Datenqualität in medizinisch-betriebswirtschaftlichen Informationssystemen MedConf 2013
|
|
- Heinz Arnold
- vor 8 Jahren
- Abrufe
Transkript
1 Datenqualität in medizinisch-betriebswirtschaftlichen Informationssystemen MedConf 2013 Endler Gregor,
2 Warum Datenqualität? 2002, USA: $ Y2k weltweit: $ Kosten Todesfälle durch Fehler Fehlende Info: bis 81% der Fälle 2
3 Was ist Datenqualität? Intuitiv klar Keine allgemein anerkannte Definition Viele verwandte Forschungsgebiete 3
4 Was ist Datenqualität? Generisch: Fitness for Use 1. Datenqualität ist subjektiv 4
5 Beispiel Felder vertauscht ungenau Duplikate fehlende Werte PID Name Vorname Geburtsjahr Telefon MgrZulage 9462 Hans Müller Müller Hans Mustermann Susanne Merkel Angela Becker Bris Tippfehler falscher Wert nicht plausibler Wert unmöglicher Wert 5
6 Was ist Datenqualität? Viele unterschiedliche Arten von Qualität 1. Datenqualität ist subjektiv 2. Datenqualität ist multidimensional 6
7 Korrektheit, Genauigkeit Korrektheit Übereinstimmung Datenwert - Realwelt Genauigkeit Abstand Datenwert - Realwelt Syntaktisch vs. Semantisch kontextunabhängig kontextabhängig 7
8 Vollständigkeit Schema Attribut Vollständigkeit Tupel Relation Population 8
9 Konsistenz Konsistenz Widerspruchsfreiheit Relationale Integritätsbedingungen Benutzerdefinierte Constraints 9
10 Zeitbezogene Dimensionen Aktualität Zeitnähe Daten veraltet? Zeitgerechte Bereitstellung? 10
11 Wechselwirkungen Sicherstellen von Korrektheit, Erfordert Zeit Zeitnähe gefährdet 11
12 Was ist Datenqualität? Wechselwirkungen zwischen Dimensionen 1. Datenqualität ist subjektiv 2. Datenqualität ist multidimensional 3. DQ-Dimensionen sind nicht unabhängig 12
13 Messen von Datenqualität
14 Referenzdaten 14
15 Maße Korrektheit Syntaktisch: Wertebereich, Rechtschreibung Semantisch: Realweltvergleich Genauigkeit Realweltvergleich Spezialfall Distanzmessung an Realobjekt Konsistenz # Tupel, die alle Integritätsbedingungen erfüllen # Tupel Zeitnähe Fehlende Daten für Arbeitsschritt? Prozessmonitoring 15
16 Messen von Vollständigkeit Vollständigkeit Attribut, Tupel, Relation: Anteil NULL Schema: Schema- & Bedarfsanalyse Populationsvollständigkeit: Expertenwissen, Realweltvergleich Wert existiert nicht NULL Wert existiert, ist aber nicht bekannt Nicht bekannt, ob Wert existiert 16
17 Messen von Aktualität Aktualisierungen Realweltobjekt Zeit Datenobjekt d Zeit Aktualität von d Zeit 17
18 Messen von Aktualität ctd. Realweltobjekt Volatilität? Zeit Datenobjekt d Zeit geschätzte Aktualität von d Zeit 18
19 Verbesserung von Datenqualität
20 DQ und Prozesskontrolle steuern Daten Prozesse erzeugen IT Geschäftsprozesse Unternehmensorganisation 20
21 Maßnahmenportfolio Maßnahmenportfolio zur Verbesserung der DQ [Redman 1996] hoch Änderungshäufigkeit der Realweltobjekte Proaktive Maßnahmen niedrig Laissez faire Reaktive Maßnahmen niedrig Bedeutung (Wichtigkeit) der Daten hoch 21
22 TDQM Zyklus Define Improve Measure Analyze TDQM: Wang et al: Data Quality, Kluwer,
23 Transparenz der DQ der Datenproduktion A1, QS1 A2, QS2 A3, QS3 w1, qw1 w2, qw2... QS2 q1 q2 qw2 qind1 qind2 23
24 Transparenz der DQ der Datenproduktion Provenance Why Where How 24
25 Maßnahmen Profiling Manuelle Korrektur (semi-)automatische Korrektur Attributanalyse Ausreißer Abhängigkeiten Identity Matching Fremdschlüsselbeziehungen Record Linkage Redundanzen 25
