Qualität. Mythos Qualitätsmanagement. Höhere Qualität, bessere Software. Funktioniert ist nicht genug

Größe: px
Ab Seite anzeigen:

Download "Qualität. Mythos Qualitätsmanagement. Höhere Qualität, bessere Software. Funktioniert ist nicht genug"

Transkript

1 Heft 8 Deutschland: 14,90 Österreich: 16,80 Schweiz: sfr 29,80 Luxemburg: 16,90 Expertenwissen für IT-Architekten, Projektleiter und Berater Qualität Mythos Qualitätsmanagement Höhere Qualität, bessere Software Funktioniert ist nicht genug

2 Datenqualitätsmanagement Data-Warehouse-Projekte mit Datenqualitätsmanagement Gute Datenqualität sicherstellen Einer der Gründe, warum sich Data-Warehouse-Projekte verzögern, teurer werden als geplant oder gleich vollständig scheitern, wird häufig auf die mangelhafte Qualität der Daten zurückgeführt. Glaubt man Umfragen und Erhebungen, so ist auch das Vertrauen in die Qualität der eigenen Daten in Unternehmen oftmals nicht sehr hoch. Gute Datenqualität (DQ) wird aber nicht nur in Data-Warehouse-Projekten als zunehmend wichtig wahrgenommen. Dieser Artikel gibt einen Überblick über das Thema. AUTOR: JENS BLEIHOLDER Die Relevanz korrekter und verwendbarer Daten in allen IT-Systemen steht eigentlich außer Frage, da die meisten Entscheidungen auf der Grundlage von Daten getroffen werden. Für Firmen, die ein datengetriebenes Geschäftsmodell verfolgen, gilt das in besonderem Maße. In diesem Artikel wird darauf eingegangen, warum Datenqualität wichtig ist, ob und wie man sie messen kann, und welche Möglichkeiten es gibt, mit Datenqualitätsproblemen technisch im Data-Warehouse-(DWH-)Projekt und organisatorisch im Unternehmen umzugehen. FOLGEN SCHLECHTER DATEN Datenqualitätsprobleme tauchen mit schöner Regelmäßigkeit in der Tagespresse auf. Wie aber können die negativen Folgen aussehen? Als klassische Folge ist die Negativschlagzeile, sprich schlechte PR, zu nennen: Die FIFA bot bei der Akkre- ditierung von Journalisten zur Fußball-WM 2010 eine schlecht gepflegte Länderliste an, mit Ländern wie DDR, Saarland oder Irland in den Grenzen von Barbra Streisand löste öffentlichkeitswirksam ihr Konto bei einer amerikanischen Investmentbank auf, weil diese ihren Namen immer falsch schrieb: Barbara. Als offensichtliche, direkte Folge schlechter Datenqualität kann ein finanzieller Schaden auftreten. Beispiel hierfür ist ein großer Versandhändler, der MacBooks zu einem falschen Preis im Internet anbot und neben der schlechten Presse auch noch einen finanziellen Schaden hatte: Als Entschuldigung gab es Einkaufsgutscheine für die Besteller. Auch vertraglich vereinbarte Konventionalstrafen als Folge eines Datenqualitätsproblems können relativ einfach quantifizierbare Schäden sein. Schwieriger zu bestimmen und auch nicht so leicht zu entdecken sind die Zusammenhänge in Bezug auf bt

3 entgangenen Umsatz. Wenn man wie im Falle von Frau Streisand aufgrund schlechter Datenqualität Kunden verliert, ist der Schaden zwar zu benennen, aber schlecht zu beziffern. Auch wenn Entscheidungen (z. B. für oder gegen eine Marketingmaßnahme oder ein neues Produkt) auf einer falschen Datengrundlage getroffen werden, sind die finanziellen Folgen schwer einzuschätzen. Noch schlechter zu entdecken und zu beziffern, aber durchaus existent, sind die versteckten, unnötigen Kosten durch Ineffizienz oder doppelte Arbeit aufgrund schlechter Datenqualität. Um negative Folgen für das eigene Unternehmen zu vermeiden, sollte man auf gute Datenqualität achten. Auch aufgrund gesetzlicher Anforderungen sind die Qualitätsanforderungen an Daten in den letzten Jahren immer mehr gestiegen. Oft müssen Mindeststandards zur Aktualität zum Beispiel von Berichten gelten: Sie müssen nachweisbar, korrekt und wiederholbar sein. Wie aber kann man die Qualität seiner Daten beurteilen? 15 DIMENSIONEN DER DATENQUALITÄT Wie man an den bisherigen Beispielen gesehen hat, wird Datenqualität auf den ersten Blick oft als recht schwammiger, facettenreicher Begriff wahrgenommen, und so lässt er sich trotz der vielen Beispiele nicht recht greifen. Auf den zweiten Blick findet man nach einiger Recherche dann oft die Definition von Datenqualität als Fitness for Use (z. B. unter [1] und [2]). Diese Definition fordert, dass Daten dazu geeignet sein müssen, Darstellungsbezogen Verständlichkeit Übersichtlichkeit Einheitliche Darstellung Eindeutige Auslegbarkeit Inhärent Hohes Ansehen Fehlerfreiheit Objektivität Glaubwürdigkeit Zweckabhängig Aktualität Wertschöpfung Vollständigkeit Angemessener Umfang Relevanz Systemunterstützt Zugänglichkeit Bearbeitbarkeit Tabelle 1: 15 Dimensionen der Datenqualität Name Vorname Straße PLZ Ort Müller Hans Goethestr Hamburg Mueller Hans Gothenstr Hambirg Tabelle 2: Beispiel einer unscharfen Dublette einen bestimmten Zweck zu erfüllen und meint damit zum Beispiel, dass Mitarbeiter mit den Daten ihre jeweilige Aufgabe erledigen können. Datenqualität wird des Weiteren immer als Maß definiert, das man mit geeigneten Mitteln bestimmen kann. Zur Beurteilung der Qualität eines Datenbestands existiert eine Zusammenstellung von 15 Datenqualitätsdimensionen (z. B. [1]) der Deutschen Gesellschaft für Informations- und Datenqualität (DGIQ). Tabelle 1 zeigt alle 15 Dimensionen in der Übersicht. Jede Dimension steht dabei für einen der vielfältigen Aspekte, mit denen man die Qualität seiner Daten beurteilen kann. Je nach Anwendungsfall bekommen einige Dimensionen mehr Gewicht als andere, je nach Szenario fällt den einen mehr Beachtung zu als den anderen. Wichtige Dimensionen in Bezug auf Data Warehouses und andere größere Datensammlungen im Unternehmen sind zum Beispiel Vollständigkeit, einheitliche Darstellung, Fehlerfreiheit und Zugänglichkeit. Diese sind relativ einfach zu verstehen (Kasten: Definitionen nach DGIQ ) und Probleme sind in der Regel auch mit passablem Aufwand zu handhaben. Diese vier Dimensionen korrespondieren mit einigen Zielen eines DWH-Projekts: Man möchte alle Daten der Quellsysteme integrieren (Vollständigkeit), und dabei sollen unterschiedliche Darstellungen, zum Beispiel des Kunden, vereinheitlicht werden (einheitliche Darstellung). Die im DWH gespeicherten Daten sollen keine Fehler enthalten (Fehlerfreiheit) und den Anwendern zur einfachen Auswertung und Analyse (Zugänglichkeit) zur Verfügung gestellt werden. Ein gut gebautes DWH punktet auch mit guter Datenqualität; ein schlechtes ist hingegen oft auch aufgrund der fehlenden Datenqualität schlecht. Ein DWH-Projekt ist also im Grunde immer auch ein Datenqualitätsprojekt. Wie aber können die Probleme entdeckt werden, von denen alle reden, und wie kann verhindert werden, dass man Probleme übersieht? Sucht man nicht gezielt nach ihnen, dann tauchen Datenqualitätsprobleme üblicherweise zufällig auf: Durch Rückläufer bei ausgesendeten Briefen erkennt man veraltete Daten, Kunden beschweren sich, man entdeckt Dubletten. Auf diese Probleme wird dann reagiert. Auch große Unternehmen sind vor Fehlern nicht gefeit, und so kann man auch heute noch im Datenbestand eines großen Onlinehändlers recht schnell Dubletten finden. Besser als ein rein reaktives Vorgehen ist es, aktiv nach Fehlern zu suchen. Das kann im Rahmen dedizierter Projekte geschehen, in denen man gezielt nach Fehlern im Datenbestand sucht. Es kann aber auch 62 bt

