Datenqualitätsmetrik für Informationsprozesse

Größe: px
Ab Seite anzeigen:

Download "Datenqualitätsmetrik für Informationsprozesse"

Transkript

1 DISS. ETH Nr Datenqualitätsmetrik für Informationsprozesse ABHANDLUNG zur Erlangung des Titels DOKTOR DER WISSENSCHAFTEN (Dr. sc. der ETH Zürich) EIDGENÖSSISCHEN TECHNISCHEN HOCHSCHULE ZÜRICH vorgelegt von Volker Gerhard Würthele Diplom Informatiker (Universität Stuttgart) geboren am 17. August 1969 Angenommen auf Antrag von: Prof. Dr. CA. Zehnder Referent Prof. Dr. M. Norrie Korreferentin 2003

2

3 3 Vorwort Alles, was überhaupt gedacht werden kann, kann klar gedacht werden. Alles, was sich aus sprechen lässt, lässt sich klar aussprechen. Wittgenstein1 Man sollte es zumindest versuchen. Falls es mir ansatzweise gelungen sein sollte, so gilt der Dank dafür vor allem meinen Korrekturlesern. Die vorliegende Arbeit ist das Ergebnis einer viele Jahre dauernden Beschäftigung mit Fragen der Datenqualität in grossen Bank unternehmen, zuerst bei der Westdeutschen Landsbank (WestLB AG, Düsseldorf), danach bei der UBS AG (Zürich). Erst viele praktische Erfahrungen in unterschiedlichen Bankbe reichen führten schliesslich zu einem systematischen Ansatz für eine Datenqualitätsmetrik. Dabei haben mir sehr viele Menschen geholfen. Besonderer Dank gilt Ulrich Stingl und FranzJosef Kurpicz, beide noch immer für die WestLB tätig. Ihre Anregungen sind bereits in Vorarbeiten für die Universität Stuttgart eingeflossen, von ihnen stammen aber auch konstruktive Beiträge für die vorliegende Ar beit. Ich danke Dr. Peter Janes, von Anfang an mein Mentor dieser Arbeit bei der UBS AG, für seine Unterstützung und Martin Kunzi für wiederholtes Korrekturlesen. Den Herren Martin Becker und Dr. Michael Wolf danke ich für die Möglichkeit, im Projekt Daten qualitätsanalyse im Kreditrisikomanagement" mitzuarbeiten und dieses in den Praxisteil dieser Arbeit einzubringen. Den Kollegen Markus Serena, Martin Stöckli und Peter Thut danke ich für die Anregung, Schwellenwerte in die Metrik einfliessen zu lassen. Die Pra xisnähe des der Metrik zugrunde gelegten Modells hat sich dadurch stark erhöht. Ganz speziell bedanken möchte ich mich bei Dr. Urs Matter, Unternehmensberater für die UBS AG, für seine Unterstützung, insbesondere für die sorgfältige Prüfung der mathema tischen Passagen. Schliesslich möchte ich mich bei meinen Professoren an der ETH Zürich bedanken. Durch Frau Prof. Dr. Moira Norrie sind Überlegungen zu modernen objektorientierten Methoden in die Arbeit eingeflossen. Prof. Dr. Carl August Zehnder hat diese Arbeit persönlich mit grossem Einsatz betreut. Er verstand es immer wieder, die Fokussierung der Arbeit und die Abgrenzung zu Randthe men kritisch, aber konstruktiv zu hinterfragen. Gleichzeitig unterstützte er die Neuausrich tung der Notation und später den Wechsel des Praxisbeispiels. Den relativ spät getroffenen Entscheid, eine Simulation in die Arbeit zu integrieren, wurde durch Prof. getragen; sie bereichert diese Arbeit stark. Zehnder mit Ohne Prof. Zehnders seltene Kombination aus Akribie und Flexibilität wäre diese Arbeit so nicht zustande gekommen. Volker Würthele, 1. August 2003 ^löö, 4.116]

4 4 INHALTSVERZEICHNIS Inhaltsverzeichnis Vorwort 3 Inhaltsverzeichnis 4 Zusammenfassung 9 Abstract 10 1 Einleitung Datenqualität Terminologie Gliederung der Arbeit 13 1 Taxonomie der Datenqualität 13 2 Begriffe im Bereich der Datenqualität Begriffe in der Literatur Ein konsistentes Begriffssystem Gesamtmodell: Daten, Information und Wissen Begriffsdefinitionen Datenqualität in Prozessen Der Qualitätsbaum 24 3 Dimensionen der Datenqualität Modellabhängigkeit Zeitabhängigkeit Das Datenqualitätsradar Technikqualität Schwierige Sichtbarkeit: Das Eisbergmodell Variantenreichtum am Beispiel objektorientierter Modellierung Technikqualität umfasst viele Aspekte Qualitätsmerkmal Stabilität 41

5 INHALTSVERZEICHNIS Qualitätsmerkmal Adaptabilität Qualitätsmerkmal Architektur 42 II Prozessmodell und Metrik 45 4 Prozessmodell Anforderungen an das Prozessmodell Die Basisnotation Der Gesamtprozess und Datenflüsse zwischen Subprozessen Alternativen und der Pfadbegriff Dekomposition in Subprozesse Datenqualitätsangaben in Prozessen Modell der Verarbeitung Gestaltungsrichtlinien für Graphen Modellierung vom Generellen ins Detail (Topdown) Natürliche Leseweise übernehmen Übersichtlichkeit und Komplexität Transparenz durch Swimlanes" Erweiterte Notation für komplexe Prozesse Vorbemerkung zur grafischen Notation Detaillierungen und Wiederverwendbarkeit von Subprozessen Erweiterte grafische Symbole Daten, Signale und Eingangswarteschlangen Trigger, Datenspreizung und synchronisation Quellen, Senken und Datenbanken Entscheidungen und resultierende Ereignisse Erweiterte beschreibende Elemente Normalisierung (Erweiterte Notation nach Basisnotation) Normalisierung von Signalen und Bereitstellungsdaten Normalisierung von Triggern, Spreizungen und Synchronisation Normalisierung von Schleifen 77

6 6 INHALTSVERZEICHNIS Normalisierung von Quellen, Senken und Datenbanken Normalisierung von Entscheidungen mit Ereignissen Zusammenfassung der Normalisierungen 78 5 Die Datenqualitätsmetrik Die Aggregationsaufgabe Berechnung der Pfaddurchlaufwahrscheinlichkeiten Durchlaufzeiten Aggregation der Datenqualität Einige Simulationen Simulationen zum einführenden Beispiel Ein Beispiel mit nichtlinearer QFunktion Erweiterung um Schwellenwerte Erweiterung um fehlerabhängige Pfaddurchlaufwahrscheinlichkeiten Betrachtung zur Fehlernivellierung 100 III Von Einzelmessungen zum Metriksystem Messverfahren Generelles Vorgehen Schätzung Vorgehen Zur Qualitätsdimension Vollständigkeit" Zur Qualitätsdimension Korrektheit" Zu Qualitätsdimensionen mit weichen Faktoren Echte Messung Messung mit Datenqualitätsindikatoren DataMining 118

7 INHALTSVERZEICHNIS 7 7 Aggregation zum Metriksystem Aggregationsmethodik Vorgehensweise bei der Anwendung der Metrik 123 IV Praktische Anwendung Praxisbeispiel UBS Ein Prozessmodell aus dem Kreditrisikomanagement Ein Beispiel aus dem zentralen ITInventar der UBS Ergebnis und Ausblick 140 Anhänge 142 A Checklisten und Fragebögen 142 A.l Ein Bewertungsbogen von Dritten [69] 142 A.2 Eigene Checklisten 143 B Die Simulationsumgebung 155 C InternetVerweise 157 Abbildungsverzeichnis 158 Literatur 161 Lebenslauf 172

8

9 9 Zusammenfassung Der Begriff Datenqualität taucht erst seit ca vermehrt in Literatur und Praxis auf, ist also ein relativ junger Begriff der Informatik. Dabei fällt auf, dass der Begriff meist ungenau oder gar nicht definiert wird. Diese Arbeit liefert eine Taxonomie der Datenqualität, welche auch schlecht quantifizier bare weiche Faktoren, die Zeitabhängigkeit der Qualität sowie Effekte der Modellbildung berücksichtigt. Als Novum und wichtiges Arbeitsergebnis entstand das Datenqualitätsra dar, welches eine so bis dato noch nicht gekannte Übersicht zum Thema Datenqualität liefert. Ausgehend vom Datenqualitätsradar wurde eine Notation zur Modellierung von Datenqua litätsprozessen erarbeitet und ein Metriksystem entworfen, welches es erlaubt, die Daten qualität messbar zu machen. Datenqualität wird hierbei nicht nur als ein reines Informatik Thema, sondern eingebettet in das Organisationssystem verstanden. Manche Dimensionen der Datenqualität können quantitativ gemessen werden. Im vorlie genden Metriksystem werden die entsprechenden Qualitätszahlen subprozessweise unter sucht und ausgewertet. Aber auch die weichen Dimensionen der Datenqualität fliessen in dieses Metriksystem ein; gemessene Werte werden mit Werten ergänzt, welche durch Experten mit Hilfe von Checklisten geschätzt werden. Das in dieser Arbeit vorgestellte Metriksystem ist das erste so umfassende System zur Beurteilung der Datenqualität. Das erarbeitete Modell berücksichtigt Datenqualitätsverbesserungen, die in den Daten qualitätsprozessen vorkommen können und erlaubt es sogar, Schwellenwerte und von der Datenqualität gesteuerte Teilprozesse zu modellieren. Dabei entstand eine übersichtliche grafische Notation, eine kompakte textuelle Notation und eine Simulationsumgebung. Die implementierte Simulationsumgebung erlaubt es, die Fehlerfortpflanzung von Daten qualitätsproblemen zu modellieren. Die Gespräche mit Experten der UBS AG haben ge zeigt, dass der Begriff der Fehlerfortpflanzung im Finanzdienstleistungsbereich bisher we nig bekannt ist, inzwischen aber grosses Interesse der Praktiker geweckt hat.

