Manpower Associates is a $14

Präsentation zum Thema: "Manpower Associates is a $14"—  Präsentation transkript:

1 Bring up on stage two customers to tell the audience about their experiences.
Manpower Associates is a $14.9B global company with 27,000 employees in the temporary staffing business. Manpower runs a combined PeopleSoft Enterprise and JD Edwards EnterpriseOne shop. These experts in human resources use Enterprise HCM for their own staffing and EnterpriseOne Payroll and Service Billing for handling the large volumes of US-based temporary staff. Manpower is very happy with Oracle’s support since purchasing PeopleSoft and is looking forward to a long relationship with Oracle. Spokesperson will be Jay Schaudies, Vice President, Global eCommerce. Welch Foods is the food processing and marketing arm of National Grape Cooperative Association. Organized in 1945, National Grape is a grower-owned agricultural cooperative with 1,461 members. The company, headquartered in Concord, Massachusetts, operates six plants located in Michigan, New York, Pennsylvania and Washington. The company was running a mix of legacy, home grown, and manual systems that failed to provide senior management with accurate and timely cost and production information. Welch’s required a centralized manufacturing and financial information system to improve management decision making. The solution had to be hot-pluggable with existing technologies, for example, Welch’s Plumtree portal. Welch Foods chose Oracle over SAP for this business-critical application. The key to the customer’s business problem was their ability to manage costs. The company’s costs are driven by fruit solid content in each of their products, and they use a specialized technique called BRIX for measuring and calculating the cost of materials. Welch’s compared SAP and Oracle SAP’s software was too rigid and, therefore, unable to include the BRIX calculation in their manufacturing solution. Only Oracle’s OPM could bind this custom cost method into the Quality Management Process. Technology customer yet to be determined. Current possibilities include eBay and FTD Florists.

2 Datenqualität sichern Wenn sich Controlling und Buchhaltung streiten
Praxisseminar zu Datenqualitätsanalysen mit einem Planspiel zur virtuellen Server GmbH Christoph Blessing, Alfred Schlaucher

3

4 So... ...oder so?

5 Agenda 09:30 Teurer Datensumpf" oder "Schlechte Daten kosten einfach nur viel Geld" 10:00 Einweisung in das Planspiel „Service GmbH“ „Wenn Controlling auf die Buchhaltung schimpft“ Eine simulierte Firma mit (einigen) Problemen. 10:15 Systematische Vorgehensweisen bei Datenqualitätsanalysen mit einem Vorgehensmodell 10:30 Unterstützung durch Werkzeuge in Datenqualitätsprojekten 10:45 Pause 11:00 Datenqualität praktisch und hautnah: Data Profiling Analysen in der Service GmbH 12:15 Proaktives Datenqualitätsmanagement Zusammenfassung und Möglichkeiten 12:30 Ausklang mit Business Lunch

6 Agenda 09:30 Teurer Datensumpf" oder "Schlechte Daten kosten einfach nur viel Geld" 10:00 Einweisung in das Planspiel „Service GmbH“ „Wenn Controlling auf die Buchhaltung schimpft“ Eine simulierte Firma mit (einigen) Problemen. 10:15 Systematische Vorgehensweisen bei Datenqualitätsanalysen mit einem Vorgehensmodell 10:30 Unterstützung durch Werkzeuge in Datenqualitätsprojekten 10:45 Pause 11:00 Datenqualität praktisch und hautnah: Data Profiling Analysen in der Service GmbH 12:15 Proaktives Datenqualitätsmanagement Zusammenfassung und Möglichkeiten 12:30 Ausklang mit Business Lunch

7 Wer glaubt solchen Charts?

8 Die Kosten der schlechten Daten

9 Versteckte Kosten durch schlechte Datenqualität
Manuelles Nacharbeiten von Daten Beschwerden -> Aufwand in Call Center Erhöhte Projektkosten bei Einführung neuer Systeme Bis 25% gestoppt, bis zu 60% Verzug aufgrund falscher oder fehlender Daten Verspätete Unternehmensberichte Verlorene Kunden durch schlechten Support Produktionsausfälle durch Störung in der Supply Chain

10 Datenqualität? Was ist das? Unsere Daten sind doch sauber!
Bis zu 20% der operativen Daten sind betroffen. Unternehmen finanzieren schlechte Daten mit 30-50% der IT-Ausgaben. Über schlechte Daten redet man nicht, man arrangiert sich.

