Saubere Stammdaten – und was dann? Stolpersteine und … · 2019-05-09 · Der Vortrag gibt Impulse zu folgende Themen ... new oil of the internet . and the new currency of the

Thomas Schäffer, Bonn, 30. November 2017

Saubere Stammdaten – und was dann? Stolpersteine und Erfolgsfaktoren beim ProduktstammdatenaustauschInfoZoom Best Practice Day 2017

KurzportraitDie Hochschule Heilbronn feierte im Jahr 2011ihr 50-jähriges Bestehen. Sie ist einemoderne, innovative Bildungseinrichtung miteinem umfassenden Fächerspektrum und istmit rund 8.100 Studierenden die größteHochschule für Angewandte Wissenschaftenin Baden-Württemberg.

© HHN CCIS, 30. November 2017, Dipl.-Inf. Thomas Schäffer, InfoZoom Best Practice Day 2017,

Fakultät Wirtschaft und Verkehr Studiengang Wirtschaftsinformatik Kompetenzzentrum Unternehmenssoftware

Seite 2

123

Der Vortrag gibt Impulse zu folgende Themen

Trends und Entwicklung des Stammdatenmanagements angesichts von Digitalisierung, Industrie 4.0 & Co.Referenzmodelle, Methoden und Werkzeuge

Synchronisierung von Stammdaten in Lieferketten und WertschöpfungsnetzwerkenFormen, Austauschformate und Geschäftspartnerbeziehungen

Herausforderungen und Gestaltungsoptionen für den überbetrieblichen ProduktstammdatenaustauschProzessmodell, Funktionen und Architektur

© HHN CCIS, 30. November 2017, Dipl.-Inf. Thomas Schäffer, InfoZoom Best Practice Day 2017, Seite 3

Ausblick5

Gestaltungselemente beim überbetrieblichen Produktstammdatenaustausch4

Unternehmensübergreifendes Stammdatenmanagement 3

Unternehmensweites Stammdatenmanagement2

Motivation1

Agenda


Ausblick5




Motivation1

Agenda


Personal data is the new oil of the internet and the new currency of the digital world. (Kunewa 2009)

Daten sind die Rohstoffe des 21. Jahrhunderts. (Merkel 2016)

By 2020 –10 percent of organizations will have a highly profitable business unit specifically for productizing and commercializing their information assets. (Gartner 2016)

Data is the asset of our time and should be strategically viewed similar to other company assets driving growth. (SAP 2017)


„„

„„Daten als Zahlungsmittel, Produktionsfaktor und Umsatztreiber sind ein wertvolles Gut für Unternehmen


Bild

quel

le: i

hs-g

mbh

.de

(201

6); s

ilicon

.de

(201

6).

Die Anforderungen an Transparenz und Interoperabilität steigen – Wertschöpfung entsteht in Geschäftsökosystemen

Seite 7

Ist mein Management fit für das digitale Zeitalter?

Achten wir bei der Entwicklung von Produkten und Dienstleistungen

genug auf das Kunden-Feedback?

Versteht das Management die Dynamik der digitalen Ökonomie

und kann mit Begriffen wie Netzwerkeffekt, Plattform und

Tipping Point etwas anfangen, um die Entwicklung des Marktes besser

zu verstehen?


Que

lle: h

ttp://

t3n.

de/n

ews/

digi

tale

-tran

sfor

mat

ion-

bede

utun

g-83

9438

/

Seite 8

Kann mein Unternehmen von mehr Konnektivität profitieren?

Sind Produktionsanlagen vernetzt?

Gibt es eine systematische Auseinandersetzung mit der Frage, welche

IoT-Plattform für den Datenaustauscheingesetzt werden sollte?

Sind meine Produktionsanlagen bereits durch einen digitalen Zwilling abgebildet?


Que

lle: h

ttp://

t3n.

de/n

ews/

digi

tale

-tran

sfor

mat

ion-

bede

utun

g-83

9438

/

Seite 9

Bietet die Digitalisierung meinem Unternehmen Chancen bei der Internationalisierung?

Gibt es eine mögliche Nachfrage nach meinem Produkt in boomenden Märkten

wie China?

Was ist der richtige Absatzkanal? Kenne ich die Möglichkeiten großer chinesischer

B2B-Plattformen wie Alibaba undB2C-Plattformen wie Wechat?

In welcher Form kann ich die Datenbereitstellen?


Que

lle: h

ttp://

t3n.

de/n

ews/

digi

tale

-tran

sfor

mat

ion-

bede

utun

g-83

9438

/

Seite 10

Nutze ich meine Daten effektiv?

Gibt es eine umfassende Analyse darüber,welche Daten bereits im Unternehmen anfallen und

wie diese für Entscheidungen genutzt werden könnten?

Gibt es eine Analyse darüber, welche Datenpunkte noch sinnvoll erfasst werden könnten –

und welche Daten ausgetauscht werden?

Ist es sinnvoll, Daten auszuwerten, die aktuell noch nicht ausgewertet werden? Braucht das Unternehmen dazu Big-Data-Analysten und Machine-Learning-Experten?


Que

lle: h

ttp://

t3n.

de/n

ews/

digi

tale

-tran

sfor

mat

ion-

bede

utun

g-83

9438

/

Seite 11

Data-Driven Company versus Datenchaos in Unternehmen


Bildquelle: Fotolia

Seite 12

Mangelnde Datenqualität lässt den Unternehmenswert schmelzen

In der USA sind 25% der entscheidungsrelevanten Daten

fehlerhaft.

Mangelhafte Datenqualität kostet die US-Wirtschaft jedes Jahr

600 Milliarden Dollar. Das entspricht 5% des

amerikanischen Bruttoinlandsprodukts.


Beispiele aus der Praxis in Deutschland –Trendstudie Stammdatenqualität 2013*


46%der Unternehmen haben eine geringe bis sehr geringe Datenqualität in den Kundenstammdaten.

Seite 14

Schäffer, Thomas; Beckmann, Helmut (2014): Trendstudie Stammdatenqualität 2013. Erhebung der aktuellen Situation zur Stammdatenqualität in Unternehmen und daraus abgeleitete Trends. 1. Aufl. Stuttgart: Steinbeis-Edition (Schriftenreihe Wirtschaftsinformatik).


Motivation und Problemstellung

Paradoxon*Das Top-Management sieht deutlich den direkten

Zusammenhang zwischen Datenqualität und Rentabilität für das Unternehmen, jedoch fehlt es an

konkretem Nutzenpotenzial, eine entsprechende Datenqualitäts-Unternehmenskultur aufzubauen und

mit entsprechenden Ressourcen auszustatten.

*Quelle: Schäffer, T., & Beckmann, H. (2014). Trendstudie Stammdatenqualität 2013 : Erhebung der aktuellen Situation zur Stammdatenqualität in Unternehmen und daraus abgeleitete Trends. (H. Beckmann, Ed.) (1. Auflage., p. 86). Stuttgart: Steinbeis-Edition

Seite 15

Status Quo in den Unternehmen: geringesBudget für Datenqualitätsoffensiven


11%der Unternehmen geben an, DQ-Budget im ausreichendem Maße zur Verfügung zu haben.

Trendstudie 2013: 20%

Seite 16


Phänomen der Stammdatenqualität


Oft gleichen

Stammdaten

einem

Kinderzimmer!

Seite 17

Datenpflege und Sicherung der Qualität ist Pflicht, Digitalisierung & Co. die Kür


Que

lle: h

ttps:

//ww

w.d

atas

cien

cece

ntra

l.com

/pro

files

/blo

gs/b

ig-d

ata-

scie

nce-

expe

ctat

ion-

vs-re

ality

Seite 18

Herausforderung I: Es gibt kein Patenrezept.