10 10 Abstract The term "data quality" first appeared in both the literature and practice around 1995, making it a relatively new area in computer science. Surprisingly, the term is often not defined at all, and where this has been attempted, the result is inaccurate in most cases. This thesis provides a taxonomy for data quality. It also takes nonquantifiable soft factors, dependencies between quality and time and effects that arise from modelling into account. A data quality radar chart is introduced which provides a novel overview of all aspects of data quality. Based on the data quality radar, a notation for modelling data quality processes was developed. This new notation then led to a metering system enabling data quality to be measured. The concept of data quality is not treated as a mere computer science issue, but rather is seen in the much larger context of a corporate organisation and its internal processes. Some dimensions of data quality can be quantified. The metering system at hand exami nes the corresponding quality figures on subprocess level and evaluates them. The soft dimensions of data quality also belong to the metering system. Quantified values are sup plemented by values that were put forward by experts in this field, supported by checklists for their estimation. The metering system in this thesis is the first allembracing system to fathom data quality. The model presented here also considers data quality improvements that can be achie ved within the processes of an organisation. The model even allows threshold values and qualitydriven subprocesses to be specified. The deliverables include a concise graphi cal notation, a compact textual notation and a simulation environment, which was also developed in the context of this work. The implemented simulation programs allow the propagation of errors due to data quality problems to be modelled. Interviews with experts from UBS have shown that the concept of error propagation is hardly known in the sector of financial services, but produced substantial interest.

11 sind etwa 11 1 Einleitung 1.1 Datenqualität Daten haben in der Datenverarbeitung eine zentrale Bedeutung Grossere betriebliche In formatikanwendungen sind heute kaum noch ohne Datenbankunterstutzung denkbar, und ganze Zweige der Industrie, aber auch weite Teile der in den letzten Jahren immer starker expandierenden Dienstleistungsbranchen (z B Finanzdienstleister oder die Versicherungs branche), arbeiten so intensiv mit Daten, dass man sagen kann, die Daten haben in vielen Bereichen die Rolle eines zentralen Produktionsmitteis eingenommen Gerade in Bran chen, deren Produkte immateriell sind im Bereiche der Banken und Versicherungen sich die Produkte der Konkurrenten sehr ähnlich Wer im Wettbewerb bestehen und sich von den Mitbewerbern positiv unterscheiden will, muss durch die Qualität der insgesamt vom Kunden wahrgenommenen Dienstleistung, speziell aber durch die Quali tät, mit der die Dienstleitungskomponenten (Bankprodukte) dargestellt und gehandhabt werden, ansprechen, also durch die Datenquahtat in diesen Branchen einen immensen Stellenwert Die Datenqualitat hat deshalb gerade Es kann davon ausgegangen werden, dass dieser Stellenwert mit steigender Globalisierung der betroffenen Markte und steigendem Wettbewerbsdruck in Zukunft noch weiter an Bedeutung gewinnen wird Wahrend in der Industrie der Qualitatsbegriff eine traditionell wichtige Bedeutung hat, liegt hier der tertiäre Wirtschaftssektor insgesamt, aber insbesondere die noch junge" In formatikbranche, deutlich hinter den Qualitatsstandards der industriellen Fertigung zurück Fur die Softwareentwicklung gibt es ren des Software Engineering ausreichende Grundlagen, Bewusstsem fur Qualität der Software zu schaffen insbesondere auf Grund der Methoden und Verfah um bei den Informatikern ein Qualitatsstandards, Tools, Vorgehens weisen usw sind vorhanden und praktisch erprobt, ähnlich wie in der Industrie wurden Verfahren zur Qualitätssicherung eingeführt Fur den Soitw&reBetrieb, der in der Praxis eines Betriebes einen Gesamtprozess mit meh reren Informatiksystemen in ablauforgamsatorischen Prozessen umfasst, fühlen sich die Informatiker meist nicht verantwortlich, ebenso wenig fur die verarbeiteten und gespei cherten Daten Sie treten erst wieder an, wenn eine Wartung von Programmen notwendig wird Wartung tritt aber typischerweise erst bei gefundenen Fehlern oder neuen Anfor derungen2 an die Anwendung ein Fehler werden aber oft erst spat entdeckt und über verschiedene Arbeitsschritte im Gesamtprozess hinweg weitergereicht Fachlich fehlerhaf te Angaben, die technisch plausibel sind, lassen im laufenden Betrieb die Datenquahtat schlechter werden, obwohl alle Einzelsysteme fehlerfrei funktionieren Dass das Thema Datenquahtat sehr wichtig ist, wurde mittlerweile allgemein erkannt Aus Literatur und Praxis zusammengetragene Fakten belegen, dass eine schlechte Datenquah tat immense Kosten3 verursacht Besonders unangenehm sind die monetär nicht exakt quantifizierbaren Kosten, die entstehen, wenn auf der Basis einer schlechten Datenlage falsche Entscheidungen getroffen werden Ist die Qualität der zugrunde liegenden Daten schlecht, so liefern die Auswertungen ein Zerrbild der tatsächlichen Situation und die nachfolgenden Entscheidungen können falsche operationale, oder schlimmer, falsche stra tegische Massnahmen zur Folge haben Demnach hangt der Unternehmenserfolg einer guten Datenquahtat ab mit von 2 in der Praxis vielfach Erweiterungen der Funktionalität oder Verbesserungen der Ergonomie 3Vgl [41],[43], einige Beispiele folgen in 2 1

12 12 1 EINLEITUNG Der Begriff Datenquahtat" ist ein relativ neuer Begriff und der Verbesserung der Daten quahtat wird heute in der Praxis eine hohe Bedeutung beigemessen. Exakte Definitionen oder gar eine Metrik, welche es erlaubt, die unternehmensweite Datenquahtat messbar zu machen, fehlen bisher jedoch völlig.4 Leider erweist es sich aber als sehr schwierig, eine Grosse verbessern zu wollen, die man bisher nicht messen oder gar nicht einmal hinreichend definieren konnte. Im Rahmen der Vorarbeiten zu dieser Arbeit beim Datenqualitatsbeauftragten der West deutschen Landesbank (WestLB AG) hat sich gezeigt, dass Datenquahtat im Kontext des Gesamtprozesses des betrachteten Betriebes zu sehen ist. Nicht ein einzelnes Informatik System, sondern das Zusammenspiel vieler Einzelsysteme, Schnittstellen und teilweise auch manueller Tätigkeiten innerhalb der Unternehmensprozesse beeinflussen im Zusammen spiel die Datenquahtat. Das Ziel dieser Arbeit ist es, ein Metriksystem fur Datenquahtat in Informationsprozessen zu erstellen. Als Anwendungsbeispiel dient die Finanzdienstleistungsbranche5, eine Aus weitung auf andere Anwendungsgebiete ware möglich, Arbeit. ist aber nicht Bestandteil dieser Durch das hier erarbeitete Metriksystem lasst tikprozesse gewinnen und Datenquahtat quantifizierbar6 machen. sich Transparenz über komplexe Informa Zum einen kann damit der IstZustand hinsichtlich Datenquahtat analysiert werden, um mögliche Handlungsbedarfe abzuleiten. Zum anderen können damit kurz, mittel oder langfristig geplante Veränderungen be trachtet und deren Auswirkungen auf die Datenquahtat simuliert werden. Damit kann das Metriksystem auch als Managementinstrument eingesetzt werden, um bestmögliche operationelle (und zu einem gewissen Grade sogar strategische) Entscheidungen zu treffen. 1.2 Terminologie Bevor in Kapitel 2 die fur diese Arbeit zentralen Begriffe definiert werden, seien hier einige Begriffe kurz umrissen. Ein Informatiksystem ist ein technisches Hilfsmittel, mit welchem Informatikbenutzer oder Informatikfachleute arbeiten. Informatiksysteme arbeiten mit digitalisierten Daten. Daten werden als auf einem geeigneten Medium gespeicherte Fakten betrachtet. Informatiksyste me können Daten verarbeiten (und aus Eingangsdaten neue Ergebnisdaten der Verarbei tung erzeugen), dem Benutzer präsentieren oder beides (das ist der Regelfall). Interpretiert der Benutzer Daten des Informatiksystems, so abstrahiert er Information aus den Daten. Integriert der Benutzer diese neue Information in sein Wissen, wird diese Information 4Vorhandene Ansätze sind Datenbankenfokussiert, beziehen sich auf ein einzelnes Informatiksystem oder einen einzelnen Datenherstellungsprozess, die grundsatzliche Bedeutung von Prozessen wurde in [145], [15] und [89] erkannt Bei Datenabfragen aus heterogenen verteilten DatenbankSystemen stehen noch Implementierungsfragen, nicht Datenqualitatsfragen im Vordergrund (Vgl [139]) 5Fur die Metrik selbst wurden keine branchenspezifischen Einschränkungen zugrunde gelegt, hier ist eine Übertragung auf beliebige Informatikprozesse, ja überhaupt auf beliebige Prozesse, möglich Die hier vor gestellten Checklisten, Beispiele und Arbeitsmaterialien sind jedoch auf den Fmanzdienstleistungsbereich ausgerichtet 6vgl [46, S 2] Management has no mcentivce to change the status quo until they understand and feel the pam of the cost of nonquality information "

13 1 3 Gliederung der Arbeit 13 zu seinem persönlichen Wissenszuwachs In Unternehmen können Informatiksysteme in Arbeitsablaufe, auch Geschaftsprozesse oder im Folgenden kurz Prozesse genannt, einge bunden sein Prozesse können in kleinere Abschnitte, sogenannte Subprozesse, detailliert werden Prozesse, die einen Wissenszuwachs beim Benutzer auslosen7, werden als Infor mationsprozesse bezeichnet Die Datenquahtat ist der Grad der Eignung von Daten, den an ihre Erfassung oder Generierung gebundenen Zweck zu erfüllen Die Effektivität (und in vielen Fallen die Wertschopfung) eines Informationsprozesses ist stark von der Datenquahtat der betroffenen Daten abhangig 1.3 Gliederung der Arbeit Diese Arbeit hat drei Schwerpunkte Sie beginnt mit dem Ordnen einer Vielzahl von Be griffen, die im Zusammenhang mit Datenquahtat verwendet werden Zum zweiten folgt die Auswahl/Erstellung einer geeigneten Notation zur Prozessmodelherung im dritten Schwerpunkt dieser Arbeit zu erstellende Metriksystem unterstutzen Sie soll das Gewünscht wird grundsätzlich eine einfache, berechenbare, deskriptive Metrik Nun sind aber viele Dimensionen der Datenquahtat per se qualitativer Natur und daher numerisch kaum fassbar Eine Metrik, die ganz auf diese weichen" Faktoren der Datenquahtat ver zichtet, kann jedoch in der Praxis nicht tauglich sein und damit der Anforderung nach Relevanz (die noch hoher zu gewichten ist als die Forderung nach Einfachheit) nicht ge recht werden Statt einer einfachen Metrik ist deshalb ein Metriksystem notwendig, in welches einerseits messbare, andererseits aber auch bloss schatzbare Grossen emfhessen Aus diesem Grunde wurde im Rahmen dieser Dissertation ein Metriksystem entwickelt, welches eine geschätzte Metrik als Subsystem enthalt In den Kapiteln 2 und 3 wird zunächst eine Taxonomie8 fur Datenquahtat entwickelt Hier werden verschiedene Dimensionen der Datenquahtat unterschieden und erläutert Im Kapitel 4 wird das Prozessmodell, insbesondere die grafische Notation, definiert Kapitel 5 definiert die Datenquahtatsmetrik über dem in Kapitel 4 definierten Prozessmo dell auf einer einzelnen Dimension der Datenquahtat Im Kapitel 6 ist beschrieben, wie die Datenquahtat auf den im Rahmen des Prozessmodells atomar angesehenen Subprozessen effektiv gemessen, respektive geschätzt wird Hierfür können Arbeitsmaterialien, vor allem Checklisten, verwendet werden Das Kapitel 7 beschreibt schliesslich die Aggregation aller Dimensionen der Datenquahtat in einen fur das Gesamtsystem geltenden, globalen Datenquahtatsbegriff Eine Erprobung der im Rahmen dieser Arbeit entwickelten Notation zur Prozessmodelhe rung sowie des Metriksystems im Praxisumfeld der schweizerischen Grossbank UBS runden diese Arbeit ab (Kapitel 8) Verschiedene Arbeitsmaterialien, die im Rahmen dieser Arbeit zusammengetragen und erstellt wurden, sind als Fundus im Anhang A zusammengestellt 7Dann passt der in dieser Arbeit zu Informatiksystem" synonym verwendete Begriff ITSystem" be sonders gut (Information Technology System) 8Taxonomie gemeint als sinnvolle Gliederung eines Wissensgebietes taxonomy (IEEE Std [9] A scheme that partitions a body of knowledge and defines the relationship among the pieces It is used for classifying and understanding the body of knowledge " [76]

14 anders das ohne Daten 14 2 BEGRIFFE IM BEREICH DER DATENQ DALITA T 2 Begriffe im Bereich der Datenqualität 2.1 Begriffe in der Literatur Bei der Datenquahtat handelt es sich um einen zusammengesetzten Begriff und Qualität. Fur sich genommen gibt es fur diese beiden Teilbegriffe sehr viele Definitionen in der Literatur. Der Gesamtaspekt der Datenquahtat und damit die Verbindung beider Begriffe ist aber relativ neu und bisher wenig definiert. Der Begriff Datum" geht auf das lateinische dare (datum, gegeben kument) zurück. am..." fur ein Do Der Plural Daten" (in Englisch data") wird seit Jahrzehnten viel allgemeiner verstanden im Sinne von Angaben jeder Art (Messungen, Aufzeichnungen, Wert...) Fakten [17],[56] definiert. und meistens als Im deutschen Sprachgebrauch kommt der Singular von Daten in dieser Bedeutung nicht vor (Datum wird nur kalendarisch als Zeitpunkt verwendet), und man muss sich mit Begriffen wie Datenelement" behelfen, wenn ein einzelner Datenwert bzw. dessen Wertauspragung gemeint ist. In der Literatur werden Daten oft als Ergebnisse von Messung oder Beobachtung [32],[157] definiert und repräsentieren Eigenschaften von Entitaten der Realität [25] in Informatik systemen. Qualität Fur den Begriff Qualität existieren sehr viele Definitionen. Der Begriff Qualität kommt ebenfalls aus dem Lateinischen quahtas und bedeutet Eigenschaft oder Beschaffenheit; er ist zunächst weder positiv noch negativ belegt.9 Im Weiteren gibt es sehr viele spezifische Definitionen, etwa aus dem Bereich der industriellen Fertigung, wo häufig die reziproke Abweichung eines Prüflings von einem Ideal als Qualitatsmass fur die vorausgegangene Fertigung des Prüflings definiert wird10 (geringe Abweichung hohe Qualität). Wo Definitionen zur Datenquahtat in der Literatur fehlen oder vage sind, werden vielfach statt genauer Definitionen einfach Beispiele aufgeführt. Entgegen zur umgangssprachlich positiven Belegung des Qualitatsbegriffes tauchen Beispiele zur Datenquahtat teratur fast durchweg als in der Li NegativBeispiele" auf. Die Beispiele der Literatur, von denen nachstehend einige aufgeführt sind, zeigen einerseits, Praxis mit hohen Kosten verbunden ist. dass schlechte Datenquahtat in der Zum anderen zeigen die Beispiele, dass auch wei che Faktoren (wie Vertrauenswürdigkeit) eine Rolle in der Praxis spielen genauer definiert werden: dass sie A telecommunication company suffered a loss of 3 million dollar in their bill collections along with customer complaints. The company suspected poor information quality might have contributed to the problem of not sending out bills to all customers." [69, S.2] 9Auch eine sehr schlechte Qualität stellt eine Ausprägung von Qualität dar stellt man automatisch eine gute Qualität und benutzt den Begriff nur positiv belegt Umgangssprachlich unter 10In der Informatik ist nicht die Fertigung einer Kopie möglichst nahe am Ideal das Problem, da die Produkte der Informatik immateriell und digital sind zu erstellen, so dass identisch ist als bei materiellen Industrieprodukten Es ist möglich, mit kleinem Aufwand exakte Kopien Duplikat mit dem Original

15 2.1 Begriffe in der Literatur 15 The U.S. Army lost confidence in using some of their wellguarded logistic information for decision making and operations." [69, S.l] A data error within a bank allowed 300 creditworthy customers to receive mortgage default notices." [12, S.7 ff] A marketing organization sends multiple response pieces to the same individual (through the failure to attain integrity). A six percent redundancy in each mailing costs the company hundreds of thousands of dollars over the course of a year." [12, S.7 ff] A global chemical company stopped their data warehousing project upon recognizing that the inconsistent representation of information was tarshing their global business operati on." [69, S.l] Online customers submit false information in Web forms to protect their privacy." [41] In the U.S. alone, false credit card applications accounted for more than $41 million in lost revenue in 1999." [41] Call center operators take short cuts, entering default or fake values in tracking systems to increase call turnover rates." [41] A consumer product company lost track of trends in product reorders from their retailers. Their computer order system showed no technical problems." [69, S.l] An eyewear company lost its market share and incurred significant rework on their pro ducts and services." [69, S.l] Datenqualität: Im Zusammenhang mit Datenqualität stellen die Qualitätsdefinitionen aus der Literatur meist die Gebrauchsqualität11 in den Vordergrund. Eine hohe Datenqualität wird heute in der Literatur vielfach als teuer" und gegenüber dem Management als schwer zu rechtfertigen angesehen: Die umfassende und dauerhaf te Verbesserung der Datenqualität eines Unternehmens ist ein umfangreiches Vorhaben. Auf der anderen Seite ist für Entscheidungsträger der Nutzen der verbesserten Datenqua lität oft nicht transparent, so dass Investitionen in diesen Bereichen nur zögerlich getätigt werden." [120, S.17] Definitionen zur Datenqualität und zum bezüglich Qualitätsüberlegungen ähnlich gelager ten Begriff Informationsqualität" sind aber noch relativ wenig verbreitet. Data quality is consistently meeting knowledge worker's expectations." [44] n Fitness for Use" (Juran), Conformance to requirements" (Philip Crosby), Eine Dienstleistung oder ein Produkt, welches die Erwartungen des Kunden übertrifft" Business). (University of Chicago, Graduate School of

16 16 2 BEGRIFFE IM BEREICH DER DATENQUALITAT Nach [44] lässt sich Datenqualität in drei Komponenten untergliedern: DatendefinitionsQualität (Qualität der Datenspezifikation auf Basis der Business Rules) DateninhaltsQualität (Korrektheit der Datenwerte content quality", Vollständig keit, Eindeutigkeit, Fehlerfreiheit) PräsentationQualität (Daten angemessen rasch in geeigneter Aufbereitung unter angemessenem Aufwand zur Verfügung stellen) Informationsqualität (1): Larry English unterscheidet eine inhärente und eine pragmatische Informationsqualität [45]. Unter inhärenter Informationsqualität versteht er die Korrektheit der Information, unter pragmatischer Informationsqualität deren korrekte Darstellung. Für die Dimensionen von Informationsqualität finden sich in der Literatur unterschied liche Angaben. Häufig finden sich diese fünf: Genauigkeit, Vollständigkeit, Konsistenz, Verfügbarkeit und Aktualität. Die Genauigkeit" wird fast überall genannt. Definition, was Genauigkeit bedeutet, fehlt. Das zeigen diese drei Beispiele: Eine exakte Genauigkeit: the correctness of the output information" [92] Genauigkeit: the recorded value is in conformity with the actual value" [13] Accuracy: Accuracy is the inverse of error. An error is a discrepancy between the encoded and the actual value of a particular attribute for a given entity." [137, S.3] Informationsqualität (2): Huang nennt [69, S. 33ff] drei Ansätze, wie Informationsqualität definiert werden kann: Intuitiv (intuitive), systemseitig (system) und empirisch (empirical). Intuitiv" bedeutet, dass Wertungen der Informationsqualität von Erfahrungen oder in tuitiven Auffassungen einzelner Individuen festgelegt werden. Veränderung Modellierung und Messung Abbildung 1: Wissen als Informationsqualität aus Daten

17 eine der 2.1 Begriffe in der Literatur 17 Systemseitig" wird so verstanden, dass die Definition direkt am Herstellungsprozess der Informationen festgemacht wird. Das System bzw. der Prozess wird nicht als Black Box" angesehen, sondern Systemdesign und Datenerzeugung werden einer Prüfung unterzogen. Das System soll einen Zusammenhang aus der realen Welt repräsentieren, d.h. eine Infor mation wird mit einem zugehörigen realen Sachverhalt verglichen. Unter Empirisch" verstehen die Autoren, dass die dem Kunden gelieferten Daten an der Erwartungshaltung des Kunden gemessen werden. Dies kann durch Kundenbefragungen erfolgen. Positiv ist bei diesem Ansatz, dass der Kunde einbezogen wird. Negativ ist, dass so kein harter Beweis über die Richtigkeit von Daten möglich ist. Einige empirische Untersuchungen zur Datenqualität sind auch in [29], [132] und [148] zu finden; typische Qualitätsmängel sind demnach mehrfach vorkommende, inkonsistente, unvollständige und inkompatible Daten, auch zu viele Informationen" werden als Pro blemfeld empfunden, d.h. eine zu grosse Quantität von Informationen wird offenbar auch problematisch. Im Weiteren fehlen oft Rechnerressourcen zur Auswertung von Informa tionen, Berechtigungskonzepte sind ungeeignet und Daten nicht aktuell verfügbar oder Abfragen zu umständlich. Huang et al [69, S. 43ff] legen folgende 4 Kategorien fest, die diese Ergebnisse recht gut zusammenfassen : Kategorisierung von Datenqualität, Wissen der Organisation ([69]): intrinsische (intrinsic) Informationsqualität: Genauigkeit, Objektivität, Glaubwürdig keit, Reputation12 kontextuelle (contextual) Informationsqualität: Relevanz, Mehrwert für den Nutzer, Verfügbarkeit, Vollständigkeit, Umfang der Information repräsentative (representative) Informationsqualität: Interpretierbarkeit, Verständ lichkeit, korrekte Repräsentation, konsistente Repräsentation Zugreifbarkeit (accessibility): Zugriff und Sicherheit Datenqualitätsprobleme werden auch in Designprobleme (es werden nicht die eigentlich benötigten Daten produziert), Implementierungsprobleme (Programmfehler) und Anwen dungsprobleme (unzureichende Schulung) gegliedert [69, S.15]. Aus dem Total Quality Ma nagement (Deming, vgl. [37]) leiten die Autoren einen TDQM Cycle (Total Data Quality Management Cycle) her [69, S.16] und kommen zum Schluss, das Wissen einer Organisa tion im Umfeld der Datenqualität in folgende Kategorien zu unterteilen: KnowWhat: Faktisches Wissen über das Geschäftsumfeld KnowHow: Prozedurales Wissen, wie etwas zu tun ist KnowWhy: Axiomatisches Wissen und die Erfahrung des Managements Arbeitspraxis zugrunde liegende Annahmen Besonders interessant ist hierbei, dass der gute Ruf" einer Information als Qualitätskriterium ange geben wird keine Qualität. [69] Information, von der man keine gute Qualität erwartet, hat für die Autoren überhaupt

18 18 2 BEGRIFFE IM BEREICH DER DATENQ DALITA T Damit schaffen die Autoren einen fliessenden Übergang zu den Themengebieten der be triebswirtschaftlichen Organisation und des Wissensmanagements im Allgemeinen. Was im Buch als Datenqualitätsverbesserungsmassnahmen begonnen wurde, gipfelt in der Her ausbildung und Pflege der Kernkompetenz des Unternehmens. Zusammenfassung In der Literatur sind verschiedene Aspekte der Datenqualität definiert. Breit etablierte, einheitliche Definitionen fehlen, d.h. Begriffe werden uneinheitlich und auf völlig unter schiedlichen Abstraktionsebenen verwendet. Verbreitet sind Leitfäden, wie Qualitätsteams etabliert und ein Qualitätsdenken durch Schulungs und Motivationsmassnahmen bei den Mitarbeitern etabliert werden kann. Da mit spiegelt die Literatur zutreffend wieder, dass Qualität namentlich auch von wei chen Faktoren wie dem Können und Willen der in den Prozessen beteiligten Mitarbeiter abhängt. In der Literatur zu Data Warehouse"Konzepten bildet die Datenqualität ein wichtiges Randthema, und oft wird die schlechte Datenqualität als Auslöser für den Aufbau des Da ta Warehouse angegeben. Umfassende Anleitungen, wie in einer verteilten ITLandschaft Datenqualität sichergestellt werden kann, fehlen aber bzw. sie beschränken sich auf Replikationskonzepte vom Data Warehouse auf die übrigen Systeme. Gemäss [43] scheitern sogar die meisten Data WarehouseProjekte an der schlechten Datenqualität. 2.2 Ein konsistentes Begriffssystem Die für die vorliegende Arbeit im Folgenden formulierten Definitionen zur Datenquali tät gehen davon aus, dass es Prozesse gibt, in deren Kontext mit den Daten gearbeitet wird. Es kann sich um ein sehr einfaches (geschlossenes autonomes System) oder aber um ein komplexes Prozessmodell handeln. Die Daten fliessen zwischen Teilprozessen. tätsbegriffe, die nicht direkt zur Datenqualität gehören, eine Rolle spielen, werden im Folgenden ebenfalls einbezogen. Quali aber im Umfeld dieses Modells Gesamtmodell: Daten, Information und Wissen Als Grundlage dienen hier die Definitionen aus [122], die erweitert werden; die im Rahmen dieser Arbeit verwendeten Definitionen gliedern sich in folgendes erweitertes Schema nach Schucan [122, S.66] ein:

19 2.2 Ein konsistentes Begriffssystem 19 Wissen Information Metrik gespeicherte Daten Modellierung flüchtige Daten Bezug Realwelt Daten wird zu Bezug Abbildung 2: Übersicht der wichtigsten Begriffe der Definition Daten sind vorerst wahrgenommene konkrete Strukturen der realen Welt; sie sind das Roh material für die Informationsbildung. Durch aktuelle Auswahl und Interpretation der Da ten können aus Daten Informationen werden, d.h. es findet eine erste Ebene der Abstrakti on statt. Bei weiterer Abstraktion werden Informationen zu noch abstrakteren Strukturen, dem Wissen, aggregiert (Information Wissenszuwachs). Das ursprüngliche Schema aus [122] wird hier um die Aspekte der Modellierung und der Speicherung erweitert. Information kann sowohl aus gespeicherten Daten als auch aus flüchtigen Daten heraus gewonnen werden. Gespeicherte Daten setzen ein implizites Modell voraus. Die in dieser Arbeit erstellte Metrik für Datenqualität bezieht sich nur auf nichtflüchtige, d.h. während des betrachteten Prozesses stabile und gespeicherte Daten (vgl. nachfolgende Definition gespeicherte Daten"). Es ist zu erwähnen, dass Informationen und Wissen Aktionen bei den jeweiligen Perso nen auslösen, die Veränderungen in der realen Welt anstossen. Das Schema wird dann insgesamt zu einem Kreislauf, er soll als äussere Schleife des Schemas bezeichnet werden. Im oberen Teil des Schemas (Abbildung 2), bei den gespeicherten Daten, ist ein weiterer Kreislauf möglich: Gespeicherte Daten werden verarbeitet, optional zu Information und Wissen, oder werden zunächst ohne Einfluss auf die Realität einfach wieder gespeichert. Dieser Kreislauf soll als innere Schleife des Schemas bezeichnet werden. Für die Nomenklatur von Daten kann nun unterschieden werden, ob die Daten durch die äussere Schleife im Informatiksystem neu eingegangen (Rohdaten) oder durch Iteration der inneren Schleife verändert wurden (verarbeitete Daten).

20 nicht 20 2 BEGRIFFE IM BEREICH DER DATENQ DALITA T Rohdaten sind somit aus der Realität hervorgegangene und nach Durchfuhrung des Mo dellierungsschrittes gespeicherte Daten. Es findet keine weitere Transformation der Daten statt, die nicht Bestandteil des Modellierungsschrittes ist. Verarbeitete Daten sind somit Daten, die nach Verarbeitung durch ein Informatiksystem gespeichert wurden. Noch weiter entfernt" vom Original sind Statistikdaten; das sind konzentrierte verarbeite te Daten, die keine eindeutige Zuordnung mehr zu den der Verarbeitung zugrunde gelegten verarbeiteten Daten oder Rohdaten zulassen. Diese sowie weitere Begriffe, genden naher erläutert.13 die im Laufe dieser Arbeit benutzt werden, werden im Fol Begriffsdefinitionen Def. 1: Realwelt: Welt der konkreten oder abstrakten Strukturen der Realität (entspricht den Strukturen" in [122]). Def. 2: Daten: Werte zur Abbildung eines Ausschnitts der Realwelt nach An wendung eines Messverfahrens, dieses kann auch künstliche oder natürli che sensorische Wahrnehmung, z.b. Beobachtung, sein.14 Def. 3: gespeicherte Daten: Daten, die auf einem hinreichend nichtßüchtigen15 Medium gespeichert16 sind. Def. 4: Datenelement: Einzelwert (in Englisch data item"),17 meistens Zahl oder Wert aus einem bestimmten Wertebereich. Die Definition des Da tenelements erfolgt unabhängig von der späteren physischen Präsen tation als Feld" oder Wert" in der Datenbank. Def. 5: Information: Auswahl und Interpretationen von Daten zu einem be stimmten Zeitpunkt für einen Empfänger.18 13Spater nur in einem Kapitel benotigte Defitionen werden jeweils dort eingefügt Hier stehen alle Defini tionen von kapitelubergreifender Bedeutung mit Ausnahme der Modellierung, ihr ist ein eigener Abschnitt (3 1) gewidmet 14Praziser definiert [122] Daten als Symbole (gemessene Teilmenge von identifizierenden Signalen eines Objekts) oder Symbolkombinationen, mit denen Sachverhalte in einem relevanten Wahrnehmungsbereich dargestellt werden können 15Hinreichend mchtfluchtig bedeutet, dass sie die Speicherung zumindest wahrend der maximalen Durchlaufzeit des auf höchster Ebene definierten Gesamtprozesses besteht 16Speichern bedeutet hier das Schreiben der Daten auf ein Speichermedium dergestalt, dass eine spatere Reproduktion der gespeicherten Daten garantiert und verlustfrei möglich ist Im Arbeitsspeicher eines Computers abgelegte Daten sind als fluchtig anzusehen Ebenso sind implizite Daten, z B die Stockwerk Nummer in einer in Hardware realisierten FahrstuhlSteuerung (technisch über einen bestimmten Zustand der Schaltung codiert), keine gespeicherten Daten Auch das in den Köpfen der Mitarbeiter gespeicherte Wissen und das gesprochene Wort erfüllen die Kriterien an gespeicherte Daten nicht 17Nicht zu verwechseln mit dem kleinsten Element der physikalischen Speicherung in einer Datenbank (Bit, bzw je nach Implementierung Byte) 18Die Unterscheidung des Singulars (Information) vom Plural (Informationen) ist sprachlich nicht ein deutig Im Englischen gibt es fur diesen Begriff Unterscheidung zwischen Singular und Plural wie auch fur den Begriff Daten einmal eine

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

Anforderungen, KEFs und Nutzen der Software- Prozessverbesserung

Anforderungen, KEFs und Nutzen der Software- Prozessverbesserung Process flow Remarks Role Documents, data, tool input, output Important: Involve as many PZU as possible PZO Start Use appropriate templates for the process documentation Define purpose and scope Define

Mehr

Gute Modelle Wie bewerten Sie die Ergebnisse von Modellierungsprojekten?

Gute Modelle Wie bewerten Sie die Ergebnisse von Modellierungsprojekten? Gute Modelle Wie bewerten Sie die Ergebnisse von Modellierungsprojekten? Präsentation bei MID Insight 2012 Nürnberg, 20. November 2012 Dr. Jürgen Pitschke BCS Dr. Jürgen Pitschke www.enterprise-design.eu

Mehr

3. Workshop der Berliner BPM-Offensive Input von Jakob Freund

3. Workshop der Berliner BPM-Offensive Input von Jakob Freund 3. Workshop der Berliner BPM-Offensive Input von Jakob Freund Aktuelle BPMN-Projekte von camunda Hintergrund Kunde Thema BPMN für Zentrale Frage IT-Solution Provider Versicherung Bank ibo Beratung + Training

Mehr

Gemeinsame Gestaltung und Entwicklung von Geschäftsprozessen und Unternehmenssoftware

Gemeinsame Gestaltung und Entwicklung von Geschäftsprozessen und Unternehmenssoftware Johannes Kepler Universität Linz Institut für Informationsverarbeitung und Mikroprozessortechnik Diplomarbeit Gemeinsame Gestaltung und Entwicklung von Geschäftsprozessen und Unternehmenssoftware mit besonderer

Mehr

Produkt und Methode. SIRIUSlogic 4.0 in der Praxis. SIRIUS Consulting & Training AG. www.sirius-consult.com. SIRIUS Consulting & Training AG

Produkt und Methode. SIRIUSlogic 4.0 in der Praxis. SIRIUS Consulting & Training AG. www.sirius-consult.com. SIRIUS Consulting & Training AG Produkt und Methode SIRIUSlogic 4.0 in der Praxis SIRIUS Consulting & Training AG www.sirius-consult.com SIRIUSlogic 4.0 Warum ein weiteres Prozessmanagement Werkzeug? Motivation Was muß das Tool leisten

Mehr

Lohnt sich Requirements Engineering?

Lohnt sich Requirements Engineering? Lohnt sich Requirements Engineering? Seminar Messbarkeit von Anforderungen am Fachgebiet Software Engineering Wintersemester 2007/2008 Betreuer: Eric Knauss Oleksandr Kazandzhi Gliederung Einleitung Messen

Mehr

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

Stellen Sie sich vor, sie haben eine Testabteilung - und alle gehen hin!

Stellen Sie sich vor, sie haben eine Testabteilung - und alle gehen hin! Stellen Sie sich vor, sie haben eine Testabteilung - und alle gehen hin! Bruno Linder, Leiter Testfactory SBB IT Bern, 01.09.2011 Autor(en): Bruno Linder Status: Final Version: V 1.0 Letzte Änderung: 20.08.2011

Mehr

Six Sigma Messungen. 2004 KnowHow 4U Seite 1 von 5

Six Sigma Messungen. 2004 KnowHow 4U Seite 1 von 5 Six Sigma Messungen Definition: Six Sigma wird benutzt um einen Null Fehler Status zu beschreiben und aufzuzeigen wie nah ein Prozessablauf an diesen Zustand heranreicht. Per Definition sind 3,4 Fehler

Mehr

Modellierung von Prozessen

Modellierung von Prozessen Modellierung von Prozessen GenericIAM Dr. Horst Walther, Software Integration GmbH Was ist ein Prozess? Fundamentale Prozesse laufen vom Kunden zum Kunden Support-Prozesse erzeugen Zwischenergebnisse und

Mehr

Data Mining-Projekte

Data Mining-Projekte Data Mining-Projekte Data Mining-Projekte Data Mining stellt normalerweise kein ei nmaliges Projekt dar, welches Erkenntnisse liefert, die dann nur einmal verwendet werden, sondern es soll gewöhnlich ein

Mehr

Evaluation von Nintex Workflow 2007 für die Erstellung von Workflow-Lösungen unter Microsoft SharePoint Technologien

Evaluation von Nintex Workflow 2007 für die Erstellung von Workflow-Lösungen unter Microsoft SharePoint Technologien Informatik Jan Schwarzer Evaluation von Nintex Workflow 2007 für die Erstellung von Workflow-Lösungen unter Microsoft SharePoint Technologien Bachelorarbeit Bibliografische Information der Deutschen Nationalbibliothek:

Mehr

BPMN vs. EPK & Co. oder auf was es wirklich ankommt

BPMN vs. EPK & Co. oder auf was es wirklich ankommt BPMN vs. EPK & Co. oder auf was es wirklich ankommt Sebastian Adam, Norman Riegel 15. Mai 2012, St. Augustin Die Fraunhofer-Gesellschaft e.v. Benannt nach: Rolle der FraunhoferGesellschaft: Größe: Forschungsvolumen:

Mehr

ITIL & TOGAF die Doppelspitze für IT Governance

ITIL & TOGAF die Doppelspitze für IT Governance 1 ITIL Day 2014 ITIL & TOGAF die Doppelspitze für IT Governance Referenten: Arif Chughtai, Matthias Gessenay 2 Referenten Arif Chughtai mail@arifchughtai.org www.arifchughtai.org Matthias Gessenay matthias.gessenay@corporatesoftware.ch

Mehr

Cloud Architektur Workshop

Cloud Architektur Workshop Cloud Architektur Workshop Ein Angebot von IBM Software Services for Cloud & Smarter Infrastructure Agenda 1. Überblick Cloud Architektur Workshop 2. In 12 Schritten bis zur Cloud 3. Workshop Vorgehensmodell

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

lung eingebetteter Softwaresysteme im

lung eingebetteter Softwaresysteme im Technische Universität München Fakultät für Informatik Lehrstuhl für Software & Systems Engineering Kosten und Nutzen modellbasierter Entwick lung eingebetteter Softwaresysteme im Automobil Sascha Kirstan

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

(BABOK-v3-Technik 10.41)

(BABOK-v3-Technik 10.41) (BABOK-v3-Technik 10.41) Allgemeines Scope-Modelling gibt Antworten auf die Fragen Was gehört zum System und was nicht? sowie Woher kommen die Anforderungen? Diese Fragen sollten generell zu Beginn jeder

Mehr

Experience. nr.52. ERNI Erfahrungsberichte rund um Management-, Prozess- und Technologiethemen. märz 2012

Experience. nr.52. ERNI Erfahrungsberichte rund um Management-, Prozess- und Technologiethemen. märz 2012 ERNI Erfahrungsberichte rund um Management-, Prozess- und Technologiethemen Experience nr.52 märz 2012 RequIREMENTs EngINEERINg Ins Schwarze treffen Ins SchwARze treffen Requirements Engineering: die Grundlagen

Mehr

Use Cases. Use Cases

Use Cases. Use Cases Use Cases Eigenschaften: Ein Use Case beschreibt einen Teil des Verhaltens eines Systems aus externer Sicht (Formuliert in der der Fachsprache der Anwendung) Dies geschieht, indem ein Systemdialog beschrieben

Mehr

Kybernetik Das Kybernetische Modell

Kybernetik Das Kybernetische Modell Kybernetik Das Kybernetische Modell Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 05. 06. 2012 Das Modell Das Modell Was ist ein Modell? Ein Modell

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

Quellen: Towards a Human Computer InteractionPerspective. Übersicht. Warum visuelle Sprachen? Begriffsdefinitionen: Hinderungsgründe bisher:

Quellen: Towards a Human Computer InteractionPerspective. Übersicht. Warum visuelle Sprachen? Begriffsdefinitionen: Hinderungsgründe bisher: Quellen: Towards a Human Computer InteractionPerspective von B.K. & B.K. LV: Visuelle Sprachen (03-763) Universität Bremen WS 2001/02 Visual Language Theory: Towards a Human- Computer Perspective; N. Hari

Mehr

4 Grundlagen der Datenbankentwicklung

4 Grundlagen der Datenbankentwicklung 4 Grundlagen der Datenbankentwicklung In diesem Kapitel werden wir die Grundlagen der Konzeption von relationalen Datenbanken beschreiben. Dazu werden Sie die einzelnen Entwicklungsschritte von der Problemanalyse

Mehr

Content Management Systeme

Content Management Systeme Content Management Systeme Ein Vergleich unter besonderer Berücksichtigung von CoreMedia und TYPO3 Bachelorthesis im Kooperativen Bachelor Studiengang Informatik (KoSI) der Fachhochschule Darmstadt University

Mehr

4 Architektur-Perspektiven (WO)

4 Architektur-Perspektiven (WO) 4 Architektur-Perspektiven (WO) Abb. 4-1: Positionierung des Kapitels im Ordnungsrahmen. Dieses Kapitel befasst sich mit der WO-Dimension des architektonischen Ordnungsrahmens. Es erläutert, auf welchen

Mehr

Beratung, Projektmanagement und Coaching

Beratung, Projektmanagement und Coaching new solutions GmbH IT Consulting 2 IT Consulting Software Development IT Training Software Products Beratung, Projektmanagement und Coaching new solutions business software 3 --- Die Experten der new solutions

Mehr

Objektorientierte Konzepte in der Schule. Objektorientierte Modellierung von Informatiksystemen

Objektorientierte Konzepte in der Schule. Objektorientierte Modellierung von Informatiksystemen Objektorientierte Konzepte in der Schule Objektorientierte Modellierung von Informatiksystemen Objektorientierte Modellierung von Informatiksystemen 1. Modellierung Der Begriff Modell kommt häufig in der

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

ISO 15504 Reference Model

ISO 15504 Reference Model Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define metrics Pre-review Review yes Release

Mehr

Johannes Rahn 29.07.2010. Usability und User Experience

Johannes Rahn 29.07.2010. Usability und User Experience Johannes Rahn 29.07.2010 Usability und User Experience Seite 2 Inhalt Begriffsdefinitionen: Was ist Usability und was User Experience? Was sind die Unterschiede? Warum ist Usability und User Experience

Mehr

Musteraufbau eines Anforderungsprofils zur Einführung neuer Software

Musteraufbau eines Anforderungsprofils zur Einführung neuer Software Musteraufbau eines Anforderungsprofils zur Einführung neuer Software Ottostr. 15 96047 Bamberg Tel. +49/951/98046200 Fax +49/951/98046150 email: info@softcondev.de www: softcondev.de INHALT Vorwort Diese

Mehr

Modellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme. Tillmann Schall, anaptecs GmbH

Modellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme. Tillmann Schall, anaptecs GmbH Modellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme Tillmann Schall, anaptecs GmbH : Agenda Grundlagen modellgetriebener Entwicklungsprozesse Schritte zur Einführung Erfahrungen

Mehr

Requirements Engineering im Customer Relationship Management: Erfahrungen in der Werkzeugauswahl

Requirements Engineering im Customer Relationship Management: Erfahrungen in der Werkzeugauswahl Requirements Engineering im Customer Relationship Management: Erfahrungen in der Werkzeugauswahl GI-Fachgruppentreffen Requirements Engineering Agenda arvato services innerhalb der Bertelsmann AG Herausforderungen

Mehr

ISO 15504 Reference Model

ISO 15504 Reference Model Prozess Dimension von SPICE/ISO 15504 Process flow Remarks Role Documents, data, tools input, output Start Define purpose and scope Define process overview Define process details Define roles no Define

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

Dipl. Inf. Ali M. Akbarian

Dipl. Inf. Ali M. Akbarian Dipl. Inf. Ali M. Akbarian 2012 Einführung Globalisierung, Innovation und Kundenzufriedenheit sind auch in Zukunft die wichtigsten Herausforderungen der Unternehmen. Diese Herausforderungen verlangen:

Mehr

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena

Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena Lehrstuhl für Allgemeine BWL Strategisches und Internationales Management Prof. Dr. Mike Geppert Carl-Zeiß-Str. 3 07743 Jena http://www.im.uni-jena.de Contents I. Learning Objectives II. III. IV. Recap

Mehr

Lean Six Sigma als Instrument für die Messung von ITIL -Prozessen

Lean Six Sigma als Instrument für die Messung von ITIL -Prozessen Informatik Anja Theisen Lean Six Sigma als Instrument für die Messung von ITIL -Prozessen Studienarbeit UNIVERSITÄT DUISBURG-ESSEN Seminararbeit zum Thema Lean Six Sigma als Instrument für die Messung

Mehr

Prozessmanagement. Univ. Doz. Dr. Norbert Fuchs WS 2005

Prozessmanagement. Univ. Doz. Dr. Norbert Fuchs WS 2005 Prozessmanagement Univ. Doz. Dr. WS 2005 Inhalt > Changemanagement > Was verstehen wir unter einem (Geschäfts)prozess? > Verantwortungen für den Prozess > Prozessverbesserung - Prozessreview > die Elemente

Mehr

IT Wirtschaftlichkeit. Themenenabend 01.09.2009 der Gesellschaft für Informatik, Regionalgruppe Köln

IT Wirtschaftlichkeit. Themenenabend 01.09.2009 der Gesellschaft für Informatik, Regionalgruppe Köln IT Wirtschaftlichkeit Themenenabend 01.09.2009 der Gesellschaft für Informatik, Regionalgruppe Köln Wirtschaftlichkeit IT / Olaf Sprenger / IT Controlling T-Mobile Deutschland 01.09.2009 Agenda Herausforderungen

Mehr

IT-Beratung: Vom Geschäftsprozess zur IT-Lösung

IT-Beratung: Vom Geschäftsprozess zur IT-Lösung Ralf Heib Senior Vice-President Geschäftsleitung DACH IT-Beratung: Vom Geschäftsprozess zur IT-Lösung www.ids-scheer.com Wofür steht IDS Scheer? Wir machen unsere Kunden in ihrem Geschäft erfolgreicher.

Mehr

Taxonomy of Evolution and Dependability. Integration Engineering SS 2009 Andreas Landerer

Taxonomy of Evolution and Dependability. Integration Engineering SS 2009 Andreas Landerer Taxonomy of Evolution and Dependability Integration Engineering SS 2009 Andreas Landerer Agenda Informationen über Massimo Felici Definition zentraler Begriffe Inhalt des Artikels Kernaussagen des Artikels

Mehr

TOGAF The Open Group Architecture Framework

TOGAF The Open Group Architecture Framework TOGAF The Open Group Architecture Ein Überblick Gesellschaft für Informatik, Regionalgruppe München Dr. Michael Bulenda München, 7.12.2009 Vorstellung Dr. M. Bulenda Seit 2001 bei Cirquent IT Management

Mehr

Toolgestützte Prozessdokumentation. Prozessorientiertes E-Government, 28.10.2005 Joel Meir, jmeir@csc.com, +41 31 998 46 46

Toolgestützte Prozessdokumentation. Prozessorientiertes E-Government, 28.10.2005 Joel Meir, jmeir@csc.com, +41 31 998 46 46 Toolgestützte Prozessdokumentation Prozessorientiertes E-Government, 28.10.2005 Joel Meir, jmeir@csc.com, +41 31 998 46 46 Wir bieten unseren Kunden End-to-End Lösungen an Consulting Systems Integration

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

The Rational Unified Process. Eine Einführung von T. Langer und A. Nitert

The Rational Unified Process. Eine Einführung von T. Langer und A. Nitert The Rational Unified Process Eine Einführung von T. Langer und A. Nitert Übersicht Einleitung Probleme der SW-Entwicklung, Best Practices, Aufgaben Was ist der Rational Unified Process? Struktur des Prozesses

Mehr

Integration mit Service Repositories zur SOA Governance

Integration mit Service Repositories zur SOA Governance Integration mit Service Repositories zur SOA Governance Nürnberg, 10.11.2009 I N H A L T 1. SOA Governance 2. Service Repository 3. Modelle und Service Repository 4. Modell-Driven SOA I N H A L T 1. SOA

Mehr

PROJEKTNAVIGATOR - effektives und effizientes Steuern von Projekten -

PROJEKTNAVIGATOR - effektives und effizientes Steuern von Projekten - PROJEKTNAVIGATOR - effektives und effizientes Steuern von Projekten - Stand: Mai 2013 KLAUS PETERSEN Was ist der Projektnavigator? Der Projektnavigator ist ein wikibasierter Leitfaden zur einheitlichen

Mehr

Analytisches CRM in der Automobilindustrie

Analytisches CRM in der Automobilindustrie Analytisches CRM in der Automobilindustrie Dr. Frank Säuberlich Practice Manager European Customer Solutions Urban Science International GmbH Automobilhersteller müssen neue Wege gehen Anforderungen in

Mehr

ISO 5500x-Normenfamilie

ISO 5500x-Normenfamilie ISO 5500x-Normenfamilie 5 Fakten zur ISO 5500x-Normenfamilie ISO 55000 - Overview, principles and terminology ISO 55001 - Requirements ISO 55002 - Guidelines on the application of ISO 55001 Generelles

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

2.6 Die Leistungsrechnung

2.6 Die Leistungsrechnung - Auszug aus dem Handbuch der Standard-KLR des Bundes, 999 publiziert im Rahmen des Online-Verwaltungslexikons olev.de, Online-Quelle: http://www.olev.de/l/leist-rechn.pdf - 2.6 In diesem Kapitel wird

Mehr

arlanis Software AG SOA Architektonische und technische Grundlagen Andreas Holubek

arlanis Software AG SOA Architektonische und technische Grundlagen Andreas Holubek arlanis Software AG SOA Architektonische und technische Grundlagen Andreas Holubek Speaker Andreas Holubek VP Engineering andreas.holubek@arlanis.com arlanis Software AG, D-14467 Potsdam 2009, arlanis

Mehr

CMM Mythos und Realität. Forum Forschungsförderung BITKOM / ViSEK 2003 17. Oktober 2003. Tilman Seifert, TU München

CMM Mythos und Realität. Forum Forschungsförderung BITKOM / ViSEK 2003 17. Oktober 2003. Tilman Seifert, TU München CMM Mythos und Realität Forum Forschungsförderung BITKOM / ViSEK 2003 17. Oktober 2003, TU München Agenda Das CMM Ziele und Aufbau Prozessverbesserung nach CMM Bewertung des CMM Mythen Thesen Kritik Zusammenfassung

Mehr

Prozessmanagement. Fokus Finanzierungen Nutzen und Vorgehen. Kurzpräsentation, April 2012 Dominik Stäuble

Prozessmanagement. Fokus Finanzierungen Nutzen und Vorgehen. Kurzpräsentation, April 2012 Dominik Stäuble Prozessmanagement Fokus Finanzierungen Nutzen und Vorgehen Kurzpräsentation, April 2012 Dominik Stäuble dd li b addval Consulting GmbH ds@addval consulting.ch www.addval consulting.ch Prozessmanagement

Mehr

Risikomanagement in der Softwareentwicklung

Risikomanagement in der Softwareentwicklung Informatik Hakan Öztas Risikomanagement in der Softwareentwicklung Diplomarbeit Hakan Öztas Risikomanagement in der Softwareentwicklung Bibliografische Information der Deutschen Nationalbibliothek: Die

Mehr

Marketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Schwierigkeiten bei der Umsetzung. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Schwierigkeiten bei der Umsetzung Josef Kolbitsch Manuela Reinisch Übersicht Schwierigkeiten bei der Umsetzung eines BI-Systems Schwierigkeiten der Umsetzung 1/13 Strategische Ziele

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

Grundbegriffe der Wirtschaftsinformatik Informationssystem I

Grundbegriffe der Wirtschaftsinformatik Informationssystem I Informationssystem I Keine Definition [Stahlknecht, Hasenkamp (2002) und Mertens et al. (2000)] Ein System zur Beschaffung, Verarbeitung, Übertragung, Speicherung und/oder Bereitstellung von Informationen

Mehr

Katholische Universität Eichstätt-Ingolstadt. Wirtschaftswissenschaftliche Fakultät

Katholische Universität Eichstätt-Ingolstadt. Wirtschaftswissenschaftliche Fakultät Katholische Universität Eichstätt-Ingolstadt Wirtschaftswissenschaftliche Fakultät Der Nutzen betrieblicher Weiterbildung für Großunternehmen. Eine empirische Analyse unter bildungsökonomischen Aspekten

Mehr

Wie schreibt man eine Ausarbeitung?

Wie schreibt man eine Ausarbeitung? Wie schreibt man eine Ausarbeitung? Holger Karl Holger.karl@upb.de Computer Networks Group Universität Paderborn Übersicht Ziel einer Ausarbeitung Struktur Sprache Korrektes Zitieren Weitere Informationen

Mehr

Verwendung von Anforderungsbasierten Verfolgbarkeitsmetriken im Projektmanagement

Verwendung von Anforderungsbasierten Verfolgbarkeitsmetriken im Projektmanagement Verwendung von Anforderungsbasierten Verfolgbarkeitsmetriken im Projektmanagement Michael Eisenbarth Abteilung Requirements- und Usability-Engineering Fraunhofer-Institut für Experimentelles Software Engineering

Mehr

Requirements-Engineering Requirements-Engineering

Requirements-Engineering Requirements-Engineering -Engineering Copyright Chr. Schaffer, Fachhochschule Hagenberg, MTD 1 Was ist ein Requirement? IEEE-Standard (IEEE-726 83) A condition or capability needed by a user to solve a problem or achieve an objective.