11 Ohne Daten kein Business Daten sind der Treibstoff der Prozesse
Information Chain Kunde Kunden- betreuer Logistik- system Stamm- daten Marketing Buch- haltung Lager Spedition Bedarf Adresse Kredit- daten Angebot Bestand Bestell- daten KD-Daten Kredit OK Order Adresse Werbung Verkaufs- daten Rechnung Bezahlung Reklamation Mahnung Liefer- schein Im Verlauf der Geschäftsprozesse entstehen ständig Daten. Kunden bestellen beim Kundenbetreuer und teilt eine Order und Adressdaten mit. Der Kundenbetreuer fragt in der Stammdatenhaltung nach der Gültigkeit der Adressdaten und die Kreditwürdigkeit nach. Die Stammdatenverwaltung liefert einen Kundenstammdatensatz. Der Kundenbetreuer fragt in der Logistik und im Lager nach der Verfügbarkeit nach. Bestandsdaten werden geliefert. Der Kunde erhält ein Angebot. Die Order geht in den Orderprozesse an Logistik, Lager und Buchhaltung. Lieferdaten gehen an den Spediteur. Eine Rechnung geht an den Kunden ... ...und eventuell wieder zurück, weil sie falsch ist. Aus den Kundenstamm- und Bestelldaten werden Marketingdaten. Werbeangebote gehen an den Kunden. -> es entsteht eine Informationskette über alle Prozesse hinweg -> Wenn zu Beginn bei der ersten Datenerfassung bereits kleine Fehler gemacht werde, pflanzt sich dieser Fehler in der ganzen Kette fort -> es kommen weitere Fehler hinzu. -> Fehler addieren sich Am Ende sind bis zu 20 % Daten im Unternehmen infiziert. Operative Prozesse

12 Die Qualität von Data Warehouse Daten wird immer wichtiger
MIS Controlling Analytisches CRM Informationsbasis Oracle Data Warehouse Operatives CRM Produkt Management Call Center Internetzugriffe Diversifizierung Marketing-Material Beschwerden

13 Das „Datenchaos“ historisch gesehen
Begriffe? 1980

14 Das „Datenchaos“ historisch gesehen
1990

15 Das „Datenchaos“ historisch gesehen
und heute?

16 und heute.... Datenmengen verdoppeln sich jährlich
jeder 3. Oracle-Kunde hantiert mit mehr als 1 TB Daten Die Zahl der Anwendungen wächst trotz Standard Software und Daten werden tatsächlich strategische Ressource Datenqualität? Datenmodellierung? Metadatenmanagement?

17

18 Warum wächst die Herausforderung der Qualität der Daten
Gewachsene Bedeutung des Faktors Information für den Erfolg von Unternehmen. Fehlende Praxis in Datenmanagement Daten- qualität Immer häufigere Prozessänderungen Ausufernde Datenmengen Vermehrtes Inseltum durch Fertig- Anwendungen

19 Was ist Datenqualität? Aspekte (Dimensionen) der Datenqualität
Korrekt Stimmig Vollständig Dokumentiert Redundanzfrei Aktuell Verfügbar (Access) Nützlich (TCO) Handhabbar Vertrauenswürdig Harmonisch Brauchbarkeit der Daten!

20 Agenda 09:30 Teurer Datensumpf" oder "Schlechte Daten kosten einfach nur viel Geld" 10:00 Einweisung in das Planspiel „Service GmbH“ „Wenn Controlling auf die Buchhaltung schimpft“ Eine simulierte Firma mit (einigen) Problemen. 10:15 Systematische Vorgehensweisen bei Datenqualitätsanalysen mit einem Vorgehensmodell 10:30 Unterstützung durch Werkzeuge in Datenqualitätsprojekten 10:45 Pause 11:00 Datenqualität praktisch und hautnah: Data Profiling Analysen in der Service GmbH 12:15 Proaktives Datenqualitätsmanagement Zusammenfassung und Möglichkeiten 12:30 Ausklang mit Business Lunch

21 Die SERVICE GmbH Fallbeispiel

22 Die SERVICE GmbH – Historisch gewachsene Geschäftsfelder
Vermittlung von Dienstleistungen für Endkunden rund um das Handwerk Handwerksleistung Darlehen Großhandel für Baumärkte und Einzelhandel Haushaltswaren Heimwerker Gartenbedarf KFZ-Zubehoer Elektroartikel Bereich Internet-/Versandhandel Computerteile SERVICE GmbH

