Informatica Day 2010 Deutschland Best Practice: Data-Consolidation im SAP Umfeld bei Siemens. Frank Hincke, DIMQ, Köln 03/2010

Transkript

1 Informatica Day 2010 Deutschland Best Practice: Data-Consolidation im Umfeld bei Siemens Frank Hincke, DIMQ, Köln 03/2010

2 Agenda Vorstellung Sprecher Programm ATLAS im Bereich Siemens Bereich Energie, Oil & Gas Erwartete Benefits ATLAS Programmplan und Vorgehensweise ATLAS Programmorganisation Wie ist das Datenmanagement vorgegangen? Probleme/ Grenzen Die Idee der Lösungsansatz Die Architektur Profiling und Cleansing Factory Die Einführung Roll-In in den Ländern Datenmanagement im Programm ATLAS mit Informatica Produkten Business Case - Sichtweisen Q&A

3 Vorstellung Sprecher Frank Hincke Gründungsmitglied und Geschäftsführer der DIMQ GmbH in Köln, Tätigkeitsschwerpunkte Data Integration, Data Management, Data Quality, Data Warehouse und Business Intelligence 12/2006 heute Unterstützung bei dem Aufbau des Competence Center Business Intelligence bei der Siemens Business Services, Region West, Solution Architect 11/ /2006 DIMQ GmbH, Köln Phone Mobile Mitarbeit bei der Siemens AG im Bereich Industrie, Schwerpunkte Prozessdatenverarbeitung, C/S Development 11/ /1999

4 Programm ATLAS im Bereich Siemens Energie, Division Oil & Gas ATLAS Programm im Bereich Siemens Energie, Division Oil & Gas, zur Vereinheitlichung von Daten, Prozessen und IT-Tools. Daten Datenharmonisierung, Angleichung von Dateninhalten, Beseitigung von Redundanzen, zentrales Stammdaten Management Prozesse organisatorische Prozesse, Angebotsprozess, Bestellprozess, Planungsprozess, Auslieferungsprozess, Inbetriebnahmeprozess, Wartungsprozess IT-Tools alle Systeme, alle anderen Systeme die durch ersetzt werden können

5 Erwartete Benefits Wir werden in der Lage sein, unseren Kunden und Lieferanten, die Vorteile von einheitlichen Datenstrukturen, Bezeichnung in Systemen, Prozessen und Schnittstellen bieten zu können. Die Arbeit zwischen den Standorten und regionalen Einheiten wird einfacher und schneller. Ein System erzeugt einen Beitrag zu schnelleren Prozessen und höherer Qualität. Text ATLAS Wir haben eine weniger komplexe Informationssystem Landschaft zu schulen und zu pflegen. Wir werden unnötige Ausgaben vermeiden und generieren ein großes Potential an Einsparungen pro Jahr.

6 ATLAS Programmplan und Vorgehensweise TPL DE1 SE UK DE2 DE3 CZ US TPL ECC 6.0, bestehende Systeme 4.6c und 4.7, Flatfiles, relationale Datenbanken, Lotus Notes, JD Edwards Fokus auf System Landscape Optimization (SLO), Harmonisierung von -Systemen, Reduzierung von Installationen Template Approach Migration der Daten inkl. Historie (Stammu. Bewegungsdaten) Migration von non- Systemen (> 100)

7 ATLAS - Programmorganisation ATLAS ~ FTE Daten Management MA 1 MA 2 MA 3 MA 8 Aufgaben Daten Management - Daten Analyse - Erkennen von Anomalien - Erkennen von Unterschieden - Vergleich von Daten - Erkennen von Abhängigkeiten - Masterset definieren - Cleansing Regeln definieren - Enrichment Regeln definieren - Migrationsregeln definieren Know How - Modulwissen - Datenstrukturen - Prozess Wissen verteiltes Team - ATLAS - lokale Modulverantwortliche

