Data Quality for SAP. Treibstoff für Ihre Prozesse

Transkript

1 Data Quality for SAP Treibstoff für Ihre Prozesse

2 Data Quality. Delivered. Kennen Sie Herrn Meier aus der Brehmstrasse? Oder war es doch Herr Maier aus Bremen? Oder verbirgt sich hinter beiden Einträgen in Ihrem CRM System vielleicht die gleiche Person? Sie sind sich nicht sicher? Können Sie dann Ihren Analysen aus dem BI trauen? Und an welchem Punkt im Prozess wurde der Kunde eigentlich doppelt angelegt? Gute Kundenkommunikation, verlässliche BI Analysen, effiziente und effektive Dateneingabeprozesse, Identifizierung von Betrugsversuchen für all das ist Datenqualität die Grundvoraussetzung. Nur wenn die Daten Ihrer Geschäftspartner aktuell, korrekt, konsistent und eindeutig sind laufen die in Kundendaten eingreifenden Prozesse fehlerfrei. Für eine dauerhaft gute Datenqualität reicht es jedoch nicht, die Daten einmal zu bereinigen, denn die Qualitätssicherung von Daten durchläuft einen Lebenszyklus: den Data Quality Life Cycle (DQLC). Abbildung 01: Die Analyse Ihrer Personenstammdaten ist der erste Schritt im Data Quality Life Cycle Innerhalb der breiten Palette der SAP Lösungen spielt das Thema Datenqualität eine zentrale Rolle. Vordefinierte Schnittstellen zur Integration von Datenqualität sind in einigen Modulen vorhanden, in anderen Bereichen müssen Integrationsmöglichkeiten individuell geschaffen werden. Mit unseren Lösungen für SAP Systeme bieten wir Integrationen in alle wichtigen Unternehmensprozesse an. Dieser stellt sicher, dass alle Aspekte der Datenqualität abgedeckt sind und gewährt Ihnen eine dauerhaft hohe Datenqualität. Dabei ist es wichtig, Daten nicht nur periodisch auf Fehler zu überprüfen, sondern auch eine Data Quality Firewall zu implementieren. Diese überwacht die Dateneingabe und verhindert so in Echtzeit, dass fehlerhafte Daten überhaupt erst ins System gelangen. Uniserv bildet den Data Quality Life Cycle mit verschiedenen Softwareprodukten vollständig ab. Wir bieten für SAP Speziallösungen zur Qualitätssicherung von Daten, die sich in alle Module, z.b. SAP CRM, SAP ERP, SAP BW oder Individualentwicklungen als Services integrieren lassen.

3 Data Quality Life Cycle Die Grundlage für eine hohe Datenqualität bildet ein ganzheitlicher Ansatz. Es reicht nicht aus, den Blick nur auf die einzelnen Daten zu richten und für diese eine Verbesserung der Datenqualität zu erreichen. Vielmehr muss der gesamte Prozess überwacht werden um gegebenenfalls schon bei der Entstehung der Daten eingreifen zu können. Gleichzeitig muss eine Nutzung der Daten durch andere Unternehmens-prozesse gewährt bleiben. Dieser ganzheitliche Ansatz folgt im Wesentlichen dem Data Quality Life Cycle. Der Data Quality Life Cycle bildet den Verlauf der Datenqualität über den gesamten Datenprozess ab. Grundsätzlich lässt sich der DQLC in sechs Schritte untergliedern: 1. Analyze Syntaktische und semantische Prüfung der Daten 2. Transform Korrektur der syntaktischen Fehler 6. Deliver Übergabe und Überwachung der Datenqualität 3. Cleanse Semantische Korrektur der Daten und Adressvalidierung 5. Enrich Anreicherung der Daten aus anderen Quellen 4. Identify Dublettenerkennung und Zusammenführung Abbildung 02: Die Analyse Ihrer Personenstammdaten ist der erste Schritt im Data Quality Life Cycle