23 Die SERVICE GmbH Die Problemfälle
Unterscheidung Privatkunden Firmenkunden Kundenkarte wurde eingeführt Nur Privatkunden dürfen Kundenkarten haben Entstand aus Zusammenschluss mehrerer Vertriebsgesellschaften Integration der Stammdaten „mit Hindernissen“ Unterschiedliche Artikel-/ Produktestammdaten SERVICE GmbH

24 Erwartungen aus dem Unternehmen
Buchhaltung: Es fehlen Daten Warum sind die Spediteursrechnungen so hoch? Sind alle Bestellungen korrekt bezahlt worden? Wie hoch sind die Versandkosten pro Lieferung? Was wurde storniert? Controlling: Vergleichbarkeit fehlt Was sind rentable Sparten? Wie rentabel sind einzelne Produkte? Was kosten Produkte im Einkauf? Wie teuer wurden Produkte verkauft? Marketing: Absatzzahlen sind nicht aussagefähig Wie viel Kunden gibt es? Lohnt die Kundekarte? Welche Segmentierung gibt es? SERVICE GmbH Vertrieb: wünscht leichtere Auswertungen Was sind wichtige Produkte? Was sind rentable Sparten? Hat sich der Servicebereich gelohnt? Management: Kennzahlen fehlen Wie hoch sind die liquiden Mittel? Wie hoch sind die Außenstände? Vertrieb Marketing Buchhaltung Management Controlling

25 Erwartungen aus dem Unternehmen
Buchhaltung: Es fehlen Daten Warum sind die Spediteursrechnungen so hoch? Sind alle Bestellungen korrekt bezahlt worden? Wie hoch sind die Versandkosten pro Lieferung? Was wurde storniert? Controlling: Vergleichbarkeit fehlt Was sind rentable Sparten? Wie rentabel sind einzelne Produkte? Was kosten Produkte im Einkauf? Wie teuer wurden Produkte verkauft? Marketing: Absatzzahlen sind nicht aussagefähig Wie viel Kunden gibt es? Lohnt die Kundekarte? Welche Segmentierung gibt es? SERVICE GmbH Vertrieb: wünscht leichtere Auswertungen Was sind wichtige Produkte? Was sind rentable Sparten? Hat sich der Servicebereich gelohnt? Management: Kennzahlen fehlen Wie hoch sind die liquiden Mittel? Wie hoch sind die Außenstände? Vertrieb Marketing Buchhaltung Management Controlling

26 Bekannte Probleme Korrekte Werte für:
Umsatz pro Sparte? Umsatz pro Gruppe? Umsatz pro Produkt? Werden korrekte Rechnungen gestellt? Umsatz pro Kunde? Macht die Kundenkarte Sinn? Sparten Auswertungen auf Spartenebene stimmen nicht mit den Aufstellungen Umsatz pro Produkt überein Die Kundendaten erlauben keine Segmentierung für Marketingzwecke „Es werden Firmenkunden, als Privatkunden angeschrieben“ Gruppen Produkte Bestellung Position Kunden- Stamm

27 Bekannte Probleme (Controlling):
Auswertungen auf Spartenebene stimmen nicht mit den Aufstellungen Umsatz pro Produkt überein Von bestimmten Artikeln werden sehr viele Stückzahlen verkauft In den Statistiken laufen diese Produkte jedoch unter Verlustbringern (Verpackungsmengen stimmen nicht mit denen bei den Lieferanten bezahlten Mengen überein) Was geschieht mit den Retouren? Lieferentenname in Produkte_Stamm passt nicht auf die Lieferantennummer in der Lieferantentabelle Es gibt auch keine passenden Felder

28 Bekannte Probleme (Buchhaltung):
Bestimmte Lieferungen erreichen nie den Adressaten Adressen falsch Die Lieferung wird auch nicht bezahlt Oft Privatkunden Von bestimmten Artikeln werden sehr viele Stückzahlen verkauft In den Statistiken laufen diese Produkte jedoch unter Verlustbringern (Verpackungsmengen stimmen nicht mit denen bei den Lieferanten bezahlten Mengen überein) Was geschieht mit den Retouren? Lieferentenname in Produkte_Stamm passt nicht auf die Lieferantennummer in der Lieferantentabelle Es gibt auch keine passenden Felder