26 Datenqualität im Projekt MEDITALK
27 Kontext Gemeinschaftliche Behandlung Praxismanager Finanzielle Vorteile 27
28 Wo drückt der Schuh? 28
29 MVZ und Praxisnetz Heterogene Arztpraxis- Systeme (APS) APS A APS B Metadaten Repository Integration Integrierte Datenbank Neue Verwendung DQ-Monitoring Administrative Anwendungen (z.b. Controlling) ERP System des Zentrums Fitness for Use? 29
30 Pay-as-you-go DQ-Monitoring Pay-asyou-go neue Regeln neue Metriken Define Initiale Definition von Regeln, Metriken Benachrichtigung Bereinigung Improve Measure Monitor Monitoring Problemanzeige Analyze Moni tor Ursprung? Ursachen? TDQM: Wang et al: Data Quality, Kluwer,
31 Zusammenfassung Datenqualität ist subjektiv Datenqualität ist multidimensional DQ-Dimensionen sind nicht unabhängig Messen entlang der Dimensionen Oft kontinuierliches DQ-Management nötig 31
32 Kontakt Gregor Endler Lehrstuhl für Informatik 6 (Datenmanagement) FAU Erlangen-Nürnberg gregor.endler@fau.de www6.cs.fau.de/people/greg/
33 Quellen Batini, C. and Scannapieco, M.: Data Quality. Concepts, Methodologies and Techniques, Springer, 2006 Eckerson, W.: Data Quality and the Bottom Line: Achieving Business Success through a Commitment to High Quality Data, The Data Warehouse Institute, Repost Series, 2002 Fisher, C.W. and Kingma, B.R.: Criticality of Data Quality as Exemplified in Two Disasters, Information Management, 2002 English, L.P.: Improving Data Warehouse and Business Information Quality, Wiley & Sons, 1999 Institute of Medicine: IOM Report 1999 IOM Report 2001 Lenz, R.Y.: Vorlesungsmaterial Evolutionäre Informationssysteme, 2012 Miller, D.W., et al.: Missing prenatal records at a birth center: A communication problem quantified, AMIA Annu. Symp. Proc., 2005 Redman, T.C.: Data Quality for the Information Age, Artech House, 1996 Wang, R. et.al.: Data Quality, Kluwer,
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
MehrData/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!
MehrQuelle: 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
MehrQuality 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
MehrMotivation: 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
MehrOrientierungsvorlesung. Vertiefungsrichtung Datenbanksysteme. Richard Lenz Februar 2014
Orientierungsvorlesung Vertiefungsrichtung Datenbanksysteme Februar 2014 Lehrstuhl für Informatik 6 (Datenmanagement) Friedrich-Alexander-Universität Erlangen-Nürnberg Datenbanksysteme (1) 2 Techniken
MehrDatenmanagement. 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
MehrOrientierungsvorlesung. Vertiefungsrichtung Datenbanksysteme. Richard Lenz Dezember 2014
Orientierungsvorlesung Vertiefungsrichtung Datenbanksysteme Richard Lenz Dezember 2014 Lehrstuhl für Informatik 6 (Datenmanagement) Friedrich-Alexander-Universität Erlangen-Nürnberg Datenbanksysteme (1)
MehrDatenqualität. 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:
MehrDIE 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
MehrDatenqualitätsmodelle
Datenqualitätsmodelle Stefan Willi Hart 3. Dezember 2009 Stefan Willi Hart () Datenqualitätsmodelle 3. Dezember 2009 1 / 14 Inhaltsverzeichnis 1 Motivation 2 Modelle Systemseitiges DQ-Modell Allgemein
MehrStandardisiert aber flexibel