4 1. Analyze In einem ersten Schritt werden die Daten analysiert. Ein Profiling überprüft die Syntax Ihrer Daten. Ebenso wichtig ist aber auch die semantische Prüfung der Daten. Hier hilft ein klassischer DQ-Check, der auf Dubletten oder Fehler in Adressen prüft. Aber wer im Unternehmen kennt eigentlich die Qualität der Daten? Wer kennt die Prozesse und weiß, wo Probleme mit der Datenqualität auftreten können? Auch diese Fragen sollte man sich bei einer Analyse der Datenqualität stellen. Und wie kann man die Datenqualität verbessern? Und vor allem: dauerhaft auf hohem Niveau halten? Das Data Quality Audit von Uniserv Mit einer erprobten Vorgehensweise (siehe Abbildung 3) und Jahrzehnten an Erfahrung im Datenqualitätsbereich bietet Uniserv mit dem Data Quality Audit einen schnellen und werthaltigen Einblick in die Qualität Ihrer Daten nun auch für SAP-Systeme an. Ziel des Audits ist es, Datenqualitätsprobleme zu identifizieren und vor allem eine eindeutige Handlungsempfehlung zur Verbesserung und Sicherung der Datenqualität zu geben. Das Uniserv Data Quality Audit besteht aus drei Schritten: Bestandsanalyse (Ist-Analyse) Datenanalyse (Ist-Analyse) Handlungsempfehlung (Soll-Analyse) Nach Abschluss des Workshops besteht somit die Möglichkeit, neben Quick Wins eine langfristige Strategie zu definieren, wie die Qualität der Geschäftspartnerdaten dauerhaft sichergestellt und in Ihre SAP-Prozesse eingebunden werden kann. Data Quality Audit. Short facts. erprobte Vorgehensweise Prozess- und Datenanalyse kombiniert Abfrage über mehrere SAP-Systeme/Mandanten Handlungsempfehlungen und Strategie für Datenqualitätsoptimierung Profilierung Scope definieren Daten profilieren Analyse Profile analysieren Abhängigkeits-Analyse Ergebnisse erfassen Fortschritte verfolgen Management Aktivitäten zuordnen Termine festlegen Fortschritte verfolgen Abbildung 03: Ablauf des DQ Audits

5 Den Prozess im Blick Als langjähriger Data Quality Anbieter sehen wir den zunehmenden Trend, die Datenqualität in Business Systemen gezielt zu erhöhen, insbesondere im Umfeld von SAP. Über die Produktintegration hinaus ist es besonders wichtig, die Prozesse, die von Datenqualität beeinflusst werden, nicht nur im Auge zu behalten sondern gezielt zu optimieren. Dabei stellt die Datenqualität in den Applikationen und Prozessen, die auf der SAP Plattform betrieben werden, eine besondere Herausforderung dar. Durch unsere jahrelange Erfahrung im Data Quality Umfeld können wir Sie sowohl bei der Implementierung als auch bei den Prozessstrukturen über die gesamten Schritte des Data Quality Life Cycles beraten. Unsere Berater sind dabei nicht nur auf die technischen Aspekte fokussiert sondern helfen Ihnen darüber hinaus Ihre Prozesse optimal unter dem Gesichtspunkt der Sicherung der Datenqualität abzustimmen. Unsere langjährige SAP-Erfahrung garantiert Ihnen eine professionelle Beratung für alle Datenqualitäts- Aspekte im SAP Umfeld. 2. Transform Analog zur Analyse aus dem ersten Schritt werden hier die syntaktischen Fehler korrigiert. Bereits an dieser Stelle müssen Standards definiert werden, um bei der Dateneingabe während der Prozesse eine hohe Datenqualität zu gewährleisten. Dabei ist die Syntaktik, besonders bei Kundendaten, nicht zu unterschätzen. Dass Felder nicht oder falsch gefüllt sind, z.b. mit Buchstaben statt mit Zahlen, ist dabei noch recht einfach herauszufinden. Aber in welchem Format sollen Telefonnummern gespeichert werden? Und stimmt die Anrede für den Kunden? Steht im Feld 'Vorname' auch wirklich der Vorname? convert-name for SAP Mit convert-name stellt Uniserv innerhalb der jeweiligen SAP Transaktion ein Tool zur Verfügung, das solche Fragestellungen angeht dabei wird nicht nur auf Fehler hingewiesen, sondern schon bei der Eingabe werden Falscheingaben korrigiert. Darüber hinaus erleichtert convert-name die Dateneingabe, indem es dem Nutzer die Möglichkeit lässt, die Namensbestandteile in ein Feld zu schreiben und diese Bestandteile danach automatisch den richtigen Feldern (Nachname, Vorname, Anrede) in der richtigen Reihenfolge zuordnen zu lassen. Convert-name for Sap. Short facts. Automatisches Zuordnen der Namensbestandteile in die korrekten Felder Modifikationsfrei Verfügbar ab SAP-Release 4.6B