Die konkrete Umsetzung der Organisation eines Konzeptes ist von verschiedenen Faktoren abhängig


Unternehmens-strategie

IT-Landschaft

Prozess-vielfalt

Netzwerke

Unternehmens-kultur

Organisations-struktur Branche

Größe desUnternehmens

Stammdaten-management-

Konzept

Seite 19

Herausforderung II: Wirtschaftliche Gestaltung eines Stammdatenmanagements Das unternehmensspezifische optimale Verhältnis

entscheidend.


Que

lle: E

pple

r, H

elfe

rt: A

Fra

mew

ork

fort

he C

lass

ifica

tion

of D

ata

Qua

lity

Cos

ts a

nd a

n An

alys

is o

f the

irPr

ogre

ssio

n

Seite 20

Herausforderung III: strukturiertes Stammdaten-management für langfristigen Erfolg Kurzsichtige Einzelmaßnahmen bringen keinen

nachhaltigen Effekt


Que

lle: i

n An

lehn

ung

an B

. Otto

, “St

amm

date

n al

s Er

folg

sfak

tore

n m

oder

ner

Unt

erne

hmen

“, 20

13.

Seite 21

Herausforderung IV: Hohe Datenqualität ist die Voraussetzung für eine „schärfere“ Sicht auf die betriebliche Wirklichkeit


„You can only manage what you can measure.“

*Quelle: B. Otto, “Datenmanagement als strategischer Erfolgsfaktor,” IWI-HSG / CC CDQ, 2007.

Strukturelle und qualitative (Daten-) Mängelverursachen operative Aufwendungen und Risiken (z.B. ineffiziente Beschaffung, doppelte Versendung oder gesetzliche, aufsichts- und vertragsrechtliche Risiken durch fehlerhafte Unternehmensdaten).

Hohe Datenqualität bedeutet bessere Planung, schnellere Anpassung im Geschäftsmodell und integrierte Prozesse der Wertschöpfungskette.

Seite 22

Herausforderung V: Everyone Agrees and Nobody Agrees: "What Is Information (Data)?"


Quelle: Laney, Douglas B. (2017): Infonomics. Monetizing, Managing and Measuring Information as an Asset. MIT ICIQ 2017. Little Rock, 07.10.2017. Online verfügbar unter http://ualr.edu/informationquality/iciq-proceedings/mit-iciq-2017/, zuletzt geprüft am 29.11.2017.

Ausblick5




Motivation1

Agenda


Referenzmodell für das Stammdatenmanagement


Otto

, Bor

is; L

egne

r, C

hris

tine

(201

6): M

aste

r Dat

a er

folg

reic

h m

anag

en. I

n:

Con

trollin

g &

Man

agem

ent (

3), z

ulet

zt g

eprü

ft am

23.

02.2

017.

Seite 25

Unterscheidung zwischen Governance und Management


Quelle: FIR Aachen (2017) 24. Aachener ERP-Tage

Seite 26

Inhalte einer Data-Goverance


Quelle: FIR Aachen (2017) 24. Aachener ERP-Tage

Seite 27

Begriffsdefinition Datenqualität


Datenqualität (DQ) bezeichnet den Erfüllungsgrad der Gesamtheit der Anforderungen an die für einen bestimmten Zweck benötigten Daten.

Que

lle: H

ildeb

rand

, Knu

t; G

ebau

er, M

arcu

s; H

inric

hs, H

olge

r; M

ielk

e,

Mic

hael

(Hg.

) (20

15):

Dat

en-u

nd In

form

atio

nsqu

alitä

t. Au

f dem

Weg

zur

In

form

atio

n Ex

celle

nce.

3. A

ufla

ge. W

iesb

aden

: Spr

inge

r Fac

hmed

ien

Wie

sbad

en.

Seite 28

Existierende Ansätze zur Beschreibung von Datenqualität (DQ) Wissenschaft: DQ-Merkmale (DQ-Dimensionen)

Die Identifikation und Klassifikation von DQ-Dimensionen wird in einer Vielzahl von wissenschaftlichen und praxisorientierten Veröffentlichungen thematisiert.

Das Massachusetts Institute of Technology (MIT) zählte im Rahmen einer Studie 179 verschiedene Dimensionen (vgl. Wang/ Strong 1996).