29 Strategische Fragestellungen
Welches sind die wirklich profitablen Produkte/Services? Wo wird am meisten Kapital gebunden? Welche Produkte beschaffen am meisten Kapital? Welche Produkte verursachen den höchsten Aufwand? Wie sind die Trends? Auf welche Bereiche soll man sich künftig stärker fokussieren Einzelhandel? Servicevermittlung? Großkundengeschäft? Kann die verkaufte Menge genau festgestellt werden? Welcher Vertriebsmitarbeiter macht welchen Umsatz? Wie hoch ist die Kapitalrückflussquote Ausstände? Kreditlimits? Liquide Mittel für Neuinvestitionen? Das Analysemodell zeigt oft andere (strategische) Fragestellungen auf, die zunächst nicht auf der operativen Ebene offensichtlich sind.

30 Die Controlling-Sicht

31 Agenda 09:30 Teurer Datensumpf" oder "Schlechte Daten kosten einfach nur viel Geld" 10:00 Einweisung in das Planspiel „Service GmbH“ „Wenn Controlling auf die Buchhaltung schimpft“ Eine simulierte Firma mit (einigen) Problemen. 10:15 Systematische Vorgehensweisen bei Datenqualitätsanalysen mit einem Vorgehensmodell 10:30 Unterstützung durch Werkzeuge in Datenqualitätsprojekten 10:45 Pause 11:00 Datenqualität praktisch und hautnah: Data Profiling Analysen in der Service GmbH 12:15 Proaktives Datenqualitätsmanagement Zusammenfassung und Möglichkeiten 12:30 Ausklang mit Business Lunch

32 von (Qualitäts-) Regeln im Unternehmen
Einordnung von (Qualitäts-) Regeln im Unternehmen Process controles Business Area uses Object_ Model contains controles contains Business _Object Business_ Rule contains Attribut contains is_referenced _by is_referenced_by Logical Area is_realized_as Data Element Entity has controles is_realized_as Organization Area specify controles has Relevance IT_Rule has controles controles controles uses / is used_by controles contains contains Physical_ Model_Area Physical Area Org_Unit Table Column owns / is owned_by reads relates writes contains owns Program Routine File Record reads is_checked_with writes uses / is used_by

33 Methoden und Hilfsmittel
Datenmodellierung Attribut-Klassifizierung (Namen) Kategorisierung von Qualitätsregeln Data Profiling Tool ETL-Tool Datenbank Vorgehensmodell

34 Datenmodellierung Schlüssel Functional Dependencies Beziehungen
Ziel: Aufspüren und Minimierung von Redundanzen als eine der Hauptursachen von Datenfehlern Schlüssel Identifizierung von Dingen Functional Dependencies Versteckte Abhängigkeiten Beziehungen Existenzabhängigkeit Orphans Childless Normalisierung One Fact One Place

35 Attribut-Klassifizierung
Ziel: Erkennung der Anforderungen an Felder um diese optimal gestalten zu können Aufspüren von Synonymen und Homonymen Einordnen von Attributen zu Basistypen Identifier, Bezeichner, Beschreibungen, Werte, Zeiten..... Ableitung von vermuteten Eigenschaften Eindeutigkeit, Schlüsselkandidat, Muss-Feld.... Erkennen von Synonymen / Homonymen über gleiche Merkmale und Namensbestandteile

36 Basistypgruppe Feldyp und Art des Wertes Rolle in Ab-hängigkeits-be-ziehung Sind NULLs erlaubt Muss Eindeutigkeit vorliegen Identifikatoren und bezeichnende Begriffe meist numerisch LHS nein ja Beschreibungen, Erzählungen, Texte meist Text , beliebige Zeichen RHS Klassifikatoren alphanumerisch, in Bezug setzende Begriffe, oft wenige Werte eher nicht, eine Klassifizierung sollte für alle Sätze gelten Zustände eher nicht, denn Zustände sollten für alle Sätze gelten, Zeiten Date / Time Sequenzen, Aufzählungen Zählwerte) meist numerisch, oft versteckte Schlüsselkandidaten Mengen einfache Zahlenwerte ohne weitere Angaben nein, wenn etwas gezählt wird, sollte es immer gezählt warden Operatoren und abgeleitete Größen Werte (brauchen i. d. R. eine relativierende Bezugsgröße z. B. Preis -> Währung) Maße, Bezugsgrößen, Einheiten

