Upload
cdqag
View
68
Download
0
Embed Size (px)
Citation preview
© Fraunhofer ·· Seite 1
Prof. Dr. Boris OttoBerlin, 6.5.2015
STAMMDATENMANAGEMENT
© Fraunhofer ·· Seite 2
AGENDA
Geschäftstreiber für hohe Stammdatenqualität
Leitlinien für wirksames Stammdatenmanagement
Stammdaten als Erfolgsfaktor digitaler Geschäftsmodelle
© Fraunhofer ·· Seite 3
Bayer CropScience ist Marktführer bei Pflanzenschutzmitteln
© Fraunhofer ·· Seite 4
Datenqualität ist dabei eine Voraussetzung fürGeschäftsprozesse1
1) [EBNER/BRAUER 2011].
Datenobjekt
»Produkthierarchie« TeilkonzernGeschäfts-
feldGeschäfts-
gebietAktiver
WirkstoffProdukt-gruppe
Datenqualitäts-
probleme
Nicht verfügbare Daten
Unvollständige Daten
Inkonsistente Daten
Auswirkung auf
Geschäftsprozesse
09 11 012 242 3938
Planung: Wirkstoffbedarfe werden nicht konsolidiert
Berichtswesen: Umsätze sind nicht ausweisbar
Segmentierung: Risiko fehlerhafter Portfolioplanung
© Fraunhofer ·· Seite 5
Johnson & Johnson ist einer der führendenHersteller von Konsumgütern
Skin Care, Baby Care, Consumer Healthcare, OTC
Skillman, NJ (USA)
»Franchises«
Hauptsitz
© Fraunhofer ·· Seite 6
Im Frühjahr 2008 litt Johnson & Johnsonunter schlechter Stammdatenqualität1
Beschaffungs-logistik
ProduktionVertrieb und Distribution
Beschaffung
Rechnungswesen
Portfolio-Management und Einführung neuer Produkte
Controlling
Weitere unterstützende Prozesse
»Kunden wurden fehlerhafte Rechnungen
gestellt«
»LKWs warteten am Dock darauf,
dass Material aktiviert wurde«
»Die Fertigung wurde in der Produktionsstätte
verzögert«
»Bestellungen waren nicht rechtzeitig
fertig«
»Das Projektmanagement wusste nicht, in welcher Phase sich die
Produkte befinden«
»Fehlerhafte Daten wurden an GS1 US
gesendet«
Für weniger als 30 % der Produktdimensionen und -gewichte waren die Daten innerhalb der erlaubten 5 % Fehlerspanne
1) [OTTO 2013].
© Fraunhofer ·· Seite 7
Transparenz über Lebensmittel ist ein Differenzierungsmerkmal im Einzelhandel1
1) [ALDI NORD 2014; FTRACE 2014].
© Fraunhofer ·· Seite 8
Treiber für Stammdatenqualität wirken unternehmensweit
Konzern
Sparte 2Sparte 1 Sparte 3
GeschäftsbereicheGeschäftsprozesseStandorteFachabteilungen
GeschäftsbereicheGeschäftsprozesseStandorteFachabteilungen
GeschäftsbereicheGeschäftsprozesseStandorteFachabteilungen
»Compliance«
360°-Blick auf den Kunden
Intern und extern integrierte Geschäftsprozesse
»Single Source of the Truth«
© Fraunhofer ·· Seite 9
AGENDA
Geschäftstreiber für hohe Stammdatenqualität
Leitlinien für wirksames Stammdatenmanagement
Stammdaten als Erfolgsfaktor digitaler Geschäftsmodelle
© Fraunhofer ·· Seite 10
Stammdatenqualität folgt über die Zeit typischerweise einer Sägezahnkurve1
Legende: Stammdatenqualitätsproblem
Stammdatenqualität
ZeitProjekt 1 Projekt 2 Projekt 3
1) [OTTO 2014].
© Fraunhofer ·· Seite 11
Das Beispiel von Bayer CropScience veranschaulichtdie verschiedenen Datenqualitätsprobleme1
Daten-qualitäts-probleme
Mitarbeiter Datenpflege
Datenqualitäts-management
Standards Organisation
Aus- und Weiterbildungen unzureichend
Datenqualität ist kein Teil der Zielsysteme im Unternehmen
Verschiedene Software-Lösungen vor Ort
Stammdaten werden in Zielsystemen geändert
Keine integrierte Softwareunterstützung
Datenpflege ist nicht auf globaler Ebene harmonisiert
Keine Datenqualitätsmetrik
Keine kontinuierliche Kontrolle der Datenqualität
Keine verbindlichen Regeln, Normen,
Bedienabläufe
Zu viele lokale Regeln und Ausnahmen
Keine Data Governance
Fehlendes Problembewusstsein im
Management
1) [BRAUER 2009].
© Fraunhofer ·· Seite 12
Corporate Data Quality Management (CDQM)1 umfasst sechs Schlüsselfaktoren
1) [OTTO ET AL. 2011].
Stammdatenqualitätsstrategie
Stammdatenqualitäts-Controlling
»Data Stewardship«
und »Data Ownership«
Lebenszyklus von
Stammdaten
Stammdatenarchitektur
Applikationssysteme für Stammdatenqualität
Strategie
Prozesse
Informations-
systeme
© Fraunhofer ·· Seite 13
Erfassung der Daten an der Quelle
Datenerfassung »First Time Right«
»Measure to Manage«
Etablierung als organisatorische »Capability«
Unternehmensweite Skalierung
Fünf Prinzipien leiten den Aufbau eines wirksamen Stammdatenmanagements
© Fraunhofer ·· Seite 14
Meetings mit Johnson & Johnson am29. November 2011 in Skillman, NJ
© Fraunhofer ·· Seite 15
Der ideale Lebenszyklus der »Data Governance Capabilities« verläuft S-förmig
Aufbau »First Time Right« Datenbereinigung
Legende: E Effektivität; A Maß der Aktivität.
E
A
© Fraunhofer ·· Seite 16
Die Realität sieht jedoch oftmals anders aus
2008 2009 2010 2011
1. Data Governance gestartet2. Datenanlage-Workflow3. Datenqualitätsmetrik
eingeführt
1.
2.
3.
Beispiel I
2008 2009 2010 2011
1. DG-Projekt gestartet2. Kommunikation ans
Management3. Datenqualitätsmetrik
eingeführt4. Community-Ansatz geplant5. Data Governance-Komitee
gegründet
1.
2.
Beispiel II
3.
4.
5.
2007 2008 2009 2010
1.
1. Data Governance gestartet2. Zwischenbericht an den
Vorstand geplant3. Bestandsdatenqualitäts-
beurteilung4. Data Governance reorganisiert
2.
3. 4.
Beispiel IIIE E E
A A A
Legende: E Effektivität; A Maß der Aktivität.
© Fraunhofer ·· Seite 17
1) [EBNER/BRAUER 2011].
Datenqualität ist heute Teil des Zielsystems beiBayer CropScience
84
86
88
90
92
94
96
98
100
11/2009 01/2010 03/2010 05/2010 07/2010 09/2010 11/2010 01/2011
Datenqualitätsindex für Materialstammdaten bei Bayer CropScience
Asia Pacific
Europe
Latin America
North America
[%]
© Fraunhofer ·· Seite 18
Johnson & Johnson hat ein Six-Sigma-Datenqualitäts-level erreicht1
1) [OTTO 2013].
99,503
94,586
95,50696,102
95,77896,312
95,656
89,855
91,629
96,324 96,383
97,433
95,417
99,135
99,885 99,971 99,993 99,999
84
86
88
90
92
94
96
98
100
02.15.11 04.15.11 06.15.11 08.15.11 10.15.11 12.15.11 02.15.12 04.15.12 06.15.12
Entwicklung des Datenqualitätsindexes bei Johnson & Johnson
Data Quality Index
© Fraunhofer ·· Seite 19
AGENDA
Geschäftstreiber für hohe Stammdatenqualität
Leitlinien für wirksames Stammdatenmanagement
Stammdaten als Erfolgsfaktor digitaler Geschäftsmodelle
© Fraunhofer ·· Seite 20
Digitalisierung umfasst eine Reihe gesellschaftlicher, betriebswirtschaftlicher und technischer Entwicklungen
Gesellschaft Betriebswirtschaft Technik
Individualisierung
»Shareconomy«
Datenschutz
Konsumentenzentrierung
Hybride Dienstleistungen
Industrie 4.0
Cyberphysische Systeme
In-memory-Computing,
Hadoop usw.
»Mobile & Ubiquituous
Computing«
Digitalisierung
© Fraunhofer ·· Seite 21
Die industrielle Produktion reagiert auf sich wandelnde Markt- und Kundenanforderungen1
1) [KOREN 2010; zitiert in BAUERNHANSL 2014].
© Fraunhofer ·· Seite 22
Wenn sich Lieferketten immer enger vernetzen…
Entwicklung eines Datendienstes, der die Echtzeitdaten der Ladungsträger verwaltet
Cloud-basiert
Servicebasiert
Standardisiert
Entwicklung intelligenter Ladungsträger am Beispiel von
Handelspaletten
Luftfrachtpaletten
Briefpostbehälter
Modellierung von Prozessen nach dem Prinzip des Internet der Dinge
Selbststeuernd
Dezentral
Autark
Umsetzung des Internet der Dienste auf der entwickelten Datenbasis
Datendrehscheibe
Business Intelligence
Apps
© Fraunhofer ·· Seite 23
… braucht es Cloud-basierte Datenplattformen wie DATABIRDS
DATBIRDS verbinden alle Akteure der Lieferkette
DATABIRDS ist einfach zu integrieren und zu bedienen
DATABIRDS machen die gesamte Lieferkette transparent
simplelinking everywhere transparent
© Fraunhofer ·· Seite 24
Die Digitalisierung erfordert neue Datenarchitekturen
Daten in den äußeren Schalen sind von höherer Unbestimmtheit, höherem Volumen, höherer Änderungsfrequenz…
Daten in äußeren Schalen sind weniger kontrollierbar, unternehmenskritisch,
eindeutig…
Nukleus-Daten(Kundenstamm, Produktstamm etc.)
Community -Daten (Geoinformation, GTIN, Adressen, ISO-Codes, GS1-Daten etc.)
Open Big Data(Tweets, Social-Media-Streams, Sensordaten etc.)
Megabytes
Gigabytes
Terabytes
Petabytes
© Fraunhofer ·· Seite 25
In der Digitalisierung wird die »Data Value Chain« bewirtschaftet wie die physische Lieferkette
Data Sourcing Data QualityData
TransformationData Delivery
Smart Devices Sensordaten AutoID
Devices/ Read Points
IT-Systemen (ERP, WMS, TMS)
etc.
Daten-bereinigung
Daten-bewertung
Daten-integration und -aggregation
Transformation und Anreicherung
Metadaten Geschäfts-
regeln Terminologie
und Vokabulare
Daten-bereitstellung (http)
Visualisierung
Data Storage
Infrastructure
Data Value Chain
Data Analytics
Batch Analytics
Stream Analytics
© Fraunhofer ·· Seite 26
Der »Industrial Data Space« ist ermöglicht sicheren Datenaustausch und Aufgabe der Datenhoheit
Datensouveränität
Daten-Owner bestimmen, was mit den Daten passiert
Dezentrale Architektur
Verteilte Datenhaltung durch Peer-to-Peer-Ansätze
Datenschutz
Sichere Industrial Data Container
Vertrauensschutz
Zertifizierung der Service-Anbieter
Offenheit
Transparente Mitwirkungsmöglichkeiten
Echtzeitfähigkeit
Daten sind sofort für digitale Services nutzbar
© Fraunhofer ·· Seite 27
Dienst A
Dienst C
Dienst E
Dienst B
Dienst D
Dienst G
Dienst F
Unternehmen 4
Unternehmen 1
Unternehmen 6
Unternehmen 2
Unternehmen 3
Unternehmen 5
Bildquellen: Istockphoto
Unternehmen sind sowohl Daten-Owner als auch Nutzer im »Industrial Data Space«
© Fraunhofer ·· Seite 28
Enterprise Data Resource Enterprise Data Resource Enterprise Data Resource
Ein erster Architekturentwurf des »Industrial Data Space« identifiziert wesentliche Software-Komponenten
Preventive maintenanceDigital farming
Supply chain transparency
Industrial Service
Smart homeAutonomous drivingCommunity logistics
Commercial Service
Data as Process Enabler
Internal Use
Data as Product
Context-Free Use
Industrial Data Space
Data Search Data Publishing Visualization Trust Service “Containerization”
Quality Assurance Mapping Aggregation Integration Provenance
Analytics Services
Context Services
© Fraunhofer ·· Seite 29
Prof. Dr. Boris OttoBerlin, 6.5.2015
STAMMDATENMANAGEMENT