Datenqualität erfolgreich managen

Größe: px
Ab Seite anzeigen:

Download "Datenqualität erfolgreich managen"

Transkript

1 Consultants Intelligence Business White Paper Datenqualität erfolgreich managen Datenqualität ist essenziell. Sie ist der Schlüssel zur Akzeptanz von IT-Lösungen. Und: Schlechte Daten sind teuer. Unternehmen, die das erkannt haben, ergreifen oft im Zusammenhang mit Data-Governance-Projekten zentrale Initiativen, um eine hohe Datenqualität zu gewährleisten. Allerdings nicht zum Nulltarif, wie uns Kurt Häusermann und Marcus Pilz im nachfolgenden Text näher erläutern. Kurt Häusermann ist Consultant bei BI Consultants GmbH in Zürich und arbeitet seit mehr als 20 Jahren im Data Management, Analytik und Business Intelligence Bereich. Marcus Pilz ist Mitglied im Vorstand des Data Warehousing Institute. Er arbeitet seit nahezu 20 Jahren als Projektleiter im BI-Umfeld. Er ist erfahrener Sprecher bei internationalen BI-Symposien und Fachbeirat sowie Gutachter der Fachzeitschrift BI-Spektrum. Verfälschte, unvollständige und inkonsistente Daten und daraus abgeleitete Informationen führen zu Problemen in Geschäftsprozessen, in denen diese Daten verwendet werden. Ungültige Daten verzögern die tägliche Arbeit und verursachen zusätzlichen Aufwand und damit Kosten. Beruhen strategische Entscheidungen auf einer ungenügenden Datenbasis infolge mangelnder Datenqualität, kann dies für ein Unternehmen kritisch werden. Weiter steigt die Bedeutung der Datenqualität durch die zunehmenden Anforderungen im Bereich der Compliance. Der negative Einfluss schlechter Datenqualität auf Unternehmen wurde in verschiedenen Studien erforscht. Gemäss Thomas Redman, einem bekannten Fachmann für Datenqualität, schmälert die schlechte Datenqualität den operativen Gewinn um 8 bis 12 Prozent (Redman, 1996). Die Folgen schlechter Datenqualität in den Unternehmen sind aber oft unklar, werden nicht quantifiziert und von den Managern oft als normal cost of doing business (English, 1999) akzeptiert. Oft fallen fehlerhafte Daten im operativen System erst gar nicht als Fehler auf, da die Datenfehler im Geschäftsprozess eine untergeordnete Bedeutung haben. Wenn die Daten aber später in ein Data Warehouse überführt und analysiert werden, zeigt sich die schlechte Datenqualität sofort. In den Reports tauchen dann Kategorien auf, die offensichtlich so nicht existieren dürften oder die mehrfach mit unterschiedlichen Bezeichnungen vorhanden sind. Die Folge: falsche Aggregation der Daten. Solche Probleme verschlechtern die Akzeptanz bei den Anwendern in den Fachabteilungen, die wichtige geschäftliche Entscheidungen nicht auf fehlerhafte Daten abstützen möchten. Laisser-faire bei der Datenqualität verursacht damit ernst zu nehmende direkte und indirekte ein Unternehmen. 1