AFCEA e.v. Mittagsforum 24.10.2008 Godesburg, Bonn-Bad Godesberg Standardisiert aber flexibel Prozessmodelle im Übergang von der Theorie in die Praxis. Brian Rosenberger Die Theorie Der entwickelt Verfahren
MehrMai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln
Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese
Mehr7. Übung - Datenbanken
7. Übung - Datenbanken Informatik I für Verkehrsingenieure Aufgaben inkl. Beispiellösungen 1. Aufgabe: DBS a Was ist die Kernaufgabe von Datenbanksystemen? b Beschreiben Sie kurz die Abstraktionsebenen
MehrAgenda. 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
MehrDatenqualität 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
MehrMarketing 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
MehrDatenbanken: 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
MehrFoundations of uncertain data integration
Foundations of uncertain data integration Seminar Informationsintegration Stephan Barnert IT Management & Consulting 11.09.2015 Agenda Problemstellung Einleitung Beispiel zur Integration Wiederholung LAV
MehrBI 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
MehrUmgang mit Veröffentlichungsfehlern
Umgang mit Veröffentlichungsfehlern Der vorliegende Überblick befasst sich mit der Einstufung und Behandlung nachträglich festgestellter in Gemeinschaftsveröffentlichungen der Statistischen Ämter des Bundes
MehrBenchmark zur Kompetenzbestimmung in der österreichischen SW Industrie. Mag. Robert Kromer NCP / AWS Konferenz Wien, 29.2.2012
Benchmark zur Kompetenzbestimmung in der österreichischen SW Industrie Mag. Robert Kromer NCP / AWS Konferenz Wien, 29.2.2012 Warum beschäftigen wir uns mit Wissensbewertung? ( 1978 (in Folie 2 Welchen
MehrKapitel 10 Aktive DBMS
Kapitel 10 Aktive DBMS 10 Aktive DBMS 10 Aktive DBMS...1 10.1 Einführung und Definition...2 10.2 Funktionsprinzip: ADBMS und ECA-Modell...4 10.3 Potentiale und Vorteile ADBMS...5 10.4 Aktive Elemente einer
MehrCMMI und SPICE im Automotive Umfeld
Vorträge 2006 CMMI und SPICE im Automotive Umfeld Inhalt Motivation Übersicht zu CMMI Anwendung in Entwicklungsprojekten Prozess Management als Lösungsansatz SPICE Motivation Jährliche Kosten für Prozessverbesserung
Mehrerfolgreich 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
MehrVirtual Roundtable: Business Intelligence - Trends
Virtueller Roundtable Aktuelle Trends im Business Intelligence in Kooperation mit BARC und dem Institut für Business Intelligence (IBI) Teilnehmer: Prof. Dr. Rainer Bischoff Organisation: Fachbereich Wirtschaftsinformatik,
MehrErfolgsfaktor 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
MehrSchlüssel bei temporalen Daten im relationalen Modell
Schlüssel bei temporalen Daten im relationalen Modell Gesine Mühle > Präsentation > Bilder zum Inhalt zurück weiter 322 Schlüssel im relationalen Modell Schlüssel bei temporalen Daten im relationalen Modell
MehrVortrag zum Fortsetzungantrag
1 / 18 Vortrag zum Fortsetzungantrag Universität Rostock Fakultät für Informatik und Elektrotechnik Institut für Informatik Lehrstuhl für Informations- und Kommunikationsdienste 24.06.2008 2 / 18 Inhalt
MehrAristaFlow BPM Suite Überblick. AristaFlow GmbH Ulm
AristaFlow BPM Suite Überblick AristaFlow GmbH Ulm AristaFlow BPM Suite Activity Repository Editor Aktivitäten und Services integrieren und verwalten Org Model Editor Organisationsmodell abbilden Process
MehrAgenda. 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
MehrBigData Wie wichtig ist die Datenqualität bei der Analyse und Auswertung von großen Daten Praxisbeispiel. Christin Otto
BigData Wie wichtig ist die qualität bei der Analyse und Auswertung von großen Praxisbeispiel Christin Otto Was ist Big Data? Der Big Data Prozess Sammlung und Speicherung von Analyse der zum Gewinn von
MehrOperational Excellence Effizienzoptimierung und Qualitätssteigerung mit Lean Sigma in der IT
Christian Wagner Operational Excellence Effizienzoptimierung und Qualitätssteigerung mit Lean Sigma in der IT 1 Ziele und Herausforderungen im IT Service Management 2 Überblick über die Lean Sigma Methode
MehrDaten verstehen. Prozessoptimierung Applikationsmanagement Systemintegration. Daten- u. Prozessmodellierung Applikationsentwicklung Systemintegration
Actum + MIOsoft Ihr SAP Partner Prozessoptimierung Applikationsmanagement Systemintegration Daten verstehen Daten managen Business Analytics und IT Plattformanbieter Daten- u. Prozessmodellierung Applikationsentwicklung
MehrData Quality Management: Abgleich großer, redundanter Datenmengen
Data Quality Management: Abgleich großer, redundanter Datenmengen Westendstr. 14 809 München Tel 089-5100 907 Fax 089-5100 9087 E-Mail Datras@Datras.de Redundanz und relationales Datenbankmodell Redundanz:
MehrReferenzielle Integrität SQL
Referenzielle Integrität in SQL aus Referential Integrity Is Important For Databases von Michael Blaha (Modelsoft Consulting Corp) VII-45 Referenzielle Integrität Definition: Referenzielle Integrität bedeutet
MehrDatenqualität 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
MehrVorhersagemodell für die Verfügbarkeit von IT-Services
Vorhersagemodell für die Verfügbarkeit von IT-Services Magdeburg Research and Competence Cluster Very Large Business Applications Lab Fakultät für Informatik Institut für Technische und Betriebliche Informationssysteme
MehrIdentity Management Service-Orientierung. 27.03.2007 Martin Kuppinger, KCP mk@kuppingercole.de
Identity Management Service-Orientierung 27.03.2007 Martin Kuppinger, KCP mk@kuppingercole.de Das Extended Enterprise verändert den Umgang mit Identitäten und Sicherheit Mitarbeiter Kunden Lieferanten
MehrIn-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
MehrNull-Werte in Relationalen Datenbanken
Seminar: Imperfektion in Datenbanken WS03/04 Null-Werte in Relationalen Datenbanken Thomas Bierhance Einführung Null-Werte in DBen sind notwendiges Übel, da... (1) das Wissen über die tatsächliche Welt
MehrErfolgsfaktor 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
MehrLOPEZ_SU AREZ_DAT ENANALYS E_ZERZEP
LEISTUNGSÜBERSICHT 2014 ÜBERBLICK Seite 2 Das Unternehmen Seite 3 Datenanalyse Seite 4 Prozessoptimierung Seite 5 Treuhand & Revision Seite 6 Interim Management Seite 7 Referenzen Seite 8 Kontakt Seite
MehrSix-Sigma-Methodik bei der Vergabe von Übersetzungsdienstleistungen. Benedikt Kraus Entscheider-Forum für Führungskräfte 24.
Six-Sigma-Methodik bei der Vergabe von Übersetzungsdienstleistungen Benedikt Kraus Entscheider-Forum für Führungskräfte 24. Oktober 2012 Anforderungen an Sprachdienstleistungen bei Boehringer Ingelheim
MehrSetzen Sie die richtigen Prioritäten im Service Desk!
