Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Datenqualität sichern Wenn sich Controlling und Buchhaltung streiten Praxisseminar zu Datenqualitätsanalysen mit einem Planspiel zur virtuellen Server.

Ähnliche Präsentationen


Präsentation zum Thema: "Datenqualität sichern Wenn sich Controlling und Buchhaltung streiten Praxisseminar zu Datenqualitätsanalysen mit einem Planspiel zur virtuellen Server."—  Präsentation transkript:

1

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

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

11 Ohne Daten kein Business Daten sind der Treibstoff der Prozesse Operative Prozesse Information Chain Kunde Kunden- betreuer Logistik- system Stamm- daten Marketing Buch- haltung Lager Spedition Kunde Bedarf Adresse Kredit- daten Angebot Bestand Bestell- daten KD-Daten Kredit OK Order Adresse Werbung Verkaufs- daten Rechnung Bezahlung Reklamation Mahnung Liefer- schein

12 Internetzugriffe OperativesCRM MIS Controlling Beschwerden AnalytischesCRM DiversifizierungMarketing-Material Produkt Management CallCenter Informationsbasis Oracle Data Warehouse Die Qualität von Data Warehouse Daten wird immer wichtiger

13 Das Datenchaos historisch gesehen 1980 Begriffe?

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 Datenmodellierung?Metadatenmanagement?Datenqualität?

17

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

19 Was ist Datenqualität? Aspekte (Dimensionen) der Datenqualität Brauchbarkeit der Daten! 1.Korrekt 2.Stimmig 3.Vollständig 4.Dokumentiert 5.Redundanzfrei 6.Aktuell 7.Verfügbar (Access) 8.Nützlich (TCO) 9.Handhabbar 10.Vertrauenswürdig 11.Harmonisch

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

21 Die S ERVICE GmbH Fallbeispiel

22 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 Die S ERVICE GmbH – Historisch gewachsene Geschäftsfelder S ERVICE GmbH

23 Die S ERVICE 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

24 S ERVICE GmbH Erwartungen aus dem Unternehmen Vertrieb ControllingManagement MarketingBuchhaltung Vertrieb: wünscht leichtere Auswertungen Was sind wichtige Produkte? Was sind rentable Sparten? Hat sich der Servicebereich gelohnt? Marketing: Absatzzahlen sind nicht aussagefähig Wie viel Kunden gibt es? Lohnt die Kundekarte? Welche Segmentierung gibt es? 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? Management: Kennzahlen fehlen Wie hoch sind die liquiden Mittel? Wie hoch sind die Außenstände?

25 S ERVICE GmbH Erwartungen aus dem Unternehmen Vertrieb ControllingManagement MarketingBuchhaltung Vertrieb: wünscht leichtere Auswertungen Was sind wichtige Produkte? Was sind rentable Sparten? Hat sich der Servicebereich gelohnt? Marketing: Absatzzahlen sind nicht aussagefähig Wie viel Kunden gibt es? Lohnt die Kundekarte? Welche Segmentierung gibt es? 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? Management: Kennzahlen fehlen Wie hoch sind die liquiden Mittel? Wie hoch sind die Außenstände?

26 Position ProdukteGruppenSparten Kunden- Stamm Bestellung Korrekte Werte für: Umsatz pro Sparte? Umsatz pro Gruppe? Umsatz pro Produkt? Werden korrekte Rechnungen gestellt? Umsatz pro Kunde? Macht die Kundenkarte Sinn? Bekannte Probleme 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

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

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

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

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

35 Attribut-Klassifizierung 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 Ziel: Erkennung der Anforderungen an Felder um diese optimal gestalten zu können Aufspüren von Synonymen und Homonymen

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

37 Kategorisierung von Qualitätsregeln Kategorie Column RelationshipData RuleValue Rule Komplexität Einfach Komplex Data Rule Type Datumsfolgen ZeitdauerFeldabhängigWorkflowsAbgeleiteter Wert Zeilen- übergreifend Ausschließende Werte Erwartungen Kardinatität= X Häufigkeit=XMax / Min

38 Data Profiling Tool Standardanalysen 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 Feintuning zu den Analyse- methoden Die operativen Daten Proto- kollierung laufende Analysen Drill Down zu den operativen Daten

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

41

42 Zieldefinition Bestandsaufnahme Planen Strukturanalysen Regelanalysen Umsetzung Ergebnisse Erwartungen Geschäftsregeln OwnerUserRessourcenKostenModelle Felder Priorisieren Problemkomplexe ObjekteBeziehungenHierarchien DatenWerteFach Abgleich-AltNeudefinitionMonitoring Top Down Bottom Up Vorgehensmodell Datenqualitätsanalyse 6 Phasen, 95 Aktivitäten, 16 Ergebnis-Templates, 1 Metamodell, Klassifizierungen

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

44 Vorgehensweisen / Methoden im Data Profiling Unternehmensdaten Data Profiling Metadaten Data Quality Assessement Erwartungen an die Datenqualität Abgleich DiscoveryAssertion TestingMetadata Verification Neue Erkenntnisse (Überraschungen) Bottom up

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

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

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

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

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

58 Rule-Varianten

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

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

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

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? Service GmbH Produkte Kunden verkauft Lieferanten Dienst- leistungen PrivatFirmen Kunden- karte Lager HandwerkerSpediteur bestellt beauftragt liefert aus holt ab bietet an beauftragtbietet an beliefert storniert holt stornierte Ware ab liefert ab

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

65 Objektmodell: Welche Geschäftsobjekte sind an dem Prozess beteiligt? KundeLieferantenZahlungStornierungProdukte Privat- Kunde Firmen- Kunde Kunden- Karte ArtikelServiceLagerBestellungLieferungRetouren Dienst- leister Partner Spediteur Beauf- tragung / Order Bewegungs daten Stamm- daten

66 Vollständigkeitsanalyse Wichtige Daten fehlen! KundeLieferantenZahlungStornierungProdukte Privat- Kunde Firmen- Kunde Kunden- Karte ArtikelServiceLagerBestellungLieferungRetouren Dienst- leister Partner Spediteur Beauf- tragung / Order Bewegungs daten Stamm- daten Liefernummer fehlt. Identifizierung nur über Bestellnummer Keine Untergliederung nach Positionen möglich.

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

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

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

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

79 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 VorherNachher

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

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

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

96


Herunterladen ppt "Datenqualität sichern Wenn sich Controlling und Buchhaltung streiten Praxisseminar zu Datenqualitätsanalysen mit einem Planspiel zur virtuellen Server."

Ähnliche Präsentationen


Google-Anzeigen