6 3. Cleanse Ein wichtiger und wiederkehrender Schritt im Data Quality Life Cycle ist das Cleansing der Daten. Hier werden hauptsächlich die Adressdaten korrigiert. Dies geschieht sowohl bei der Dateneingabe als auch periodisch. Die Adressdatenbank, die Uniserv für die Adress-Updates verwendet, enthält neben den Daten der Deutschen Post noch detailliertere Informationen, die von uns in Zusammenarbeit mit unseren Kunden ständig aktualisiert werden. Post for SAP Mit Post for SAP, das für die BC-BAS-PV Schnittstelle zertifiziert ist, bieten wir Ihnen die Möglichkeit, schon bei der Dateneingabe die postalischen Adressen korrekt zu erfassen. Post for SAP kann aber noch mehr (siehe Abbildung 1). Der 'Quartalsabgleich' hält die Adressdaten Ihrer Geschäftspartner immer auf dem aktuellen Stand, auch wenn sich Bestandteile einer Adresse (PLZ, Straßenname, Hausnummer) ändern. Ebenso ist es möglich, beim Laden von größeren Datenmengen diese bereits im Vorfeld auf korrekte Adressen zu überprüfen. Post for SAP. Short facts. Verfügbar ab SAP Release 4.6B Zertifiziert für BC-BAS-PV Internationale Adressdatenbanken für weltweite postalische Validierung verfügbar Für verschiedene SAP UIs verfügbar Generische Schnittstelle für mehr Flexibilität SOA-Integration möglich Ein weiterer Vorteil von Post for SAP sind die zugrunde liegenden Daten. Uniserv arbeitet hier mit verschiedenen großen Kunden zusammen, die sich genau der Problematik stellen müssen, dass die von der lokalen Post gelieferten Daten oft nicht ausreichend sind. Ergebnis dieser Zusammenarbeit ist eine Datenbank, die nicht nur weit über die reinen postalischen Daten hinausgeht, sondern auch gemeinsam mit unseren Partnern auf dem aktuellsten Stand gehalten wird. Abbildung 04: Architektur post / mail for SAP

7 4. Identify Schon bei relativ kleinen Datenbeständen entstehen schnell Dubletten. Diese herauszufiltern und schon bei der Eingabe zu verhindern stellt den nächsten Schritt im Data Quality Life Cycle dar. An dieser Stelle werden auch Dubletten zusammengefasst um so einen einheitlichen Blick auf Ihre Kunden zu realisieren. 1. Schon während der Eingabe eines Geschäftspartners wird in Echtzeit überprüft, ob dieser bereits im System vorhanden ist. 2. Eine unscharfe Suche sorgt für ein schnelleres Finden ähnlich lautender Geschäftspartner als dies über die scharfe Standard-Suche möglich ist. Mail for SAP Mail for SAP ist unsere Lösung zur Vermeidung und Identifizierung von Dubletten. Es setzt auf der BC-BAS-DES Schnittstelle auf (siehe Abbildung 1) und beinhaltet zwei Haupt-Funktionalitäten: Wichtig in diesen Prozessen ist, dass mögliche Dubletten oder Suchanfragen auch wirklich gefunden werden. So sollte eine Suche nach 'Meier' auch die phonetisch gleichen 'Maier', 'Mayer' und 'Meyer' finden. Ebenso sollte bei der Eingabe von 'BMW AG, Dingolfing' darauf hingewiesen werden, dass unter der gleichen Adresse bereits eine 'Bayrische Motorenwerke AG' hinterlegt ist. An dieser Stelle kommt Ihnen unsere jahrelange Erfahrung im Bereich Datenqualität zugute. So können wir die optimalen Algorithmen und Suchverfahren verwenden, die noch dazu auf Adress-, Personenund Firmendaten perfekt abgestimmt sind. Mail for SAP. Short facts. Verfügbar ab SAP Release 4.6B Zertifiziert für BC-BAS-DES Für alle SAP UIs verfügbar Generische Schnittstelle für mehr Flexibilität Systemübergreifende Suche SOA-Integration möglich

