1. 6. Workshop Business Intelligence und Data
Quality Management
Data Quality Management: Geht doch auch ohne!?
BUSINESS INTELLIGENCE RESEARCH
Dresden, 02.12.2011

2. Agenda
BearingPoint
Datenqualität: Kurzüberblick
Data Quality Management: Geht doch auch ohne!?
Data Quality Management:
Was passiert, wenn nichts passiert
Data Quality Management: Lösungsansätze
Praxisbeispiel
© 2011 BearingPoint GmbH 2

3. BearingPoint im Überblick
Consultants: 2.750
Partner: 140
Gesamtzahl der
Mitarbeiter: 3.200
Umsatz 2010: €462 Millionen
Management
Wir liefern Strategien und Prozesse, die einen nachhaltigen
und messbaren Mehrwert generieren können.
Wir bieten ganzheitliche Lösungen von der Vision bis zum
operativen System, die dem Kunden bei der Integration,
Innovation und dem Wachstum helfen.
Unser Technology
Beratungsansatz Wir liefern die passende Technologie zur Erreichung von
Unternehmenszielen. Mit unserem Fachwissen und unserer
Erfahrung definieren wir in enger Zusammenarbeit mit den
Kunden anspruchsvolle Ziele und entwickeln die dafür
notwendigen Lösungen.
Consultants
Der Erfolg unserer Kunden hat bei uns höchste Priorität. Um
die individuellen Anforderungen jedes Kunden zu erfüllen,
hören wir zu und greifen auf unsere Expertise und unsere
Innovationsfähigkeit zurück.
© 2011 BearingPoint GmbH 3

4. BearingPoint (Deutschland)
BearingPoint Unsere Kunden
Management & Technology Consultants Wir beraten mehr als 450 Kunden, darunter mehr als 20 der 30
DAX-Unternehmen, viele Bundesministerien sowie die Europäische
Platz 11 der TOP 25 Managementberatungsunternehmen auf der Gemeinschaft, die Top 5 der deutschen Banken und die Top 5 der
Lünendonk-Liste 2011 deutschen Versicherungen
207 Mio. Euro Umsatz (2010) Partnerschaften
Rund 1.400 Mitarbeiter in Deutschland Mehr als 40 marktführende Allianzpartner, u. a. IBM, HP, Oracle,
Microsoft, SAP, Informatica
Acht Standorte mit Hauptsitz in Frankfurt am Main
© 2011 BearingPoint GmbH 4

5. Agenda
BearingPoint
Datenqualität: Kurzüberblick
Data Quality Management: Geht doch auch ohne!?
Data Quality Management:
Was passiert, wenn nichts passiert
Data Quality Management: Lösungsansätze
Praxisbeispiel
© 2011 BearingPoint GmbH 5

6. Kurze Einführung: Merkmale für Datenqualität
Glaubwürdigkeit Nützlichkeit Interpretierbarkeit Integrität
 Korrektheit  Vollständigkeit  Einheitlichkeit  eindeutige
Schlüssel
 Widerspruchs-  Genauigkeit  Eindeutigkeit
freiheit  Referentielle
 Redundanz-  Verständlichkeit
Integrität
 Zuverlässigkeit freiheit
 syntaktische  zeitlicher Bezug
Korrektheit (Aktualität, zeitl.
Konsistenz)
 Datenherkunft
 Nicht Volatilität
 Relevanz
Data Quality Management
© 2011 BearingPoint GmbH 6

7. Agenda
BearingPoint
Datenqualität: Kurzüberblick
Data Quality Management: Geht doch auch ohne!?
Data Quality Management:
Was passiert, wenn nichts passiert
Data Quality Management: Lösungsansätze
Praxisbeispiel
© 2011 BearingPoint GmbH 7

8. Die Aussagen im Unternehmen zum Thema
Datenqualität ähneln sich oft
Mein Daten Ich besitze den
prüfe ich selbst Mein Daten Quell der
gehören mir Weisheit!
Ich brauche die
Daten eh immer
anders
Nur meine Daten Ich brauche
sind richtig! keine Daten
Nur externe Daten
sind gut
Ich vertraue auf Ich stelle meine
alles, was ich Daten nur in
bekomme meinen Formaten
bereit
© 2011 BearingPoint GmbH 8

9. Jeder Bereich „spricht“ eine eigene Sprache
basierend auf unterschiedlichen Anforderungen…
Organisa-
Personal Planung
tion
Unter-
nehmens- Mitarbeiter Wachstum
struktur
Entwick-
Einkauf Produktion
lung
Qualität
Veredeln Innovation
einkaufen
Bilanzie-
Verkauf Marketing
rung
Hohe Positive
Außen- Abrechnung
Erlöse
darstellung
© 2011 BearingPoint GmbH 9

10. … aus welchen sich im Idealfall ein
gemeinsamer Datenhaushalt ableiten ließe,
Daten aus
anderen
Bereichen, die
jeweils ganz
oder teilweise
benötigt
werden
könn(t)en
Daten, die
ausschließlich
in diesen
Bereichen
anfallen
© 2011 BearingPoint GmbH 10

11. … was aber leider selten der Fall ist.
Daten
werden
täglich neu
in Minuten
erfasst
Viele Plan-
und
Spieldaten,
Vorgaben
Möglichst
keine Bilanzie-
Daten- rung
weitergabe
Daten im
Monats,
Quartals
und Jahres-
Zeitliche rytmus
Ausrichtung
in Monaten,
nicht
historisch
© 2011 BearingPoint GmbH 11

12. Agenda
BearingPoint
Datenqualität: Kurzüberblick
Data Quality Management: Geht doch auch ohne!?
Data Quality Management:
Was passiert, wenn nichts passiert
Data Quality Management: Lösungsansätze
Praxisbeispiel
© 2011 BearingPoint GmbH 12

13. Praxisbeispiel
fehlendes DQM – Ist-Zustand
Kommunalverwaltung einer deutschen
Großstadt
 Produktorientierter Haushalt ist ein komplexes
Druckwerk, bestehend aus Gesamt- und Teilhaushalten
mit ergebnis- und finanzorientieren Daten, Stellenplänen,
Investitionsmaßnahmen und Erläuterungstexten
 Für den Haushaltsplandruck werden die Daten in einem
SAP Business Warehouse-System (SAP-BW) vorgehalten
 Planung des produktorientieren Haushalts erfolgt im ERP-
System
 Automatisierte Ladeprozesse sorgen für einen
tagesaktuellen Stand der Daten
 Überwachung des SAP-BW erfolgt durch die
Basisbetreuung
 Maßnahmen zum Data-Quality-Management werden nicht
ergriffen
© 2011 BearingPoint GmbH 13

14. Praxisbeispiel
fehlendes DQM - Folgen
Die Folgen bilden eine Domino-Kette:
 Kein Vertrauen in die Qualität und Richtigkeit der
ausgewiesenen Daten
 Im Planungsprozess werden daher die aufbereiteten Daten
mehrfach mit den Originaldaten aus dem ERP-System
abgeglichen.
 Der Planungsprozess verzögert sich damit erheblich
 Das SAP-BW hat als Reportingsystem keine weitere Relevanz.
Alle operativen Berichte kommen aus dem ERP
 Spezielle Berichtsanforderungen werden weiterhin über
Excellösungen mit manueller Datenaufbereitung
vorgenommen
Damit keine Akzeptanz des SAP-BW. Potenziale zur
Verbesserung der Planungsprozesse und des
strategischen und operativen Reportings werden nicht
ausgenutzt.
© 2011 BearingPoint GmbH 14

15. Weitere Gründe für die Durchführung von
Data Quality Projekten im Unternehmen
Data Warehouse
Gesetzliche Vorgaben
Einführung
Einführung
Technischer von
Data Quality Entstandene Verluste
Datenabgleich
Management
Konsolidierung von
Unternehmensübergrei-
Umgebungen (z.B.
fender Datenaustausch
nach Übernahmen)
© 2011 BearingPoint GmbH 15

16. Agenda
BearingPoint
Datenqualität: Kurzüberblick
Data Quality Management: Geht doch auch ohne!?
Data Quality Management:
Was passiert, wenn nichts passiert
Data Quality Management: Lösungsansätze
Praxisbeispiel
© 2011 BearingPoint GmbH 16

17. Data Quality Management
lässt sich in fünf Kategorien einteilen
Data Quality Monitoring
Data Quality Management
3
Permanentes
Data Quality
Management
Namen/Adressen
(Vereinheitlichung
und Korrektur)
Masterdaten-
Regelentdeckung
management (Entdecken von
„Geschäftsregeln“
1 5 2 und entsprechende
Korrekturen)
Data Profiling Data Cleansing Record Linkage
Auditing (Analyse (Transformieren, (Erkennen und
der Daten) und Vereinheitlichen,
Bereinigen von Zusammenführen
Messung der von Duplikaten)
Daten)
Datenqualität
4
Metadatenmanagement
© 2011 BearingPoint GmbH 17

