Konzerndaten: Aufbau, Organisation und Erfolgsfaktoren

Transkript

1 Qualitätsmanagement für Konzerndaten: Aufbau, Organisation und Erfolgsfaktoren Dr.-Ing. Boris Otto

2 Agenda 1. Situation in der Praxis 2. Ursachen für mangelhafte Datenqualität 3. Corporate Data Quality Management 4. Forschungskontext 2

3 Agenda 1. Situation in der Praxis 2. Ursachen für mangelhafte Datenqualität 3. Corporate Data Quality Management 4. Forschungskontext 3

4 Beispiel 1: DB Netz (1) Die Bewirtschaftung der Eisenbahninfrastruktur durch die DB Netz AG wird durch den Bund finanziert 4

5 Beispiel 1: DB Netz (2) Zur Eisenbahninfrastruktur gehören Tunnel 5

6 Beispiel 1: DB Netz (3) Zur Eisenbahninfrastruktur gehören Bahnsteiggleise 6

7 Beispiel 1: DB Netz (4) Informationsflussanalyse am Beispiel des Geschäftsprozesses Umbau eines Bahnsteiggleises Systeme Geschäftsfelder 7 Geschäftsprozessschritte

8 Beispiel 2: Automobilzulieferindustrie (1) Typische Herausforderungen Strategische Geschäftstreiber Weltweite Harmonisierung der Geschäftsprozesse Kundenintegration (z. B. Austausch von Fahrzeugdaten) One face to the customer im Systemgeschäft Zentrales Berichtswesen Kundenspezifische Kennzahlen Controlling im strategischen Einkauf Operative Probleme Ineffektivität in der Prozessausführung (z. B. wegen Doppelarbeiten, Suche nach Daten) Mangelnde Geschäftsprozessqualität (z. B. durch Duplikate) Ineffiziente i Entscheidungsprozesse (z. B. wegen mühsamer Datenaufbereitung als Entscheidungsgrundlage) Mangelnde interne Akzeptanz der Datenbasis Negative Außenwirkung (z. B. durch inkonsistente Umsatzzahlen) 8

9 Beispiel 2: Automobilzulieferindustrie (2) Erfolgsfaktor im OEM Relationship Management ist die Verfügbarkeit konsistenter, aktueller und korrekter Fahrzeugstammdaten Legende: OEM - Original Equipment Manufacturer. 9

10 Beispiel 1: Automobilzulieferindustrie (3) Typische Probleme bei der Verwaltung von Fahrzeugstammdaten Funktion Engineering Projektleitung Vertrieb, Logistik, Controlling System PLM SAP cprojects SAP ERP Kunde VW-Gruppe Audi Audi AG Fahrzeug B8 AU416 PL48 10

11 Geschäftstreiber für Konzerndatenqualität Datenqualität ist kein Selbstzweck, sondern Antwort auf strategische Herausforderungen im Unternehmen 1 2 Gesetzliche und Risiko- behördliche Auflagen Management Konventionalstrafen, Umsatzausfälle Berichtswesen Single Point of Truth Standardisierung von Berichten und Kennzahlen 3 4 Harmonisierte Freisetzung des 360 -Blick auf den Synergiepotentials Kundenzentrierte Geschäfsprozesse Hybride Produkte Kunden End-to-end - Geschäftsmodelle Prozesse 5 6 Weltweite Spend- Strategischer Analysen Einkauf Effektive Lieferanten- entwicklung IT- und Prozesskonsolidierung Flexibilität Komplexitäts- management 11

12 Agenda 1. Situation in der Praxis 2. Ursachen für mangelhafte Datenqualität 3. Corporate Data Quality Management 4. Forschungskontext 12

13 Datenarten im Überblick Corporate Data Quality Management (CDQM) bezieht sich auf Stammdaten mit konzernweiter Bedeutung Daten Stammdaten Bestandsdaten Transaktionsdaten Änderungsdaten d Bewegungsdaten eigenschaftsorientiert mengen- oder wertorientiert transaktionsorientiert transaktionsorientiert geringe Änderungsfrequenz hohe, systematische Änderungsfrequenz relativ geringe Änderungsfrequenz hohe Änderungsfrequenz volumenkonstant t relativ volumenkonstant t relativ volumenkonstant t wachsend im Volumen referenziert (z. B. von Bewegungsdaten) referenzierend (auf Bewegungsdaten) 13

14 Datenqualität Datenqualität ist kontextabhängig und multidimensional Präsentation Inkonsistenz Fehlende Werte Fehlendes Schlüsselattribut Nr. Name Geburtstag Alter Geschlecht Telefon PLZ 1234 Pren, Leo m Ann Joy w Leo Pren m Duplikate Falsche Werte PLZ Ort Ilmenau Referentielle Integrität Ilmenauh Tippfehler BRD 14

15 Eine Analogie* (1) Ein Formelzeichen aus der Thermodynamik S * zur nachfolgenden Argumentation vgl. (Brackett 2005). 15

16 Eine Analogie (2) Begriffsbestimmungen Thermodynamik Lehre von der Arbeit, Wärme und damit zusammenhängenden Eigenschaften chemischer und mechanischer Systeme Entropie Mass für die Nichtverfügbarkeit der Energie eines Systems zur Verrichtung von Arbeit oder Zustand oder Grad der Unordnung 16

17 Eine Analogie (3) Der 2. Hauptsatz der Thermodynamik In einem geschlossenen System kann die Entropie nicht geringer werden. Das Gleichgewicht isolierter thermodynamischer Systeme ist durch ein Maximalprinzip der Entropie ausgezeichnet. In einem offenen System kann Entropie nur durch die Zuführung von Energie konstant gehalten oder reduziert werden. 17

18 Eine Analogie (4) Zur Illustration 18

19 Eine Analogie (5) Was hat das mit Datenqualität zu tun? Die Unternehmensdatenbasis ist ein offenes System Das Prinzip zunehmender Entropie findet Anwendung. Es gibt kein Gleichgewicht, die Entropie nimmt zu. Dieser Vorgang kann nur durch Zuführung von Energie umgekehrt werden. Entropie und schlechte Datenqualität Entropie entspricht Unordnung. Unordnung im Kontext von Unternehmensdaten ist Unvollständigkeit, Inkonsistenz usw. Entropie entspricht somit schlechter Datenqualität. Energie und Kosten Kosten entstehen durch Aufwendungen. Aufwendungen bedeuten den Einsatz von Energie. Kosten können als Energie interpretiert werden. Verbesserung der Datenqualität Bessere Datenqualität bedeutet niedrigere Entropie. Die Umkehrung zunehmender Entropie bedeutet Zuführung von Energie. Energie entspricht Kosten. 19

20 Datenqualität im Zeitverlauf In den meisten Unternehmen existiert kein präventives Datenqualitätsmanagement Datenqualität Typische Situation im Unternehmen Nachteile des Ad-hoc-DQM Keine Steuerbarkeit, keine Planbarkeit von Budgets und Ressourcen Keine Zielwerte für Datenqualität Rein reaktiver Ansatz Keine Nachhaltigkeit Hohe wiederkehrende Projektkosten (Change Requests, externe Beratung etc.) Projekt 1 Projekt 2 Projekt 3 Zeit Legende: U-Boote der Datenqualität (z. B. Migrationen, Prozessfehler, Unstimmigkeiten im Management-Reporting). DQM - Datenqualitätsmanagement. 20

21 Agenda 1. Situation in der Praxis 2. Ursachen für mangelhafte Datenqualität 3. Corporate Data Quality Management 4. Forschungskontext 21

22 Typische Fragestellungen in der Praxis Corporate Data Quality Management bedeutet, Antworten zu liefern. Welchen Beitrag liefert CDQM zur Unternehmensstrategie? t t Wie steht unser Unternehmen im Vergleich zu anderen? Wie misst man die Leistungsfähigkeit des CDQM? Welche Kennzahlen sind erforderlich? Wieviel kostet die Anlage und Pflege der Konzernstammdaten? Wie können einheitliche Standards und Richtlinien im Unternehmen etabliert werden? Wie erreicht man ein einheitliches Verständnis über die Konzernstammdaten? Wie wird es aktuell gehalten? Welche Software-Werkzeuge gibt es am Markt? Woher wissen wir, welche Daten wo führend gehalten werden und in welchen Prozessen sie genutzt werden? 22