2 2 Kosten der Datenqualität Prof. Martin Eppler und Markus Helfert, beide von der Uni St. Gallen, haben 2004 ein Kostenmodell für die Datenqualität erarbeitet (siehe Abb. unten). Sie bestimmen zunächst die Kosten, welche durch die schlechte Datenqualität verursacht werden. Dazu gehören direkte Kosten, etwa die Verifikation der Daten, die Korrektur ungültiger Daten und deren Folgen, Kosten, weil beispielsweise Kataloge die Kunden wegen falscher Adressen nicht erreichen und indirekte Kosten, etwa Aufwendungen infolge falscher Entscheidungen, nicht wahrgenommener Chancen, Imageverlust oder Unzufriedenheit bei den Kunden wegen falscher Lieferung. Anschließend bestimmen sie die Kosten zur Verbesserung beziehungsweise zur Sicherstellung einer ausreichenden Datenqualität. Dazu gehören die Präventions-, die Entdeckungs- und Korrekturkosten. Zu den Präventionskosten gehören Maßnahmen, die nötig sind, damit weniger Fehler entstehen, etwa Verbesserung der Dateneingabe durch Plausibilitätstests, dokumentierte Standards, bessere Ausbildung des Personals oder bessere Koordination von Teilprozessen. Zu den Entdeckungskosten gehören die Maßnahmen, die zur Entdeckung von bereits bestehenden Fehlern in den Daten durchgeführt werden, etwa die Analyse der bestehenden Datenbanken mithilfe von Regeln, um ungültige oder inkonsistente Daten zu finden. Die Korrekturkosten beinhalten alle Maßnahmen, die nötig sind, um die aufgefundenen Fehler in den Datenbanken zu korrigieren. Kosten der Datenqualität Kosten schlechter Datenqualität die Verbesserung der Datenqualität Direkte Kosten Indirekte Kosten Präventions - kosten Entdeckungs - kosten Korrekturkosten die Verifikation der Daten Imageverlust Schulungskosten Fehleranalyse Planung der Korrekturen die Korrektur falscher Daten Kosten falscher Entscheidungen und Aktionen Datenmonitoringkosten Fehlerreportung Durchführung der Korrekturen Kompensations - kosten Abschreibung von Investitionen Standards Eppler, Helfert: A Framework for the Classification of Data Quality Costs and an Analysis of their Progression Nun können die geschätzten die Verbesserung und Sicherstellung der Datenqualität den die schlechte Datenqualität gegenübergestellt werden. Die Aufgabe besteht nun darin, ein Optimum zu finden, sodass die Kosten schlechter Datenqualität reduziert werden, dass aber die Kosten zur Hebung der Datenqualität auch nicht zu stark zu Buche schlagen.

3 3 Die Suche nach der optimalen Datenqualität Die Grafik zeigt, dass es ein Optimum für die Datenqualität gibt, das in der Praxis gefunden werden muss. Wichtig an der Grafik ist, dass eine zu hohe Veranschlagung der Datenqualität zu höheren Kosten führen kann. Als Begründung für höhere Datenqualität gelten aber nicht nur ökonomische Gründe. Um Compliance zu erreichen kann ein Aufwand nötig sein, der weit über dem Optimum liegen kann, der aber trotzdem realisiert werden muss. Letztlich gilt für die Datenqualität die bekannte Kurzformel von Joseph Juran, Fitness for use : Die Qualität muss dem Zweck der Anwendung genügen. Qualität und damit auch Datenqualität ist somit immer auf die Anforderungen auszurichten. Dies gilt auch für die bereits angeführten Gründe für die Datenqualität. Eppler, Helfert: A Framework for the Classification of Data Quality Costs and an Analysis of their Progression Ursachen schlechter Datenqualität Schlechte Datenqualität beginnt bei der ersten Erfassung der Daten. Daten werden falsch eingegeben und vom System nicht oder unvollständig geprüft. Die Personen, welche die Daten erfassen, sind zu wenig ausgebildet und es existieren häufig keine oder nur rudimentäre Standards für die Eingabe. Weiter fehlt das Problembewusstsein für die Tragweite von Datenfehlern, weil die Personen nicht verstehen, wozu die Daten später verwendet werden. Ein Rechnungsbetrag mag wichtig erscheinen, aber welche Bedeutung haben beispielsweise Abteilungsnamen. Dies zeigt sich erst viel später im Reporting, von dem diese Personen meist nichts erfahren. Hier fehlt in der Praxis oft ein Feedback-Loop, in dem die dateneingebenden Personen über Datenfehler informiert werden. Bei Systemen, deren Eingabe weniger strukturiert ist, bestehen bei der Dateneingabe Unklarheiten und Fehlinterpretationen. Da Geschäftsprozesse sich ändern, die operativen Systeme aber nicht immer synchron angepasst werden können, werden Felder der Einfachheit halber anderweitig verwendet, sodass der operative Betrieb aufrechterhalten bleibt. Vergessen wird dabei, welche Auswirkungen diese Praxis später in den Folgesystemen und im Data Warehouse haben kann. Weitere Quellen schlechter Datenqualität liegen bei der ungenügenden Datenarchitektur der operativen Systeme. Diese sind oft autonom entstanden und beinhalten unterschiedliche