37 Kategorisierung von Qualitätsregeln
Kategorie Column Data Rule Type Datumsfolgen Relationship Zeitdauer Data Rule Feldabhängig Value Rule Workflows Abgeleiteter Wert Komplexität Einfach Zeilen- übergreifend Komplex Ausschließende Werte Erwartungen Kardinatität= X Häufigkeit=X Max / Min

38 Data Profiling Tool Standardanalysen Rules (Business-/ IT-Rules)
Unique Keys Functional Dependencies Relationships Domains Redundant Columns Patterns, Types Statistiken Six Sigma Rules (Business-/ IT-Rules) Generierung von Korrekturen Auditing Eingebettet in ein ETL-Tool hohe Flexibilität beim Bereitstellen von Daten Direktes Anwenden erkannter Regeln für eine spätere Datenaufbereitung und Minitoring Ablaufumgebung ist die Datenbank Datennähe

39 Data Profiling Tool Methoden Die operativen Daten Feintuning zu
den Analyse- methoden selbstredend Proto- kollierung laufende Analysen Drill Down zu den operativen Daten

40 ETL - Tool SQL-basiert Ablaufumgebung ist die Datenbank
wenig Lernaufwand Ablaufumgebung ist die Datenbank hohe Performance Wiederverwendung von DB-Funktionen und Infrastruktur Metadaten- / Modell-gesteuert

41

42 Vorgehensmodell Datenqualitätsanalyse
Zieldefinition Erwartungen Geschäftsregeln Bestandsaufnahme Owner User Ressourcen Kosten Modelle Planen Priorisieren Problemkomplexe Strukturanalysen Top Down Bottom Up Felder Objekte Beziehungen Hierarchien Regelanalysen Daten Werte Fach Umsetzung Ergebnisse Abgleich-Alt Neudefinition Monitoring 6 Phasen, 95 Aktivitäten, 16 Ergebnis-Templates, 1 Metamodell, Klassifizierungen

43 Vorgehensmodell für Datenqualitätsprojekte
Geschäftsfelder Data Owner / Daten-Interessenten / Konsumenten DQ-Erwartungen Bekannte Schwachstellen Kosten Prioritäten Erheben der Grunddaten Objektmodell Datenflüsse und –schnittstellen Bekannte Geschäftsregeln Beschreibung der Geschäftsprozesse Vollständigkeitsbetrachtung Betrachtung der Verständlichkeit Schlüsselanalysen / Beziehungsanalysen Analyse von Hierarchien Suche nach Redundanzen (z. B. Normalisierung) Mengenanalyse / Stammdatenabgleiche Datenmodellprüfungen Detailanalyse Überprüfen der Geschäftsregeln Analyse der erkannten Schwachstellen Verifizieren der DQ Erwartungen

44 Vorgehensweisen / Methoden im Data Profiling
. . . Metadaten Data Quality Assessement Erwartungen an die Datenqualität Abgleich Neue Erkenntnisse (Überraschungen) Assertion Testing Metadata Verification Discovery Bottom up Data Profiling Unternehmensdaten

45 Agenda 09:30 Teurer Datensumpf" oder "Schlechte Daten kosten einfach nur viel Geld" 10:00 Einweisung in das Planspiel „Service GmbH“ „Wenn Controlling auf die Buchhaltung schimpft“ Eine simulierte Firma mit (einigen) Problemen. 10:15 Systematische Vorgehensweisen bei Datenqualitätsanalysen mit einem Vorgehensmodell 10:30 Unterstützung durch Werkzeuge in Datenqualitätsprojekten 10:45 Pause 11:00 Datenqualität praktisch und hautnah: Data Profiling Analysen in der Service GmbH 12:15 Proaktives Datenqualitätsmanagement Zusammenfassung und Möglichkeiten 12:30 Ausklang mit Business Lunch

46 Warum ist ein Tooleinsatz bei Datenqualitätsanalysen sinnvoll?
Das meiste geht auch ohne Tool, allerdings mühsam Functional Dependencies

47 Starten eines Profiling-Laufs Generierung- Rule
Starten einer Correction- Mapping-Generierung Die Tabellen, die zu dem Analyse- fukus gehören Auswahl und Ergebnisansicht Methoden Tabellen-Darstellung Chart-Darstellung Feintuning zu den Analyse- methoden Drill-Werte Operative Datensätze Analyse- Job- Protokolle Aktivierbare Business Rules

