegende Arbeit ist als eine Literaturarbeit zu charakterisieren. Es wird Englischund deutschsprachige Literatur zu dem Thema DQM-Methoden gesichtet und ausgewertet. Bei der Auswertung der Literatur, wird untersucht, ob eine DQM-Methode vorliegt oder nicht. Als Entscheidungsgrundlage dient die Definition von Batini u.a. 6 Demnach werden Methoden berücksichtigt, die sowohl für die Messung/Bewertung und Verbesserung der Datenqualität (DQ) in Unternehmen als auch die Methoden, die nur für die Messung/Bewertung geeignet sind. Der Fokus der Untersuchung richtet sich darauf, ob sich die verschiedenen Ansätze des DQM den in der vorliegenden Arbeit Datentypen zuordnen lassen. Daher sind Veröffentlichungen, die die Aspekte des DQM mit Datentypen explizit verknüpfen, von primärem Interesse. Darüber hinaus wird auch Literatur zu DQM-Methoden analysiert, in der die Datentypen zwar nicht konkretisiert werden, sich aber aus den Charakteristika der Datentypen ableiten lassen. Veröffentlichungen, die keinen Aufschluss darüber geben, für welche Datentypen die DQM-Methode geeignet ist, finden keine weitere Berücksichtigung. Die Literatur wird über Stichwortsuche in den Zeitschriften des Senior Scholars Basket, in der Zeitschrift Journal of data and Information Quality und in der Zeitschrift International Journal of Database Management Systems recherchiert. Hierbei wird der Fokus auf die Schlagwörter: data quality, information quality, type(s) of data, data type(s) gelegt. 6 Vgl. Batini u.a. (2009), S 2.

11 4 2. Einführung in die Daten- und Informationsqualität 2.1 Definition Daten- und Informationsqualität und ihre Dimensionen Daten und Informationen dienen als Entscheidungsgrundlage in Unternehmen und bilden daher einen kritischen Erfolgsfaktor. 7 Die Qualität dieser Daten und Informationen muss ständig kontrolliert werden. Das liegt darin begründet, dass Daten mit einer hohen Qualität die Kundenzufriedenheit erhöhen können, Einnahmen und Gewinne im Unternehmen steigern und einen strategischen Vorteil bieten können. 8 In der Literatur werden die Begriffe Datenqualität und Informationsqualität häufig synonym verwendet. 9 Grundsätzlich gibt es jedoch eine Trennung zwischen den Begriffen Daten und Informationen. Informationen bestehen aus zwei Teilen, nämlich den eigentlichen Daten und dem dazugehörigen Kontext. Daten, die nicht in einen bestimmten Kontext eingebettet sind, sind für Unternehmen wertlos. Erst aus einer zielgerichteten Nutzung von Daten lassen sich Informationen ableiten. Die Qualität der Daten ist nur dann zu bewerten, wenn die Daten im Kontext ihrer Nutzung betrachtet werden. 10 Aufgrund der einheitlichen Verwendung von Daten- und Informationsqualität in der für diese Arbeit relevanten Literatur, 11 werden die Begriffe Datenqualität und Informationsqualität auch im weiteren Verlauf dieser Arbeit synonym verwendet. Es wird folgende Definition für Datenqualität verwendet: Datenqualität ist die Gesamtheit der Ausprägungen von Qualitätsmerkmalen eines Datenbestandes bezüglich dessen Eignung, festgelegte und vorausgesetzte Erfordernisse zu erfüllen. 12 Nach Wang und Strong bemisst sich die Datenqualität an der Beurteilung desjenigen, der die Daten verwendet. Dieses Konzept firmiert in der Literatur unter fitness for use. 13 Bei der Bewertung von DQ bieten sich demnach subjektive Wahrnehmungen und Bedürfnisse derjenigen Personen, die in Datengenerierung, -verwaltung und 7 Vgl. Shankaranarayanan (2005), S Vgl. Lee u.a. (2006), S Vgl. zu diesem Absatz Gebauer, Windheuser (2011), S Vgl. Strong, Lee, Wang (1997) S Vgl. z.b. Pipino, Lee, Wang (2002), S Gebauer, Windheuser (2011), S Vgl. Wang, Strong (1996), S. 6.

12 5 -nutzung involviert sind, und andererseits objektive Messungen, die an den Datensätzen selbst durchgeführt werden, an. Die Studie von Wang und Strong ist eine der meistzitierten Studien zur Beschreibung und Bewertung von Daten- bzw. Informationsqualität. 14 Die DQ hat unterschiedliche Ausprägungen und lässt sich somit in Hinblick auf verschiedene Dimensionen bewerten. 15 Diese Dimensionen erfasst Wang und Strong empirisch anhand einer Befragung von Datenkonsumenten und unterteilt sie wie folgt: Glaubwürdigkeit, Objektivität, Fehlerfreiheit, hohes Ansehen, Wertschöpfung, Relevanz, Aktualität, Vollständigkeit, Angemessenheit des Umfangs, Interpretierbarkeit, Verständlichkeit, Konsistenz, Übersichtlichkeit, Zugänglichkeit, Zugriffssicherheit. 16 In der Definition von Rohweder u.a. wird hingegen die Dimension Zugriffssicherheit nicht als eigenständige DQ-Dimension betrachtet, da die Sicherheit keinen Einfluss auf die DQ aus Sicht des Anwenders habe. 17 Anstelle davon wird die Dimension Bearbeitbarkeit mit einbezogen. Im Folgenden werden die Dimensionen nach Rohweder u.a. kurz skizziert. 18 Die Dimension Zugänglichkeit, im englischen accessibility, beschreibt, dass Daten dann als zugänglich bezeichnet werden können, wenn sie für den Konsumenten auf direktem Weg und anhand einfacher Verfahren abrufbar sind. 19 Der Angemessene Umfang (engl. appropriate amount of data) bezeichnet Daten dann als angemessen, wenn die Menge der verfügbaren Informationen adäquat für die an sie gestellten Bedürfnisse ist. Man spricht von Glaubwürdigkeit (engl. believability) von Daten, wenn die Daten als vertrauenswürdig und zuverlässig gelten können. Die Dimension Vollständigkeit (engl. completeness) beschreibt Daten als vollständig, wenn sie die realen Objekte vollständig beschreiben Vgl. Rohweder u.a. (2011), S Vgl. z.b. Wang (1996), S. 6 sowie Pipino, Lee, Wang (2002), S Vgl. Wang, Strong (1996), S sowie zur Modifizierung und deutschen Übersetzung Rohweder (2011), S Vgl. Rohweder u.a. (2011), S Batini u.a. konstatieren, dass es in der Literatur verschiedene Definitionen der einzelnen Dimensionen gibt. Siehe dazu Batini u.a. (2009), S. 6. In der vorliegenden Arbeit werden die Dimensionen gemäß den Ausführungen Rohweders u.a. verwendet. Siehe dazu Rohweder (2011), S Vgl. zu diesem Absatz Rohweder u.a. (2011), S. 28,