4 4 Sichtweisen auf das Unternehmen. Die daraus folgende Datenrepräsentation ist unterschiedlich, was die Integration außerordentlich erschweren kann. Wurde ein Applikationssystem bereits früher einmal migriert, besteht eine gute Chance, dass Migrationsfehler vorliegen, die bisher im operativen Betrieb nie bemerkt worden sind. Schließlich besteht bei der Integration von Datenbeständen die Gefahr, dass die Dateninhalte zu ungenau definiert sind oder dass die erstellte Dokumentation nicht mehr dem aktuellen Stand entspricht. In solchen Fällen werden Daten zusammengeführt, die eine andere Semantik haben, was zu einer systematischen Verfälschung der Daten führen kann. Auch können bei der Integration gewisse Datenbestände vergessen werden. Fehlende Daten von Auslandsfilialen oder Tochtergesellschaften können dazu führen, dass die Aggregationen auf Unternehmensebene falsch berechnet werden. Datenqualitätskriterien Bevor man die Datenqualität verbessert, sollte man die Kriterien herausarbeiten, nach denen Qualität gemessen wird. Richard Wang, der am MIT seit über 20 Jahren Forschung über Datenqualität betreibt, hat in seinem breit rezipierten Artikel Beyond accuracy: What data quality means to data consumers (1996) darauf hingewiesen, dass es bei der Datenqualität nicht nur um die Richtigkeit und Fehlerfreiheit von Daten geht, sondern dass Datenqualität auch andere Kriterien umfasst. Die meisten Autoren gehen dabei von einer umfassenden Sicht eines Fachanwenders aus. Die Aspekte, die für einen Anwender von Bedeutung sind, sollen alle als Kriterien definiert werden. Datenqualitätskriterium (Auswahl) Korrektheit Fehlerfreiheit Konsistenz Vollständigkeit (Attributebene) Aktualität Relevanz Verständlichkeit Eindeutigkeit Definition Die Attributwerte eines Datensatzes entsprechen denen der modellierten Entitäten der realen Welt, d.h. die Daten stimmen mit der Realität überein. Die Attributwerte eines Datensatzes weisen keine logischen Widersprüche untereinander oder zu anderen Datensätzen auf. Die Attributwerte eines Datensatzes sind mit Werten belegt, die semantisch vom Wert NULL, bzw. 0 oder Blank abweichen. Alle Datensätze entsprechen jeweils dem aktuellen Zustand der modellierten Welt und sind nicht veraltet. Die Daten bilden die tatsächlichen Eigenschaften des Objektes zeitnah ab. Der Informationsgehalt einer Datensatzmenge bezüglich eines definierten Anwendungskontextes deckt sich mit dem Informationsbedarf einer Anfrage. Die Datensätze stimmen in ihrer Begrifflichkeit und ihrer Struktur mit den Vorstellungen des Fachbereichs überein. Ein Datensatz ist eindeutig interpretierbar. Die vorhandenen Metadaten müssen die Semantik des Datensatzes festschreiben. Welche Kriterien für ein bestimmtes Vorhaben sinnvoll sind und wie die Kriteri-

5 5 en gemessen werden sollen, hängt von den konkreten Zielen ab. Wichtig ist, dass sich die Qualitätskriterien nach den Zielsetzungen richten und nicht nach dem, was ein bestimmtes Tool kann. Verbesserung der Datenqualität Grundsätzlich kann davon ausgegangen werden, dass operative Systeme bestehen, die dauernd einen Anteil fehlerhafter Daten produzieren. Weiter liegt in dispositiven Datenbanken bereits ein Mehrfaches an Informationen vor, die teilweise fehlerbehaftet sind. Eine Strategie zur Hebung der Datenqualität hat an beiden Bereichen anzusetzen. Einerseits muss verhindert werden, dass ständig weitere fehlerhafte Daten anfallen, andererseits müssen bestehende Daten in der Datenbank entweder dort korrigiert oder in einem Schritt vor dem Eintrag ins Data Warehouse bereinigt werden. In Projekten hat sich gezeigt, dass die Verantwortung für die Daten nicht genügend geregelt ist. Die Schaffung expliziter Verantwortlichkeiten für die Datenquellen ist ein wichtiger erster Schritt bei Datenqualitätsprojekten. Zudem ist es sinnvoll, die Funktion des Datenstewards einzuführen. Da Datenqualität ohne genaue Beschreibung der Semantik der Daten nicht gemessen werden kann, gehört eine Prüfung der Metadaten und eine Prüfung der Übereinstimmung zwischen Metadaten und der effektiven Nutzung zu den Standardvorbereitungen eines DQ-Vorhabens. Nun können Kriterien bestimmt werden, die für das Vorhaben von Bedeutung sind, und Qualitätsregeln definiert werden, denen die Daten genügen müssen. Dies betrifft in erster Linie die Vollständigkeit, Korrektheit und Konsistenz der Daten. Wichtiges Verfahren hierzu ist Data Profiling. Hierbei handelt es sich um eine systematische Methodik, Daten weitgehend automatisiert zu analysieren und fachlich zu bewerten, um korrigierende Maßnahmen durchführen zu können. Idealerweise wird Data Profiling zu Beginn eines Projektes oder generell asynchron zu Data-Warehouse-Prozessen in einer eigenen Hardware-Infrastruktur durchgeführt. Hierbei werden komplette Datenbestände in eine separate Umgebung extrahiert, da Data Profiling aufgrund großer Daten-Volumina laufzeitbelastend ist und für die Analysen konsistente Datenbestände über einen längeren Zeitraum gehalten werden müssen. Moderne Werkzeuge unterstützen bei der Analyse Data-Profiling-Teams, die aus kleinen Gruppen von ca. drei Personen bestehen und interdisziplinär IT- und Fachabteilungsspezialisten umfassen sollten. Die Analyse besteht zunächst aus einer Aufbereitung der Ergebnisse, um diese in Workshops fachlich zu bewerten und in Form von Business Rules festzuhalten. Als Ergebnis des Profiling-Prozesses erhält der Anwender eine Liste möglicher Problemfelder in den zu verwendenden Daten und kann bewerten, ob eine Korrektur der Probleme erfolgen und welcher Aufwand hierfür eingeplant werden muss. Auf dem Markt ist eine Vielzahl von Data-Profiling-Werkzeugen erhältlich. Diese können alternativ zu eigenen Entwicklungen eingesetzt werden und bieten den Vorteil, schnell einsetzbar zu sein, viele Datenformate zu unter-