Je nach Kontext werden unterschiedliche Datenqualitätsdimensionen verwendet. Die in der Praxis häufig verwendeten DQ-Merkmale sind: Vollständigkeit, Konsistenz, Aktualität,


Die DGIQ legt eine anwenderbezogene Definition für 15 IQ-Dimensionen vor

Seite 29

Datenqualität (DQ) ist ein stetiger Prozess unter Berücksichtigung von Kosten-Nutzen-Aspekten


Ausblick5




Motivation1

Agenda


Datenaustausch im Ökosystem von Beiersdorf


Quelle: Hüner KM, Schierning A, Otto B, Österle H (2011) Product data quality in supply chains: The case of Beiersdorf. Electron Markets 21(2):141–154. doi: 10.1007/s12525-011-0059-x

In welcher Form werden Produktstammdaten überbetrieblich synchronisiert?1. traditionell / nicht digital

(gedruckte) Produktkataloge Ergänzungen und Korrekturen: telefonisch, persönliche Gespräche

2. digital / elektronisch Produktkataloge als pdf-Dateien Webseiten / Extranet des Produzenten (z. B. CSV-/Excel-Dateien, BMEcat) CSV-Dateien Excel-Dateien Digitaler Produktkatalog in proprietärem Format Digitaler Produktkatalog in standardisiertem Format (z. B. BMEcat)

3. über einen Datenpool eines Drittanbieters


Thomas Schäffer, Dirk Stelzer: Assessing Tools for Coordinating Quality of Master Data in Inter-organizational Product Information Sharing. In: Jan Marco Leimeister, Walter Brenner (Hrsg.): Proceedings der 13. Internationalen Tagung Wirtschaftsinformatik (WI 2017), St. Gallen 2017, S. 61-75

Seite 33

Bewertung von Katalogaustauschformaten

CSV/EDIFACT Datanorm Eldanorm PRICAT

XML BMEcat cXML RosettaNet xCBL


Que

lle: H

olge

r Ais

ch, J

ohan

nes

Hen

trich

(Ins

titut

der

deu

tsch

en W

irtsc

haft

Köln

Con

sult

Gm

bH u

nd G

S1

Ger

man

y G

mbH

): K

atal

ogau

stau

schf

orm

ate.

PR

OZE

US

–eB

usin

ess-

Prax

is fü

r den

Mitt

elst

and.

Ka

talo

gaus

taus

chfo

rmat

e au

swäh

len

und

eins

etze

n. H

andl

ungs

empf

ehlu

ng z

um E

insa

tz v

on e

Busi

ness

-St

anda

rds.

Köl

n 20

09;

http

://w

ww

.pro

zeus

.de/

impe

ria/m

d/co

nten

t/pro

zeus

/bro

schu

eren

/pro

_bro

chur

e_ka

talo

gaus

taus

ch.p

df; A

bruf

: 20

17-0

4-26

Seite 34

Formen des überbetrieblichen digitalen Stammdatenaustauschs


Quelle: Schemm, Jan W.; Legner, Christine; Österle, Hubert (2008): Global Data Synchronization - Lösungsansatz für das überbetriebliche Produktstammdatenmanagement zwischen Konsumgüterindustrie und Handel? In: Jörg Becker, Ralf Knackstedt und Daniel Pfeiffer (Hg.): Wertschöpfungsnetzwerke. Konzepte für das Netzwerkmanagement und Potenziale aktueller Informationstechnologien. Heidelberg: Physica-Verlag HD (SpringerLink : Bücher), S. 173–192.

Data Pool

Begriffserläuterung Ein Datenpool ist ein standardisierter digitaler Datenbestand, der gegen Entgelt von

einem Dienstleister zur Verfügung gestellt wird, und Datenlieferanten und Datennutzernzum zwischenbetrieblichen Austausch und Abgleich von Produktstammdaten dient.

Quelle: Nakatani, Kazuo; Chuang, Ta-Tao; Zhou, Duanning (2006): Data Synchronization Technology: Standards, Business Values and Implications. In: Communications of theAssociation for Information Systems 17 (44). Online verfügbar unter http://aisel.aisnet.org/cgi/viewcontent.cgi?article=3009&context=cais, zuletzt geprüft am 22.10.2016.