4

5 regelmäßig geschehen, als Aufgabe einer speziellen Arbeitsgruppe Datenqualität. In DWH-Projekten steht die Suche nach Fehlern oft zu Beginn an: Man analysiert die Quellsysteme und schaut sich die Daten, die man integriert, erst einmal an. Solche Data Profiling -Maßnahmen sind Teil eines guten DWH-Projekts, helfen bei der Bewertung der Datenqualität und können heute mithilfe einer Vielzahl von Tools unterstützt werden. Eine weitere Verbesserung ist die Durchführung von Maßnahmen zur Kontrolle und Verbesserung der Datenqualität über einzelne Projekte hinaus und damit die organisatorische Einbettung des Themas Datenqualität in Form eines Datenqualitätsmanagements (DQM). Die Einführung eines DQM erscheint dabei noch sinnvoller, wenn man sich bewusst macht, was ein Data Warehouse eigentlich macht: Es produziert Daten, die an anderer Stelle im Unternehmen konsumiert werden. Genauso wie man bei der klassischen Produktion von Gütern auf die Qualität der Produkte achtet, sollte man daher auch im DWH auf die Qualität der Daten(-produkte) achten und das entsprechend prüfen und steuern. DQ-PROBLEME IN DWH-PROJEKTEN FINDEN UND LÖSEN Innerhalb von Data-Warehouse-Projekten werden viele Daten eines Unternehmens betrachtet, die meist aus verschiedenen Quellen stammen. Um die Daten zu verstehen, Gemeinsamkeiten, Unterschiede und auch Fehler zu finden, bedient man sich der Methoden des Data Profiling. Hierbei werden üblicherweise einfache, aber auch kompliziertere Analysen der Daten ausgeführt: Das Finden von Nullwerten in den Tabellen lässt Rückschlüsse auf fehlende Daten zu und damit auf ein schlechtes Ergebnis hinsichtlich der Bewertung von Vollständigkeit. Nullwerte können ihre Gründe in Definitionen nach DGIQ Vollständigkeit (Completeness): Informationen sind vollständig, wenn sie nicht fehlen und zu den festgelegten Zeitpunkten in den jeweiligen Prozessschritten zur Verfügung stehen. Einheitliche Darstellung (Consistent Representation): Informationen sind einheitlich dargestellt, wenn die Informationen fortlaufend auf dieselbe Art und Weise abgebildet werden. Fehlerfreiheit (free of error): Informationen sind fehlerfrei, wenn sie mit der Realität übereinstimmen. Zugänglichkeit (Accessibility): Informationen sind zugänglich, wenn sie anhand einfacher Verfahren und auf direktem Weg für den Anwender abrufbar sind. fehlerhaften Eingaben oder Imports haben. Sie weisen meist darauf hin, dass etwas vergessen wurde. Die Analyse häufiger und seltener Werte oder größter/ kleinster Werte findet Ausreißer und möglicherweise fehlerhafte Werte wie negative Gewichte oder unrealistisch hohe Rechnungsbeträge. Beinhalten Spalten nur einen einzigen Wert wie Mustermann als Name, kann das auf übernommene Standardwerte hinweisen. Die Analyse von Häufigkeitsverteilungen, Datenmustern und Wertebereichen sowie die Überprüfung von Regeln (Passen Postleitzahl, Straße und Ort zusammen? Passen Einzel- und Summenbeträge zusammen? Gibt es zu jeder Adresse auch einen Kunden?) sind kompliziertere Prüfungen. Der Phantasie sind hier keine Grenzen gesetzt. Grenzen setzt hier eher die Funktionsvielfalt der verwendeten Tools. Das Finden der Ursache erfolgt allerdings erst im zweiten Schritt: Data Profiling ermittelt erst einmal nur Auffälligkeiten und Ungereimtheiten. Nach dem Finden und Erklären der Probleme kommt es bei den Methoden des Data Cleansing dann darauf an, die gefundenen Fehler zu beseitigen. Hier gilt die Devise, das Übel an der Wurzel zu packen und so viele Fehler wie möglich bereits in den Quellsystemen oder zumindest weit vorne in der Verarbeitungskette zu beheben. Das geschieht bei kleineren Problemen oft noch im Rahmen der DWH-Aktivitäten, kann bei größeren Problemen aber auch als eigenes Projekt ausgelagert werden. Nicht nur technische Maßnahmen wie direkte Korrekturen in den Systemen sind hier denkbar, sondern auch organisatorische Maßnahmen wie Schulungen der Mitarbeiter. Inhalte solcher Schulungen können sein, ein Verständnis für Datenqualität zu schaffen und zu vermitteln, was bei Dateneingaben beachtet werden muss. Ganz generell beschäftigt man sich beim Data Cleansing häufig mit dem Standardisieren, Deduplizieren und Validieren von Daten. Mittels Standardisierung werden unterschiedliche Repräsentationen in den Quellen auf einen einheitlichen Standard gebracht. Das verbessert die Daten anhand der Dimension einheitliche Darstellung. So werden zum Beispiel einfache Transformationen ( Müller, Heinz zu Heinz Müller beziehungsweise Müller / Heinz zu Heinz Müller ) oder Umwandlungen angewandt (Angleichung von Einheiten, Gramm statt Kilogramm oder Str. zu Straße ). Aber auch der Abgleich mit einem Referenzdatenbestand, zum Beispiel einem Straßenverzeichnis der Post oder einem Referenzdatenbestand innerhalb des eigenen Unternehmens, gehört dazu. Auch hier einigt man sich auf eine einheitliche Darstellung, zum Beispiel auf Schreibweisen von Straßen oder Ortsnamen ( Frankfurt/Main vs. Frankfurt am Main ) 64 bt