Herzlich Willkommen zu unserem Vortrag: Setzen Sie die richtigen Prioritäten im! Ines Gebel Produktmanagerin IT-Service-Management Telefon: +49 (231) 5599-473 E-Mail: Ines.Gebel@materna.de 30.3.2007 www.materna.de
MehrBusiness Process Management. AristaFlow GmbH Ulm
Business Process Management AristaFlow GmbH Ulm Überblick Vom Geschäftsprozess zum Workflow Von der Anforderung zum Prozess Vom Prozess zur Anwendung Prozessmodellierung 2013 AristaFlow GmbH, Ulm AristaFlow-Schulung
MehrZielgruppenorientiertes IT Servicemonitoring. OSMC2013 Oliver Tatzmann
Zielgruppenorientiertes IT Servicemonitoring OSMC2013 Oliver Tatzmann Inhalt Vorstellung Theorie Monitoring vs. Realität Praktische Herangehensweise (Beispiele) Zusammenfassung Inhalt Vorstellung Unternehmen
MehrData 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:
MehrTPAV. Dubletten- und Adressprüfung direkt im SAP CRM
TPAV Dubletten- und Adressprüfung direkt im SAP CRM 2 Ihr Kapital im SAP CRM: die Geschäftspartnerdaten. Trusted Partner Address Validation (TPAV) Das von der C4RM entwickelte TPAV AddOn sucht Geschäftspartner-Dubletten
MehrOLAP und Data Warehouses
OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting
Mehr2. Prozessfux IT Service Management Tagung
2. Prozessfux IT Management Tagung CMDB aus Sicht IT Management Priora Business Center "Balsberg", 21. Juni 2011 Raiffeisen Schweiz, Markus Beck, Bereichsleiter IT-Governance & s Version V1.0 Seite 1 AGENDA
MehrDer Blindflug in der IT - IT-Prozesse messen und steuern -
Der Blindflug in der IT - IT-Prozesse messen und steuern - Ralf Buchsein KESS DV-Beratung GmbH Seite 1 Agenda Definition der IT Prozesse Ziel der Prozessmessung Definition von Prozesskennzahlen KPI und
MehrTool: SDQC. Stammdaten-Qualitätscheck im Artikelstamm. Lars Klimbingat
Tool: SDQC Stammdaten-Qualitätscheck im Artikelstamm Lars Klimbingat Basel 08.10.2010 AUSWIRKUNGEN SCHLECHTER DATENQUALITÄT 2 AUSWIRKUNGEN SCHLECHTER DATENQUALITÄT Ungenaues Berichtswesen Mangelhafte Entscheidungen
MehrLars Priebe Senior Systemberater. ORACLE Deutschland GmbH
Lars Priebe Senior Systemberater ORACLE Deutschland GmbH Data Mining als Anwendung des Data Warehouse Konzepte und Beispiele Agenda Data Warehouse Konzept und Data Mining Data Mining Prozesse Anwendungs-Beispiele
MehrToolgestützte Prozessdokumentation. Prozessorientiertes E-Government, 28.10.2005 Joel Meir, jmeir@csc.com, +41 31 998 46 46
Toolgestützte Prozessdokumentation Prozessorientiertes E-Government, 28.10.2005 Joel Meir, jmeir@csc.com, +41 31 998 46 46 Wir bieten unseren Kunden End-to-End Lösungen an Consulting Systems Integration
MehrDreidimensionale Visualisierung von ober- und unterirdischen Konstruktionen in DeepCity3D
Dreidimensionale Visualisierung von ober- und unterirdischen Konstruktionen in DeepCity3D Programme Inter Carnot Fraunhofer PICF 2010 M.Sc. Inf. Michel Krämer Fraunhofer-Institut für Graphische Datenverarbeitung
MehrMaßnahmen zur Verbesserung der Datenqualität
Maßnahmen zur Verbesserung der Datenqualität in der Klinischen Landesregisterstelle des Krebsregisters Baden-Württemberg 11. DVMD Fachtagung, 17.02.2011 Regina Schönthaler, Klinische Landesregisterstelle
MehrChristian Kurze BI-Praktikum IBM WS 2008/09
Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS
MehrSemantische Integrität (auch: Konsistenz) der in einer Datenbank gespeicherten Daten als wichtige Anforderung
6. Datenintegrität Motivation Semantische Integrität (auch: Konsistenz) der in einer Datenbank gespeicherten Daten als wichtige Anforderung nur sinnvolle Attributwerte (z.b. keine negativen Semester) Abhängigkeiten
MehrHomogene standortübergreifende Prozesse mit Hilfe von IT Service Management. 25. April 2007