Beispiele GS1-kompatible Data Pools

Global Data Synchronization Network (GDSN): a global network of specialized data pools Zentraler Artikelstamm (ZAS) von MARKANT TecDoc-Datenbank der TecAlliance für Auto-Ersatzteile IFA-Datenbank: Pharmazentralnummer (PZN) der Informationsstelle für

Arzneispezialitäten (IFA) ARGE Neue Medien (SHK-Branche) …


Probleme bei der Nutzung von Data Pools

Analyse von 23 wiss. Publikationen zu Erfahrungen mit Data Pools seit 2005


Informationsqualität Systemqualität Preise

unzureichende Erfahrungen und Kenntnisse der Mitarbeiter

mangelnde Management-unterstützung

interne Kosten der Anpassung

fehlende kritische Masse relevanter Partner

Unzureichendes Commitment und Vertrauen

mit vielen Partnern zusätzlich bilateraler Datenaustausch nötig

Probleme aufgrund der Eigenschaften von

Datenpools

Innerbetriebliche Probleme der Datennutzer

Zwischenbetriebliche Probleme

Thomas Schäffer, Dirk Stelzer: Barriers to Adopting Data Pools for Product Information Sharing –A Literature Review. Paper submitted for publication. 2017

Seite 37

Überprüfung der identifizierten Probleme mittels Expertengespräche und Umfrage https://limesurvey.wv.hs-heilbronn.de/index.php/113697?lang=de


Wir bitten um Ihre Teilnahme!

Seite 38

https://limesurvey.wv.hs-heilbronn.de/index.php/113697?lang=de

Ausblick5




Motivation1

Agenda


Zielsetzung eines Produktstammdatenaustauschs in der Supply Chain Allen in der Supply Chain beteiligten Institutionen

Produktinformation in angemessener Qualität und zu angemessenen Kosten bereitzustellen.


Que

lle: C

hris

tine

Legn

er, J

an S

chem

m: T

owar

d th

e In

ter-o

rgan

izat

iona

l Pr

oduc

t Inf

orm

atio

n Su

pply

Cha

in –

Evid

ence

from

the

Ret

ail a

nd

Con

sum

er G

oods

Indu

strie

s. In

: Jou

rnal

of t

he A

IS, V

olum

e 9,

Issu

e 3/

4,

2008

, pp.

119

-150

Seite 40


Praktische Erfahrungen mittels Fallstudien

Durchführung von insgesamt 18 Fallstudien (1/2) Zielsetzung: Problemidentifikation mangelhafter Stammdatenqualität im

unternehmensübergreifenden Kontext zwischen Datennutzer und -lieferant.

Seite 41

Typische Beispiele für unternehmens-übergreifende Stammdatenprobleme


Beispiel:

Lindt Schokolade

100 g oder 100 kg?

Bei einer Bestellmenge 10 Stück:

1,0 kg oder 1.000kg?

Abmaße und Gewichte Zolltarifnummer Technische Beschreibungen Konditionen, Preise und

Warengruppen Etc.

Folge: Umsatzverluste, Kostensteigerung und Imageschäden

Folgen mangelhafter Stammdatenqualität




Coordination Tools Strengths WeaknessesFramework contract + provides legal basis for data exchange

including confidentiality agreements- does not specify requirements for master data

qualityMS Excel file + ease of use

+ high adoption rate + simple editing+ no IT expertise required+ low set up cost

- most suppliers do not document modifications in files

- complex rework required- automated validation of master data sets not

feasible- files are not self-descriptive

EDI message + standardized, tested and reliable technology

+ reliable data sets

- low adoption rate - EDI messages cannot easily be tailored to

specific requirements- high implementation cost

Customer portal + automatic syntax check + documentation of all operations in log

files

- specific "look and feel" of each portal- insufficient ease of use- data sets are not tailored to specific needs of

trading partnersOnline product catalog + all products can be mapped and made

available- trading partners must be persuaded to use

product catalogsIdentification and Classification standard

+ high data quality+ full documentation and good support

- cannot be tailored to specific requirements - low adoption rate- high maintenance expenses