6 Abb. 1: Beispiel einer IP-MAP, angelehnt an ein Beispiel aus [5] und verbessert sich damit anhand der gleichnamigen Dimension. Das Finden von Dubletten verbessert die Daten in den Dimensionen Vollständigkeit (man ist nicht mehr übervollständig) und Fehlerfreiheit. Dublettensuche und -elimination meint hierbei allerdings nicht die Suche nach exakten Dubletten, sondern die Suche nach so genannten unscharfen Dubletten. Das sind unterschiedliche Repräsentationen desselben Realweltobjekts, die sich nur geringfügig, zum Beispiel in Schreibweisen, unterscheiden oder leicht fehlerhaft sind (veraltete Telefonnummer, Buchstabendreher etc.). Tabelle 2 zeigt beispielhaft eine unscharfe Dublette von Hans Müller. Die Suche nach unscharfen Dubletten ist dabei oft einfacher als gedacht. Fast alle der in DHW-Projekten üblicherweise verwendeten Standard-ETL-Tools verfügen mittlerweile über eine ausreichend gut funktionierende Komponente zum Finden unscharfer Dubletten. Bei überschaubaren Datenbeständen ist aber auch die manuelle Suche nach Dubletten denkbar. Auch eine Reihe von Anbietern von Spezialsoftware bietet mittlerweile Abhilfe beim Auffinden zum Beispiel von Adressdubletten. Neben einem schnellen Algorithmus zum Vergleich aller potenziellen Dublettenpaare (paarweiser Vergleich) und entsprechenden Optimierungen (Filterung, Blocking, Windowing) gehören auch gute Ähnlichkeitsmaße zur Grundausstattung bei der Dublettensuche. Eine allgemeine Vorgehensweise und weiterführende Hinweise, sofern man das einmal selbst machen möchte, befinden sich unter [1]. Die Entscheidung für eine eigene Speziallösung ist dabei nicht immer die schlechteste, da sie am besten an die eigenen Bedürfnisse angepasst werden kann. Gerade wenn Dubletten außerhalb der Standarddomäne Adressdaten gesucht werden müssen. WIE STEUERT MAN DATENQUALITÄT? Begreift man, wie oben bereits erwähnt, Daten als eigene Produkte im Unternehmen und möchte deren Produktionsqualität kontinuierlich überprüfen, stellt sich schnell die Frage nach den richtigen Strukturen. Auf dem Weg von einer reaktiven hin zu einer proaktiven Behandlung von Datenqualität steht die Einführung eines DQM mit den entsprechenden Rollen und Prozessen. Das kann beispielsweise im Zuge der Einrichtung eines Business Intelligence Competency Centers (BICC [3]) geschehen. Üblicherweise wird im Rahmen des DQM ein kontinuierlicher DQM-Prozess eingeführt, der nach dem Plan- Do-Check-Act-Modell laufend DQ-Ziele vorgibt (Plan), den Ist-Zustand feststellt, bestehende Qualitätsprobleme findet (Do, Check), um sie dann gegebenenfalls zu beseitigen und die Ziele zu erreichen (Act). Die Überwachung und Steuerung des Prozesses übernimmt dabei ein Datenqualitätsbeauftragter oder Datenqualitätslenkungsausschuss als zentrale Rolle im Unternehmen. Ihm untergeordnet sind die Data Stewards, die fachlich für je einen Bereich die Datenverantwortung (Datendefinitionen, Datenzugang, Datenqualität) tragen. Die Organisationsmodelle sind hier aber variabel und können an die bt

7 Struktur des Unternehmens angepasst werden. So können die Data Stewards zum Beispiel domänenorientiert anhand der Art der Daten organisiert sein (Lagerdaten, Kundendaten, Produktdaten etc.) oder prozessorientiert anhand der Geschäftsprozesse (Bestellprozess, Lieferprozess etc.). Zu beachten ist die fachliche Orientierung der Data Stewards sowie insgesamt eine ausgewogene Repräsentation sowohl fachlicher als auch technischer Expertise in den Datenqualitätsgremien. Die Einführung eines Datenqualitätsmanagements mit den entsprechenden Rollen und Funktionen im Unternehmen ist langfristig der richtige und erfolgreiche Weg, die Probleme zu handhaben, die durch schlechte Datenqualität entstehen. Um dabei langfristig erfolgreich zu sein, ist es besser, wenn man top-down vorgeht, das DQM also gezielt einführt, anstatt es bottom-up entstehen zu lassen. MIT DER LANDKARTE DURCH DEN DATEN- DSCHUNGEL Um den Überblick über das große Ganze, also die unternehmensweiten Datenzusammenhänge, nicht zu verlieren, helfen Datenlandkarten. Der Formalismus der Information Product Map (IP-MAP) (Einführung unter [4], [5]) visualisiert dabei auf elegante Art und Weise die Idee von Daten als Produkt. IP-MAPs stellen den Datenfluss innerhalb des Unternehmens dar und helfen dabei, ergänzend zu den Geschäftsprozessen auch die Datenproduktionsprozesse zu dokumentieren. Eingabepunkte von Daten (Erzeuger von Daten), Abnahmepunkte (Konsumenten von Daten) und Übergabepunkte von der einen in eine andere Abteilung werden dabei genauso dargestellt, wie Transformationen und Qualitätschecks. Mithilfe einer solchen IP-MAP kann man potenzielle Fehlerquellen identifizieren, Abhängigkeiten und Redundanzen erkennen und schließlich auch die uralte Frage beantworten, wer und was alles an der Entstehung eines Berichts beteiligt war. Ein kleines Beispiel für eine IP-MAP sieht man in Abbildung 1. Sie zeigt einen Ausschnitt des Datenflusses in einem Krankenhaus. Die Daten werden auf der linken Seite erzeugt (z. B. Datenerzeuger: Aufnahme), verarbeitet (abgerundete Rechtecke) und überschreiten Systemgrenzen (Rechtecke). Sie werden also zum Beispiel von einem Papierformular in elektronische Form überführt. Weitere Elemente, die in der Grafik zu sehen sind: Datenqualitätsprüfungen (Dreiecke), Datenspeicher (hier beispielsweise in Form des Patientendatensystems) und Datenkonsumenten (hier ganz rechts zum Beispiel das Krankenhausmanagement als Berichtsempfänger). Dieser Formalismus ist schon recht alt, wird in der Unternehmenspraxis allerdings recht selten verwendet. Es existieren aber auch Ideen, den Formalismus mit ereig- nisgesteuerten Prozessketten (EPK) zu kombinieren und damit die Brücke zur Welt der Geschäftsprozessmodellierung zu schlagen (z. B. [3] für Einzelheiten). ZUSAMMENFASSUNG Zur Notwendigkeit der heutigen Zeit gehört es, Datenqualität ganzheitlich zu betrachten und Daten im Unternehmen einen angemessenen Stellenwert zu geben. Wenn wir so weit kommen, Information als Produkt zu betrachten, das im Unternehmen erzeugt und weiterverarbeitet wird, folgen wir einem vielversprechenden Ansatz. Obwohl oder vielmehr weil viele DQ-Probleme im Rahmen von DWH-Projekten auftauchen, sind sie immer auch DQ-Projekte. DQ-Probleme nur im Rahmen von DWH- Projekten zu behandeln, wäre hier allerdings zu einfach gedacht. Neben den rein technischen Maßnahmen kann man auch organisatorisch Verbesserungen erreichen, zum Beispiel durch die Etablierung eines DQM-Prozesses und entsprechender Rollen. So lassen sich langfristig zwar nicht alle Probleme verhindern, ihr Auftreten aber minimieren und ihre Relevanz verringern und damit vielleicht auch die nächste große Negativschlagzeile. Links & Literatur [1] Knut Hildebrand, Michael Mielke, Marcus Gebauer und Holger Hinrichs: Daten- und Informationsqualität: Auf dem Weg zur Information Excellence, Vieweg und Teubner, 2011, 2. Auflage, ISBN [2] Detlef Apel, Wolfgang Behme, Rüdiger Eberlein, Christian Merighi: Datenqualität erfolgreich steuern, Hanser Verlag, 2009, ISBN [3] Tom Gansor, Andreas Totok, Steffen Stock: Von der Strategie zum Business Intelligence Center (BICC), Hanser Verlag, 2010, ISBN [4] Elizabeth Pierce: Extending IP-MAPS: Incorporating the Event-Driven Process Chain Methodology, Seventh International Conference on Information Quality (IQ 2002), MIT 2002 [5] Richard Wang, Thomas Allen, Wesley Harris, Stuart Madnick: An information product approach for total information awareness, Proceedings of the IEEE Aerospace Conference, 2003 Dr. Jens Bleiholder ist Berater bei OPITZ CONSULTING und arbeitet dort seit mehreren Jahren zu den Schwerpunkten Data Warehouse und Business Intelligence. Neben der Umsetzung von Data- Warehouse-Architekturen beschäftigt er sich mit unterschiedlichen Techniken und Themen aus dem Bereich Datenqualität. 66 bt