Homogene standortübergreifende Prozesse mit Hilfe von IT Service Management e-business-akademie 25. April 2007 Referent Adrian Aerni Geschäftsführer OmniNet GmbH (Schweiz) Unterdorfstrasse 5 3072 Ostermundigen
MehrIndex- und Zugriffsstrukturen für. Holger Brämer, 05IND-P
Index- und Zugriffsstrukturen für Data Warehousing Holger Brämer, 05IND-P Index- und Zugriffstrukturen für Data Warehousing Materialisierte Sichten Bitmap-Indexe Verbundindexe Materialisierte Sichten gehören
MehrApache HBase. A BigTable Column Store on top of Hadoop
Apache HBase A BigTable Column Store on top of Hadoop Ich bin... Mitch Köhler Selbstständig seit 2010 Tätig als Softwareentwickler Softwarearchitekt Student an der OVGU seit Oktober 2011 Schwerpunkte Client/Server,
MehrBusiness 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
MehrStudie über Umfassendes Qualitätsmanagement ( TQM ) und Verbindung zum EFQM Excellence Modell
Studie über Umfassendes Qualitätsmanagement ( TQM ) und Verbindung zum EFQM Excellence Modell (Auszug) Im Rahmen des EU-Projekts AnaFact wurde diese Umfrage von Frauenhofer IAO im Frühjahr 1999 ausgewählten
MehrTranslation und Integration durch Big Data im klinischen Alltag
Translation und Integration durch Big Data im klinischen Alltag Thomas Zander Gastrointestinal Cancer Group Cologne Department I for Internal Medicine Center for Integrated Oncology Cologne Thomas.Zander@uk-koeln.de
MehrDatenqualitätsportal für das Data Warehouse mit APEX und Regelwerk
DATA WAREHOUSE Datenqualitätsportal für das Data Warehouse mit APEX und Regelwerk Alfred Schlaucher, Oracle Data Warehouse Themen Wo wird geprüft Was wird geprüft Dokumentation und Steuerung der Prüfungen
MehrSOA im Zeitalter von Industrie 4.0
Neue Unterstützung von IT Prozessen Dominik Bial, Consultant OPITZ CONSULTING Deutschland GmbH Standort Essen München, 11.11.2014 OPITZ CONSULTING Deutschland GmbH 2014 Seite 1 1 Was ist IoT? OPITZ CONSULTING
MehrData Mining: Daten als der neue Werthebel von der Due Diligence bis zum Nutzungskonzept
Data Mining: Daten als der neue Werthebel von der Due Diligence bis zum Nutzungskonzept Datenmanagement und spezifische Organisationsvorgaben mit 4D 7D BIM Applikationen Unter Data-Mining [ ˈdeɪtə ˈmaɪnɪŋ]
MehrModul 8: Geschäftsprozesse, SLA, ITIL und CMDB (Fortsetzung)
Modul 8: Geschäftsprozesse, SLA, ITIL und CMDB (Fortsetzung) M. Leischner Netzmanagement Folie 1 Prozessbewertung (Process Assessment) Critical Success Factors (CSF - kritische Erfolgsfaktoren) Bedingungen,
MehrDatenidentifikation und -synchronisation: Grundlage zur Erfüllung der Qualitätsanforderungen beim Datenaustausch zwischen Systemen
Datenidentifikation und -synchronisation: Grundlage zur Erfüllung der Qualitätsanforderungen beim Datenaustausch zwischen Systemen Jürg Simonett Luzern, 26. März 2015 Datenaustausch zwischen Systemen Synchronisation
Mehr! "# $% &'!( $ ) *(+,(,-
! "# $ &'! $ ) *+,,- 1. SALSA-Projekt Service Discovery / Definition Services Definition Kontext Service Discovery Service Architektur Föderation von Service Discovery Services Zusammenfassung 2 / 0 SALSA
MehrA 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
MehrMessung von Datenqualität bei Registern und Kohorten
Messung von Datenqualität bei Registern und Kohorten Carsten Oliver Schmidt, Jürgen Stausberg, Ron Pritzkuleit, Thomas Schrader, Michael Nonnemacher DKVF 2013 QS Ziele Befunde sollen Intern und Extern
MehrDATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER
DATENBANKEN SQL UND SQLITE VON MELANIE SCHLIEBENER INHALTSVERZEICHNIS 1. Datenbanken 2. SQL 1.1 Sinn und Zweck 1.2 Definition 1.3 Modelle 1.4 Relationales Datenbankmodell 2.1 Definition 2.2 Befehle 3.