Data pool + covers a wide range of products+ focus on specific industries+ high data quality+ unified communication platform+ communication processes are logged

- limited number of attributes- specific "look and feel" of each data pool- high access and usage fees- not all business partners have access

Mutual adjustment (e-mail messages, telephone calls, personal meetings)

+ ease of use+ flexibility

- error prone- labor-intensive- costly

Seite 44

Mangelhafte Governance der Produktstammdaten



Seite 45

Probleme des überbetrieblichen Produktstammdatenaustausches einfache, aber personalintensive und fehlerträchtige Mechanismen verbreitet komplexere Mechanismen (z. B. EDI, Datenpools) eher selten Stammdatenteams (von Datenlieferanten und –nutzern) kommunizieren in der Regel

nicht miteinander keine klaren Anforderungen an die Datenqualität keine klaren Richtlinien, die auch eingehalten werden keine automatischen Verfahren zur Kontrolle der Datenqualität keine Rückmeldung über die Datenqualität nicht ausreichendes Bewusstsein für Bedeutung der Stammdatenqualität

bei Fach-und Führungskräften nicht ausreichende Zusammenarbeit zwischen Einkauf/Verkauf, Stammdatenteams

und IT enorme Diskrepanz zwischen der Vision der Digitalisierung und den praktischen

Problemen des überbetrieblichen Produktstammdatenaustauschs



Seite 46


Dimension Characteristic Description

Type of inter-organizational relationship

dyadic network involves product information sharing between two organizations (1:1)multiple dyadic network involves product information sharing of one organization with several others (1:n or m:1)many-to-many network several organizations share product information with several other organizations (m:n)

Inter-organizational coordination structure

centralized a centralized unit is responsible for coordination and uses global information for decision-makingdecentralized decentralized units are responsible for coordination and use local information for decision-makinghybrid combination of centralized and decentralized inter-organizational coordination structures

Intra-organizational coordination structure

centralized a single role or organizational unit coordinates product information sharingdecentralized several roles or organizational units coordinates product information sharinghybrid combination of centralized and decentralized intra-organizational coordination structures

Inter-organizational actors data supplier entity which produces and sends datadata consumer entity which receives and consumes dataintermediaries providers of data pools or data services

Intra-organizational actorssales/procurement dpt. unit responsible for selling products/ services (sales) or obtaining goods/services (procurement)MDM team unit responsible for MDM, either for the entire company or for local or functional departmentsIT department unit that establishes, maintains and provides IT services and the IT infrastructure

Activities

initiating agreement to share product data and creation of necessary prerequisitesrequirements definition definition of quality criteria for product master datanegotiating technical details of master data transfer negotiating technical details of master data transfer from data supplier to data consumer (networks, services, formats, data structures, etc.)

data exchange exchange, transfer, or synchronization of product data between data supplier and data receiverdata validation evaluating and ensuring that product data provided by data suppliers meet specified quality criteria

continuous improvement involves creating an evaluation report stating the results of data validation. This report is provided to the data supplier in order to help him improve product data quality

Goalssocial objectives relating to the social relationship of data supplier and data receivertechnical objectives relating to technical readiness for product information sharinglegal objectives relating to compliance with legal obligationseconomic objectives relating to economic values

Perspective on actorscorporate assumes that product information sharing is managed by a single decision makerteam emphasizes the existence of several units who take on different roles in product information sharingindividual assumes self-interested individuals, each maximizing his or her personal objective

Data synchronization problems

missing data some data were not transferred from the data supplier to the data receiverincorrect data some data are not correct and do not meet specified requirementsinadequate format data format does not meet specified requirementsdelayed data delivery data were transferred but not in time

Causes for data synchronization problems

intra-organizational issues resulting from problems within an organizationinter-organizational issues resulting from problems between organizationspersonnel lack of technical and social skillstechnical deficiencies relating to interoperability, data quality requirements, tools, etc.