8 Immer und überall Online-Premium-Angebot Frei-Haus-Magazin Online immer und überall verfügbar! Offline-PDF-Export Jetzt bestellen unter oder +49 (0) (Mo Fr, 8 17 Uhr)

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

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

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

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

IT-Compliance -... und die Realität. Was hat Datenqualität mit Compliance zu tun?

IT-Compliance -... und die Realität. Was hat Datenqualität mit Compliance zu tun? IT-Compliance -... und die Realität Was hat Datenqualität mit Compliance zu tun? Situation Stetiger Veränderungsdruck durch immer schnellere Marktveränderungen Auslöser für Veränderungen Globalisierung

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

APICON Forum 2015 30. April 2015 Ein Konzept zur Vermeidung von Datenqualität - die Top 10 Fehler der Stammdatenpflege

APICON Forum 2015 30. April 2015 Ein Konzept zur Vermeidung von Datenqualität - die Top 10 Fehler der Stammdatenpflege APICON Forum 2015 30. April 2015 Ein Konzept zur Vermeidung von Datenqualität - die Top 10 Fehler der Stammdatenpflege Prof. Dr. Knut Hildebrand Hochschule Weihenstephan-Triesdorf Knut@Hildebrand.info

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

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

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

Informationsqualität Definitionen, Dimensionen und Begriffe

Informationsqualität Definitionen, Dimensionen und Begriffe Informationsqualität Definitionen, Dimensionen und Begriffe 2 Jan P. Rohweder, Gerhard Kasten, Dirk Malzahn, Andrea Piro und Joachim Schmid 2.1 Einleitung Die Verbesserung und Sicherstellung der Informationsqualität

Mehr

Geschäftsprozessmanagement

Geschäftsprozessmanagement Geschäftsprozessmanagement Der INTARGIA-Ansatz Whitepaper Dr. Thomas Jurisch, Steffen Weber INTARGIA Managementberatung GmbH Max-Planck-Straße 20 63303 Dreieich Telefon: +49 (0)6103 / 5086-0 Telefax: +49

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

TPAV. Dubletten- und Adressprüfung direkt im SAP CRM

TPAV. 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

Mehr

Datenqualität: Finanzinstitute im Spannungsfeld regulatorischer Anforderungen Lösungsansätze und Praxisbeispiele

Datenqualität: Finanzinstitute im Spannungsfeld regulatorischer Anforderungen Lösungsansätze und Praxisbeispiele Con.ect Informunity - 9. Oktober 2007 - Datenqualität: Finanzinstitute im Spannungsfeld regulatorischer Anforderungen Lösungsansätze und Praxisbeispiele Agenda Einführung Definition Regelbasierter Lösungsansatz

Mehr

Skalierbare Datenqualität in anwendungsspezifischen Szenarien

Skalierbare Datenqualität in anwendungsspezifischen Szenarien Skalierbare Datenqualität in anwendungsspezifischen Szenarien Matthias Virgin DZNE e.v. Bonn Standort Rostock / Greifswald Gehlsheimer Str. 20 18147 Rostock matthias.virgin@dzne.de Tobias Umblia Universität

Mehr

Datenqualitätsmanagement

Datenqualitätsmanagement Einführung Datenqualitätsmanagement Udo Weiß Geschäftsführender Gesellschafter tekko Informationssysteme GmbH & Co. KG Rathausplatz 1-2 24103 Kiel www.tekko.de tekko Kurzporträt Udo Weiß Jörg Wach Geschäftsführung

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

Uniserv Academy, Frankfurt am Main 19.05.2015 Kundendaten effektiv und nachhaltig managen Wie Data Governance hilft, Ihre Kunden besser zu verstehen

Uniserv Academy, Frankfurt am Main 19.05.2015 Kundendaten effektiv und nachhaltig managen Wie Data Governance hilft, Ihre Kunden besser zu verstehen Fakultät Informatik und Wirtschaftsinformatik Sanderheinrichsleitenweg 20 97074 Würzburg Folie 1 Uniserv Academy, Frankfurt am Main 19.05.2015 Kundendaten effektiv und nachhaltig managen Wie Data Governance