13 6 Die DQ in Hinblick auf die Dimension Übersichtlichkeit (engl. concise representation) bemisst sich daran, ob die Daten ein passendes Format aufweisen. 21 Eine weitere Anforderung eines Datenkonsumenten an die Daten ist die Einheitliche Darstellung (engl. consistent representation). Wenn Daten immer auf dieselbe Art und Weise abgebildet sind, kann ihre Darstellung als einheitlich betrachtet werden. Unter der Dimension Bearbeitbarkeit (engl. ease of manipulation) versteht man, dass Daten dann leicht zu bearbeiten sind, wenn sie leicht zu ändern sind und für unterschiedliche Verwendungszwecke gebraucht werden können. Wenn Daten mit der Realität übereinstimmen, spricht man von Fehlerfreiheit (engl. free of error). Eine weitere DQ-Dimensionen anhand derer Datenqualität bewertet werden kann, ist Eindeutige Auslegbarkeit (engl. interpretability). Darunter versteht man, dass die Daten von allen am Datenprozess Beteiligten auf gleiche Weise und damit korrekt verstanden werden. Spricht man von Objektivität (engl. objectivity) der Daten, so können Daten als sachlich und wertfrei bezeichnet werden. Die Relevanz (engl. relevancy) von Daten ist hoch, wenn sie für die Aufgaben in einem Unternehmen die benötigten Informationen beinhalten. Daten genießen ein Hohes Ansehen (engl. reputation), wenn sie aus einer seriösen Quelle entstammen. DQ lässt sich auch anhand der Aktualität (engl. timeliness) der Daten bemessen. Daten werden als aktuell charakterisiert, wenn sie auf Veränderungen des realen Objekts zeitnah angepasst werden. Die Verständlichkeit (engl. understandability) von Daten resultiert aus der Lesbarkeit und Nutzbarkeit des Anwenders. Die DQ-Dimension Wertschöpfung (engl. value-added) ist dann hoch, wenn die Daten einen Mehrwert für das Unternehmen darstellen und somit zu den Unternehmenszielen beitragen können Vgl. hierzu auch Batini u.a. (2009), S Vgl. zu diesem Absatz Rohweder u.a. (2011), S. 28, Die ausführliche Darstellung der Dimensionen anhand derer sich die Datenqualität bewerten lassen, ist der Tatsache geschuldet, dass sie ein zentrales Moment in der Analyse der Eignung von DQM- Methoden für verschiedene Datentypen einnehmen. So beeinflussen die Datentypen die DQ- Dimensionen, die Gegenstand der DQM-Methode sind. Dies entspricht auch den Ausführungen Batinis u.a. Siehe dazu Batini u.a. (2009), S. 23.

14 Dimensionen 7 Die Dimensionen der DQ fasst Wang in übergeordnete DQ-Kategorien zusammen wie in Tab. 2-1 dargestellt. DQ- Kategorie Inhärente DQ Zweckabhängige DQ Darstellungsbezogene DQ Systemunterstützenden DQ Glaubwürdigkeit Aktualität Verständlichkeit Zugänglichkeit Objektivität Wertschöpfung Übersichtlichkeit Bearbeitbarkeit Fehlerfreiheit Vollständigkeit einheitliche Darstellung Hohes Ansehen Angemessener Umfang Relevanz eindeutige Auslegbarkeit Tab. 2-1: Datenqualitätsdimensionen und ihre Kategorien nach Wang (1996). Modifiziert nach Rohweder (2011) Unter die Kategorie Inhärente DQ fallen alle Dimensionen, die sich auf die Daten selber beziehen. 23 In der Kategorie Zweckabhängige DQ werden Dimensionen zusammengefasst, die für Daten im Hinblick auf ihren Verwendungszweck relevant sind. Die unter Darstellungsbezogene DQ subsumierten Dimensionen nehmen Bezug auf die Darstellungsform der Daten. Eine letzte Kategorie stellt die Systemunterstützende DQ dar. Dieser Kategorie werden die DQ-Dimensionen zugeordnet, die ein Maß dafür sind, wie zugänglich und bearbeitbar Daten sind. Die Kategorien haben unterschiedliche Untersuchungsgegenstände. So kann die Inhärente DQ nur in Bezug auf den Inhalt der Daten bewertet werden. Bei der Bewertung der Zweckabhängigen DQ wird als Untersuchungsgegenstand die Funktion betrachtet, die die Daten erfüllen müssen. Die Darstellungsbezogene DQ wird anhand der adäquaten Darstellung der Daten beurteilt und bei der Beurteilung der Systemunterstützenden DQ wird als Untersuchungsgegenstand das System, in dem die Daten verarbeitet werden, betrachtet. Damit DQ-Dimensionen quantifiziert und damit messbar gemacht werden können, werden sogenannte DQ-Metriken entwickelt. 24 Beispielweise kann die Dimension Vollständigkeit bestimmt werden, indem gemessen wird, wie viele Attribute in einem Informationssystem mit Werten belegt sind im Verhältnis zu der Gesamtanzahl an 23 Vgl. zu diesem Absatz Wang, Strong (1996), S Vgl. Pipino, Lee, Wang (2002), S. 211.

15 8 Attributen im Informationssystem. 25 Der sich daraus ergebende Wert bildet die Ausprägung der Dimension Vollständigkeit. In Abbildung 1 werden noch einmal die beschriebenen Begrifflichkeiten zusammengefasst. DQ DQ- Dimensionen DQ-Metriken Abb. 2-1 : Zusammenhang DQ, DQ-Dimensionen und DQ-Metriken Eigene Darstellung in Anlehnung an Gebauer, Windheuser (2011), S Definition Datenqualitätsmanagement Für eine Bewertung oder Verbesserung der DQ in einem Unternehmen reichen sporadische Maßnahmen nicht aus. Vielmehr müssen Verantwortlichkeiten, Vorgehensweisen etc. im Unternehmen ganz klar festgelegt werden und als Management-Aufgabe betrachtet werden. Dies liegt darin begründet, dass die Ergebnisse strategischer und operativer Aufgaben im Unternehmen stark von der Qualität der Daten abhängen. 26 Zwirner differenziert beim DQM zwischen drei Vorgehensweisen. 27 Laissez faires Vorgehen, reaktives Vorgehen und eine proaktive Vorgehensweise. Tauchen Datenfehler in einer geringen Frequenz auf und sind die betroffenen Daten für 25 Vgl. Heinrich, Klier (2011), S Vgl. Weigel (2011), S Vgl. zu diesem Absatz Zwirner (2011), S