Coordination mechanisms and tools

inter-organizational systems involves IT resources shared between two or more organizations standardization consists of pre-definition and codification of inputs and outputs of master data transferbilateral agreement mutual arrangements of partners documented in framework contracts or data quality guidelinesmutual adjustment on-going adjustments to manage interdependencies using E-Mail, fax, telephone, etc.

Cost of product information sharing

personnel cost cost for staff members supporting product information sharinglicense fees for software fees for software tools supporting product information sharinghardware costs cost of hardware, infrastructure, and data storage supporting product information sharingcost of data fees for data supplied by external providers, e.g., address datafees for external services fees for external services, e.g., monthly fees for data pools or data service providers

Schäffer, Thomas; Stelzer, Dirk (2017): Towards a Taxonomy for Coordinating Quality of Master Data in Product Information Sharing. In: ICIQ 2017 Proceedings. Little Rock.

Seite 47

Innovation: Entwicklung eines Kollaborations-plattfom zur Vereinbarung eines Qualitätsvertrags


Vereinbarung eines QUALITÄTSVERTRAGfür Stammdaten

Überprüfung der übermittelten STAMMDATEN

ToolboxToolbox

Datenlieferant

unternehmensweitesStammdaten- und Datenqualitätsmanagement

Unternehmensstrategie

Geschäftsprozesse

AIN OUT

Vereinbarungskomponente

Data Quality Gate

Datennutzer

unternehmensweitesStammdaten- und Datenqualitätsmanagement

Unternehmensstrategie

Geschäftsprozesse

AIN OUT

Vereinbarungskomponente

Data Quality Gate

Schäffer, Thomas; Leyh, Christian (2017): Master Data Quality in the Era of Digitization - Toward Inter-organizational Master Data Quality in Value Networks: A Problem Identification. In: F Piazolo, V Geist, L Brehm und R Schmidt (Hg.): Innovations in Enterprise Information Systems Management and Engineering. ERP Future 2016. Lecture Notes in Business Information Processing. 285. Aufl.: Springer, Cham, S. 99–113.

Seite 48

Ausblick5




Motivation1

Agenda


Industrial Data Space – Souveränität über Daten: eine Referenz-Architektur für Data Supply Chains


Quelle: Fraunhofer-Gesellschaft (Hg.) (2016): Industrial Data Space - Digitale Souveränität über Daten. München, http://www.industrialdataspace.org/industrial-data-space/

SAP Data Network

“The SAP Data Network is the most comprehensive cloud offering that instantly enables customers to leverage the full potential of data and execute on their data monetization strategy.”

„new ecosystems around data are the foundations for new value creation … at the heart is the new data network that connects providers and consumers of data services …”


Quelle: SAP: The Data Driven Enterprise. Business Data. Monetize Your Data Assets. White Paper. May 2017; http://www.sapdatanetwork.com/

The 3-Dimensional Challenges and Opportunities of Infonomics


Quelle: www.gartner.com/infonomics

Zusammenfassung

Ein angemessenes Stammdatenmanagement ist eine notwendige Voraussetzung für Digitalisierung.

Überbetriebliches Management von Produktstammdaten stellt die meisten Unternehmen vor große Herausforderungen (Kosten, Qualität, Zeit).

Die meisten Unternehmen nutzen einfache, aber kostenintensive und fehlerträchtige Mechanismen zur überbetriebliche Synchronisierung von Daten.

Datenpools werden nur von einigen Unternehmen intensiv genutzt. Zurzeit entstehen interessante Innovationen für den überbetrieblichen

Stammdatenaustausch … eine effiziente Nutzung setzt aber ein angemessenes unternehmensinternes Stammdatenmanagement voraus.