Mehr

HERZLICH WILLKOMMEN. Data Quality Ihr CRM ist nur so gut wie Ihre Daten. Michael Färbinger. bedirect GmbH & Co. KG Regionalvertriebsleiter Süd-Ost

HERZLICH WILLKOMMEN. Data Quality Ihr CRM ist nur so gut wie Ihre Daten. Michael Färbinger. bedirect GmbH & Co. KG Regionalvertriebsleiter Süd-Ost HERZLICH WILLKOMMEN Data Quality Ihr CRM ist nur so gut wie Ihre Daten. Ein Joint Venture von arvato und Creditreform Michael Färbinger bedirect GmbH & Co. KG Regionalvertriebsleiter Süd-Ost Vorstellung

Mehr

Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise

Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise Unternehmen und IT im Wandel: Mit datengetriebenen Innovationen zum Digital Enterprise Software AG Innovation Day 2014 Bonn, 2.7.2014 Dr. Carsten Bange, Geschäftsführer Business Application Research Center

Mehr

1 Einleitung. Software Engineering. Vorgehensweisen

1 Einleitung. Software Engineering. Vorgehensweisen 1 Noch ein Buch über Software Engineering? Warum nicht! Wir folgen einem Prinzip, das zur Lösungsfindung in den verschiedensten Domänen Einzug gehalten hat: die Betrachtung aus verschiedenen Blickwinkeln.

Mehr

Geschäftsanalytik & Informationsqualität. Transparenz schafft Handlungsalternativen

Geschäftsanalytik & Informationsqualität. Transparenz schafft Handlungsalternativen Geschäftsanalytik & Informationsqualität Transparenz schafft Handlungsalternativen InfoZoom Best Practice Day 2010 Methodik zur Identifizierung der Auswirkungen schlechter Datenqualität auf Geschäftsprozesse!

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

Planung und Effizienz durch optimale Datenqualität sicherstellen Frankfurt, März 2013

Planung und Effizienz durch optimale Datenqualität sicherstellen Frankfurt, März 2013 Planung und Effizienz durch optimale Datenqualität sicherstellen Frankfurt, März 2013 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Immer wieder: Datenqualität Begann es 1805?

Mehr

Data Warehousing mit Oracle

Data Warehousing mit Oracle Data Warehousing mit Oracle Business Intelligence in der Praxis von Claus Jordan, Dani Schnider, Joachim Wehner, Peter Welker 1. Auflage Hanser München 2011 Verlag C.H. Beck im Internet: www.beck.de ISBN

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

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung

Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte Einleitung Adlerblick So gewinnen Sie einen Überblick über ein DWH Dr. Andrea Kennel InfoPunkt Kennel GmbH CH-8600 Dübendorf Schlüsselworte DWH Projekt, Methodik, Stärken und Schwächen, Übersicht, Weg der Daten,

Mehr

Brennpunkt Datenqualität

Brennpunkt Datenqualität Business t Brennpunkt Datenqualität Konzeption eines Datenqualitätsmanagements für ETL-Prozesse Seit Jahren genießt das Thema Datenqualität in IT-Abteilungen sowie auf Managementebene steigende Aufmerksamkeit.

Mehr

Datenqualität erfolgreich managen

Datenqualität erfolgreich managen 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,

Mehr

Eine Strategie zur nachhaltigen Verbesserung der Datenqualität

Eine Strategie zur nachhaltigen Verbesserung der Datenqualität Eine Strategie zur nachhaltigen Verbesserung der Datenqualität Christian Fürber, Michael Wernz, Joachim Sobota TDWI 2013 19.06.2013 Vorstellung des Information Quality Institute 1 2 3 4 5 6 7 Bedeutung

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

POCKET POWER. Probleme lösen. Systematisch. 8D und 7STEP

POCKET POWER. Probleme lösen. Systematisch. 8D und 7STEP POCKET POWER 8D und 7STEP Systematisch Probleme lösen 3 Inhalt 1 Einleitung................................ 7 1.1 Aufbau des Buches............................. 7 1.2 Probleme lösen und kontinuierlich

Mehr

Mundt Direkt. Neukunden-Identifikations-System

Mundt Direkt. Neukunden-Identifikations-System Neukunden-Identifikations-System Mundt Direkt. GmbH Zielgruppenmarketing Hintere Straße 20 71229 Leonberg / Germany Tel.: +49 (0)7152-9349-0 Fax.: +49 (0)7152-9349-23 www.mundt-direkt.de Eine Nummer löst

Mehr

Hannover, 20.03.2015 Halle 5 Stand A36

Hannover, 20.03.2015 Halle 5 Stand A36 Integrierte Unternehmensinformationen als Fundament für die digitale Transformation vor allem eine betriebswirtschaftliche Aufgabe Hannover, 20.03.2015 Halle 5 Stand A36 Business Application Research Center

Mehr

Arbeitet Ihr Unternehmen mit klaren Strukturen, effizient,

Arbeitet Ihr Unternehmen mit klaren Strukturen, effizient, Arbeitet Ihr Unternehmen mit klaren Strukturen, effizient, transparent und nachhaltig? Wir Unterstützen Sie dabei. Gezielte Analyse Ihrer Unternehmensprozesse und strukturen Darstellung der Unternehmenssituation

Mehr

Stammdaten und Datenqualität Stammdaten managen: Master Data Life Cycle Sortimentsbereinigung: Nutzen - Kosten

Stammdaten und Datenqualität Stammdaten managen: Master Data Life Cycle Sortimentsbereinigung: Nutzen - Kosten Materialstamm: Stammdatenmanagement und Stammdatenqualität Vortrag am 12.7.2011 Business Excellence Days, München Prof. Dr. Knut Hildebrand Hochschule Weihenstephan Informationsmanagement und Logistik

Mehr

Datenqualitätsmanagement in Business Intelligence Systemen Grundlagen, typische Probleme und Lösungswege

Datenqualitätsmanagement in Business Intelligence Systemen Grundlagen, typische Probleme und Lösungswege Datenqualitätsmanagement in Business Intelligence Systemen Grundlagen, typische Probleme und Lösungswege Jena, 07.07.2015 Markus Enderlein, Infomotion GmbH Michael Leifeld, Informatica Informatik-Kolloquium

Mehr

Data Quality Audit. Audit Overview. Entspricht die Qualität der Unternehmensdaten den Anforderungen der Datennutzer?