16 9 den Unternehmenserfolg nicht kritisch, kann eine laissez faire-vorgehensweise gewählt werden. Hierbei werden keine besonderen Qualitätsmaßnahmen getroffen und Datenfehler lediglich bei der Verwendung der Daten bereinigt. Bei einer reaktiven Vorgehensweise werden Datenfehler behoben, wenn sie auffallen. Hierbei werden sowohl maschinelle als auch manuelle Bereinigungsaktionen durchgeführt. D.h. die Datenfehler werden nicht ursächlich behoben, sondern nur bereinigt und können in der Folgezeit immer wieder auftreten. Diese Vorgehensweise wird genau dann angewendet, wenn die Datenfehler nur eine geringe Auswirkung auf die Qualität der Daten haben. Eine proaktive Vorgehensweise wird dann gewählt, wenn die Daten für den Unternehmenserfolg von enormer Bedeutung sind. Hierbei werden nicht nur die Fehler bereinigt, sondern auch die Fehlerquellen behoben. Zudem wird in der Folgezeit die Qualität der Daten überwacht. Erst bei dieser Vorgehensweise kann von einem Management der Datenqualität im eigentlichen Sinne gesprochen werden. 28 In Abbildung 2-2 ist zu sehen, unter welchen Bedingungen welche Vorgehensweise sinnvoll ist. Abb. 2-2 : Geeignetes Datenqualitätsmangement Eigene Darstellung in Anlehnung an Zwirner (2011), S Vgl. Zwirner (2011), S. 109.

17 10 Hierbei muss sich ein Unternehmen für eine geeignete Vorgehensweise entscheiden und die Bedeutung und die Änderungshäufigkeit der betroffenen Unternehmensdaten berücksichtigen. Je wichtiger die Daten für eine Organisation sind, desto eher eignet sich eine proaktive Vorgehensweise. Einen anderen Ansatz zur Beschreibung von DQM wählt Wang u.a. 29 Er versteht unter DQM einen ganzheitlichen Ansatz, das sogenannte Total Data Quality Management (TDQM). Bei diesem Ansatz wird die Herstellung von Daten bzw. Informationen mit der Herstellung eines physikalischen Produktes verglichen. Ein Informationssystem, das Daten verarbeitet, kann dann analog zu Fertigungsstraßen in der Industrie betrachtet werden. 30 Die Maßnahmen zur Steigerung der Qualität werden sinnvollerweise nicht am Ende des Produktionsprozesses getroffen, sondern bereits während des Herstellungsprozesses. In Anlehnung daran sollen Daten im Unternehmen entlang ihres Lebenszyklus analysiert und qualitätsgesichert werden. 31 Um diesen Ansatz umsetzen zu können, müssen u.a. Ziele gesetzt werden, Rollen und Positionen verteilt werden und technische Anforderungen bewältigt werden. Das DQM folgt damit einer Methode. In Kapitel 2.3 wird der Begriff DQM-Methoden definiert. 2.3 Definition Datenqualitätsmanagement-Methoden Während in Kapitel 2.2 DQM definiert wurde, geht im Folgenden darum, Methoden des DQM zu beschreiben. In der Literatur werden unterschiedliche Methoden des Datenqualitätsmanagements beschrieben. Dabei liegt der Fokus auf Techniken, die die Datenqualität in Unternehmen messen, bewerten und verbessern. 32 Datenqualitätsmanagement- Methoden nach Batini u.a. bieten eine Reihe von Richtlinien und Techniken zur Messung und Verbesserung der Datenqualität Vgl. zu diesem Absatz Wang (1998), S Vgl. Weigel (2011), S Vgl. Weigel (2011), S Vgl. Batini u.a. (2009), S Vgl. Batini u.a. (2011), S. 62.

18 11 Hierbei lassen sich die Hauptaktivitäten in drei Phasen unterteilen: Rekonstruktion des Zustandes, Messung bzw. Bewertung der Datenqualität und Verbesserung der Datenqualität. 34 In der Phase Rekonstruktion des Zustandes werden Informationen über den Ist- Zustand des Organisationprozesses gesammelt. Zudem wird analysiert, wie die Daten generiert werden. Sofern Dokumentationen über die Organisationsprozesse bestehen, kann optional auf die erste Phase verzichtet werden. In der Phase Messung/Bewertung wird die Qualität der Datensammlung anhand von zuvor festgelegten Datenqualitätsdimensionen 35 gemessen und unter Bezugnahme auf Referenzwerte bewertet. In der Phase Verbesserung werden Maßnahmen, Strategien und Techniken entwickelt, um neu gesteckte Datenqualitätsziele zu erreichen. Nicht alle DQM-Methoden müssen alle genannten Phasen umfassen, so differenzieren Batini u.a. DQM-Methoden in Komplett Methoden, die sowohl für die Bewertung als auch Verbesserung der Daten geeignet sind und dabei technische und wirtschaftliche Aspekte miteinbeziehen, sowie Überprüfungs-Methoden, die sich auf die Bewertung der DQ fokussieren und einen Ausblick für eine mögliche Verbesserungsphase bieten. 36 Des Weiteren unterscheiden sie zwischen Operativen Methoden, die sich ausschließlich auf die technische Umsetzung von Bewertungs- und Verbesserungsphasen begrenzen, ohne wirtschaftliche Gesichtspunkte zu berücksichtigen und Wirtschaftliche Methoden, mit denen die Kosten durch ein DQM evaluiert werden. Charakteristisch für DQM-Methoden ist, dass sie sich nicht in der bloßen Anwendung technischer Werkzeuge erschöpfen. Da sie immer in den konkreten Kontext eines Unternehmens integriert werden müssen, ist ein wichtiger Aspekt einer DQM-Methode auch davon ab, den Prozess durch Gespräche und Analysen mit den Beteiligten wie Administratoren und Datenkonsumenten zu begleiten. So legen Batini u.a. für alle 34 Vgl. zu diesem Absatz Batini u.a. (2009), S Wang u.a. (1996) haben in der Studie Beyond Accuracy: What Data Quality Means to Data Consumers Datenkonsumenten befragt, was ihnen bzgl. der Datenqualität wichtig ist. Aus den Ergebnissen hat er 15 Qualitätsdimensionen evaluiert, die bereits in Kapitel 2.1 ausführlich erläutert werden. 36 Vgl. zu diesem Absatz Batini u.a. (2009), S

19 12 Phasen der DQM-Methoden auch Arbeitsschritte fest, in denen vorgesehen ist, die Beteiligten zu befragen Datentypen in Unternehmen 3.1 Definition Datentypen Der Begriff Datentyp beschreibt das Format, das in einem Datenfeld gespeichert werden kann. 38 Hier kann z.b. unterschieden werden zwischen alphanumerisch, numerisch, integer, floating point etc. 39 Ist bspw. ein Datenfeld als numerisch deklariert, können die eingegebenen Daten nur Zahlenwerte annehmen. Wird dann integer als weiteres Charakteristikum festgelegt, können diese Werte nur ganzzahlig sein. Die Literatur für die hier vorliegende Untersuchung wurde u.a. mit dem Suchbegriff data type recherchiert. Bei Sichtung der entsprechenden englischsprachigen Literatur zeigte sich, dass sich der Begriff data type nicht in dem oben beschriebenen Datentyp erschöpft, sondern sich durch weitere Kriterien beschreiben lässt. Damit entspricht er eher dem deutschen Begriff Datenart. Bei Datenarten werden Datenfelder zusammengefasst, wie z.b. die Daten Straße, Name, Vorname zur Datenart Stammdatum. 40 In der vorliegenden Arbeit wird Datentyp mit Datenart synonym verwendet, wobei die inhaltliche Bedeutung von Datenarten übernommen wird. In einem Unternehmen können Daten verschiedenen Datenarten zugeteilt werden. Merkmale zur Unterscheidung von Datenarten sind Format wodurch Datentypen im eigentlichen Sinne als ein Aspekt von Datenarten beschrieben werden können Struktur, Stabilität, Inhalt, Verarbeitung und business object, 41 die im nachfolgenden Kapitel näher beleuchtet werden. 37 Vgl. Batini (2009), S Vgl. Loshin (2001), S Vgl. Piro, Gebauer (2011), S Vgl. Piro, Gebauer (2011), S Vgl. Piro, Gebauer (2011), S. 145.

20 Einteilung von Datentypen nach Eigenschaften In der Vergangenheit wurden Unternehmensdaten vorwiegend zentral in einer Datenbank verwaltet. Die Voraussetzung bei einem traditionellen Datenbanksystem ist, dass die dort enthaltenen Daten gemäß einem vorher definierten Datenschema eine strukturierte Form aufweisen. 42 Aufgrund der Zunahme von Daten im World Wide Web (WWW), liegen Daten in Unternehmen immer häufiger auch semi- bzw. unstrukturiert vor. Um die DQ in Unternehmen zu bewerten und zu verbessern, scheint gemäß der Literaturlage eine Differenzierung hinsichtlich ihrer Struktur unumgänglich. Jedoch ist die Differenzierung der Unternehmensdaten nach ihrer Struktur nur eine Möglichkeit. In Hinblick auf Unternehmensdaten ist eine verfeinerte Betrachtung sinnvoll, die im folgenden Abschnitt vorgestellt werden. Dabei wird neben der Struktur zwischen Format, Inhalt, Stabilität, Verarbeitung und Business Object differenziert Format Mit dem Format wird der Datenwert eines Datenattributs definiert. Dabei kann ein Datenfeld alphanumerisch, numerisch, integer, floating point etc. definiert sein. Das Format bestimmt den Datentyp, der in einem Datenfeld verwendet wird Struktur Wie bereits oben dargestellt gibt es bei der Struktur der Daten grundsätzlich drei Unterscheidungsmerkmale. Man differenziert zwischen strukturierten, unstrukturierten und semistrukturierten Daten. Strukturierte Daten sind Daten, zu denen Informationen vorhanden sind, die die Daten klassifizieren. Sie werden dadurch anhand eines Schemas strukturiert. 45 Unter semistrukturierten Daten versteht man Daten, die in einzelnen Elementen strukturiert sein können, im Ganzen jedoch keine strukturierte Form aufweisen. Ein 42 Vgl. zu diesem Absatz Bry u.a. (2001), S Vgl. zu der Einteilung und den weiteren Ausführungen Piro, Gebauer (2011), S Vgl. Loshin (2001), S Vgl. zu diesem Absatz Piro, Gebauer (2011), S. 146.

21 14 Beispiel für semistrukturierte Daten wäre ein Textfeld für die Eingabe von Mitarbeiterdaten. Erster Eintrag: Mustermann; Erika; Musterstadt; 54321; Zweiter Eintrag: ;Rainer Mustermann; 54321; Die beiden Beispiele divergieren aufgrund unterschiedlicher Datenerfasser und fehlender Vorgaben, umfassen aber dieselben inhaltlichen Informationen. Zwar ist jedes einzelne Element strukturiert, in der Gesamtheit ist jedoch keine Struktur zu erkennen. Bei unstrukturierten Daten ist in der Regel die Struktur nicht direkt und eindeutig zu erkennen. Dies bedeutet nicht, dass unstrukturierte Daten keine strukturierten Daten enthalten können. Vielmehr hängt die Interpretation der Daten stark vom Leser ab. Beispiele für unstrukturierte Daten können Texte, Bilder und s sein. Es ist davon auszugehen, dass für Unternehmen in Zukunft auch unstrukturierte Daten an Relevanz gewinnen, da bspw. bei der Erfassung von Kundenstammdaten neben den Kontaktdaten (Name, Vorname etc.) bspw. auch ein Foto des Ansprechpartners ergänzend hinzugefügt wird. 46 Die Kontaktdaten liegen bei diesem Beispiel in einer strukturierten Form vor, wohingegen das Bild ein unstrukturiertes Datum darstellt. Hierin zeigt sich eine mögliche zunehmende Vermischung verschiedener Datentypen Inhalt Im Hinblick auf die Eigenschaft Inhalt können Daten danach eingeteilt werden, ob sie tatsächliche Informationen beinhalten oder ob sie diese Informationen einer festen Struktur zuordnen. 47 Sie werden als Inhalts- bzw. Metadaten bezeichnet. Metadaten sind Daten, die einen bestimmten Inhalt (Inhaltsdatum) einem Schlüssel zuordnen. D.h. bei der Erfassung von Abteilungen bspw. kann die Marketingabteilung als Inhaltsdatum erfasst werden oder ihr kann ein Metadatum wie etwa eine Abteilungsnummer zugeteilt werden. 46 Vgl. White u.a. (2006), S Vgl. zu diesem Absatz Piro, Gebauer (2011), S

DGIQ Projekt IQ-Definition

DGIQ Projekt IQ-Definition DGIQ Projekt IQ-Definition Definition des Begriffsfeldes Informationsqualität bzw. Datenqualität Ein Projekt der DGIQ, 2007 Normen und Standards Dr. Jan Philipp Rohweder, Andrea Piro, Joachim Schmid GIQMC,

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

Informationsqualität Definitionen, Dimensionen und Begriffe

Informationsqualität Definitionen, Dimensionen und Begriffe Informationsqualität Definitionen, Dimensionen und Begriffe 2 Jan P. Rohweder, Gerhard Kasten, Dirk Malzahn, Andrea Piro und Joachim Schmid 2.1 Einleitung Die Verbesserung und Sicherstellung der Informationsqualität

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

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

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

1. Einleitung. 1.1. Ausgangssituation

1. Einleitung. 1.1. Ausgangssituation 1. Einleitung In der vorliegenden Arbeit wird untersucht, welche Faktoren den erfolgreichen Ausgang eines Supply-Chain-Projektes zwischen zwei Projektpartnern beeinflussen. Dazu werden zum einen mögliche

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

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

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

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

IT-Compliance -... und die Realität. Was hat Datenqualität mit Compliance zu tun?

IT-Compliance -... und die Realität. Was hat Datenqualität mit Compliance zu tun? IT-Compliance -... und die Realität Was hat Datenqualität mit Compliance zu tun? Situation Stetiger Veränderungsdruck durch immer schnellere Marktveränderungen Auslöser für Veränderungen Globalisierung

Mehr

Relationale Datenbanken Datenbankgrundlagen

Relationale Datenbanken Datenbankgrundlagen Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern

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

Konzeption eines Master-Data-Management-Systems. Sven Schilling

Konzeption eines Master-Data-Management-Systems. Sven Schilling Konzeption eines Master-Data-Management-Systems Sven Schilling Gliederung Teil I Vorstellung des Unternehmens Thema der Diplomarbeit Teil II Master Data Management Seite 2 Teil I Das Unternehmen Vorstellung

Mehr

Alina Schneider. Erfolg in Data-Warehouse-Projekten. Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien. Diplomica Verlag

Alina Schneider. Erfolg in Data-Warehouse-Projekten. Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien. Diplomica Verlag Alina Schneider Erfolg in Data-Warehouse-Projekten Eine praxisnahe Analyse von Erfolgsfaktoren und -kriterien Diplomica Verlag Alina Schneider Erfolg in Data-Warehouse-Projekten: Eine praxisnahe Analyse

Mehr

Universität Passau. Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth. Masterarbeit

Universität Passau. Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth. Masterarbeit Universität Passau Betriebswirtschaftslehre mit Schwerpunkt Internationales Management Prof. Dr. Carola Jungwirth Masterarbeit "Identifikation von Erfolgsfaktoren für eine Facebook- Recruiting-Strategie"

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

IT-Sicherheit mobiler Applikationen zur Unterstützung von Geschäftsprozessen. Bachelorarbeit

IT-Sicherheit mobiler Applikationen zur Unterstützung von Geschäftsprozessen. Bachelorarbeit IT-Sicherheit mobiler Applikationen zur Unterstützung von Geschäftsprozessen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der

Mehr

Herausforderungen des Continuous Auditing im Big Data Umfeld

Herausforderungen des Continuous Auditing im Big Data Umfeld Herausforderungen des Continuous Auditing im Big Data Umfeld Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen

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

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

Social Media Datennutzung im Customer Relationship Management

Social Media Datennutzung im Customer Relationship Management Social Media Datennutzung im Customer Relationship Management Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B. Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen

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

Wirtschaftlichkeitsanalyse von Cloud Computing aus der Sicht internationaler Unternehmen. Masterarbeit

Wirtschaftlichkeitsanalyse von Cloud Computing aus der Sicht internationaler Unternehmen. Masterarbeit Wirtschaftlichkeitsanalyse von Cloud Computing aus der Sicht internationaler Unternehmen Masterarbeit zur Erlangung des akademischen Grades Master of Science (M.Sc.) im Masterstudiengang Wirtschaftswissenschaft

Mehr

Geschäftsprozessmanagement

Geschäftsprozessmanagement Geschäftsprozessmanagement Der INTARGIA-Ansatz Whitepaper Dr. Thomas Jurisch, Steffen Weber INTARGIA Managementberatung GmbH Max-Planck-Straße 20 63303 Dreieich Telefon: +49 (0)6103 / 5086-0 Telefax: +49

Mehr

Analyse kritischer Erfolgsfaktoren für Enterprise Social Networking Anwendungen. Bachelorarbeit

Analyse kritischer Erfolgsfaktoren für Enterprise Social Networking Anwendungen. Bachelorarbeit Analyse kritischer Erfolgsfaktoren für Enterprise Social Networking Anwendungen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaften

Mehr

APICON Forum 2015 30. April 2015 Ein Konzept zur Vermeidung von Datenqualität - die Top 10 Fehler der Stammdatenpflege

APICON Forum 2015 30. April 2015 Ein Konzept zur Vermeidung von Datenqualität - die Top 10 Fehler der Stammdatenpflege APICON Forum 2015 30. April 2015 Ein Konzept zur Vermeidung von Datenqualität - die Top 10 Fehler der Stammdatenpflege Prof. Dr. Knut Hildebrand Hochschule Weihenstephan-Triesdorf Knut@Hildebrand.info

Mehr

Pressemitteilung. Studie: Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren

Pressemitteilung. Studie: Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren Pressemitteilung Studie: Managing Business Intelligence Wie Sie aus Ihren Daten einen Wettbewerbsvorteil realisieren 21. Januar 2008, sieber&partners, Norman Briner 1 Vorwort Die bessere Nutzung und Auswertung

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

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

Enterprise Architecture Management für Krankenhäuser. Transparenz über die Abhängigkeiten von Business und IT

Enterprise Architecture Management für Krankenhäuser. Transparenz über die Abhängigkeiten von Business und IT Enterprise Architecture Management für Krankenhäuser Transparenz über die Abhängigkeiten von Business und IT HERAUSFORDERUNG Gestiegener Wettbewerbsdruck, höhere Differenzierung im Markt, die konsequente

Mehr

Das Studiengangsinformationssystem (SGIS)

Das Studiengangsinformationssystem (SGIS) Das Studiengangsinformationssystem (SGIS) Manual für Typo3-Redakteure Version 1.a Mai 2015 Kontakt: Referat 1.4 - Allgemeine Studienberatung und Career Service Christian Birringer, christian.birringer@uni-rostock.de

Mehr

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching

1 Einleitung. 1.1 Caching von Webanwendungen. 1.1.1 Clientseites Caching 1.1 Caching von Webanwendungen In den vergangenen Jahren hat sich das Webumfeld sehr verändert. Nicht nur eine zunehmend größere Zahl an Benutzern sondern auch die Anforderungen in Bezug auf dynamischere

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

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

Diskussion eines IT-Outsourcing unter Berücksichtigung von Compliance Anforderungen. Bachelorarbeit

Diskussion eines IT-Outsourcing unter Berücksichtigung von Compliance Anforderungen. Bachelorarbeit Diskussion eines IT-Outsourcing unter Berücksichtigung von Compliance Anforderungen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Das Listen Abgleich Interface wird einfach über Doppelklick auf die Datei Listen-Abgleich-Interface.accde gestartet.