Mangelnde Kenntnisse über das Stammdatenmanagement oder das Datenqualitätsmanagement unter den Mitarbeitern


Zitat


„Datenqualität ist niemals Zufall: sie ist immer das Ergebnis hoher Ziele,

aufrichtiger Bemühungen, intelligenter Vorgehensweise

und geschickter Ausführung.“

Will A. Foster

Seite 54

Vielen Dank.Ihr Ansprechpartner für weitere Informationen

ImpressumDie in dieser Präsentation erarbeitetenGedanken und Vorschläge sind geistigesEigentum der Hochschule Heilbronn undunterliegen den geltenden Urhebergesetzen.

Die Vervielfältigung sowie Weitergabe anDritte ist nicht gestattet.

Hochschule HeilbronnFakultät Wirtschaft und VerkehrStudiengang WirtschaftsinformatikKompetenzzentrum Unternehmenssoftware (CCIS)

Postanschrift:Max-Planck-Straße 39, 74081 HeilbronnBesucheranschrift:Robert-Bosch-Straße 32, 74081 Heilbronn

Dipl.-Inf. Thomas SchäfferWissenschaftlicher Mitarbeiter

Telefon +49 (0)7131 504-6699E-Mail [email protected] www.hs-heilbronn.de/ccis


Unternehmensübergreifende Stammdatenqualität

LiteraturauswahlSchäffer, Thomas; Stelzer, Dirk (2017): Towards a Taxonomy for Coordinating Quality of Master Data in Product Information Sharing. In: ICIQ

2017 Proceedings. Little Rock.

Schäffer, Thomas; Stelzer, Dirk (2017): Assessing Tools for Coordinating Quality of Master Data in Inter-organizational Product Information Sharing. In: Jan Marco Leimeister und Walter Brenner (Hg.): Proceedings der 13. Internationalen Tagung Wirtschaftsinformatik (WI 2017). St. Gallen, 12.-15. Februar 2017. St. Gallen, S. 61–75.

Schäffer, Thomas; Beckmann, Helmut (2017): Industrie 4.0 als Herausforderung für das Stammdatenmanagement in Unternehmen. In:Trovarit AG (Hg.): IT-Matchmaker.Guide. Industrie 4.0-Lösungen 2017.

Schäffer, Thomas (2017): Unternehmensübergreifende Stammdatenqualität – Entwicklung eines Hilfsmittels zur Vereinbarung der Qualität für Stammdaten zwischen Unternehmen. In: Barbara Dinter, Lisa Frenzel und Peter Gluchowski (Hg.): Tagungsband zum 20. Interuniversitären Doktorandenseminar Wirtschaftsinformatik. Chemnitz: Universitätsverlag der Technischen Universität Chemnitz, S. 49–59.

Schäffer, Thomas; Leyh, Christian (2017): Master Data Quality in the Era of Digitization - Toward Inter-organizational Master Data Quality in Value Networks: A Problem Identification. In: F Piazolo, V Geist, L Brehm und R Schmidt (Hg.): Innovations in Enterprise Information Systems Management and Engineering. ERP Future 2016. Lecture Notes in Business Information Processing. 285. Aufl.: Springer, Cham, S. 99–113.

Beckmann, Helmut; Schäffer, Thomas (2016): Trends und Erfolgsfaktoren im Zuge der Digitalisierung. Ergebnisse einer Studie zum Stammdatenmanagement. In: ERP Management 12 (4), S. 36–37.

Schäffer, Thomas; Beckmann, Helmut (2016): Trendstudie Stammdatenqualität 2016. Empirische Forschung zur aktuellen Situation derStammdatenqualität in Unternehmen und daraus abgeleitete Trends zur digitalen Transformation. Stuttgart: Steinbeis-Edition (Schriftenreihe Wirtschaftsinformatik).


© HHN CCIS, 16. November 2017, Dipl.-Inf. Thomas Schäffer, 4. Heilbronner MDM-Roundtable, Seite 56© HHN CCIS, 30. November 2017, Dipl.-Inf. Thomas Schäffer, InfoZoom Best Practice Day 2017, Seite 56

Documents

Saubere Stammdaten – und was dann? Stolpersteine und … · 2019-05-09 · Der Vortrag gibt Impulse zu folgende Themen ... new oil of the internet . and the new currency of the