48 Analyseumgebung SAP R/3 Source Stage Profiling Stage Siebel CRM Oracle
LDAP DBMS_LDAP Meta Daten Repository Gateway / ODBC / FTP non Oracle DB2, SQL Server Informix, Teradata Oracle 9i / 10g / 11g SAP Integrator SAP R/3 Source Stage Profiling Stage Siebel CRM Analyse Datenbank Direct Path DBLink Transportable Modules Oracle eBusiness Text / XML

49 Eindeutigkeitsanalysen (Unique Key)

50 Wertebereichsanalysen (Domain)

51 Funktionale Abhängigkeiten

52 Beziehungen (Relational)

53 Beziehungen (Orphans / Childless)

54 Wertmustererkennung (Pattern)

55 Formate (Data Type)

56 Statistiken (Aggregation)

57 Individuelle Regeln (Data Rules)
Korrekt: Zusammen 100% (Alle Fälle erfasst) Korrekt, muß 0 sein Korrekt: Es kann nur ein Wert gepflegt sein. Korrekt, muß 0 sein Korrekt, muß 0 sein Korrekt, das sind die richtigen Werte Korrekt, das sind richtige Werte Problem: kein Schlüsselfeld ist gepflegt Korrekt, muß 0 sein Korrekt: Zusammen 100%. (Alle Fälle erfasst) Korrekt, muß 0 sein Problem Korrekt

58 Rule-Varianten

59 Agenda 09:30 Teurer Datensumpf" oder "Schlechte Daten kosten einfach nur viel Geld" 10:00 Einweisung in das Planspiel „Service GmbH“ „Wenn Controlling auf die Buchhaltung schimpft“ Eine simulierte Firma mit (einigen) Problemen. 10:15 Systematische Vorgehensweisen bei Datenqualitätsanalysen mit einem Vorgehensmodell 10:30 Unterstützung durch Werkzeuge in Datenqualitätsprojekten 10:45 Pause 11:00 Datenqualität praktisch und hautnah: Data Profiling Analysen in der Service GmbH 12:15 Proaktives Datenqualitätsmanagement Zusammenfassung und Möglichkeiten 12:30 Ausklang mit Business Lunch

60 Agenda 09:30 Teurer Datensumpf" oder "Schlechte Daten kosten einfach nur viel Geld" 10:00 Einweisung in das Planspiel „Service GmbH“ „Wenn Controlling auf die Buchhaltung schimpft“ Eine simulierte Firma mit (einigen) Problemen. 10:15 Systematische Vorgehensweisen bei Datenqualitätsanalysen mit einem Vorgehensmodell 10:30 Unterstützung durch Werkzeuge in Datenqualitätsprojekten 10:45 Pause 11:00 Datenqualität praktisch und hautnah: Data Profiling Analysen in der Service GmbH 12:15 Proaktives Datenqualitätsmanagement Zusammenfassung und Möglichkeiten 12:30 Ausklang mit Business Lunch

61 Problem- komplex Fragestellungen Benannte Probleme Ergebnis Artikel-,
Gruppen-, Spartenberichte Stammdaten (Produkte / Artikel) Auswertbarkeit Messbarkeit für Controlling Stimmen die Einträge Stammdaten Hierarchien? Vergleichbarkeit von Einkaufs- und Verkaufspreisen Welche Produkte lohnen sich Korrekte Zahlen zur Steuerung von Marketingkampagnen und für den Vertrieb Einkaufspreise (fehlerhaft?) Rabatte? Wer hat wieviel gekauft? Stammdaten (Kunden / Identifizierung ) Kunden-Segmentierung Nachvollziehbarkeit von Zahlungen für die Buchhaltung Wo bleibt die gelieferte Ware? Spediteure? Lieferungen (Bestellungen /Stornierungen) Wie korrekt wird gezahlt?

62 Fall 1: Auswertungen über die Artikelgruppen-Hierarchie
Die Zahlen von Controlling und Buchhaltung passen nicht zusammen.