Das Listen Abgleich Interface wird einfach über Doppelklick auf die Datei Listen-Abgleich-Interface.accde gestartet. Anleitung Listen Abgleich Interface Was macht das Listen Abgleich Interface? Das Listen Abgleich Interface importiert und gleicht Excel Listen, welche beispielsweise aus Web Kontaktformularen, Adresszukäufen

Mehr

Data Quality Management. Data Quality Management. Daten organisieren, revisionssicher korrigieren und Informationsqualität steigern.

Data Quality Management. Data Quality Management. Daten organisieren, revisionssicher korrigieren und Informationsqualität steigern. Data Quality Management Data Quality Management Daten organisieren, revisionssicher korrigieren und Informationsqualität steigern zeb Data Quality Management Daten organisieren, revisionssicher korrigieren

Mehr

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken

Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Handbuch ECDL 2003 Basic Modul 5: Datenbank Grundlagen von relationalen Datenbanken Dateiname: ecdl5_01_00_documentation_standard.doc Speicherdatum: 14.02.2005 ECDL 2003 Basic Modul 5 Datenbank - Grundlagen

Mehr

Swiss Marketing Leadership Studie 2015. Man agement Summary

Swiss Marketing Leadership Studie 2015. Man agement Summary 3 Man agement Summary Marketing ändert sich fundamental und sollte in modernen Unternehmen eine steuernde Funktion in Richtung Kunden- und Marktorientierung einnehmen. Vor diesem Hintergrund entschied

Mehr

Business Intelligence Aufgabenstellung

Business Intelligence Aufgabenstellung Hochschule Darmstadt Business Intelligence (BI) Fachbereich Informatik Praktikum 2 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Sebastian Gobst Änderung: 15.06.2012 Datum: 30.05.2012 1. Einführung

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

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

Kritische Erfolgsfaktoren für die Akzeptanzverbesserung von. E-Learning Angeboten für Finance. Masterarbeit

Kritische Erfolgsfaktoren für die Akzeptanzverbesserung von. E-Learning Angeboten für Finance. Masterarbeit Kritische Erfolgsfaktoren für die Akzeptanzverbesserung von E-Learning Angeboten für Finance Masterarbeit Zur Erlangung des akademischen Grades Master of Science (M.Sc.) im Studiengang Wirtschaftswissenschaft

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

Referenzmodell für die strategische Ausrichtung eines internen IT-Dienstleisters am Business Value

Referenzmodell für die strategische Ausrichtung eines internen IT-Dienstleisters am Business Value Referenzmodell für die strategische Ausrichtung eines internen IT-Dienstleisters am Business Value Markus Neumann neumann@iwi.uni-hannover.de Doktoranden-Kolloquium Südost-Niedersachsen 16.01.2009 17.01.2009

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

Berichte aus der Medizinischen Informatik und Bioinformatik. Günther Schadow. Krankenhauskommunikation mit HL7

Berichte aus der Medizinischen Informatik und Bioinformatik. Günther Schadow. Krankenhauskommunikation mit HL7 Berichte aus der Medizinischen Informatik und Bioinformatik Günther Schadow Krankenhauskommunikation mit HL7 Analyse, Implementation und Anwendungeines Protokollstandards für medizinische Datenkommunikation

Mehr

XONTRO Newsletter. Kreditinstitute. Nr. 9

XONTRO Newsletter. Kreditinstitute. Nr. 9 XONTRO Newsletter Kreditinstitute Nr. 9 Seite 1 I N H A L T S V E R Z E I C H N I S 1 Zusammenfassung 2 2 Fachliche Erläuterungen 3 2.1 CCP...3 2.2 Nasdaq Deutschland...3 3 Technische Erläuterungen zum

Mehr

Kundendaten effektiv und nachhaltig managen

Kundendaten effektiv und nachhaltig managen KUNDENDATENMANAGEMENT Kundendaten effektiv und nachhaltig managen Wie Data Governance hilft, Ihre Kunden besser zu verstehen Die Grundlage vieler Geschäfts- und Entscheidungsprozesse in Marketing und Vertrieb

Mehr

Forschungsbereich Value-based Customer Relationship Management (CRM)

Forschungsbereich Value-based Customer Relationship Management (CRM) Forschungsbereich Value-based Customer Relationship Management (CRM) Reminder: Wertorientiertes CRM Schwerpunkte im Forschungsbereich Ziel: Steigerung des Unternehmenswerts Wertorientiertes Customer Relationship

Mehr

Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder

Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder 1 2 3 Die Quantitative und Qualitative Sozialforschung unterscheiden sich bei signifikanten Punkten wie das Forschungsverständnis, der Ausgangspunkt oder die Forschungsziele. Ein erstes Unterscheidungsmerkmal

Mehr

Forschergruppe Social Media, Mobile Business und Datenqualität

Forschergruppe Social Media, Mobile Business und Datenqualität Dr. Max Mustermann Referat Kommunikation & Marketing Verwaltung Forschergruppe Social Media, Mobile Business und Datenqualität Prof. Dr. Bernd Heinrich Prof. Dr. Mathias Klier Institut für Wirtschaftsinformatik

Mehr

Hochschule Heilbronn Technik Wirtschaft Informatik

Hochschule Heilbronn Technik Wirtschaft Informatik Hochschule Heilbronn Technik Wirtschaft Informatik Studiengang Electronic Business (EB) Diplomarbeit (280000) Evaluierung und Einführung eines Web Content Management Systems bei einem internationalen und

Mehr

ERP-Systemeinsatz bewerten und optimieren

ERP-Systemeinsatz bewerten und optimieren ERP-Systemeinsatz bewerten und optimieren Handlungsfelder zur Optimierung des ERP-Systemeinsatzes ERP-Lösungen werden meist über viele Jahre lang eingesetzt, um die Geschäftsprozesse softwaretechnisch

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

Preisgestaltung für Software-as-a-Service

Preisgestaltung für Software-as-a-Service edition Lünendonk: IT-Wissenschaft für die Praxis Preisgestaltung für Software-as-a-Service Zukunftsperspektiven nutzungsabhängiger Preismodelle Eine Publikation der Lünendonk GmbH in Zusammenarbeit mit

Mehr

Messsystemanalyse (MSA)

Messsystemanalyse (MSA) Messsystemanalyse (MSA) Inhaltsverzeichnis Ursachen & Auswirkungen von Messabweichungen Qualifikations- und Fähigkeitsnachweise Vorteile einer Fähigkeitsuntersuchung Anforderungen an das Messsystem Genauigkeit

Mehr

Mobile Technologien in der Assekuranz: Wie sie effektiv genutzt und im Rahmen einer Mobile- Strategie umgesetzt werden können.

Mobile Technologien in der Assekuranz: Wie sie effektiv genutzt und im Rahmen einer Mobile- Strategie umgesetzt werden können. Studienabschlussarbeit / Bachelor Thesis Marcel Altendeitering Manuskript Mobile Technologien in der Assekuranz: Wie sie effektiv genutzt und im Rahmen einer Mobile- Strategie umgesetzt werden können.

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

Customer COE Kundenerfolgsgeschichte Informationsmanagement. Topic. Kundenempfehlung: Wissensmanagement

Customer COE Kundenerfolgsgeschichte Informationsmanagement. Topic. Kundenempfehlung: Wissensmanagement Topic Informationen sind eine wichtige unternehmerische Ressource. Wer zeitnah mit strukturierten Informationen arbeiten kann, generiert eindeutige Wettbewerbsvorteile für sein Unternehmen. Es ist eine

Mehr

Cloud Computing in Industrie 4.0 Anwendungen: Potentiale und Herausforderungen

Cloud Computing in Industrie 4.0 Anwendungen: Potentiale und Herausforderungen Cloud Computing in Industrie 4.0 Anwendungen: Potentiale und Herausforderungen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftsingenieur der Fakultät

Mehr

Business Intelligence braucht mehr Business!

Business Intelligence braucht mehr Business! Business Intelligence braucht mehr Business! Oder: Raus aus der BI-Falle! Dr. Guido Kemper 16. Handelsblatt Jahrestagung: Strategisches IT-Management. München, 25.01.2010 prometis - Management & Technology

Mehr

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten von Jürgen Mauerer Foto: Avantum Consult AG Seite 1 von 21 Inhalt Mehrwert aufzeigen nach Analyse des Geschäftsmodells...

Mehr

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt

SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Corporate Performance Management SAP BW + Microsoft Excel Viel genutzt, oft unterschätzt Martin Krejci, Manager CPM Matthias Schmidt, BI Consultant Kristian Rümmelin, Senior BI Consultant Braincourt GmbH

Mehr

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen

Theoretisches Seminar/Skiseminar im Wintersemester 2014/15. Themen FAKULTÄT FÜR WIRTSCHAFTSWISSENSCHAFTEN Lehrstuhl für Wirtschaftsinformatik I Informationssysteme Prof. Dr. Günther Pernul Theoretisches Seminar/Skiseminar im Wintersemester 2014/15 Auch im Wintersemester

Mehr

Towards Automated Analysis of Business Processes for Financial Audits

Towards Automated Analysis of Business Processes for Financial Audits Towards Automated Analysis of Business Processes for Financial Audits Michael Werner Universität Hamburg michael.werner@wiso.uni hamburg.de Max Brauer Allee 60 22765 Hamburg StB Prof. Dr. Nick Gehrke Nordakademie

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

CRM Architektur. New Economy CRM Architektur Page 1

CRM Architektur. New Economy CRM Architektur Page 1 CRM Architektur Titel des Lernmoduls: CRM Architektur Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.4.2 Zum Inhalt: Dieses Modul beschreibt mögliche Architekturen von CRM-Systemen. Insbesondere

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

IT-Sourcing-Management-Studie 2014/2015

IT-Sourcing-Management-Studie 2014/2015 IT-Sourcing-Management-Studie 2014/2015 Vom Kosten- zum Erfolgsfaktor. Crossing Borders. Ergebnisse einer qualitativen Studie von Oliver Christ, Matthias Litzke, Ulrich Emanuel Gysel, Claudia Pedron, Oliver

Mehr

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Michael Hahne T&I GmbH Workshop MSS-2000 Bochum, 24. März 2000 Folie 1 Worum es geht...

Mehr

Kundenwissen erschließen

Kundenwissen erschließen Ruth Goetze Kundenwissen erschließen Customer Knowledge Management Leitfaden mit Instrumenten für die Praxis Tectum Verlag Ruth Goetze Kundenwissen erschließen. Customer Knowledge Management Leitfaden

Mehr

Metriken - ein unverzichtbarer Begleiter für Software-Prozess-Verbesserungen

Metriken - ein unverzichtbarer Begleiter für Software-Prozess-Verbesserungen Metriken - ein unverzichtbarer Begleiter für Software-Prozess-Verbesserungen Dipl.-Math. Hermann Will QADVICE Software+System Qualität Jamnitzerstr. 2, 81543 München hermann.will@qadvice.de Zusammenfassung.

Mehr

(Thema) Realisierung eines kennzahlenbasierten Steuerungskonzepts für das Change Management. Bachelorarbeit

(Thema) Realisierung eines kennzahlenbasierten Steuerungskonzepts für das Change Management. Bachelorarbeit (Thema) Realisierung eines kennzahlenbasierten Steuerungskonzepts für das Change Management Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

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

STUDIENERGEBNISSE TALENTMANAGEMENT IM MITTELSTAND. FOM Hochschule für Oekonomie & Management in Essen DER BEFRAGUNG ZUM THEMA.

STUDIENERGEBNISSE TALENTMANAGEMENT IM MITTELSTAND. FOM Hochschule für Oekonomie & Management in Essen DER BEFRAGUNG ZUM THEMA. FOM Hochschule für Oekonomie & Management in Essen STUDIENERGEBNISSE DER BEFRAGUNG ZUM THEMA TALENTMANAGEMENT IM MITTELSTAND Verfasser: Prof. Dr. Anja Seng Professorin für Betriebswirtschaftslehre, insb.