23 Das CDQ-Rahmenwerk Gestaltungsbereiche des CDQM im Business-Engineering-Kontext Mandat Leitbild Wertmanagement Roadmap Strategie CDQ-Strategie Kennzahlensystem Messverfahren Datenqualitätsdimensionen Data Governance Rollenmodell Change Management Standards & Richtlinien Organisation CDQ- Organisation Führungssystem CDQ-Prozesse und -methoden Datenlebenszyklus- Management Metadaten- Management Methoden und Prozesse Informationsobjektmodell Architekturszenarien Verteilungsarchitektur Datenhaltungsarchitektur lokal global Informationsarchitektur für CDQ Software für Stammdaten- management Business Data Dictionarys Integrationswerkzeuge Applikationen für CDQ Systeme 23

24 Beispiel: Corporate Data Governance Bereichsübergreifendes Funktionendiagramm eines national agierenden Grossunternehmens Aufgabe Rolle / Beteiligter VR Vorstand GF DM Board GF Datenmanager DM Fachdaten- steward Oper. Datenmanager GE- FDM GE- FDM GE- FDM Bereich Bereich Bereich 1 2 n Entwickelung DM-Strategie Z Z E F M M M M M Aufbau DM-Führungssystem Z Z E F F M M M M Entwicklung Data- Governance-Modell Z Z E F F M M M M Entwurf Datenproduktionsund Datenbereitstellungsprozesse Z E F D D D D D Aufbau DM-Datenkatalog E F F M D D D Entwickeln DM-Datenmodell Z E F F M M M M Fachliche Vorgaben für die Anwendungsentwicklung Z Z E M F M M M Legende: Z - Zustimmung, E - Entscheidung, F - Federführung, M - Mitwirkung, D - Durchführung. VR - Vorstandsressort, GF - Geschäftsfeld, DM - Datenmanagement, GE - Geschäftseinheit, FDM - Fachlicher Datenmanager. Anmerkung: Begrifflichkeiten it zu Gunsten der Anonymität leicht verfremdet. 24

25 CDQM in der Zukunft: From foe to friend Das Rollenverständnis ändert sich Skunk Squirrel 25

26 CDQM 2015 In Zukunft muss CDQM neue Anforderungen erfüllen Heute Aufgabe wird in die IT delegiert - trotz fachlicher Bedeutung Querschnittsthema mit zentraler Steuerung und lokalem Nutzenbeitrag ( First mover pays it all -Effekt) Langfristigkeit Interesse gering, solange keine Probleme auftreten Hohe Anforderungen an Fähigkeitsprofile, tiefes Verständnis sowohl fachlicher als auch informationstechnischer Zusammenhänge Zukünftig Serviceorientiert Kundenorientiert Wertorientiert Messbar und auditierbar Präventiv Angemessen 26

27 Zur Bedeutung von präventivem CDQM Die Rolle der Instandhaltung von Anlagegütern im Unternehmen Werkzeugmaschinen in der Serienfertigung Trassen der DB Netz AG Industrieroboter in der Automobilindustrie Instandhaltung Kombination aller technischen und administrativen Maßnahmen sowie Maßnahmen des Managements während des Lebenszyklus einer Betrachtungseinheit zur Erhaltung des funktionsfähigen Zustandes oder der Rückführung in diesen, so dass sie die geforderte Funktion erfüllen kann. 1 Data as an Asset: Welches Unternehmen besitzt eine Instandhaltungsstrategie für seine Daten? 1) DIN 31051:

28 Agenda 1. Situation in der Praxis 2. Ursachen für mangelhafte Datenqualität 3. Corporate Data Quality Management 4. Forschungskontext 28

29 Competence Center Corporate Data Quality Im Konsortium des Forschungsprogramms arbeiten Unternehmen mit vergleichbaren Herausforderungen an praktische Lösungen Hamburg Berlin Bayer CropScience AG Monheim/Rh. Köln D DB Netz AG Frankfurt a. M. Frankfurt Deutsche Telekom AG Darmstadt Daimler AG Stuttgart IBM Deutschland GmbH Stuttgart München E.ON AG München ZF Friedrichshafen AG Friedrichshafen ETA S.A Grenchen CH Zürich IWI-HSG St. Gallen Per April

30 Fazit Konfuzius (551 bis 479 v. Chr.):»Wenn über das grundsätzliche keine Einigkeit besteht, ist es sinnlos, miteinander Pläne zu schmieden.«30

31 Ihr Ansprechpartner Dr. Boris Otto University of St. Gallen Institute of Information Management