6 6 stützen und konsistente Ergebnisse zu liefern. Eigenentwicklungen ihrerseits bieten den Vorteil, dass sie in ETL-Prozesse besser integriert werden können: Profiling-Prüfroutinen sollten nämlich so gestaltet sein, dass sie zu einem späteren Zeitpunkt im ETL-Prozess für ein kontinuierliches Data Qualitity Monitoring wiederverwendet werden können. Hierbei werden die Profiling-Methoden und -Sollzustände in Metadaten gespeichert und die ETL-Prozesse um Prüf- und Freigabeprozesse erweitert. Im laufenden Betrieb ist dadurch eine Zeitreihenanalyse zur Prognose von Satzzahlen oder Wertebereichen möglich. Meldeketten an die Datenqualitäts- oder Fachverantwortlichen können etwa mit SMS oder realisiert werden, um zeitnahe Klärungen oder Korrekturen zu veranlassen und Fehlerläufe zu vermeiden. Literatur Apel, D. et al.: Datenqualität erfolgreich steuern. Hanser, München, 2009 English, L.: Improving Data Warehouse and Business Information Quality: Methods for Reducing Costs and Increasing Profits. Wiley, New York,1999 Eppler, M. and M. Helfert: A Framework for the Classifi cation of Data Quality Costs and an Analysis of their Progression. Research/publication/2004/EpplerHelfert_ICIQ2004.pdf Lee, Y.W. et al.: Journey to Data Quality. The MIT Press, Cambridge, 2006 Redman, T.: Data Quality for the Information Age. Artech, Boston, 1996 Redman, T.: Data Quality: The Field Guide. Digital Press, Boston, 2001 BI Consultants GmbH Hadlaubstrasse 124 CH Zürich Switzerland tel mob

Quelle: Daten nach Russom, Philip: Taking Data Quality to the Enterprise through Data Governance, TDWI Report Series, The Data Warehouse Institute,

Quelle: Daten nach Russom, Philip: Taking Data Quality to the Enterprise through Data Governance, TDWI Report Series, The Data Warehouse Institute, Quelle: Daten nach Russom, Philip: Taking Data Quality to the Enterprise through Data Governance, TDWI Report Series, The Data Warehouse Institute, Chatsworth, 2006, S. 11. Schieder: Datenqualitätsmanagement

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

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

Datenqualität. Werner Nutt. In Zusammenarbeit mit Simon Razniewski. Freie Universität Bozen

Datenqualität. Werner Nutt. In Zusammenarbeit mit Simon Razniewski. Freie Universität Bozen Datenqualität Werner Nutt In Zusammenarbeit mit Simon Razniewski Freie Universität Bozen Vorstellung Werner Nutt Professor für Informatik and der Freien Univ. Bozen Schwerpunkte in Lehre und Forschung:

Mehr

Quality Point München Datenqualität

Quality Point München Datenqualität Quality Point München Datenqualität Paul, wie ist denn Eure Datenqualität? Nachdem ich bei der letzten Gehaltszahlung mit Frau... angeredet wurde, bin ich mir nicht mehr so sicher. Autor: W. Ulbrich IT&More

Mehr

Data/Information Quality Management

Data/Information Quality Management Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!