18. Data Quality Projekte benötigen in 99% der
Fälle einen fachlichen Sponsor, doch…
..wie lief es in der Vergangenheit?
 Rein IT-seitige Data Quality-Initiativen scheiterten oft am
Widerstand der Fachseite bzw. des Budgetgebers, doch
warum?
 Data Quality-Probleme waren nicht eindeutig greifbar;
das Problem nur schwer visualisierbar
 In den Datenhaushalten steckten die Daten mehrerer
Fachbereiche – und nicht alle, sondern oft keiner
fühlte sich unter Budgetgesichtspunkten
gesamtverantwortlich
 Nur einzelne Daten aus dem gesamten Datenhaushalt
waren für den jeweiligen Bereich relevant
 Ein ersten großen Aufschwung in der Finanzbranche
erlangte Data Quality Management im Kontext von Basel II
 Erstmals erfolgten – meist weniger als mehr
strukturiert – Rückkopplungen der Data Quality-
Messungen „am Ende der Nahrungskette“ an den Ort
der Datenerfassung / -generierung und somit zurück
zu anderen Fachbereichen
© 2011 BearingPoint GmbH 18

19. Agenda
BearingPoint
Datenqualität: Kurzüberblick
Data Quality Management: Geht doch auch ohne!?
Data Quality Management:
Was passiert, wenn nichts passiert
Data Quality Management: Lösungsansätze
Praxisbeispiel
© 2011 BearingPoint GmbH 19

20. Praxisbeispiel 1:
DQM-Data Mart & Reporting (System-Überblick)
© 2011 BearingPoint GmbH 20

21. Praxisbeispiel 1:
DQM-Data Mart & Reporting (Herkunft Kennzahlen)
© 2011 BearingPoint GmbH 21

22. Praxisbeispiel 2: DQM-Data Mart + Reporting
Frontend-Sicht (Report und Analyse)
Diagramm
schliessen X
kumulierte Fehler der letzten 30 Tage (je 1.000 Fehler)
12
10
8
6
4
2
0
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
.0
01
03
05
07
09
11
13
15
17
19
21
23
25
27
29
02
© 2011 BearingPoint GmbH 22

23. Ansprechpartner bei BearingPoint
Eckhard Kalbhenn André Trappmann
Technology Architect Technology Architect
T (+49) 69 13022 5816 T (+49) 40 4149 2026
M (+49) 174 3015 360 M (+49) 173 600 6783
eckhard.kalbhenn@bearingpoint.com andre.trappmann@bearingpoint.com
Silvio Kressin
Senior Manager
T (+49) 69 13022 1859
M (+49) 174 309 2679
Silvio.kressin@bearingpoint.com
© 2011 BearingPoint GmbH 23

24. Fragen und Antworten
© 2011 BearingPoint GmbH 24

25. © 2011 BearingPoint GmbH 25

26. Data Profiling:
Techniken zur formalen Untersuchung der Daten
Inspektion
(Was ist anhand der Daten selbst zu erkennen?):
Detaillierte Analyse der existierenden Daten
Klassifizierung, Mustererkennung
(Ableitung von Regeln)
Validierung:
Analyse der Quelldaten aufgrund von vorgegebenen
Business Rules
Verifikation:
Abgleich gegen andere verlässliche Quellen
(Referenzdatenbestände, reale Welt z.B. Verträge,
weitere Datenquellen)
Kombinationen der Techniken sind möglich und sinnvoll
Quelle: nach TDWI © 2011 BearingPoint GmbH 26

27. Data Cleansing – Regeln und Aktionen
Bedingungen, abgeleitet aus Business Rules
(wenn „Endedatum“ = NULL…)
Aktionsteil
(…dann ersetze „31.12.9999“ oder
„…lösche kompletten Datensatz“)
Vorgehensweise:
 80:20 Regel: mit einfachen Regeln möglichst viele Fälle
abdecken
 Teile von Business Rules verwenden
 Kombination aus verschiedenen Aktionen:
 Reparatur zur Behebung akuter Probleme
 Prävention
 Restbereinigung
 Aktionen können auch manuelle Tätigkeiten sein,
besonders für „Restfälle“
Quelle: nach TDWI,
Delivering High Quality Warehouse Data, 2004 © 2011 BearingPoint GmbH 27