8 Black-List-Management Die jahrelange Erfahrung, die Uniserv im Umfeld von Datenqualität gesammelt hat, kommt Ihnen als Kunde bei einem weiteren Thema zugute: Compliance. Im Zuge der gesetzlichen Vorgaben der letzten Jahre ist es heutzutage für jede Firma wichtig sanktionierte Geschäftspartner zu erkennen und zu verhindern, dass diese von einer Geschäftsbeziehung profitieren können. Zudem führen viele Kunden eigene Listen, die Betrüger und unerwünschte Geschäftspartner beinhalten. Gleichzeitig muss darauf geachtet werden, dass vertrauenswürdige Geschäftspartner nicht aufgrund einer zufälligen Namensähnlichkeit außen vor bleiben. Caution & Compliance Framework for SAP Für diese Szenarien haben wir das Caution & Compliance Framework for SAP entwickelt. Es deckt nicht nur die Anforderungen der entsprechenden Gesetze ab (Geldwäschegesetz, Gesetz zur Terrorismusbekämpfung) sondern unterstützt, durch Identifikation verdächtiger Personen, zusätzliche Bereiche, wie z.b. eine Betrugsabwehr. Das CCF setzt dabei nicht nur auf eine Batchverarbeitung, also das Prüfen eines kompletten Datenbestands, sondern kann bereits während der Geschäftsanbahnung bzw. der Dateneingabe eingesetzt werden. Dabei werden die Geschäftspartnerdaten zunächst an die CCF-Prüfroutinen übergeben, die auf Basis verschiedener Suchalgorithmen die Daten gegen vordefinierbare Listen prüft. Sollte dabei ein Verdachtsfall auftreten, wird ein Workflow gestartet in dem Ihr Data Steward oder Compliance Officer direkt aus SAP heraus entscheiden kann, wie mit dem betroffenen Datensatz verfahren werden soll. Im Anschluss können zudem weitere kundenspezifische Maßnahmen definiert werden (siehe Abbildung 5). Durch unsere CCF for SAP Lösung wird das Risiko, dass sich nicht vertrauenswürdige Daten in Ihre Datenbank einschleichen, frühzeitig erkannt und minimiert. Hiervon profitieren Sie unmittelbar, denn jetzt können Sie gezielt entsprechende Maßnahmen ergreifen und folgenschwere Fehlentscheidungen vermeiden. CCF for SAP. Short facts. Abdeckung der gesetzlichen Anforderungen zur Erkennung von sanktionierten Geschäftspartnern In bestehende Prozesse integrierbar Prävention statt Reaktion Minimierung manueller Nacharbeit Standardlisten integriert, eigene Listen individuell konfigurierbar SOA-Integration möglich 5. Enrich Sind die in der Datenbank vorhandenen Daten auf einem qualitativ hohen Niveau, besteht im nächsten Schritt die Möglichkeit, diese Daten anzureichern bereits bei der Dateneingabe. Hier können sowohl Informationen aus internen Datenquellen (Rechnungswesen, Versand) zu den Kundendaten hinzugefügt werden, als auch Informationen von externen Datenanbietern verarbeitet werden. Hat man die vorherigen Schritte des Data Quality Life Cycle durchlaufen, sinkt zudem die Gefahr, doppelte Daten aus externen Quellen zu empfangen. Gerade bei Marketingaktionen verhindert dies unnötige Kosten. Erst wenn durch den Data Quality Life Cycle eine dauerhaft hohe Qualität erreicht ist, stehen die Daten für alle nachgelagerten Prozesse in einer Form zur Verfügung, die effektive und effiziente Abläufe ermöglicht. Enrich im SAP Umfeld Die zertifizierten Lösungen Mail for SAP und Post for SAP beinhalten zusätzlich zu den Zertifzierungsszenarien noch die Möglichkeit, durch eigene Schnittstellen und durch die Nutzung von Enterprise Services die Daten von Drittanbietern bzw. interne Daten zu den Kundendaten hinzuzufügen, z.b. Geokoordinaten, Telefonnummern, etc.. So ist es ohne großen Projektaufwand möglich, die Daten bereits innerhalb der Transaktion bei der Eingabe die Kundendaten anzureichern.

