pa Data Quality Manager

Transkript

1 Wir bringen HIDDEN CHAMPIONS voran. pa Data Quality Manager Value Component Stand: Juli 2016 Der direkte Weg zu nachhaltig sauberen Datenbeständen

2 Agenda Folgen mangelnder Datenqualität Erfolgsfaktor Datenqualität Datenqualitätsmanagement pa Data Quality Manager Zusammenfassung 2

3 Agenda Folgen mangelnder Datenqualität Erfolgsfaktor Datenqualität Datenqualitätsmanagement pa Data Quality Manager Zusammenfassung 3

4 1999: Verlust der Mars-Sonde Mars Climate Orbiter Navigationsfehler Gescheitertes Anflugmanöver: Software war auf inch programmiert und Angabe der Techniker erfolgte in cm. Kosten der Nasa-Sonde 45 Millionen USD. 4

5 Faktoren der Datenqualität Konsistenz Gültigkeit Aktualität Datenqualität Korrektheit Vollständigkeit 5

6 Nur die Spitze des Eisbergs Sichtbare Kosten mangelnder Datenqualität Erneute Dateneingabe Geldstrafen Rückläufer Verlorene Aufträge Datenkorrektur Erhöhte Systemkosten Entgangenes Neukundengeschäft Zinskosten Zeitverlust Kundenabwanderung Imageschäden Mitarbeiterunzufriedenheit Lange Suchdauer Fehlentscheidungen Versteckte Kosten mangelnder Datenqualität 6

7 Beispiele für Folgen schlechter Datenqualität (Teil 1) Im Einkauf verursachen mangelhaft gepflegte Stammdaten hohen Mehraufwand. So führen fehlende Informationen über Wiederbeschaffungszeiten zu Rückfragen. Das verlängert den Bestellprozess nur unnötig. Ein regelmäßiger Check, ob für alle Lieferanten und Teile auch Wiederbeschaffungszeiten hinterlegt sind, hätte dies verhindern können. Kommuniziert der Vertrieb mangels Informationen dann unrealistische Liefertermine, geht das schnell zulasten der Reputation. Und selbst wenn der Kunde nicht gleich die Zuverlässigkeit des gesamten Unternehmens infrage stellt: Ärger und Mehraufwand sind vorprogrammiert. Sind Lieferadressen unvollständig oder fehlerhaft, leidet auch die Logistik. Nicht zustellbare Sendungen, aufwendige Rückfragen und eine erneute Auslieferung belasten das Budget und verzögern den Liefertermin. 7

8 Beispiele für Folgen schlechter Datenqualität (Teil 2) Auch der elektronische Belegversand im Rechnungswesen hakt, wenn beim Rechnungsempfänger des Kunden keine gültige -Adresse hinterlegt ist. Es bleibt dann nur der Griff zum Telefonhörer oder der Postversand. Dies alles sind Mehrkosten, die mit regelmäßigen Datenscans zu vermeiden sind. Geht ein gedrucktes Mailing gleich mehrfach an denselben Adressaten, belastet das nicht nur die Portokasse. Was bleibt, ist ein unprofessioneller Eindruck beim Empfänger. Ein Werkzeug für Datenqualität hilft, auch das leidige Thema Dubletten in den Griff zu bekommen. 8

9 Auswirkungen von Dubletten im Kundenstamm Auswirkung von Dubletten in Kundenstammdaten Kreditlimitprüfung greift nicht Kunde erhält Angebot mehrfach Anzahl Kunden falsch Kundenanalysen nicht möglich oder unscharf Erhöhtes Forderungsausfallrisiko Ggf. unterschiedliche Angebote Fehlerhafte Statistiken Falsche Kundenbetreuung Erhöhter Aufwand für Bonitätsprüfung Erhöhte Werbungskosten Kundenverärgerung Falsche Kundenbetreuung Verlust des Kunden Kostensteigerungen Imageverlust Umsatzverlust 9

10 Ursachen fehlender Datenqualität Unklare bzw. unvollständige Qualitätsvorgaben ohne konkrete Zielvorgaben kein entsprechendes zielgerichtetes Handeln Kein Zuordnung von Verantwortlichkeiten bzw. keinerlei Abstimmungen zwischen den Abteilungen bei abteilungsübergreifenden Stammdaten Keine systemseitige Unterstützung in der Feststellung der Datenqualität, oftmals keine Prozessunterstützung bzw. Nutzung adäquater Analyse-Tools Daten altern: die guten Daten von heute sind die schlechten von morgen fehlendes Bewusstsein für Alterungsprozess Unternehmen scheuen Investitionen in Datenqualität (Eisberg), da ROI nicht transparent und kaum messbar Datenqualität ist eine permanente Aufgabe und bedarf eines Datenqualitätsmanagements! 10

11 Agenda Folgen mangelnder Datenqualität Erfolgsfaktor Datenqualität Datenqualitätsmanagement pa Data Quality Manager Zusammenfassung 11

12 Daten-Management im Mittelstand: Clean vor Big! Clean-Data Clean Data ist wichtiger als Big Data Fast Big Data sehr teuer Big-Data Real Time wird wichtiger in der Produktionssteuerung (Bsp: Vernetzung ERP mit MES) Clean Data als zentrales Kriterium für den Unternehmenserfolg 12

13 Erfolgsfaktor Datenqualität Entscheidungen gut Annahmen Daten und Informationen richtig korrekt Zusammenhang zwischen Datenqualität und Qualität der Entscheidungen. Datenqualität hoch ISO 9000 Sachbezogener Ansatz zur Entscheidungsfindung 13