8 Wie ist das Datenmanagement vorgegangen? Workstation Workstation Workstation Planung - Definition relevante Business Objekte - Zuordnung technische Datenobjekte UK DE3 DE2 DE1 JDE US SE CZ MS-Excel - ABAP - Extrahieren von Daten - Verwalten MS-Excel - Sortieren - Vergleichen - Filtern - Ausdrucken MS-SQL Server - MS-Excel - MS-Access - SQL

9 Probleme/ Grenzen Zugriff auf Produktionssysteme Governance/ Security 8:00 17:00 Uhr Performance Stabilität (Laufzeit) Zugriff auf Qualitäts- und Abnahmesysteme teilweise nicht synchron teilweise nur Stammdaten, kaum Bewegungsdaten enthalten Kombination Modulkenntnisse, Prozesswissen und IT Fähigkeiten notwendig MS-Excel, MS-Access und SQL hat Einschränkungen bei der Datenanalyse

10 Die Idee der Lösungsansatz

11 Die Architektur Profiling und Cleansing Factory Notwendige Komponenten: Relationale DB (MS-SQL Server) Informatica PowerCenter inkl. PowerExchange Informatica Data Explorer Extraction Profiling Cleansing Load Notwendige Administration: MS-SQL Server, Informatica PowerCenter und Informatica DataExplorer Administrator, Aufgaben: Planung, Operation und Support Enable access to the source systems Extraction of source data Analyse data Identification of differences Comp. of data Identification of dependencies Identification of cleansing rules Preparation of data sets Enrichment of data sets Integrate cleansed data Enable migration from source system Analyse, Architekturvorschlag, Unterstützung Toolauswahl, Entscheidungsvorlage und Einführungsunterstützung erfolgte durch DIMQ.

12 Die Einführung Einführung Kernteam am Projektstandort Definition Konventionen und Vorgehen Training Dev. und Admin., Schwerpunkt PowerCenter Aufbau erster Datenbereiche Nutzung des Mapping- Designers, Reverse Engineering und Target Generierung Training Kernteam, Schwerpunkt Data Explorer Administrator für Informatica PowerCenter und DataExplorer Administrator für die Datenbank Datenmanagement Team Template Experten Systemexperten

13 Roll-In in den Ländern Vorbereitung Bereitstellung Datenbank Schema mit relevanten Daten Bereitstellung Profiling Werkzeug (Informatica Data Explorer) Training der Teammitglieder im Land Vorgehensmodell, Zusammenarbeit Team am Migrationsstandort Lokales Datenmanagement Team Lokale Modulexperten Lokale Systemverantwortliche

14 Datenmanagement im Programm ATLAS mit Informatica IDE IDE IDE Workstation Workstation Workstation UK DE3 DE1 DE2 DE US CZ SE PowerCenter Datenbereiche Datenbereich 1 Datenbereich 2 Datenbereich n Profiling PowerCenter System 1 System 2 System n Systeme

15 Business Case - Sichtweisen Geplante Gesamtkosten = 5 Jahre X 40 FTE/Jahr = 200 FTE 30 % Reduzierung der Zeit aufgrund schnellerer und leistungsfähiger Source Daten Extraktion. Investition und Wartungskosten Einführung, Schulung Betrieb Total ~ 2,8 FTE ~ 0,2 FTE ~ 5 FTE ~ 8 FTE 50 % weniger Aufwand für Daten Profiling und Identifizierung von Fehlern und Daten Inkonsistenzen. 25 % schnellere Entwicklung von Harmonisierungs- und Cleansing-Regeln. 50 % höhrere Geschwindigkeit bei Aktualisierung der Profiling Datenbestände zur erneuten Prüfung der Datenqualität. Verhältnis zu den geplanten Gesamtkosten ~ 4 % Enorme Steigerung der Effizienz und Erfüllung der Anforderungen des Daten Managements.

16 Q & A VIELEN DANK FÜR IHRE AUFMERKSAMKEIT! Frank Hincke DIMQ GmbH Rolshover Str Köln Phone Mobile frank.hincke@dimq.com DIMQ ist Gewinner des Informatica Innovation Awards auf der Informatica World 2008 in Las Vegas.