9 Abbildung 05, DQ Monitor: Überwachung von Unternehmensdaten 6. Deliver Der Data Quality Life Cycle schließt mit der Übergabe der Daten in entsprechender Qualität an den jeweils nachfolgenden Prozess ab. Das bedeutet, dass an dieser Stelle ein Reporting über den Grad der Datenqualität abgeliefert wird. Hier werden Schwachstellen aufgedeckt und für jeden Schritt ein Status Quo erfasst. Diese statischen Reports aus den einzelnen Schritten werden beim Data Quality Life Cycle der Uniserv um ein dynamisches Monitoring erweitert. Wenn Ihre Datenqualität durch geänderte Prozesse oder zusätzliche Daten abzunehmen droht, können Sie so jederzeit eingreifen. Data Quality Monitor Mit dem Data Quality Monitor von Uniserv können festgelegte Regeln für die Überwachung Ihrer SAP Systeme schnell und einfach mit Hilfe von SQL Statements erstellt und zu Jobs zusammengefasst werden (siehe Abbildung 3). Eine Einbindung in die vorhandenen Prozesse ist durch die automatisierte Benachrichtigungsfunktion ebenso möglich. Dadurch werden etwaige Probleme schnell erkannt und deren Beseitigung kann in existierende Workflows umgehend mit eingebunden werden. So ist eine kontinuierliche Überwachung der Datenqualität in Ihren SAP Systemen problemlos möglich. Auch laufende Datenqualitätsprojekte oder eine Ad-Hoc Überprüfung nach einer Datenübernahme oder -konsolidierung sind mit unserem Data Quality Monitor for SAP ohne weiteres machbar. Obwohl ein gutes Dataquality Monitoring sowie die Sicherstellung der Datenqualität bei der Eingabe die Datenqualität auf einem dauerhaft hohen Niveau halten kann, können sich weiterhin Fehler einschleichen. Bei Kundendaten gilt dies besonders Umzüge, Adressänderungen, aber auch Zukäufe von Adressen für Marketingkampagnen können die Datenqualität schnell wieder sinken lassen. Um diesem Verlust an Datenqualität entgegenzuwirken, sollten Sie den Data Quality Life Cycle nicht nur in Ihre Prozesse einbauen, sondern auch regelmäßig die Daten in Ihrer Gesamtheit überprüfen. Data Quality Monitor. Short facts. Business-Rules frei definierbar in SQL Zusammenfassung der Regeln zu Jobs Benachrichtigung bei auftretenden Problemen Statistiken über zeitlichen Verlauf der Datenqualität

