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

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

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

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

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

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

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

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

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

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

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: 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Interview zum Thema Management Reporting &Business Intelligence

Interview zum Thema Management Reporting &Business Intelligence Interview zum Thema Management Reporting &Business Intelligence Das ist ja interessant. Können Sie etwas näher beschreiben, wie ich mir das vorstellen kann? Jens Gräf: In einem Technologieunternehmen mit

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

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 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

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

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

Governance, Risk & Compliance für den Mittelstand

Governance, Risk & Compliance für den Mittelstand Governance, Risk & Compliance für den Mittelstand Die Bedeutung von Steuerungs- und Kontrollsystemen nimmt auch für Unternehmen aus dem Mittelstand ständig zu. Der Aufwand für eine effiziente und effektive

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

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

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

Multichannel Challenge: Integration von Vertriebsorganisation und Contact Center in der Versicherung

Multichannel Challenge: Integration von Vertriebsorganisation und Contact Center in der Versicherung Philip Michel CRM Project Manager 23 June 2011 Multichannel Challenge: Integration von Vertriebsorganisation und Contact Center in der Versicherung 2009 IBM Corporation Die Multichannel Challenge eines

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

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

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

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

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

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

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

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

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

Auftragsprojekte von der Anfrage bis zur Abrechnung erfolgreich managen - Maßgeschneiderte Qualifizierung der Projekt- und Bauleiter -

Auftragsprojekte von der Anfrage bis zur Abrechnung erfolgreich managen - Maßgeschneiderte Qualifizierung der Projekt- und Bauleiter - Auftragsprojekte von der Anfrage bis zur Abrechnung erfolgreich managen - Maßgeschneiderte Qualifizierung der Projekt- und Bauleiter - FOCUS Team KG Besenbruchstraße 16 42285 Wuppertal Tel.: 0202 28394-0

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

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

Brauchbare KPIs müssen sich aus Business- Anforderungen ableiten!

Brauchbare KPIs müssen sich aus Business- Anforderungen ableiten! Jetzt drucken Exagon Consulting deckt typische Kennzahlen-Sünden im IT Service Management auf Brauchbare KPIs müssen sich aus Business- Anforderungen ableiten! 12.01.2011 Redakteur: Andreas Donner Nach

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

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

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

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

Erfahrungsbericht über die Dokumentation der AQS auf der Kläranlage Achental-Inntal-Zillertal

Erfahrungsbericht über die Dokumentation der AQS auf der Kläranlage Achental-Inntal-Zillertal Erfahrungsbericht über die Dokumentation der AQS auf der Kläranlage Achental-Inntal-Zillertal Einleitung: Christian Fimml Die analytische Qualitätssicherung auf Kläranlagen hat in den letzten Jahren immer

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

IPCB e.u. FN 321087 m (eingetr. LG St. Pölten)

IPCB e.u. FN 321087 m (eingetr. LG St. Pölten) VORSTELLUNG IPCB e.u. FN 321087 m (eingetr. LG St. Pölten) Dr. Wolfgang Baumann-Renner 3363 Ulmerfeld-Hausmening, Marktplatz 8/2 +43 676 7507543 +43 7475 53060 33 w.baumann@ipcb.at www.ipcb.at 1 www.ipcb.at

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

Collaborative Performance Management mit hyscore - Der gemeinsame Weg zur Verbesserung von Unternehmensleistung und Profitabilität

Collaborative Performance Management mit hyscore - Der gemeinsame Weg zur Verbesserung von Unternehmensleistung und Profitabilität Collaborative Performance Management mit hyscore - Der gemeinsame Weg zur Verbesserung von Unternehmensleistung und Profitabilität Version 4.6 Juni 2010 Seite 1 Inhalt... 3 Breite Zugänglichkeit der Performance

Mehr

BCM Schnellcheck. Referent Jürgen Vischer

BCM Schnellcheck. Referent Jürgen Vischer BCM Schnellcheck Referent Jürgen Vischer ISO 9001 ISO 9001 Dokumentation - der Prozesse - der Verantwortlichen - Managementverantwortlichkeit - Verbesserungszyklus - Mitarbeiterschulung & Bewusstsein Datenschutz

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-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

Qualitätsmanagement-Handbuch

Qualitätsmanagement-Handbuch Prozessdatenblatt Prozessziel: Das Beschwerdemanagement im dient uns der eigenen kontinuierlichen Verbesserung. Gemeinsam mit dem Kunden sollen einvernehmliche Problemlösungen gefunden und umgesetzt werden,

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

Customer Relationship Management

Customer Relationship Management Customer Relationship Management Titel des Lernmoduls: Customer Relationship Management Themengebiet: New Economy Gliederungspunkt im Curriculum: 2.2.1.3.7 Zum Inhalt: Diese Modul befaßt sich mit der Vorgehensweise

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

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

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

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

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

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

Datenqualität für Kapital- und Liquiditätssteuerung sicherstellen

Datenqualität für Kapital- und Liquiditätssteuerung sicherstellen make connections share ideas be inspired Datenqualität für Kapital- und Liquiditätssteuerung sicherstellen Datenqualitätsprozesse auf allen Verarbeitungsstufen Carsten Krah, SAS Michael Herrmann, SAS Datenqualität