63 Analysemodell: Was wissen wir über den Prozess?
Handwerker Produkte Privat Dienst- leistungen Kunden Firmen bietet an beauftragt bietet an Kunden- karte Lieferanten verkauft bestellt Service GmbH liefert aus storniert Spediteur holt ab beauftragt holt stornierte Ware ab liefert ab beliefert Lager

64 Geschäftsprozess: Bestellungen
Bestellprozess Status Beschaffung Kundendaten prüfen offene Posten Kreditlimit prüfen MAX/MIN Menge Spediteur beauftragen Verfüg- barkeit prüfen Kunden- stamm Liefer-schein Bestellsatz updaten Bestellung anlegen Liefersatz anlegen Kunden- stamm Produkte-stamm Dienstleist- ung be-auftragen Bestellung Bestellung Best_Pos Best_Pos Lieferung Vertrag

65 Objektmodell: Welche Geschäftsobjekte sind an dem Prozess beteiligt?
Bewegungs daten Stornierung Lieferung Spediteur Stamm- daten Zahlung Bestellung Retouren Lager Partner Produkte Kunde Kunden- Karte Beauf- tragung / Order Lieferanten Dienst- leister Artikel Service Firmen- Kunde Privat- Kunde

66 Vollständigkeitsanalyse Wichtige Daten fehlen!
Liefernummer fehlt. Identifizierung nur über Bestellnummer Identifizierung nur über Bestellnummer Keine Untergliederung nach Positionen möglich. Bewegungs daten Stornierung Lieferung Spediteur Stamm- daten Zahlung Bestellung Retouren Lager Partner Produkte Kunde Kunden- Karte Beauf- tragung / Order Lieferung: Liefernummer fehlt: Identifizierung nur über Bestellnummer Problem bei Teillieferungen Stornierung: Identifizierung nur über Bestellnummer Keine ntergliederung nach Positionen möglich. Retouren sind nicht dokumentiert. Was muss der Kunde wirklich zahlen? Beauftragung / Order fehlt. Lieferantendaten können nicht gespeichert werden. Lager: fehlt, es kann nicht dokumentiert werden, was z. B. über Stornierungen wieder zurückgekommen ist. Lieferanten Dienst- leister Artikel Service Firmen- Kunde Privat- Kunde

67 Beziehungsanalyse Artikel_ Lieferung Sparte Stornierung Artikel_
Bestellnr [6, (97%)] Bestrellnr Bestellnr [6, (97%)] Order_ID Artikelspartennnr [1, (90%)] Stornierung Bestrellnr [0, (100%)] Bestrellnr Bestellung Artikel_ Gruppe Lager Order_ID [0, (100%)] Order_ID Zahlung Bestrellnr [0, (100%)] Order_ID Artikelgruppennr [6, (92%)] Produktnummer [0, (100%)] Bestrellnr [213, (90%)] Produkte_ stamm Kundencode [0, (100%)] Kunden_ID Best_ Position Artikelnr [0, (100%)] Lieferant KD_Nummer [1211, (46%)] Kundennr KD_Nummer [0, (100%)] Kunden_ID FK-Column [Orphans, (%-korrekte Sätze) ] UK-Column Legende Kundencode [0, (100%)] Kunden_ID Kunden_ stamm Kundencode [0, (100%)] Kunden_ID

68 Gezieltes Suchen nach „Waisenkinder“ (Orphans)

69 Nachprüfen mit SQL ? Abfrage über die Hierarchie
Artikelgruppe -> Produkte_Stamm -> Best_Position Abfrage über die Hierarchie Produkte_Stamm -> Best_Position ?

70

71 Artikel-Hierarchie

72 Analyse von Hierarchien
Artikelsparte ARTIKELSPARTENNR 1 , 2 ,3 Artikel_Gruppe ARTIKELSPARTENNR 1,4,3 ARTIKELGRUPPENNR 1,2,3,4,5,6,11,10,9,8,7 Produkte_Stamm ARTIKELGRUPPENNR 100,1,6,2,5,4,7,3,10

73 Korrekte Business Intelligence Auswertungen?
Korrekte Werte für: Umsatz pro Sparte? Umsatz pro Gruppe? Umsatz pro Produkt? Werden korrekte Rechnungen gestellt? Umsatz pro Kunde? Macht die Kundenkarte Sinn? Sparten Fehlerhafte Spartenkennzeichnung von Gruppen Gruppen Orphans Falsche Statuskennzeichnung von Finanzprodukten Produkte Fehlerhafte Verschlüsselung von Artikel- und Produkten Bestellung Position Doppelte Produktnummern Fehlerhafte , nicht rechenbare Einzelpreisbezeichnung Kunden- Stamm Doppelte Wertebelegung von Statuskennzeichnung für Privat- und Firmenkunden.