10 Data Quality Batch Suite for SAP Die Data Quality Batch Suite ermöglicht über die reinen Zertifizierungsprozesse von Mail und Post hinaus die Integration von komplexen Datenqualitätsprozessen. Der Fokus liegt hierbei auf der Batchverarbeitung, sprich, dem Handling von großen Datenmengen. Sie können Ihre Prozesse komplett selbst definieren und somit auch auf Dauer eine hohe Datenqualität sicherstellen. anderen Eingabeformaten umgehen und die Ergebnisse der Datenqualitätsanalyse in unterschiedlichen Formaten flexibel ausgeben. Dabei kommt als zentraler Punkt die DQ Batch Suite zum Einsatz, die weitgehend von SAP aus gesteuert werden kann. Mithilfe der Batch Suite steht Ihnen eine mächtige Workbench zur Definition von Data Quality-Prozessen zur Verfügung, die vielfältige Funktionen zur Sicherung der Datenqualität bietet (siehe Abbildung 2): Namens und Adresskonvertierungen Postalische Prüfung Geocoding Dublettenabgleich Datenkonsolidierung- Umzugsabgleich Marketingfunktionalitäten (Kontrolladressen, Portooptimierung, etc) Die DQ Batch Suite beschränkt sich nicht nur auf die Analyse und Bereinigung von Daten aus den SAP Systemen, sondern kann auch mit verschiedenen Abbildung 06: Architektur DQ Batch Suite DQ Batch Suite for SAP. Short Facts. Abbildung komplexer DQ-Prozesse möglich Job-Steuerung aus SAP heraus Ergebnisvisualisierung in SAP Revisionssicher

11 Uniserv Data Quality for SAP Das Unternehmen Uniserv ist ein führender europäischer Anbieter für Data Quality-Lösungen mit international einsetzbarem Softwareportfolio sowie Services zur Qualitätssicherung von Daten in Business Intelligence, bei CRM-Anwendungen, Data Warehousing, ebusiness sowie Direct- und Database-Marketing. Mit mehreren Tausend Installationen weltweit unterstützt Uniserv Hunderte von Kunden in ihrem Bemühen, den Single View of Customer in ihrer Kundendatenbank abzubilden. Uniserv beschäftigt am deutschen Stammsitz in Pforzheim sowie in der französischen Niederlassung in Paris, über 110 Mitarbeiter und zählt branchenübergreifend und international zahlreiche renommierte Unternehmen wie beispielsweise ADAC, Allianz, BMW, Commerzbank, DBV Winterthur, Deutsche Bank, Deutsche Börse Group, France Telecom, Greenpeace, GEZ, Heineken, Johnson & Johnson, Nestlé, Payback, PSA Peugeot Citroën sowie Time Life und Union Investment zu seinen Kunden. Langjährige SAP-Kompetenz Bereits 2002 entwickelte Uniserv die erste Integration für die BAS-Schnittstelle der SAP. Seitdem wurde die Palette der für SAP-Lösungen verfügbaren Produkte kontinuierlich ausgebaut. In vielen Projekten konnte Uniserv, durch umfangreiche Kenntnisse im SAP-Umfeld sowie die jahrelangen Erfahrung bei Datenqualitätslösungen, ihren Kunden eine optimale Prozess- und Lösungsberatung anbieten. Die Erfahrungen mit unseren Kunden haben in den letzten Jahren gezeigt, dass Datenqualität in Business Systemen, insbesondere im SAP-Umfeld, immer wichtiger wird. Dabei stellt die Datenqualität in den Applikationen und Prozessen, die auf der SAP-Plattform betrieben werden, eine besondere Herausforderung dar. Durch die langjährige Expertise der Uniserv im SAP-Umfeld können individuelle Anforderungen der Kunden mit professionellen Produkt- und Servicelösungen erfüllt werden. Weitere Informationen sind unter erhältlich.

12 UNISERV GmbH Rastatter Straße Pforzheim Telefon: + 49 (0) Fax: +49 (0) info@enterprise-dataquality.com SAP, SAP NetWeaver, mysap Business Suite, mysap CRM, SAP R/3, mysap ERP sowie ABAP sind Warenzeichen oder eingetragene Warenzeichen der SAP AG in Deutschland und in anderen Ländern weltweit. Alle anderen verwendeten Firmen- und Produkt-namen sind Handelsnamen und/oder eingetragene Waren-zeichen der jeweiligen Unternehmen.