Data Quality Audit. Audit Overview. Entspricht die Qualität der Unternehmensdaten den Anforderungen der Datennutzer? Audit Overview Data Quality Audit Entspricht die Qualität der Unternehmensdaten den Anforderungen der Datennutzer? Um geeignete Maßnahmen zur Verbesserung der Qualität von Daten durchzuführen, sollte sichergestellt

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

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

Projekt zur Entwicklung, Umsetzung und Evaluation von Leitlinien zum adaptiven Management von Datenqualität in Kohortenstudien und Registern

Projekt zur Entwicklung, Umsetzung und Evaluation von Leitlinien zum adaptiven Management von Datenqualität in Kohortenstudien und Registern Projekt zur Entwicklung, Umsetzung und Evaluation von Leitlinien zum adaptiven Management von Datenqualität in Kohortenstudien und Registern gefördert durch die Indikatoren von Datenqualität Michael Nonnemacher

Mehr

Einleitung. Was ist das Wesen von Scrum? Die Ursprünge dieses Buches

Einleitung. Was ist das Wesen von Scrum? Die Ursprünge dieses Buches Dieses Buch beschreibt das Wesen von Scrum die Dinge, die Sie wissen müssen, wenn Sie Scrum erfolgreich einsetzen wollen, um innovative Produkte und Dienstleistungen bereitzustellen. Was ist das Wesen

Mehr

DQM und Change Management am Beispiel der WestLB

DQM und Change Management am Beispiel der WestLB Spend Quality Time with your Data! DQM und Change Management am Beispiel der WestLB DGIQ Best Practice Day, Köln, 27. Mai 2008 Dipl.-Volkswirt Jan Hüfner, TIQ Solutions GmbH 2007 TIQ Solutions GmbH All

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

Apparo Fast Edit Standardprogramm für unternehmensweite Dateneingabe. IBM Cognos BI

Apparo Fast Edit Standardprogramm für unternehmensweite Dateneingabe. IBM Cognos BI Apparo Fast Edit Standardprogramm für unternehmensweite Dateneingabe IBM Cognos BI 2 Business Intelligence Business Intelligence ist das Nervensystem des Unternehmens aber eigentlich geht das doch in beide

Mehr

Geschäftsprozessmanagement in der Praxis

Geschäftsprozessmanagement in der Praxis Geschäftsprozessmanagement in der Praxis Kunden zufrieden stellen - Produktivität steigern - Wert erhöhen von Hermann J. Schmelzer, Wolfgang Sesselmann 7., überarbeitete und erweiterte Auflage 2010 Hanser

Mehr

Wie lässt sich Datenqualität messen?

Wie lässt sich Datenqualität messen? Wie lässt sich Datenqualität messen? Eine Leitline der Telematikplattform für Medizinische Forschungsnetze M. Nonnemacher, D. Weiland, J. Stausberg Institut für Medizinische Informatik, Biometrie und Epidemiologie

Mehr

Handbuch Online-Abgleich

Handbuch Online-Abgleich Handbuch Online-Abgleich Inhalt Einleitung...1 Voraussetzungen...1 Aufruf des Online-Abgleiches...1 Übersichtsseite...1 Wahl einer Liste...1 Wahl des Online Abgleichs...2 Erstellen eines neuen Abgleiches...3

Mehr

Newsletter Software. Tourbo report das Knopfdruck-Controllinginstrument beantwortet folgende Fragen:

Newsletter Software. Tourbo report das Knopfdruck-Controllinginstrument beantwortet folgende Fragen: Newsletter Software Juni 2011 Sehr geehrte Tourbosoft-Kunden, wir möchten auch diesen Monat wieder die Gelegenheit nutzen und Ihnen die neueste Erweiterung für unser Tourenplanungsprogramm Tourbo route

Mehr

Matthias Rottländer. Diplomarbeit im Fach Spezielle Wirtschaftsinformatik

Matthias Rottländer. Diplomarbeit im Fach Spezielle Wirtschaftsinformatik Matthias Rottländer Diplomarbeit im Fach Spezielle Wirtschaftsinformatik Eignung von Methoden des Datenqualitätsmanagement für Datentypen im Unternehmenskontext Themasteller: Univ.-Prof. Dr. Ali Sunyaev

Mehr

Übungsblatt 4: Requirements Engineering (2) (für die Übungswoche 14.11. 18.11.2011)

Übungsblatt 4: Requirements Engineering (2) (für die Übungswoche 14.11. 18.11.2011) Übungsblatt 4: Requirements Engineering (2) (für die Übungswoche 14.11. 18.11.2011) Daueraufgabe: Fünf in Fünf Präsentationsaufgabe. Bereiten Sie eine fünfminütige Präsentation vor, in der Sie die fünf

Mehr

Datenqualitätsmanagement

Datenqualitätsmanagement Whitepaper Datenqualitätsmanagement Nachhaltige Erhöhung der Datenqualität steigert den Unternehmenserfolg! Datenqualitätsmanagement Nachhaltige Erhöhung der Datenqualität steigert den Unternehmenserfolg!

Mehr

Wege aus dem Datenlabyrinth

Wege aus dem Datenlabyrinth Wege aus dem Datenlabyrinth - Datenqualität auf dem Prüfstand - 17. November 2009 CEA v6.4 Studie IT-Trends 2009 in Deutschland: Das BI-Top-Thema ist Datenqualität Business Intelligence: Bedeutung einzelner

Mehr

Universität Trier. FB IV Wirtschafts- und Sozialwissenschaften. SS 2008 Veranstalterin: Dipl.-Wirt.-Inf. Ariane Gramm

Universität Trier. FB IV Wirtschafts- und Sozialwissenschaften. SS 2008 Veranstalterin: Dipl.-Wirt.-Inf. Ariane Gramm Universität Trier FB IV Wirtschafts- und Sozialwissenschaften SS 2008 Veranstalterin: Dipl.-Wirt.-Inf. Ariane Gramm Übung Wirtschaftsinformatik I Teil 2 Thema: Erläuterung der eepk Eingereicht am 12.06.2008

Mehr

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010

Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Zusammenfassung der Umfrageergebnisse Customer Intelligence in Unternehmen 23.12.2010 Autoren: Alexander Schramm Marcus Mertens MuniConS GmbH Einleitung Unternehmen verfügen heute über viele wichtige Informationen

Mehr

Projekte präsentieren

Projekte präsentieren Projekte präsentieren von Hedwig Kellner 1. Auflage Hanser München 2003 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 22093 5 Zu Inhaltsverzeichnis schnell und portofrei erhältlich bei beck-shop.de

Mehr

Stammdatenmanagement in Einkauf und Materialwirtschaft

Stammdatenmanagement in Einkauf und Materialwirtschaft Stammdatenmanagement in Einkauf und Materialwirtschaft Vortrag am 5. Juli 2012 Business Excellence Days, München Prof. Dr. Knut Hildebrand Hochschule Weihenstephan Informationsmanagement und Logistik Stammdatenmanagement

Mehr

Process Mining 21. September 2015. Roadshow

Process Mining 21. September 2015. Roadshow Roadshow Process Mining 21. September 2015 Datentransformation auf Knopfdruck Objektive ermittelte Prozesstransparenz Perfekte Basis zur Prozessoptimierung Roadshow PROCESS MINING PROCURE-TO-PAY 21. September

Mehr

Metriken für ein ROI-basiertes Datenqualitätsmanagement

Metriken für ein ROI-basiertes Datenqualitätsmanagement Dr. Max Mustermann Referat Kommunikation & Marketing Verwaltung Metriken für ein ROI-basiertes Datenqualitätsmanagement Prof. Dr. Bernd Heinrich, Prof. Dr. Mathias Klier Institut für Wirtschaftsinformatik

Mehr

Blog-Artikel Software zum mitdenken bewegen von Henrik Heitbrink, Projektleiter A.T.E Software GmbH

Blog-Artikel Software zum mitdenken bewegen von Henrik Heitbrink, Projektleiter A.T.E Software GmbH Blog-Artikel Software zum mitdenken bewegen von Henrik Heitbrink, Projektleiter A.T.E Software GmbH Software zum mitdenken bewegen Vor dem Computer zu sitzen ist manchmal wie Kind sein im Süßwarenladen.