MehrHetero-Homogene Data Warehouses
Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung
MehrMessung von ServiceLeistung für SAP Service Provider Kundenevent 25. November 2014 @ HSR Rapperswil
Messung von ServiceLeistung für SAP Service Provider Kundenevent 25. November 2014 @ HSR Rapperswil Themen: Ausgangslage Lösung Gewinn RealStuff Informatik AG Chutzenstrasse 24 CH-3007 Bern www.realstuff.ch
MehrSemantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph!
Semantic Web Technologies I! Lehrveranstaltung im WS10/11! Dr. Andreas Harth! Dr. Sebastian Rudolph! www.semantic-web-grundlagen.de Ontology Engineering! Dr. Sebastian Rudolph! Semantic Web Architecture
Mehr1 Dataport 12.Juli 2007 Internationale Standards zu Identity Management. Deckblatt. Harald Krause
1 Dataport 12.Juli 2007 Internationale Standards zu Identity Management Deckblatt Bremen, E-Government in medias res, 12. Juli 2007 Internationale Standards zu Identity Management 3 Dataport 12.Juli 2007
MehrITIL und Entwicklungsmodelle: Die zwei Kulturen
Kombination von IT Service Management (ITIL) und Anwendungsentwicklung Kai Witte und Matthias Kaulke, München, den 30.03.2006 Rahmeninformationen Wo sind wir? Unternehmensdarstellung (1) Unabhängiges Beratungsunternehmen
MehrDISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374
DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne
MehrWICO-GIS ein Geoinformationssystem für die Analyse, Planung und Bewertung von Windenergiestandorten. Dipl.-Ing. Lars Krüger / Student Sascha Kilmer
WICO-GIS ein Geoinformationssystem für die Analyse, Planung und Bewertung von Windenergiestandorten Dipl.-Ing. Lars Krüger / Student Sascha Kilmer Aufgaben im Unternehmen WIND-consult GmbH führt unter
MehrRequirements Engineering für IT Systeme
Requirements Engineering für IT Systeme Warum Systemanforderungen mit Unternehmenszielen anfangen Holger Dexel Webinar, 24.06.2013 Agenda Anforderungsdefinitionen Von der Herausforderung zur Lösung - ein
MehrDas 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
MehrSonstiges Wahlfach Wirtschaftsinformatik
Sonstiges Wahlfach Wirtschaftsinformatik Anhang Nr. 48: Wirtschaftsinformatik Das Fach ist bestanden, wenn 24 Leistungspunkte erworben wurden. Veranstaltungsform SWS Turnus Leistungspunkte Prüfungsform
MehrIntegritätsbedingungen / Normalformen- Beispiel: Kontoführung
Technische Universität München WS 2003/04, Fakultät für Informatik Datenbanksysteme I Prof. R. Bayer, Ph.D. Lösungsblatt 8 Dipl.-Inform. Michael Bauer Dr. Gabi Höfling 12.01. 2004 Integritätsbedingungen
MehrNutzen 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
MehrEine neue Generation für eine neue Zeit. Doing by Design
Das neue Doxis4 BPM Eine neue Generation für eine neue Zeit Doing by Design Normatives BPM einfach und effektiv bereit stellen: Prozessmanagement in Industriequalität ohne Entwicklungsprojekte. Einheit
MehrSQL. Fortgeschrittene Konzepte Auszug
SQL Fortgeschrittene Konzepte Auszug Levels SQL92 Unterteilung in 3 Levels Entry Level (i.w. SQL89) wird von nahezu allen DBS Herstellern unterstützt Intermediate Level Full Level SQL DML 2-2 SQL92 behebt