Mehr

Systemarchitektur und SPICE

Systemarchitektur und SPICE Systemarchitektur und SPICE systems.camp 2015 Version 1.0, 2015-04-18, pv Systemarchitektur und SPICE Gliederung Ebene 1 Motivation von SPICE Anforderungen von SPICE an eine Systemarchitektur 12.05.2015

Mehr

Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management

Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management Erfolgreiches Zusammenarbeiten von IT und Marketing am Beispiel von Meta Daten Management Sprecher: Uwe Nadler, Senior Managing Consultant 1 Marketing braucht unterschiedliche Informationen, um entsprechende

Mehr

HIR Method & Tools for Fit Gap analysis

HIR Method & Tools for Fit Gap analysis HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes

Mehr

Group and Session Management for Collaborative Applications

Group and Session Management for Collaborative Applications Diss. ETH No. 12075 Group and Session Management for Collaborative Applications A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZÜRICH for the degree of Doctor of Technical Seiences

Mehr

Customer-specific software for autonomous driving and driver assistance (ADAS)

Customer-specific software for autonomous driving and driver assistance (ADAS) This press release is approved for publication. Press Release Chemnitz, February 6 th, 2014 Customer-specific software for autonomous driving and driver assistance (ADAS) With the new product line Baselabs

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

Gliederung. Tutorium zur Vorlesung. Gliederung. Gliederung. 1. Gliederung der Informatik. 1. Gliederung der Informatik. 1. Gliederung der Informatik

Gliederung. Tutorium zur Vorlesung. Gliederung. Gliederung. 1. Gliederung der Informatik. 1. Gliederung der Informatik. 1. Gliederung der Informatik Informatik I WS 2012/13 Tutorium zur Vorlesung 1. Alexander Zietlow zietlow@informatik.uni-tuebingen.de Wilhelm-Schickard-Institut für Informatik Eberhard Karls Universität Tübingen 11.02.2013 1. 2. 1.

Mehr

Produktphilosophie erstellen

Produktphilosophie erstellen User Experience Produktphilosophie erstellen Bereich Anforderungen Aktivität Ziele Erleichterte Kommunikation zwischen Stakeholdern Designentscheidungen erleichtern/rechtfertigen schnell durchführbar einfach

Mehr

Leseauszug DGQ-Band 14-26

Leseauszug DGQ-Band 14-26 Leseauszug DGQ-Band 14-26 Einleitung Dieser Band liefert einen Ansatz zur Einführung von Prozessmanagement in kleinen und mittleren Organisationen (KMO) 1. Die Erfolgskriterien für eine Einführung werden

Mehr

Messung und Bewertung der Flexibilität im Rahmen der Balanced Scorecard

Messung und Bewertung der Flexibilität im Rahmen der Balanced Scorecard Messung und Bewertung der Flexibilität im Rahmen der Balanced Scorecard Freie wissenschaftliche Arbeit zur Erlangung des akademischen Grades Diplom-Kaufmann an der Wirtschafts- und Sozialwissenschaftlichen

Mehr

Out-of-the-box-Integration von EAM und BPM

Out-of-the-box-Integration von EAM und BPM Out-of-the-box-Integration von EAM und BPM August 2014 Inhalt 1. Wie Fachabteilungen und IT mit den zwei professionellen Tools Signavio und leanix effektiver zusammenarbeiten können... 3 2. Prozessmodellierung

Mehr

Risiken auf Prozessebene

Risiken auf Prozessebene Risiken auf Prozessebene Ein Neuer Ansatz Armin Hepe Credit Suisse AG - IT Strategy Enabeling, Practices & Tools armin.hepe@credit-suisse.com Persönliche Vorstellung, kurz 1 Angestellter bei Credit Suisse

Mehr

Projekt zur Beurteilung von Requirements besondere Fragestellungen

Projekt zur Beurteilung von Requirements besondere Fragestellungen Buchenweg 3 89284 Pfaffenhofen a.d.roth Telefon 07302-96 11 0 Gabriele Frenzel www.newtec.de willkommen@newtec.de Erfahrungsbericht Projekt zur Beurteilung von Requirements besondere Fragestellungen

Mehr

CARL HANSER VERLAG. Karsten Oehler. OLAP Grundlagen, Modellierung und betriebswirtschaftliche Lösungen 3-446-21309-0. www.hanser.

CARL HANSER VERLAG. Karsten Oehler. OLAP Grundlagen, Modellierung und betriebswirtschaftliche Lösungen 3-446-21309-0. www.hanser. CARL HANSER VERLAG Karsten Oehler OLAP Grundlagen, Modellierung und betriebswirtschaftliche Lösungen 3-446-21309-0 www.hanser.de 1 Einleitung Die Entwicklung der Bereitstellung von Informationen zur Entscheidungsunterstützung

Mehr

Empfehlung für die technische Kommunikation von Produktänderungen im GDSN

Empfehlung für die technische Kommunikation von Produktänderungen im GDSN 1 Germany Empfehlung für die technische Kommunikation von Produktänderungen im GDSN Version 1.0 Stand Mai 2014 I I I Global Standards. Make Business Efficient. Zielsetzung des Dokuments Ziel der vorliegenden

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

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

Diplomarbeit. Entwurf eines generischen Prozessleitstandes für Change Request Systeme

Diplomarbeit. Entwurf eines generischen Prozessleitstandes für Change Request Systeme Fakultät für Mathematik, Informatik und Naturwissenschaften Forschungsgruppe Softwarekonstruktion Diplomarbeit Entwurf eines generischen Prozessleitstandes für Change Request Systeme Development of a Generic

Mehr

Aufbau eines IT-Servicekataloges am Fallbeispiel einer Schweizer Bank

Aufbau eines IT-Servicekataloges am Fallbeispiel einer Schweizer Bank SwissICT 2011 am Fallbeispiel einer Schweizer Bank Fritz Kleiner, fritz.kleiner@futureways.ch future ways Agenda Begriffsklärung Funktionen und Aspekte eines IT-Servicekataloges Fallbeispiel eines IT-Servicekataloges

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

Dokumentation (ISO 26514) Prof. Sissi Closs Donnerstag,, 5. November 2009

Dokumentation (ISO 26514) Prof. Sissi Closs Donnerstag,, 5. November 2009 Der neue ISO-Standard Standard für f r Software- Dokumentation (ISO 26514) Prof. Sissi Closs Donnerstag,, 5. November 2009 ISO/IEC 26514 Software and systems engineering User documentation requirements

Mehr

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

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

Mehr

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

Efficient Design Space Exploration for Embedded Systems

Efficient Design Space Exploration for Embedded Systems Diss. ETH No. 16589 Efficient Design Space Exploration for Embedded Systems A dissertation submitted to the SWISS FEDERAL INSTITUTE OF TECHNOLOGY ZURICH for the degree of Doctor of Sciences presented by

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

Einführung in die Wirtschaftsinformatik VO WS 2006/2007

Einführung in die Wirtschaftsinformatik VO WS 2006/2007 Einführung in die Wirtschaftsinformatik VO WS 2006/2007 Geschäftsprozessmodellierung o. Univ. Prof. Dr. Dimitris Karagiannis Inhaltsübersicht Grundlagen zur Geschäftsprozessmodellierung Definition Geschäftsprozess

Mehr

Best Practice. Organisation und Ablage von Kundenaufträgen im DMS von UpToNet

Best Practice. Organisation und Ablage von Kundenaufträgen im DMS von UpToNet Best Practice Organisation und Ablage von Kundenaufträgen im DMS von UpToNet Lösung Nummer 1: DMS Lösung Nummer 1: DMS Organisation und Ablage von Kundenaufträgen im DMS UpToNet unterstützt den Anwender

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

12 Nicht-funktionale Anforderungen

12 Nicht-funktionale Anforderungen 12 Nicht-funktionale Anforderungen Nicht-funktionale Anforderungen (non-functional requirements) Anforderungen an die Umstände, unter denen die geforderte Funktionalität zu erbringen ist. Gesamte Anforderungen

Mehr

Kapitel 33. Der xml-datentyp. In diesem Kapitel: Der xml-datentyp 996 Abfragen aus xml-datentypen 1001 XML-Indizierung 1017 Zusammenfassung 1023

Kapitel 33. Der xml-datentyp. In diesem Kapitel: Der xml-datentyp 996 Abfragen aus xml-datentypen 1001 XML-Indizierung 1017 Zusammenfassung 1023 Kapitel 33 Der xml-datentyp In diesem Kapitel: Der xml-datentyp 996 Abfragen aus xml-datentypen 1001 XML-Indizierung 1017 Zusammenfassung 1023 995 996 Kapitel 33: Der xml-datentyp Eine der wichtigsten

Mehr

MATERNA Beschwerde-Management-Check. Umsetzungsorientierte Bestandsaufnahme zum Beschwerde-Management in Versicherungen

MATERNA Beschwerde-Management-Check. Umsetzungsorientierte Bestandsaufnahme zum Beschwerde-Management in Versicherungen MATERNA Beschwerde-Management-Check Umsetzungsorientierte Bestandsaufnahme zum Beschwerde-Management in Versicherungen >> MATERNA Beschwerde-Management-Check Ist in Ihrer Versicherung die Einführung,

Mehr

Ways and methods to secure customer satisfaction at the example of a building subcontractor

Ways and methods to secure customer satisfaction at the example of a building subcontractor Abstract The thesis on hand deals with customer satisfaction at the example of a building subcontractor. Due to the problems in the building branch, it is nowadays necessary to act customer oriented. Customer

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