Mehr

Eine ISO-Norm für Wissensmanagement?

Eine ISO-Norm für Wissensmanagement? Eine ISO-Norm für Wissensmanagement? 09.12.2014 von Christian Katz Die aktuelle Revision der ISO 9001 (Qualitätsmanagementsysteme) lädt ein, über die Harmonisierung aller Managementsystem-Normen nachzudenken:

Mehr

Business Intelligence Governance

Business Intelligence Governance Business Intelligence Governance von der Vision zur Realität im Unternehmensalltag Webinar September 2011 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Das intelligente Unternehmen

Mehr

Wie Fusion CRM die Datenqualität im Marketingprozess erhöhen kann (Fusion CRM@ec4u)

Wie Fusion CRM die Datenqualität im Marketingprozess erhöhen kann (Fusion CRM@ec4u) Wie Fusion CRM die Datenqualität im Marketingprozess erhöhen kann (Fusion CRM@ec4u) Jeder kennt folgende Sätze aus seinem eigenen Unternehmen: Wieso sind so viele doppelte Einträge im System? Kann man

Mehr

Data Quality Management: Abgleich großer, redundanter Datenmengen

Data 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:

Mehr

Unternehmensweites DQ Controlling auf Basis von BI-Werkzeugen. Doreen Hartung, TIQ Solutions GmbH 6. GIQMC, Bad Soden, 26.-28.

Unternehmensweites DQ Controlling auf Basis von BI-Werkzeugen. Doreen Hartung, TIQ Solutions GmbH 6. GIQMC, Bad Soden, 26.-28. Unternehmensweites DQ Controlling auf Basis von BI-Werkzeugen Doreen Hartung, TIQ Solutions GmbH 6. GIQMC, Bad Soden, 26.-28. November 2008 2007 TIQ Solutions GmbH All Rights Reserved. GIQMC Bad Soden,

Mehr

Unternehmen wissen zu wenig über ihre Kunden! Ergebnisse der Online-Umfrage. Management Summary

Unternehmen wissen zu wenig über ihre Kunden! Ergebnisse der Online-Umfrage. Management Summary Unternehmen wissen zu wenig über ihre Kunden! Ergebnisse der Online-Umfrage Management Summary Management Summary Kunden - Erfolgsfaktor Nummer 1 Es ist mittlerweile ein offenes Geheimnis, dass Unternehmen

Mehr

Adress-Reiniger. Office Produkte F E L D S O F T

Adress-Reiniger. Office Produkte F E L D S O F T F E L D S O F T Office Produkte Adress-Reiniger Dubletten - Suche mit dem Adress-Reiniger Mit dem Adress-Reiniger können Sie auf einfachste Weise Ihre in Excel vorliegenden Adressen nach Dubletten durchsuchen.

Mehr

Tom Gansor Dr. Andreas Totok www.dpunkt.de/plus

Tom Gansor Dr. Andreas Totok www.dpunkt.de/plus Tom Gansor ist als Mitglied der Geschäftsleitung bei der OPITZ CONSULTING Deutschland GmbH unter anderem für die Weiterentwicklung des Portfolios, für Innovation und die Lösungsentwicklung verantwortlich.

Mehr

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

Informatica Day 2010 Deutschland Best Practice: Data-Consolidation im SAP Umfeld bei Siemens. Frank Hincke, DIMQ, Köln 03/2010 Informatica Day 2010 Deutschland Best Practice: Data-Consolidation im Umfeld bei Siemens Frank Hincke, DIMQ, Köln 03/2010 Agenda Vorstellung Sprecher Programm ATLAS im Bereich Siemens Bereich Energie,

Mehr

Drei Strategien, die First-Call-Resolution zu verbessern

Drei Strategien, die First-Call-Resolution zu verbessern Drei Strategien, die First-Call-Resolution zu verbessern Das Messen von Kennzahlen ist allen Managern im Kunden-Service- Bereich ein Begriff. Die meisten von ihnen messen weit mehr als die branchenüblichen

Mehr

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie

Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Prozess- und Service-Orientierung im Unternehmen mehr als Technologie Presse Talk CeBIT 2007 Dr. Wolfgang Martin Analyst, ibond Partner, Ventana Research Advisor und Research Advisor am Institut für 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

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten

Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten Prognosen via Datenanalyse Predictive Analytics: Darauf müssen Unternehmen achten von Jürgen Mauerer Foto: Avantum Consult AG Seite 1 von 21 Inhalt Mehrwert aufzeigen nach Analyse des Geschäftsmodells...

Mehr

Schritte eines ITIL- Projektes in der Landesverwaltung Baden-Württemberg. Dr. Harald Bayer Innenministerium BW, StaV

Schritte eines ITIL- Projektes in der Landesverwaltung Baden-Württemberg. Dr. Harald Bayer Innenministerium BW, StaV 1 Schritte eines ITIL- Projektes in der Landesverwaltung Baden-Württemberg Dr. Harald Bayer Innenministerium BW, StaV 2 Zum Redner Mitarbeiter der Stabsstelle für Verwaltungsreform (StaV) des Innenministeriums

Mehr

Inhaltsverzeichnis. Teil I Informationsqualität - Grundlagen

Inhaltsverzeichnis. Teil I Informationsqualität - Grundlagen Inhaltsverzeichnis Teil I Informationsqualität - Grundlagen 1 Was wissen wir über Information?.................................. 3 Florian Engelmann und Christoph Großmann 1.1 Einleitung...................................................

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

IDC-Studie: Software Quality Assurance Unternehmen in Deutschland haben Nachholbedarf

IDC-Studie: Software Quality Assurance Unternehmen in Deutschland haben Nachholbedarf Pressemeldung Frankfurt am Main, 02. Februar 2012 IDC-Studie: Software Quality Assurance Unternehmen in Deutschland haben Nachholbedarf Software Quality Assurance wird nicht geliebt aber praktiziert. Die

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

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement

CMC-KOMPASS: CRM. Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement CMC-KOMPASS: CRM Der Wegweiser für erfolgreiches Kundenbeziehungsmanagement 1 CROSSMEDIACONSULTING 18.05.2010 Unser Verständnis von CRM: Customer Relationship Management ist weit mehr als ein IT-Projekt

Mehr

"15 Jahre APM - Wieso haben heutige Projekte immer noch Performance Probleme?"

