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

Quality Point München Datenqualität

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

Mehr

Datenqualität. 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

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

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

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

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

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 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

Datenprüfung. Analyse von Datenbeständen

Datenprüfung. Analyse von Datenbeständen Datenprüfung Analyse von Datenbeständen Datenprüfungen Die Daten eines Unternehmens sind ein wichtiges Fundament für eine erfolgreiche Geschäftstätigkeit. Aus ihnen lassen sich risikorelevante Faktoren

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

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

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

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

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

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

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

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

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

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

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

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

Oracle BI EE mit großen Datenmengen

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

Mehr

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

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

Raus aus der Bl-Falle

Raus aus der Bl-Falle Ronald Bachmann, Dr. Guido Kemper Raus aus der Bl-Falle Wie Business Intelligencezum Erfolg wird mitp Die Autoren 13 Vorwort 15 1 Einleitung 21 1.1 Was ist Business Intelligence (BI)? 21 1.2 Motive zur

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

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

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

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

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

Business Intelligence-Projekte mit SAP BO - Best Practices für den Mittelstand

Business Intelligence-Projekte mit SAP BO - Best Practices für den Mittelstand Business Intelligence-Projekte mit SAP BO - Best Practices für den Mittelstand Name: Michael Welle Funktion/Bereich: Manager Business Intelligence Organisation: Windhoff Software Services Liebe Leserinnen

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

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

Oracle Scorecard & Strategy Management

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

Mehr

VisualCockpit. agile business analytics

VisualCockpit. agile business analytics VisualCockpit agile business analytics Agile Business Analytics mit VisualCockpit Für Unternehmen wird es immer wichtiger die gesamte Wertschöpfungskette aus Daten, sowohl für das operative Geschäft als

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

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

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

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

Erfolgsfaktor Datenqualität - Verfahren und Tools zur Qualitätssicherung der Produktdaten-

Erfolgsfaktor Datenqualität - Verfahren und Tools zur Qualitätssicherung der Produktdaten- Erfolgsfaktor Datenqualität - Verfahren und Tools zur Qualitätssicherung der Produktdaten- Rolf Krieger Institut für Softwaresysteme Hochschule Trier, Umwelt-Campus Birkenfeld email: r.krieger@umwelt-campus.de

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

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

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

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

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

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

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

Titel BOAKdurch Klicken hinzufügen

Titel BOAKdurch Klicken hinzufügen Titel BOAKdurch Klicken hinzufügen Business Objects Arbeitskreis 2015 Aufbau einer BI-Strategie Referent Stefan Weber, ZIS Verkehrsbetriebe Zürich 15.09.2015 Hotel UTO KULM Thema Um was geht es! C1: Aufbau

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

Drei Möglichkeiten, um Adressqualität zu messen. Was Sie tun können, um Ihre Adressqualität in den Griff zu bekommen

Drei Möglichkeiten, um Adressqualität zu messen. Was Sie tun können, um Ihre Adressqualität in den Griff zu bekommen Drei Möglichkeiten, um Adressqualität zu messen Was Sie tun können, um Ihre Adressqualität in den Griff zu bekommen Was ist falsch gelaufen? Es ist nie eine erfreuliche Überraschung, wenn ein Unternehmen

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

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

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

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

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

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

Datenbanken: Relationales Datenbankmodell RDM

Datenbanken: Relationales Datenbankmodell RDM Das RDM wurde in den 70'er Jahren von Codd entwickelt und ist seit Mitte der 80'er Jahre definierter Standard für Datenbanksysteme! Der Name kommt vom mathematischen Konzept einer Relation: (Sind A, B

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

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd.

Explosionsartige Zunahme an Informationen. 200 Mrd. Mehr als 200 Mrd. E-Mails werden jeden Tag versendet. 30 Mrd. Warum viele Daten für ein smartes Unternehmen wichtig sind Gerald AUFMUTH IBM Client Technical Specialst Data Warehouse Professional Explosionsartige Zunahme an Informationen Volumen. 15 Petabyte Menge

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

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

partners Monitoring Trends, Märkte, Technologien

partners Monitoring Trends, Märkte, Technologien partners > Monitoring Trends, Märkte, Technologien seite 02 Monitoring Trends, Märkte, Technologien Vorteile für den Klienten Kontinuierliche Informationen über Trends, Märkte, Technologien dienen als

Mehr

Standardisierung von. Datenerhebung in epidemiologischen Studien

Standardisierung von. Datenerhebung in epidemiologischen Studien Datenerhebung in epidemiologischen Studien Standardisierung von Erhebungsprotokollen Klare Anweisungen für die Person/Personen, die mit der Dateneingabe betraut sind: Self administered protocols: Angaben

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

Prozessorientierte Applikationsund Datenintegration mit SOA

Prozessorientierte Applikationsund Datenintegration mit SOA Prozessorientierte Applikationsund Datenintegration mit SOA Forum Business Integration 2008, Wiesbaden Dr. Wolfgang Martin unabhängiger Analyst und ibond Partner Business Integration 1998 2008 Agenda Business

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

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

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

8 Juli 2015. Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics

8 Juli 2015. Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics Transparenz durch Governance Data Governance als kritischer Erfolgsfaktor für Predictive Analytics Contents Predictive Analytics Erwartungen erfüllt? Einfach denken worauf achten, bevor gestartet wird?