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

TRAVEL MANAGER IM MITTELSTAND

TRAVEL MANAGER IM MITTELSTAND TRAVEL MANAGER IM MITTELSTAND Kerstin Klee, Travel Managerin, Webasto SE Aufgaben, Herausforderungen und Positionierung im Unternehmen Was tun wir in den nächsten 90 Minuten Wir sprechen über folgende

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

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

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

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

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

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

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

Modellbasiertes Anforderungsmanagement für Change Requests Ein Praxisbericht. München, 11.03.2014

Modellbasiertes Anforderungsmanagement für Change Requests Ein Praxisbericht. München, 11.03.2014 Modellbasiertes Anforderungsmanagement für Change Requests Ein Praxisbericht München, 11.03.2014 Vorstellung Ihr Referent Ralf Nagel Senior Consultant für modellbasierte Anforderungsanalyse MID GmbH Kressengartenstraße

Mehr

CALL CENTER- KURZ CHECK

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

Mehr

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

DIE SCHALTHEBEL DES CIO

DIE SCHALTHEBEL DES CIO DIE SCHALTHEBEL DES CIO DAS SERVICE PORTFOLIO UND DEN SERVICEKATALOG RICHTIG ANWENDEN 8. Swiss Business- & IT-Servicemanagement & Sourcing Forum 2014 Holger Bley, Director HiSolutions AG Von unseren Kunden

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

CMM Level 5 Markus Mattes. Markus Mattes CMM Level 5 1

CMM Level 5 Markus Mattes. Markus Mattes CMM Level 5 1 CMM Level 5 Markus Mattes Markus Mattes CMM Level 5 1 Inhalt Einleitung KPAs Level 5 Defect Prevention Technology Change Management Process Change Management Beispiel Schluss Markus Mattes CMM Level 5

Mehr

Requirements Engineering (Anforderungstechnik)

Requirements Engineering (Anforderungstechnik) 5 Requirements Engineering Einführung 5.1 Was ist Requirements Engineering? Erste Näherung: Requirements Engineering (Anforderungstechnik) ist das systematische, disziplinierte und quantitativ erfassbare

Mehr

Kennzahlen in der Instandhaltung

Kennzahlen in der Instandhaltung Kennzahlen in der Instandhaltung 08.03.2012 In Zusammenarbeit mit IT Systeme und Prozesse / GPS Copyright 2012 AllessaChemie GmbH 1 08.03.2012 Copyright 2012 AllessaChemie GmbH Agenda Vorstellung AllessaChemie

Mehr

Anleitung zur Software PO-Bado-Dat Version 2.1

Anleitung zur Software PO-Bado-Dat Version 2.1 Anleitung zur Software PO-Bado-Dat Version 2.1 Arbeitsgruppe PO-Bado München, Februar 2009 Vorwort Mit der Software PO-Bado-Dat 2.0 können die mit der PO-Bado Standardversion erhobenen Daten in den Computer

Mehr

Effektstärken-Check: Wichtigste Projektkategorien

Effektstärken-Check: Wichtigste Projektkategorien Als die wichtigsten Einflussfaktoren für Projekterfolg wurden die nachfolgenden Fragen an die Teilnehmer der Studie Evidenzbasierte Erfolgsfaktoren im Projektmanagement, BPM-Labor Hochschule Koblenz, Prof.

Mehr

Prozessbeschreibung. Beschwerdemanagement

Prozessbeschreibung. Beschwerdemanagement Die 1. Adresse für erfolgreiche Kundenbetreuung, nachhaltigen Kundenservice und strategische Neukundengewinnung Prozessbeschreibung Beschwerdemanagement Gültig für den Bereich Projektkoordination ab 30.09.2014

Mehr

Administrations-KVP, die Prozessanalyse

Administrations-KVP, die Prozessanalyse Business Workshop Organisation GRONBACH Freiräume schaffen um das Wichtige zu tun! Ich möchte die Bedeutung schlanker Prozesse in den administrativen Unternehmensbereichen an einem realen Beispiel deutlich

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

Die vorliegende Arbeitshilfe befasst sich mit den Anforderungen an qualitätsrelevante

Die vorliegende Arbeitshilfe befasst sich mit den Anforderungen an qualitätsrelevante ISO 9001:2015 Die vorliegende Arbeitshilfe befasst sich mit den Anforderungen an qualitätsrelevante Prozesse. Die ISO 9001 wurde grundlegend überarbeitet und modernisiert. Die neue Fassung ist seit dem

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

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

Service Transition. Martin Beims. WKV SS13 Karsten Nolte. Mittwoch, 19. Juni 13

Service Transition. Martin Beims. WKV SS13 Karsten Nolte. Mittwoch, 19. Juni 13 Service Transition Martin Beims WKV SS13 Karsten Nolte Inhalt Einführung & Ziele Transition Planning & Support Change Management Service Asset & Configuration Management Release & Deployment Management

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

Systemen. Stand der Umsetzung von BSC-Systemen. 3/4 der Unternehmen setzen Balanced Scorecard als neues Instrument der Unternehmensführung ein.

Systemen. Stand der Umsetzung von BSC-Systemen. 3/4 der Unternehmen setzen Balanced Scorecard als neues Instrument der Unternehmensführung ein. Stand der Umsetzung von BSC-Systemen Systemen BSC eingeführt keine Überarbeitung 11% kein Interesse 26% BSC eingeführt Überarbeitung geplant 5% BSC geplant 58% n = 141 3/4 der Unternehmen setzen Balanced

Mehr