15 Jahre APM - Wieso haben heutige Projekte immer noch Performance Probleme? "15 Jahre APM - Wieso haben heutige Projekte immer noch Performance Probleme?" Dienstag, 13. Mai 2014-16:45 bis 17:45 Goldsaal B JAX 2014 Stefan Siegl Stefan.siegl@novatec-gmbh.de NovaTec Consulting GmbH

Mehr

Erfolgsgeschichte. Success-Story. www.iso-gruppe.com. Krankenhaus Barmherzige Brüder Regensburg Der Patient steht im Mittelpunkt

Erfolgsgeschichte. Success-Story. www.iso-gruppe.com. Krankenhaus Barmherzige Brüder Regensburg Der Patient steht im Mittelpunkt Erfolgsgeschichte Success-Story Krankenhaus Barmherzige Brüder Regensburg Der Patient steht im Mittelpunkt Der Nächste bitte optimale Patientenbetreuung beginnt schon bei der Aufnahme Das Krankenhaus Barmherzige

Mehr

Nutzen Sie das Potenzial Ihrer Daten durch optimale Datenqualität!

Nutzen Sie das Potenzial Ihrer Daten durch optimale Datenqualität! your way to data excellence Reduzieren Sie Kosten Eliminieren Sie Risiken Optimieren Sie Prozesse Steigern Sie Umsatz und Gewinn Nutzen Sie das Potenzial Ihrer Daten durch optimale Datenqualität! Treffen

Mehr

Version 1.0 - Autoren: Johann Höchtl, Axel Polleres, Jürgen Umbrich, Brigitte Lutz

Version 1.0 - Autoren: Johann Höchtl, Axel Polleres, Jürgen Umbrich, Brigitte Lutz Datenqualität und Veröffentlichungsprozesse Mission Statement Sub-Arbeitsgruppe Qualitätssicherung auf Open Data-Portalen der Cooperation Open Government Data Österreich Version 1.0 - Autoren: Johann Höchtl,

Mehr

Information Governance die unterschätzte Unternehmensdisziplin IBM Inside 2010, Okt. 2010

Information Governance die unterschätzte Unternehmensdisziplin IBM Inside 2010, Okt. 2010 Information Governance die unterschätzte Unternehmensdisziplin IBM Inside 2010, Okt. 2010 Dr. Wolfgang Martin Analyst, ibond Partner und Ventana Research Advisor Information Governance Information Management

Mehr

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren

Strategie und Self Service BI im Unternehmen. Gegensätze miteinander kombinieren Strategie und Self Service BI im Unternehmen Gegensätze miteinander kombinieren Claas Planitzer Düsseldorf Juni 2015 Agenda 5. Herausforderungen 1. Idealbild 2. Realität 3. Self Service 4. BI. Was ist

Mehr

Business Intelligence mit Microsoft SQL Server 2005

Business Intelligence mit Microsoft SQL Server 2005 Business Intelligence mit Microsoft SQL Server 2005 Holger Schrödl ISBN 3-446-40463-5 Leseprobe Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-40463-5 sowie im Buchhandel 4.6

Mehr

Das Listen Abgleich Interface wird einfach über Doppelklick auf die Datei Listen-Abgleich-Interface.accde gestartet.

Das Listen Abgleich Interface wird einfach über Doppelklick auf die Datei Listen-Abgleich-Interface.accde gestartet. Anleitung Listen Abgleich Interface Was macht das Listen Abgleich Interface? Das Listen Abgleich Interface importiert und gleicht Excel Listen, welche beispielsweise aus Web Kontaktformularen, Adresszukäufen

Mehr

Korrekturdienste im VWB-Verfahren

Korrekturdienste im VWB-Verfahren Korrekturdienste im VWB-Verfahren Hoa Chi Zohurian-Ghanad Bernd Völkel Erfahrungsaustausch 2012, Hamburg, 25.09.2012 Inhalt 1. 2. 3. 4. Hintergrund der Überblick über die Funktionsweise der Korrekturdienste

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

datenqualität aus der cloud

datenqualität aus der cloud datenqualität aus der cloud Ihre Vorteile Leistungen flexibel buchbar Transparente Abrechnung Keine eigenen IT-Investitionen nötig Einfach integrierbar durch verschiedene Schnittstellen Ideal auch in der

Mehr

Lebenszyklus einer Schwachstelle

Lebenszyklus einer Schwachstelle GRUNDLAGEN STATISTIKEN BERICHTE Lebenszyklus einer Schwachstelle Nach Bekanntwerden einer neuen Zero-Day-Schwachstelle hat der Hersteller ein Advisory veröffentlicht, in dem bis zur Fertigstellung eines

Mehr

capaneo MailRefiner TECHNOLOGIEN

capaneo MailRefiner TECHNOLOGIEN capaneo MailRefiner Ihr Weg zum wertvollen E-Mail-Verteiler Effiziente Prüfung und Empfehlungen in Echtzeit Automatisierte Validierung von Adressbeständen Bereitstellung von zusätzlichen Informationen

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

Modellierung von Geschäftsprozessen (MGP / GPM) Thematische Einführung

Modellierung von Geschäftsprozessen (MGP / GPM) Thematische Einführung FHTW Berlin FB4, Wirtschaftsmathematik Modellierung von Geschäftsprozessen (MGP / GPM) Thematische Einführung Dr. Irina Stobbe STeam Service Software Sustainability Organisatorisches Thema - Überblick

Mehr

Start-Ziel-Sieg für Ihren Validierungsprozess

Start-Ziel-Sieg für Ihren Validierungsprozess Risikobasierte Validierung des CSB-Systems Start-Ziel-Sieg für Ihren Validierungsprozess Risikobasierte Validierung des CSB-Systems Programmiert für Ihren Erfolg D DIE VORTEILE FÜR IHR UNTERNEHMEN AUF

Mehr

10 Wege, wie Sie Ihr Social Media Monitoring ausbauen können

10 Wege, wie Sie Ihr Social Media Monitoring ausbauen können 10 Wege, wie Sie Ihr Social Media Monitoring ausbauen können Folgende Fragen, die Sie sich zuerst stellen sollten: 1. Welche Social-Media-Monitoring-Plattformen (SMM) schneiden am besten ab? 2. Ist dafür

Mehr

Welche Daten gehören ins Data Warehouse?

Welche Daten gehören ins Data Warehouse? Welche Daten gehören ins Warehouse? Dani Schnider Principal Consultant 9. Januar 2012 In vielen DWH-Projekten stellt sich die Frage, welche Daten im Warehouse gespeichert werden sollen und wie dieser Datenumfang

Mehr