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

RE.one. Self Service Information Management für die Fachabteilung

RE.one. Self Service Information Management für die Fachabteilung RE.one Self Service Information Management für die Fachabteilung Das Ziel Verwertbare Informationen aus Daten gewinnen Unsere Vision Daten Info Data Warehousing radikal vereinfachen in einem Tool Die Aufgabe

Mehr

Neues aus dem TDWI Germany e.v.

Neues aus dem TDWI Germany e.v. Neues aus dem TDWI Germany e.v. Prof. Dr. Peter Chamoni Vorsitzender des Vorstands TDWI Germany e.v. TDWI-D-A-CH: die neutrale BI- Forscher neutral Berater non-profit unabhängig Anwender Hersteller Einzel-

Mehr

Compliance Monitoring mit PROTECHT.ERM

Compliance Monitoring mit PROTECHT.ERM covalgo consulting GmbH Operngasse 17-21 1040 Wien, Austria www.covalgo.at Compliance Monitoring mit PROTECHT.ERM Autor: DI Mag. Martin Lachkovics, Dr. Gerd Nanz Datum: 20. Oktober 2014, 29. April 2015

Mehr

REConf 2005. Metriken - Eine Hilfe bei der Einführung von Requirements Management? Stefan Fichtinger Senior Consultant

REConf 2005. Metriken - Eine Hilfe bei der Einführung von Requirements Management? Stefan Fichtinger Senior Consultant REConf 2005 Metriken - Eine Hilfe bei der Einführung von Requirements Management? Stefan Fichtinger Senior Consultant HOOD GmbH Truderinger Straße 302 81825 München Tel: +49 89 4512 530 stefan.fichtinger@hood-group.com

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

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Presse Talk CeBIT 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für Business

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

PRESSE-INFORMATION NEU: LÜNENDONK -MARKTSTICHPROBE 2012 BUSINESS INTELLIGENCE ALS KERNKOMPETENZ

PRESSE-INFORMATION NEU: LÜNENDONK -MARKTSTICHPROBE 2012 BUSINESS INTELLIGENCE ALS KERNKOMPETENZ PRESSE-INFORMATION BI-22-08-12 NEU: LÜNENDONK -MARKTSTICHPROBE 2012 BUSINESS INTELLIGENCE ALS KERNKOMPETENZ Spezialisierte BI-Anbieter wachsen um 19,3 Prozent Datenintegration ist das Top-Thema Anbieter

Mehr

Auszug aus Stolperstein Datenqualität im CRM Umfeld

Auszug aus Stolperstein Datenqualität im CRM Umfeld Auszug aus Stolperstein Datenqualität im CRM Umfeld Sichere Wege zur Datenqualität? CRM Gipfeltour CRM IST Situation Ausgangssituation: Prozess- und Medienbrüche Kundendaten werden in mehreren Systemen

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

MetaNavigation der effizienteste Weg maximalen Mehrwert aus BI Metadaten zu ziehen

MetaNavigation der effizienteste Weg maximalen Mehrwert aus BI Metadaten zu ziehen MetaNavigation der effizienteste Weg maximalen Mehrwert aus BI Metadaten zu ziehen Pasquale Grippo Senior Manager/Business Unit Manager BI 18/20.10.2011 Oracle Business Analytics Summits Düsseldorf/München

Mehr

Ärztlicher Entlassungsbericht. Hinweise zum Internet-Entlassungsbericht der Deutschen Rentenversicherung

Ärztlicher Entlassungsbericht. Hinweise zum Internet-Entlassungsbericht der Deutschen Rentenversicherung Ärztlicher Entlassungsbericht Hinweise zum Internet-Entlassungsbericht der Deutschen Rentenversicherung Stand: 15.02.2008 1 Einleitung 2 2 Allgemeine Bearbeitungshinweise 3 3 Hinweise zum Entlassungsbericht

Mehr

Data Warehouse Architekturtrends

Data Warehouse Architekturtrends Data Warehouse Architekturtrends Dr. Bodo Hüsemann Informationsfabrik GmbH Münster Schlüsselworte Architektur, Business Intelligence, Data Warehouse, Realtime Data Warehouse, Operational BI, Selfservice