74 Wer hat Recht Controlling oder Buchhaltung?
Zahlen: Controlling Zahlen: Buchhaltung

75 Fall 2: Was wissen wir über den Kunden?
Sind die Kundendaten ausreichend um Marketing- Kampagnen durchzuführen?

76 Domain-Analyse Kundenkarte
?

77 Überprufen der Regel: „Nur Privatkunden haben Kundenkarten“

78 Überprufen der Regel: „Nur Privatkunden haben Kundenkarten“

79 Überprufen der Regel: „Nur Privatkunden haben Kundenkarten“
Das Status-Feld ist nicht nutzbar

80 Hilft das Feld Branche zur Qualifizierung von Kunden?
Man stellt unterschiedliche Begriffe für dasselbe fest (Synonyme) ? ?

81 Standardisierung von Feldern

82 Erstellen einer Rule mit standardisierten Branchennamen

83 Die Rule „BRANCHEN“

84 Ein Korrekturmapping wird erzeugt

85

86

87 Generierter Prüflauf

88 Anweisungen in welche Richtung standardisiert werden soll

89 Vorher Nachher

90 Agenda 09:30 Teurer Datensumpf" oder "Schlechte Daten kosten einfach nur viel Geld" 10:00 Einweisung in das Planspiel „Service GmbH“ „Wenn Controlling auf die Buchhaltung schimpft“ Eine simulierte Firma mit (einigen) Problemen. 10:15 Systematische Vorgehensweisen bei Datenqualitätsanalysen mit einem Vorgehensmodell 10:30 Unterstützung durch Werkzeuge in Datenqualitätsprojekten 10:45 Pause 11:00 Datenqualität praktisch und hautnah: Data Profiling Analysen in der Service GmbH 12:15 Proaktives Datenqualitätsmanagement Zusammenfassung und Möglichkeiten 12:30 Ausklang mit Business Lunch

91 Data Quality Management Process
Reporting Data Profiling Data Quality Auditing Datenkorrektur

92 Audits in den Datenflüssen

93 Datenqualitätsreporting Verarbeitete Sätze pro Berichtzeitraum (Anzahl Positionen pro Bestellungen)

94 Füllstandsanzeige einzelner Werte

95 Agenda 09:30 Teurer Datensumpf" oder "Schlechte Daten kosten einfach nur viel Geld" 10:00 Einweisung in das Planspiel „Service GmbH“ „Wenn Controlling auf die Buchhaltung schimpft“ Eine simulierte Firma mit (einigen) Problemen. 10:15 Systematische Vorgehensweisen bei Datenqualitätsanalysen mit einem Vorgehensmodell 10:30 Unterstützung durch Werkzeuge in Datenqualitätsprojekten 10:45 Pause 11:00 Datenqualität praktisch und hautnah: Data Profiling Analysen in der Service GmbH 12:15 Proaktives Datenqualitätsmanagement Zusammenfassung und Möglichkeiten 12:30 Ausklang mit Business Lunch

96 Bring up on stage two customers to tell the audience about their experiences.
Manpower Associates is a $14.9B global company with 27,000 employees in the temporary staffing business. Manpower runs a combined PeopleSoft Enterprise and JD Edwards EnterpriseOne shop. These experts in human resources use Enterprise HCM for their own staffing and EnterpriseOne Payroll and Service Billing for handling the large volumes of US-based temporary staff. Manpower is very happy with Oracle’s support since purchasing PeopleSoft and is looking forward to a long relationship with Oracle. Spokesperson will be Jay Schaudies, Vice President, Global eCommerce. Welch Foods is the food processing and marketing arm of National Grape Cooperative Association. Organized in 1945, National Grape is a grower-owned agricultural cooperative with 1,461 members. The company, headquartered in Concord, Massachusetts, operates six plants located in Michigan, New York, Pennsylvania and Washington. The company was running a mix of legacy, home grown, and manual systems that failed to provide senior management with accurate and timely cost and production information. Welch’s required a centralized manufacturing and financial information system to improve management decision making. The solution had to be hot-pluggable with existing technologies, for example, Welch’s Plumtree portal. Welch Foods chose Oracle over SAP for this business-critical application. The key to the customer’s business problem was their ability to manage costs. The company’s costs are driven by fruit solid content in each of their products, and they use a specialized technique called BRIX for measuring and calculating the cost of materials. Welch’s compared SAP and Oracle SAP’s software was too rigid and, therefore, unable to include the BRIX calculation in their manufacturing solution. Only Oracle’s OPM could bind this custom cost method into the Quality Management Process. Technology customer yet to be determined. Current possibilities include eBay and FTD Florists.