Mehr

Einführungsveranstaltung: Data Warehouse

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

Mehr

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

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

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

Die Oracle BI Trilogie von Trivadis

Die Oracle BI Trilogie von Trivadis Die Oracle BI Trilogie von Trivadis Teil 2 - Aufbau einer DWH- und BI-Landschaft Zürich, 25. November 2009 Basel Baden Bern Lausanne Zürich Düsseldorf Frankfurt/M. Freiburg i. Br. Hamburg München Stuttgart

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

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

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

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte DWH Projekt, Methodik, Stärken und Schwächen, Übersicht, Weg der Daten,

Mehr

Kapitel 2 Terminologie und Definition

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

Mehr

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

Survival Guide für Ihr Business Intelligence-Projekt

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

Mehr

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

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

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

Mehr

DIE DATEN IM ZENTRUM: SAS DATA MANAGEMENT

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

Mehr

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr

Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Copyright 2007 Infor. Alle Rechte vorbehalten. Innovatives Reporting mit PM10: Analysen und Berichte mit Single Point of Truth 11.00 11.45 Uhr Hubertus Thoma Presales Consultant PM Schalten Sie bitte während

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

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

Agenda. Einführung MS SQL Server Integration Services (SSIS) Oracle Data Warehouse Builder (OWB) Zusammenfassung Quellen. Einführung SSIS OWB

Agenda. Einführung MS SQL Server Integration Services (SSIS) Oracle Data Warehouse Builder (OWB) Zusammenfassung Quellen. Einführung SSIS OWB Agenda Einführung MS SQL Server Integration Services () Oracle Data Warehouse Builder () Quellen 10.12.2009 Martin Tobies - DQ Tools 2 Agenda Einführung MS SQL Server Integration Services () Oracle Data

Mehr

Brennpunkt Datenqualität

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

Mehr

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Von BI zu Analytik. bessere Entscheidungen basiert auf Fakten. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von BI zu Analytik bessere Entscheidungen basiert auf Fakten Webinar Mai 2010 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Von Business Intelligence zu Analytik Die Bedeutung

Mehr

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

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

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

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

Mehr

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

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

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

Migration auf ein neues Kernbankensystem in Folge der Fusion von Rechenzentren

Migration auf ein neues Kernbankensystem in Folge der Fusion von Rechenzentren Branche Finanzdienstleistung: Landesbank mit internationalem Kredit- und Kapitalmarktgeschäft. Ausgangssituation Aufgrund der Fusion des von unserem Kunden beauftragten Rechenzentrums mit einem bisherigen

Mehr

Welche Daten gehören ins Data Warehouse?

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

Mehr

Analyse alt- und mittelpaläolithischer Steinartefaktinventare mittels Parallelkoordinatenplots

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

Mehr

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

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

Mehr

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

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

Mehr

DWH Szenarien. www.syntegris.de

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

Mehr

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

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

Mehr

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

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

Mehr

Whitepaper BCBS 239. Neuarchitektur der Risikodatenaggregation und Risikoberichterstattung. Stand: August 2015

Whitepaper BCBS 239. Neuarchitektur der Risikodatenaggregation und Risikoberichterstattung. Stand: August 2015 Whitepaper BCBS 239 Neuarchitektur der Risikodatenaggregation und Risikoberichterstattung Stand: August 2015 ORO Services GmbH, Hansa Haus, Berner Str. 74, 60437 Frankfurt am Main, www.regupedia.de _ Disclaimer

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

Was ist Language Based BPM? Eine kurze Erklärung Version 1.0

Was ist Language Based BPM? Eine kurze Erklärung Version 1.0 Was ist Language Based BPM? Eine kurze Erklärung Version 1.0 Dieses Dokument wurde verfasst von Dr. Jürgen Pitschke, BCS-Dr. Jürgen Pitschke, www.enterprise-design.eu Diese Unterlagen können frei für nicht-kommerzielle

Mehr

Agile BI Kickstart. Beschreibung des Workshops. Workshopbeschreibung

Agile BI Kickstart. Beschreibung des Workshops. Workshopbeschreibung Bereich: Workshop: Dauer: In-House Workshop Agile BI Kickstart 2 Tage Beschreibung des Workshops Agile Vorgehensweisen werden bei der Entwicklung von BI- und Data Warehouse-Lösungen heutzutage mehr und

Mehr

Vorwort. Hermann J. Schmelzer, Wolfgang Sesselmann. Geschäftsprozessmanagement in der Praxis

Vorwort. Hermann J. Schmelzer, Wolfgang Sesselmann. Geschäftsprozessmanagement in der Praxis Vorwort Hermann J. Schmelzer, Wolfgang Sesselmann Geschäftsprozessmanagement in der Praxis Kunden zufrieden stellen - Produktivität steigern - Wert erhöhen ISBN (Buch): 978-3-446-43460-8 Weitere Informationen

Mehr

Intelligente Unternehmens- und Prozesssteuerung durch CPM

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

Mehr

Trends in Business Intelligence

Trends in Business Intelligence Trends in Business Intelligence Dr. Carsten Bange Business Intelligence (BI) beschreibt die Erfassung, Sammlung und Darstellung von Information zur Planung, Steuerung und Kontrolle der Unternehmensleistung.

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

Data Warehousing mit Oracle

Data Warehousing mit Oracle Data Warehousing mit Oracle Business Intelligence in der Praxis von Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker 1. Auflage Hanser München 2011 Verlag C.H. Beck im Internet: www.beck.de ISBN

Mehr

Das ultimative Daten Management

Das ultimative Daten Management Das ultimative Daten Management Beschreibung des Programms Rafisa AG Seestrasse 78 CH 8703 Erlenbach-Zürich Ziel und Zweck Das Program: ist ein multi-funktionales Programm, welches dazu dient, für den

Mehr

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

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

Mehr

Aktuelle Trends im CRM

Aktuelle Trends im CRM . CRM-Symposium.. Aktuelle Trends im CRM Prof. Dr. Klaus D. Wilde Lehrstuhl für ABWL und Wirtschaftsinformatik Katholische Universität Eichstätt-Ingolstadt. &. Generation KM ext Best X Aktionsorientiertes

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

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

Bachelor of Eng. (Wirtschafts-Ing.-wesen)

Bachelor of Eng. (Wirtschafts-Ing.-wesen) Persönliche Daten Name Philipp Müller Geburtsdatum 21.11.1982 Berufsausbildung Studium Industriekaufmann Bachelor of Eng. (Wirtschafts-Ing.-wesen) Kompetenzen Methodisch Datenmodellierung Fachlich Allgemeines

Mehr

Business Intelligence - Wie passt das zum Mainframe?

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

Mehr

ENTERBRAIN Reporting & Business Intelligence

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

Mehr

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

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

Mehr

Data Governance Informationen kontrolliert managen

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

Mehr

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014

Datenintegration, -qualität und Data Governance. Hannover, 14.03.2014 Datenintegration, -qualität und Data Governance Hannover, 14.03.2014 Business Application Research Center Führendes europäisches Analystenhaus für Business Software mit Le CXP (F) objektiv und unabhängig

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

Business Performance Management Next Generation Business Intelligence?

Business Performance Management Next Generation Business Intelligence? Business Performance Management Next Generation Business Intelligence? München, 23. Juni 2004 Jörg Narr Business Application Research Center Untersuchung von Business-Intelligence-Software am Lehrstuhl

Mehr

capaneo MailRefiner TECHNOLOGIEN

capaneo MailRefiner TECHNOLOGIEN capaneo MailRefiner Ihr Weg zum wertvollen E-Mail-Verteiler Effiziente Prüfung und Empfehlungen in Echtzeit Automatisierte Validierung von Adressbeständen Bereitstellung von zusätzlichen Informationen

Mehr

Business Intelligence Entscheidungsinformationen für eine erfolgreiche Unternehmensentwicklung im Mittelstand

Business Intelligence Entscheidungsinformationen für eine erfolgreiche Unternehmensentwicklung im Mittelstand Business Intelligence Entscheidungsinformationen für eine erfolgreiche Unternehmensentwicklung im Mittelstand 2. Fachtagung Dynamisierung des Mittelstandes durch IT, 09.09.2008 Was ist Business Intelligence

Mehr

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle. CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Digitale Transformation: BI und Big Data treiben neue Geschäftsmodelle CeBIT, 18.3.2015 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Unternehmen Beratung Strategie

Mehr

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

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

Mehr

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

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

Mehr

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013

TOP. wird ein wichtiges Jahr für BIG (Business Intelligence Growth) DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 0 Es TOP 10 DER BUSINESS INTELLIGENCE TRENDS FÜR DAS JAHR 2013 wird ein wichtiges Jahr für BIG (Business Intelligence Growth) 2012 war ein fantastisches Jahr für Business Intelligence! Die biedere alte

Mehr

Datenqualitätsanalyse ganz einfach auf Basis moderner Werkzeuge zur Unternehmensanalyse

Datenqualitätsanalyse ganz einfach auf Basis moderner Werkzeuge zur Unternehmensanalyse Datenqualitätsanalyse ganz einfach auf Basis moderner Werkzeuge zur Unternehmensanalyse DGIQ-Roadshow, 1.-3. März 2011 Jan Hüfner, Geschäftsführer TIQ Solutions GmbH 2011 TIQ Solutions GmbH All Rights

Mehr

Strategisches Informationsmanagement auf Basis von Data Warehouse-Systemen

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

Mehr

Self-Service Business Intelligence (SSBI) Nutzenpotenziale für einen verbesserten Austausch von Informationen im Unternehmen

Self-Service Business Intelligence (SSBI) Nutzenpotenziale für einen verbesserten Austausch von Informationen im Unternehmen Fabian Geist, B.Sc. Dipl.-Wirtsch.-Ing. Torsten Kluin Prof. Dr. Harald Ritz Self-Service Business Intelligence (SSBI) Nutzenpotenziale für einen verbesserten Austausch von Informationen im Unternehmen

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

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

Was kann ein ERP System wirklich? Auf der Suche nach einem Mittel zur Steigerung der Unternehmenseffizienz. www.dreher-consulting.

Was kann ein ERP System wirklich? Auf der Suche nach einem Mittel zur Steigerung der Unternehmenseffizienz. www.dreher-consulting. Was kann ein ERP System wirklich? Auf der Suche nach einem Mittel zur Steigerung der Unternehmenseffizienz. www.dreher-consulting.com Auf der Suche nach einem Mittel zur Steigerung der Unternehmenseffizienz.

Mehr

Energie-und Treibhausgasbilanzierung für Unternehmen leicht gemacht

Energie-und Treibhausgasbilanzierung für Unternehmen leicht gemacht Software Energie-und Treibhausgasbilanzierung für Unternehmen leicht gemacht Zürich, 13. August 2010 ECOSPEED AG, Gerechtigkeitsgasse 20, CH-8002 Zürich, T +41-44-493-93-00, F +41-44-493-93-09 www.ecospeed.ch,

Mehr

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

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

Mehr

Zuverlässige und einfach zugängliche Informationen in Echtzeit für alle Beteiligten

Zuverlässige und einfach zugängliche Informationen in Echtzeit für alle Beteiligten PLANON Managementinformationen Zuverlässige und einfach zugängliche Informationen in Echtzeit für alle Beteiligten Mit dem steigenden Bedarf hin zu mehr Kosteneffizienz und Agilität bei Immobilien- und

Mehr

Raber+Märcker Business Intelligence Lösungen und Leistungen

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

Mehr

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

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

Mehr

Strategische Ausrichtung des Data Warehouses der VPV. Thomas Feil, Projektleiter IT HMS Analytics Day Heidelberg, 25.09.2014

Strategische Ausrichtung des Data Warehouses der VPV. Thomas Feil, Projektleiter IT HMS Analytics Day Heidelberg, 25.09.2014 Strategische Ausrichtung des Data Warehouses der VPV Thomas Feil, Projektleiter IT HMS Analytics Day Heidelberg, 25.09.2014 Agenda 1. VPV Versicherung Historie und Kennzahlen 2. Ausgangssituation und Zielbild

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

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst

Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI. Hannover, 10. März 2014 Patrick Keller, Senior Analyst Nutzen und Nutzung aktueller Trends in der BI: Schwerpunkt Self Service BI Hannover, 10. März 2014 Patrick Keller, Senior Analyst Business Application Research Center BARC Historie BARC ist der führende

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

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management

Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Non-Profit-Organisationen: Vom Controlling zum Strategischen Management Einordnung der Begriffe Business Intelligence Strategic Association Management Controlling and Data Warehousing Data Mining, Knowledge

Mehr

Prüfung einer mehrstufigen Datenmigration ein Fall aus der Praxis

Prüfung einer mehrstufigen Datenmigration ein Fall aus der Praxis Prüfung einer mehrstufigen Datenmigration ein Fall aus der Praxis Peter Steuri Partner / Leiter IT-Prüfung und -Beratung BDO AG, Solothurn Ausgangslage / Zielsetzungen Ausgangslage Sehr grosses, global

Mehr

Wo sind meine Daten? Ein Gesundheitscheck Ihrer Datenhaltung. KRM/Wildhaber Consulting, Zürich 2014

Wo sind meine Daten? Ein Gesundheitscheck Ihrer Datenhaltung. KRM/Wildhaber Consulting, Zürich 2014 Wo sind meine Daten? Ein Gesundheitscheck Ihrer Datenhaltung 1 KRM/Wildhaber Consulting, Zürich 2014 Kreditkartendaten gestohlen u Die Geheimdienste zapfen systematisch Rechner an u Cloud Lösungen sind

Mehr

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Autoren: Alexander Schramm Marcus Mertens MuniConS GmbH Einleitung Unternehmen verfügen heute über viele wichtige Informationen

Mehr

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor

Das Zettabyte. CeBIT 2011. Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zettabyte CeBIT 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das Zetabyte: analytische Datenbanken Die Datenflut. Analytische Datenbanken: Was ist neu? Analytische Datenbanken:

Mehr

Welche Haftungsrisiken bestehen für Aussteller von Energieausweisen und wie können diese entsprechend abgesichert werden?

Welche Haftungsrisiken bestehen für Aussteller von Energieausweisen und wie können diese entsprechend abgesichert werden? Welche Haftungsrisiken bestehen für Aussteller von Energieausweisen und wie können diese entsprechend abgesichert werden? Deutsche Energie-Agentur GmbH (dena): Stand 06 / 2009 Seit spätestens Anfang 2009

Mehr

Wir bringen Transparenz in das DRG-System. Kennzahlen-Reporting und Planung mit SAP BW für Krankenhäuser

Wir bringen Transparenz in das DRG-System. Kennzahlen-Reporting und Planung mit SAP BW für Krankenhäuser Wir bringen Transparenz in das DRG-System Ist Ihr BW-System bereit für die Analyse diagnosebezogener Fallgruppen? Die Lösung Kennzahlen-Reporting und Planung mit SAP BW für Krankenhäuser Was verbirgt sich

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

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

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren

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

Mehr

Predictive Analytics / Data Mining im Controlling

Predictive Analytics / Data Mining im Controlling Predictive Analytics / Data Mining im Controlling Sprecher: Dr. Karsten Oehler 1 Das Buch zum Film Erscheint im Controlling Berater, Ende 2011, PDF vorab über karsten.oehler@de.ibm.com erhältlich. Agenda

Mehr

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg

Review Freelancer-Workshop: Fit für Big Data. Mittwoch, 29.04.2015 in Hamburg Review Freelancer-Workshop: Fit für Big Data Mittwoch, 29.04.2015 in Hamburg Am Mittwoch, den 29.04.2015, hatten wir von productive-data in Zusammenarbeit mit unserem langjährigen Partner Informatica zu

Mehr

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Architektur und Konzepte. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Architektur und Konzepte Josef Kolbitsch Manuela Reinisch Übersicht Mehrstufiges BI-System Architektur eines Data Warehouses Architektur eines Reporting-Systems Benutzerrollen in

Mehr

IDV Assessment- und Migration Factory für Banken und Versicherungen

IDV Assessment- und Migration Factory für Banken und Versicherungen IDV Assessment- und Migration Factory für Banken und Versicherungen Erfassung, Analyse und Migration von Excel- und AccessAnwendungen als User-Selfservice. Sind Ihre Excel- und Access- Anwendungen ein

Mehr

Information-Design-Tool

Information-Design-Tool Zusatzkapitel Information-Design-Tool zum Buch»HR-Reporting mit SAP «von Richard Haßmann, Anja Marxsen, Sven-Olaf Möller, Victor Gabriel Saiz Castillo Galileo Press, Bonn 2013 ISBN 978-3-8362-1986-0 Bonn

Mehr

Definition Informationssystem

Definition Informationssystem Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation

Mehr

Business Intelligence im Krankenhaus

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

Mehr