Mehr

Bessere Daten durch Stammdatenmanagement

Bessere Daten durch Stammdatenmanagement make connections share ideas be inspired Bessere Daten durch Stammdatenmanagement Mit SAS MDM, bessere Stammdaten für operativen Systeme make connections share ideas be inspired Overview Mit SAS MDM bessere

Mehr

Intelligente Prozesse für das Kundenbeziehungsmanagement. Rainer Wendt, in der IHK Aachen, 23.02.2011

Intelligente Prozesse für das Kundenbeziehungsmanagement. Rainer Wendt, in der IHK Aachen, 23.02.2011 CRM Process Performance Intelligence Intelligente Prozesse für das Kundenbeziehungsmanagement Rainer Wendt, in der IHK Aachen, 23.02.2011 masventa Business GmbH Von-Blanckart-Str. 9 52477 Alsdorf Tel.

Mehr

Erfolgsfaktor Datenqualität im Immobilienmanagement Eine Strategie zur nachhaltigen Verbesserung der Datenqualität

Erfolgsfaktor Datenqualität im Immobilienmanagement Eine Strategie zur nachhaltigen Verbesserung der Datenqualität Erfolgsfaktor Datenqualität im Immobilienmanagement Eine Strategie zur nachhaltigen Verbesserung der Datenqualität Joachim Sobota und Axel Hummel 16. SAP Forum für die Immobilienwirtschaft, 24.-25. Sept

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

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

Zusammenfassung des Berichts vom 15. Mai 2006 von RA Beat Badertscher an Frau Stadträtin Monika Stocker. Sperrfrist bis Montag, 22.

Zusammenfassung des Berichts vom 15. Mai 2006 von RA Beat Badertscher an Frau Stadträtin Monika Stocker. Sperrfrist bis Montag, 22. Time Out Platzierungen Zusammenfassung des Berichts vom 15. Mai 2006 von RA Beat Badertscher an Frau Stadträtin Monika Stocker Sperrfrist bis Montag, 22. Mai 2006 14 Uhr 2 1. Auftrag vom 7. April 2006

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

Ist Qualität nachrüstbar? Testen, Dokumentation und Code Qualität von Anfang an

Ist Qualität nachrüstbar? Testen, Dokumentation und Code Qualität von Anfang an Ist Qualität nachrüstbar? Testen, Dokumentation und Code Qualität von Anfang an Was ist Qualität? Definition laut EN ISO 9000:2005 Qualität wird definiert als "Grad, in dem ein Satz inhärenter Merkmale

Mehr

ALLES ÜBER IHRE KUNDEN

ALLES ÜBER IHRE KUNDEN ALLES ÜBER IHRE KUNDEN Data Quality: Die besten und aktuellsten Daten für Ihren Unternehmenserfolg Ansprechpartner bedirect GmbH & Co. KG Ariane Eggers Telefon +49 5241 80-45614 ariane.eggers@bedirect.de

Mehr

Modellbasierte Business Intelligence in der Praxis. Nürnberg, 10.11.2009

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

Mehr

Komplexität der Information - Ausgangslage

Komplexität der Information - Ausgangslage Intuition, verlässliche Information, intelligente Entscheidung ein Reisebericht Stephan Wietheger Sales InfoSphere/Information Management Komplexität der Information - Ausgangslage Liefern von verlässlicher

Mehr

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle

Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle Technologischen Rahmenbedingungen und Werkzeuge für eine wertschöpfende Controller-Rolle 40. Congress der Controller, Themenzentrum C, München Steffen Vierkorn, Geschäftsführer Qunis GmbH, Neubeuern Die

Mehr

Übernahme der Baudokumentation in den Betrieb am Beispiel eines aktuellen Großprojektes

Übernahme der Baudokumentation in den Betrieb am Beispiel eines aktuellen Großprojektes Übernahme der Baudokumentation in den Betrieb am Beispiel eines aktuellen Großprojektes Manuel Kaufer Canzler GmbH Projektmanager Übernahme Baudokumentation 24. 03. 2015 1 Inhalt Ziel des Projektes Woran

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

BPM: Integrierte Prozesse im ecommerce

BPM: Integrierte Prozesse im ecommerce BPM: Integrierte Prozesse im ecommerce Vom Geschäftsprozess bis zur lauffähigen Applikation. Thomas Grömmer Head of Business Process Solutions Ulf Ackermann Consultant Business Process Solutions Solution

Mehr

sim@kpi Management mit Kennzahlen Transparenz in Ihrem Unternehmen Prozesse messen, visualisieren und effizient verbessern

sim@kpi Management mit Kennzahlen Transparenz in Ihrem Unternehmen Prozesse messen, visualisieren und effizient verbessern sim@kpi Management mit Kennzahlen Transparenz in Ihrem Unternehmen Prozesse messen, visualisieren und effizient verbessern Die Situation Kennzahlen, Statistiken und Auswertungen haben in den meisten Unternehmen

Mehr