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

Die folgenden Features gelten für alle isquare Spider Versionen:

Die folgenden Features gelten für alle isquare Spider Versionen: isquare Spider Die folgenden s gelten für alle isquare Spider Versionen: webbasiertes Management (Administratoren) Monitoring Sichten aller gefundenen Beiträge eines Forums Statusüberprüfung Informationen

Mehr

Dokumentation zum Projekt Mail-Adapter in SAP PI. 17.01.2011 Sinkwitz, Sven 519707 Theel, Thomas 519696

Dokumentation zum Projekt Mail-Adapter in SAP PI. 17.01.2011 Sinkwitz, Sven 519707 Theel, Thomas 519696 Dokumentation zum Projekt Mail-Adapter in SAP PI 17.01.2011 Sinkwitz, Sven 519707 Theel, Thomas 519696 Inhalt 1. Einleitung... 2 2. Vorgehen... 3 1. Datentyp für die Mail einrichten... 3 2. Message Typen

Mehr

Cause Related Marketing

Cause Related Marketing Timo Geißel Cause Related Marketing Bestimmung erfolgskritischer Faktoren Orientierungshilfen zur Planung und Umsetzung der Kampagne Diplomica Verlag Timo Geißel Cause Related Marketing - Bestimmung erfolgskritischer

Mehr

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT

ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT April 2013 ZUR BEDEUTUNG VON TRENDS IM INNOVATIONSMANAGEMENT von Maren Weiß & Prof. Dr. Michael Durst Welche Rolle spielen Trends in den Frühen Phasen im Innovationsmanagement? Wie setzen Unternehmen Trends

Mehr

CRM-Klassifizierung Arbeiten mit Klassifizierungsmerkmalen und Selektionen

CRM-Klassifizierung Arbeiten mit Klassifizierungsmerkmalen und Selektionen CRM-Klassifizierung Arbeiten mit Klassifizierungsmerkmalen und Selektionen Über die Klassifizierung bietet BüroWARE die Möglichkeit Adressen eine beliebige Anzahl an Merkalen zuzuweisen. Die Merkmale bieten

Mehr

HANDBUCH KAPITAL UND DARLEHEN

HANDBUCH KAPITAL UND DARLEHEN HANDBUCH KAPITAL UND DARLEHEN KIGST-GMBH SYSTEMHAUS DER KIRCHEN STAND: OKTOBER 2010 KIGST GmbH 2010 Seite 1 von 38 Inhalt Allgemeine Hinweise... 3 Grundlegendes... 4 Stammdaten der Kassengemeinschaft...

Mehr

Unternehmen wissen zu wenig über ihre Kunden! Ergebnisse der Online-Umfrage. Management Summary

Unternehmen wissen zu wenig über ihre Kunden! Ergebnisse der Online-Umfrage. Management Summary Unternehmen wissen zu wenig über ihre Kunden! Ergebnisse der Online-Umfrage Management Summary Management Summary Kunden - Erfolgsfaktor Nummer 1 Es ist mittlerweile ein offenes Geheimnis, dass Unternehmen

Mehr

Enterprise Social Networking: Ein Framework und ein Fachkonzept für ein Industrieunternehmen

Enterprise Social Networking: Ein Framework und ein Fachkonzept für ein Industrieunternehmen Enterprise Social Networking: Ein Framework und ein Fachkonzept für ein Industrieunternehmen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor auf Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung

Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung Thomas Artur Roner Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung Diplom.de Inhaltsverzeichnis Abkürzungsverzeichnis Abbildungsverzeichnis I II 1. Einleitung 1 2. Begriffsklärungen

Mehr

Über dieses Buch. Kapitel 1. 1.1 Einleitung

Über dieses Buch. Kapitel 1. 1.1 Einleitung Kapitel 1 Über dieses Buch 1.1 Einleitung Dieses Buch behandelt das Vorgehensmodell Kanban und seinen Einsatz in Softwareentwicklungsprojekten. Kanban ist ein Vorgehensmodell der schlanken Softwareentwicklung

Mehr

SelectLine Auftrag, CRM und OPOS. ab Version 11.5. Schnittstellen Beschreibung für Import von. Adressen und Kontaktadressen

SelectLine Auftrag, CRM und OPOS. ab Version 11.5. Schnittstellen Beschreibung für Import von. Adressen und Kontaktadressen SelectLine Auftrag, CRM und OPOS ab Version 11.5 Schnittstellen Beschreibung für Import von Adressen und Kontaktadressen Copyright by SelectLine Software AG, CH-9016 St. Gallen Kein Teil dieses Dokumentes

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

Cause Related Marketing

Cause Related Marketing Timo Geißel Cause Related Marketing Bestimmung erfolgskritischer Faktoren Orientierungshilfen zur Planung und Umsetzung der Kampagne Diplomica Verlag Timo Geißel Cause Related Marketing - Bestimmung erfolgskritischer

Mehr

Start-Ziel-Sieg für Ihren Validierungsprozess

Start-Ziel-Sieg für Ihren Validierungsprozess Risikobasierte Validierung des CSB-Systems Start-Ziel-Sieg für Ihren Validierungsprozess Risikobasierte Validierung des CSB-Systems Programmiert für Ihren Erfolg D DIE VORTEILE FÜR IHR UNTERNEHMEN AUF

Mehr

Supply Chain Controlling: Entwicklung und Diskussion

Supply Chain Controlling: Entwicklung und Diskussion Supply Chain Controlling: Entwicklung und Diskussion von Christoph Eiser Erstauflage Diplomica Verlag 2015 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 95485 266 6 schnell und portofrei erhältlich

Mehr

Personendaten für den Öffentlichen Webauftritt der Fachhochschule Köln

Personendaten für den Öffentlichen Webauftritt der Fachhochschule Köln Personendaten für den Öffentlichen Webauftritt der Fachhochschule Köln Anleitung Personenseiten-Editor (PSE) Die Personenseiten-Editor (PSE) der Fachhochschule Köln bietet Ihnen die Möglichkeit, Ihr persönliches

Mehr

Social Software im Change Management. Bachelorarbeit

Social Software im Change Management. Bachelorarbeit Social Software im Change Management Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der Wirtschaftswissenschaftlichen Fakultät der

Mehr

Studie IT-Unterstützung von Geschäftsprozessen in Versicherungsunternehmen. - Management Summary -

Studie IT-Unterstützung von Geschäftsprozessen in Versicherungsunternehmen. - Management Summary - Studie IT-Unterstützung von Geschäftsprozessen Seite 1 Studie IT-Unterstützung von Geschäftsprozessen in Versicherungsunternehmen - Management Summary - Sponsored by Studie IT-Unterstützung von Geschäftsprozessen

Mehr

Fundamentals of Software Engineering 1

Fundamentals of Software Engineering 1 Folie a: Name Fundamentals of Software Engineering 1 Grundlagen der Programmentwurfstechnik 1 Sommersemester 2012 Dr.-Ing. Stefan Werner Fakultät für Ingenieurwissenschaften Folie 1 Inhaltsverzeichnis

Mehr