MehrRichtige und schnelle Entscheidungen trotz sich änderner Anforderungen mit Microsoft Dynamics AX und Microsoft SQL Server Reporting Services
Launch Microsoft Dynamics AX 4.0 Richtige und schnelle Entscheidungen trotz sich änderner Anforderungen mit Microsoft Dynamics AX und Microsoft SQL Server Reporting Services Sonia Al-Kass Partner Technical
MehrNormalformen: Sinn und Zweck
Normalformen: Sinn und Zweck Redundanz und Inkonsistenz vermeiden Anomalien vermeiden Verlustlose Zerlegungen finden Abhängigkeiten bewaren NF2 und NF3 behandeln das Verhältnis zwischen Schlüsselund Nichtschlüssel-
MehrSteinbeis-Transferzentrum. Wissensmanagement & Kommunikation
Steinbeis-Transferzentrum Wissensmanagement & Kommunikation Wir begleiten Sie auf dem Weg zum intelligenten Unternehmen Beratung Schulung Coaching Folienvortrag Das Wissen in den Köpfen Communities managen
MehrApparo Fast Edit Daten-Management in einer BI-Umgebung. Dateneingabe-Workflows
Apparo Fast Edit Daten-Management in einer BI-Umgebung Dateneingabe-Workflows 2 Definition Ein Workflow (Arbeitsfluss) besteht aus eine Abfolge von verbundenen Arbeitsschritten. Der Schwerpunkt liegt hierbei
MehrProzessorientierte 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
MehrAgilität auf Unternehmensebene - Was hält uns davon ab?
Agilität auf Unternehmensebene - Was hält uns davon ab? Alexander Birke, Juli 2015 Copyright 2015 Accenture All rights reserved. Wie stellt sich Agilität heute dar? Das Scrum Framework: einfach und mittlerweile
MehrInternational Tax Highlights for German Subsidiaries. Umsatzsteuer mit IT. 21. November 2013
www.pwc.com International Tax Highlights for German Subsidiaries Umsatzsteuer mit IT 21. Umsatzsteuer mit IT Agenda Herausforderungen Prozesse Technologie Kontrollen Praxisfälle Slide 2 Herausforderungen
MehrService Optimierung. Digitale Integration der mobilen Welt. Schadenprozesse
Service Optimierung Digitale Integration der mobilen Welt Schadenprozesse Schadenmanagement muss steigenden Kundenerwartungen und Effizienzansprüchen genügen. Steigende Kundenerwartungen (verbesserte Regulierungsgeschwindigkeit,
MehrBPMN. Suzana Milovanovic
BPMN Suzana Milovanovic 2 Übersicht Klärung von Begriffen, Abkürzungen Was ist BPMN? Business Process Diagram (BPD) Beispielprozess Entwicklung von BPMN BPMN in der Literatur 3 Grundlegende Begriffe Business
MehrAusgangslage. 8 bis 12% aller Adressen ändern sich jährlich. ¾ der Änderungen erfährt man in der Regel selbst, ¼ nur über externe Quellen.
Adress.Check Ausgangslage ¾ der Änderungen erfährt man in der Regel selbst, ¼ nur über externe Quellen. 8 bis 12% aller Adressen ändern sich jährlich (Umzug, Todesfall, Straßennamens-Änderung usw. ) Das
MehrDie virtuelle Forschungsumgebung WissKI Museumsdokumentation im Semantic Web. Georg Hohmann Germanisches Nationalmuseum g.hohmann@gnm.
Die virtuelle Forschungsumgebung WissKI Museumsdokumentation im Semantic Web Georg Hohmann Germanisches Nationalmuseum g.hohmann@gnm.de WissKI Das Projekt WissKI = Abk. Wissenschaftliche KommunikationsInfrastruktur
Mehr