14 Erfolgsfaktor Datenqualität Optimierung der Wertschöpfung und Unternehmensprozesse Optimale Allokation der Ressourcen (Vermeidung unnötiger Kosten) Sicherheit in der Entscheidungsfindung Verbindlichkeit durch Einhaltung von Terminzusagen Verbesserung der Kundenzufriedenheit Aufbau und Sicherung von Vertrauen zwischen Unternehmen und Kunde Schaffung von Wettbewerbsvorteile durch Erkenntnisvorsprung Neben Arbeit, Boden und Kapital Aufstieg der Information als 4. Produktionsfaktor 14

15 Agenda Folgen mangelnder Datenqualität Erfolgsfaktor Datenqualität Datenqualitätsmanagement pa Data Quality Manager Zusammenfassung 15

16 Einfluss von Stammdaten auf Bewegungsdaten und Prozesse Vertreter Liefer- Adresse Steuer- Merkmal Kreditlimit Zahlungskonditionen Terminwunsch Preisliste Artikelbezeich nung Verband Bestimmungsort Fracht Angebot Zuschläge Steuersatz Bestand Gewicht Seriennummer Verpack ungsart 16

17 Einfluss von Stammdaten auf Bewegungsdaten und Prozesse Angebot Auftrag Kommissionierung Lieferschein Rechnung Fehlerhafte Stammdaten vererben sich vom Angebot bis zur Faktura! Und führen ggf. im Controlling zu falschen Entscheidungen 17

18 Notwendigkeit eines Datenqualitätsmanagements Schaffung und Sicherung von Datenqualität ist eine permanente Aufgabe Einmalbereinigung ist nicht ausreichend Datenqualität nimmt mit jedem Tag ab Big Data macht Clean Data umso wichtiger für den Unternehmenserfolg Integrierte Systemen führen zu einem Multiplikatoreffekt Vom Faktor Mensch zu Industrie 4.0 (Korrektiv Mensch entfällt zunehmend) Positive Effekte hoher Datenqualität bleiben ungenutzt (Wertschöpfung, Wettbewerbsposition) 18

19 Prozess Clean Data Make it clean Keep it clean 19

20 Datenqualitätsmanagement 1 Bewußtsein für das Thema auf allen Ebenen schaffen 2 Datenbestände analysieren, um Qualität festzustellen 3 Regeln für die Korrektheit der Daten definieren 4 Daten bereinigen und Prozesse etablieren 5 Eindeutige Verantwortlichkeiten für Inhalte und Pflege definieren 6 Maßnahmen zur Qualitätssicherung bei Datenerfassung durchführen 7 Verbindliche Vorgaben für Bezeichnungen definieren 8 Workflows für Neuanlagen von Stammdaten nutzen 9 Datenbestände durch gezielte Archivierung verkleinern 10 Regelmäßige Schulung der Mitarbeiter 20

21 Agenda Folgen mangelnder Datenqualität Erfolgsfaktor Datenqualität Datenqualitätsmanagement pa Data Quality Manager Zusammenfassung 21

22 proalpha Data Quality Manager Arbeitsweise Fehlerbearbeitung, Bereinigung Wiedergabe in pa- Browser Prüfung gegen Regelwerk Fehlererkennung / Klassifizierung Automatisierter Import Export von Stammdaten 22

23 proalpha Data Quality Manager Arbeitsweise Regelbasierte Analyse der Datentöpfe und Rückfluss der Ergebnisse nach proalpha proalpha Datenübergabe Objekte Ergebnisbrowser IZDQ Regeln Ergebnisübergabe Controlling

24 proalpha Data Quality Manager Screenshots 24

25 proalpha Data Quality Manager Screenshots 25

26 proalpha Data Quality Manager Screenshots 26

27 proalpha Data Quality Manager Screenshots 27

28 proalpha Data Quality Manager ACM-Parameter Area Bereich der zu exportierenden Stammdaten ErrorEvaluation Fehlerkategorien 0 bis 100 ImportFolder Verzeichnis für Importdateien BackupFolder Ablageverzeichnis übernommener Dateien ImportLimitDays Max. Alter der zu importierenden Datei ImportRecordLimit Max. Anzahl zu importierender Datensätze ImportCols Spalten der Importdatei StandingDataContainer Container der zu korrigierenden Stammdaten 28

29 Agenda Folgen mangelnder Datenqualität Erfolgsfaktor Datenqualität Datenqualitätsmanagement pa Data Quality Manager Zusammenfassung 29

30 Vorteile eines Datenqualitätsmanagements Die zunehmende Digitalisierung von Geschäftsprozessen erfordert mehr als nur einen nahtlosen Datenaustausch Der Kern sind die Daten selbst nur wenn die Qualität stimmt, laufen auch die Prozesse reibungslos Datenqualitätsmanagement wird in Zeiten von Big Data und Industrie 4.0 zu einem absoluten Erfolgsfaktor Die Value Component pa DQM ist das geeignete Werkzeug für ein Datenqualitätsmanagement Die Möglichkeiten, mithilfe automatisierter Datenqualitätsprüfungen Prozesse effizienter zu machen, sind enorm 30

31 Sie möchten mehr erfahren? Ihr Ansprechpartner: Ingo Lenzen Produktmanager Telefon +49 (228) Mobil +49 (173)

32 Vielen Dank Telefon Stand: