Date post: | 08-Dec-2014 |
Category: |
Documents |
Upload: | mhp-a-porsche-company |
View: | 273 times |
Download: | 1 times |
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH
Neue Herausforderungen im BIG DATA Umfeld!
Data Quality
Bruce Jeong und Christine Manthey | MHPBoxenstopp: 01.07.2014
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 2
01.-02.07.2014 SAP Automotive Forum 2014 in Leipzig, Congress Center Leipzig
Einleitung
MHPBoxenstopp: Data Quality
Weitere MHPBoxenstopps
Agenda
Wo Sie uns in 2014 auch finden können…
www.mhp.de/Events
www.mhp.com/de/events
Zu Anfang sind alle Teilnehmer auf stumm geschalten.
08.07.2014 Wie Sie die “richtigen“ Kunden ansprechen! Analytisches CRM als zielgerichtetes Werkzeug
08.07.2014 Business Discovery – Natural Analytics mit QlikView
Der Weg zur intuitiven Entscheidungsfindung
15.07.2014 Connected Car Vernetztes Fahrzeug – Wohin geht die Reise?
15.07.2014 Schnelle und einheitliche Übersetzung in SAP Zeitersparnis und Qualitätssteigerung bei Übersetzungen
www.mhp.com/de/events
13.00 – 13.10 Uhr Begrüßung Christine Manthey
13.10 – 13.45 Uhr Vortrag Enterprise Data Quality Bruce Jeong
13.45 – 14.00 Uhr Offene Fragerunde Sie können bereits während der Web Session über
Chatfunktion im rechten Fenster Fragen einreichen.
www.youtube.de/MHPProzesslieferant www.slideshare.net/MHPInsights
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 3
MHPBoxenstopp: Data Quality
Ihre Gesprächspartner
Bruce Jeong
Senior Manager
SU Business Intelligence
Christine Manthey
Senior Consultant
SU Business Intelligence
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 4
Prozesse verbessern kann nur, wer sich im Detail auskennt.
Genauso wie im Großen und Ganzen.
MHPBoxenstopp: Data Quality
Wir wissen aus Erfahrung,
wie man Ziele erreicht und dabei vorneweg fährt.
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 5
Mieschke Hofmann und Partner (MHP)
A Porsche Company
MHPBoxenstopp: Data Quality
Die Leistung
Management Consulting
System Integration
Application Management
Business Solutions
Business Solutions
Der Unterschied
Symbiose aus Prozess- + IT-Beratung l Prozesslieferant l Excellence l Automotive l Kunden
Die Kompetenz Ganzheitliches Beratungsportfolio über die gesamte Wertschöpfungskette
Technology
Services
Application
Mgmt.
Services
Product
Lifecycle
Mgmt.
Supply
Chain
Mgmt.
Production
& Opera-
tions Mgmt.
Customer
Relations
Mgmt.
Finance &
Controlling
Business
Intelligence
After
Sales
Retail
Mgmt.
Human
Resources
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 6
MHP Business Solutions – wir liefern Best Practice Prozesse und Lösungen
Technology
Services
Application
Mgmt.
Services
Product
Lifecycle
Mgmt.
Supply
Chain
Mgmt.
Production
& Opera-
tions Mgmt.
Customer
Relations
Mgmt.
Finance &
Controlling
Business
Intelligence
After
Sales
Retail
Mgmt.
Human
Resources
BIOpS
BI Optimization
Solution
VisS
Visualization
Solution
TPS
Tailored Planning
Solution
TM P2E
Complaint
Management
PLM ERP
Integration
Freight Costs
Management
Inventory
Management
Supplier
Management
Orders on Hand/
Incoming Orders
CARBON HR Solution Accounting
Solution
BI Management
Solution
Translation
Management
EDI Solution FI/CO Template for
Automotive Dealer
Transportation
Management
for Automotive
Dealer
Performance
Management
Manufacturing
Solution
Lean Solution
Sales
Integration
Solution
SupM CompM
InvM OoH
FCM TRM
MFS
LeanS
SIS CARBON
FI/CO
DPM
HR
Correspondence
Solution
CorS
Talent
Management
TalM
AccS BIMS
EDIS GVM
Global VAT
Management
FCR
Factory Result
Calculation
SerS
Service-
management
Solution
Data
Quality
MHPBoxenstopp: Data Quality
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 7
MHP Business Solutions – wir liefern Best Practice Prozesse und Lösungen
Technology
Services
Application
Mgmt.
Services
Product
Lifecycle
Mgmt.
Supply
Chain
Mgmt.
Production
& Opera-
tions Mgmt.
Customer
Relations
Mgmt.
Finance &
Controlling
Business
Intelligence
After
Sales
Retail
Mgmt.
Human
Resources
Prozessübergreifend
ContM
Contract
Management
ArchS
EDI Archiving
Solution
InMS
Interface
Monitoring
Solution
EDQ
Enterprise
Data Quality
BSC
Balanced
Scorecard
MobS
Mobile
Business
Solution
HANA
Real-time
Business
Solution
TestM
Test
Management
AutS
Automotive
Supplier
FMS
Fleet
Management
S&C
Security &
Compliance
MHPBoxenstopp: Data Quality
Agenda
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 8
1. Definition Data Quality Management
2. Data Quality ein wesentlicher Baustein von Data Governance
3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern?
4. Data Quality Management - Was ist zu tun?
5. Methodischer und technologischer Ausblick
Agenda
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 9
1. Definition Data Quality Management
2. Data Quality ein wesentlicher Baustein von Data Governance
3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern?
4. Data Quality Management - Was ist zu tun?
5. Methodischer und technologischer Ausblick
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 10
Was verstehen wir unter Data Quality?
1. Definition Data Quality Management
Definition:
Focuses on the data from the source, through many stages of consumption
to analytics and reporting. Data Quality management is one of the pillars of
the Data Governance process. It focuses on Accuracy and Clarity of the
data.
Zuverlässige und valide Daten
Transparentes Data Management auf jeder Stufe der
Transformation
Durchgängiges Data Quality Management als
wesentlicher Bestandteil von Data Governance
Agenda
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 11
1. Definition Data Quality Management
2. Data Quality ein wesentlicher Baustein von Data Governance
3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern?
4. Data Quality Management - Was ist zu tun?
5. Methodischer und technologischer Ausblick
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 12
Data Governance und deren wichtige Bausteine
2. Data Quality ein wesentlicher Baustein von Data Governance
Data
Governance
Master
Data
Policies
Biz & Tech
Definitions
Metrics
Data Quality
Mgmt
Reference
Data
Process
Integration
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 13
Intelligentes Data Quality Management hat hohe Ansprüche
2. Data Quality ein wesentlicher Baustein von Data Governance
Data
Quality
ETLV
Policies
Monitoring
Matching
and Lineage
Auditing
Profiling
Prozess
Standard-
ization
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 14
Data Quality das zentrale Element von Quality Management?
2. Data Quality ein wesentlicher Baustein von Data Governance
Data Quality
Data Ownership
Data Performance
Management
Data
Management
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 15
Ohne Verantwortlichkeiten gibt es kein Data Quality Management
2. Data Quality ein wesentlicher Baustein von Data Governance
Resp
on
sibility
Agenda
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 16
1. Definition Data Quality Management
2. Data Quality ein wesentlicher Baustein von Data Governance
3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern?
4. Data Quality Management - Was ist zu tun?
5. Methodischer und technologischer Ausblick
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 17
Datenvolumen wachsen dramatisch – Was ist zu tun?
3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern?
Welche Maßnahmen haben sie ergriffen um den Datenflut und
Qualität der Daten zu beherrschen?
Haben sie eine vernünftige IT- und damit auch eine Data
Quality-Strategie?
Wie messen sie Qualität und wie verbessern sie es?
Nutzen sie die richtigen Tools?
Haben sie zu jederzeit die relevanten Informationen zur
Verfügung?
…
IDC Studie: „Weltweites Datenvolumen verdoppelt sich alle 2 Jahre“
18 © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH
Data Quality war bisher ein Randthema bei stringenten IT Architekturen
3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern?
Da
ta W
are
ho
us
e
Dashboard Ad Hoc AnalysenStandard Berichte
BWPlanung Benutzerrechte-
verwaltung
SD
ETL
ETL
ETL
ET
L ET
L
ETL
ETLETL
19 © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH
Native HANA Szenarien bringen neue Herausforderungen an Data Quality
3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern?
Quelle: SAP
20 © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH
BIG DATA Architektur am Beispiel Hadoop – Data Quality möglich?
3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern?
DWH
Relational
Database
System
Structured
Data
Online Data
Access
HDFS2
Map
Reduce
YARN
HB
ase
HCatalog
PIG HIVE
Real Time
In Memory
FLU
ME, SQ
OO
P
Zo
o K
eep
er, A
MB
AR
I
Oo
zie, Fa
lco
n
Mah
ou
t
Hue
Social Media | Connected Car | Sensorik | RFID | Geo Data | Streaming Data |
Machine Data | Applications | Interaction | Video | Audio | eMail | Documents | …
CRM | ERP | Logs
| Clickstreams | …
Tez
Sto
rm
Neue
Quellen
Bestehende
Quellen
BI & Analytics | Dashboards | Multivariate | Network analysis | Predictive | Search | Applications | CRM | ERP
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 21
Quality GAP beeinflusst die Glaubwürdigkeit von Informationen
3. Valide und reliable Daten in BIG DATA Umfeld – Wie sichern?
Agenda
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 22
1. Definition Data Quality Management
2. Data Quality ein wesentlicher Baustein von Data Governance
3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern?
4. Data Quality Management - Was ist zu tun?
5. Methodischer und technologischer Ausblick
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 23
Steigerung von 2-5 % des Umsatzes durch Minimierung von Verschwendungen
Waste, Rejects, Testing Costs, Rework, Customer Return, Inspection Costs or Recalls
Steigerung von 15-20 % des Umsatzes durch Minimierung von Verschwendungen
Pricing and billing errors, Incorrect Orders shipped, Planning Delays, Transportation
costs, Over processing cost, Defects, Excessive employee turnover, Low moral of
employees, Expensive Over Time, Inventory cost, Waiting Cost, Over production cost or
Time with dissatisfied customers
Warum wird das Potential aber nicht gehoben
Kein organisatorischer Durchgriff für die Umsetzung der
Verbesserungsmaßnahmen
Rein operative Reports die ein reaktives Maßnahmenwesen unterstützen, und von
Einzelinteressen getrieben werden – überall entsteht ein bisschen Qualität
Keine transparenten und wirkungsvollen Mechanismen zur Kommunikation ins
Management
Durch Data Quality Management Wettbewerbsvorteil sichern
4. Data Quality Management – Was ist zu tun?
Source: Joseph A. DeFeo – Juran Institute - The Tip of the Iceberg
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 24
Qualitätsprozess zur Sicherung der Data Quality muss vollständig sein
4. Data Quality Management – Was ist zu tun?
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 25
Qualitätsoffensive durch Data Quality Assessment am Beispiel SAP
4. Data Quality Management – Was ist zu tun?
Quelle: SAP
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 26
Einsatz einer Data Quality Integration Plattform als ganzheitlicher Ansatz
4. Data Quality Management – Was ist zu tun?
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 27
Beispiel für ein Data Quality Steward Lösung
4. Data Quality Management – Was ist zu tun?
Quelle: BDQ Steward
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 28
Reicht der technologische Einsatz von Data Quality Lösungen allein aus?
4. Data Quality Management – Was ist zu tun?
Antwort:
Technology unterstützt die Verbesserung des Datenqualitätsprozesses
Technology unterstützt die Automatisierung von Quality Gate Prozessen und
verbessert die zeitnahe Analyse von Qualitätsproblemen
Ersetzt aber nicht die Mitarbeiter, Organisationsstrukturen und
Verantwortlichkeiten
Quelle: Jim Harris in Data Quality, Debates, Technology
Agenda
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 29
1. Definition Data Quality Management
2. Data Quality ein wesentlicher Baustein von Data Governance
3. Valide und reliable Daten im BIG DATA Umfeld - Wie sichern?
4. Data Quality Management - Was ist zu tun?
5. Methodischer und technologischer Ausblick
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 30
Unser Management Consulting Ansatz – Ihr Vorteil
5. Methodischer und technologischer Ausblick
Source: Joseph A. DeFeo – Juran Institute - The Tip of the Iceberg
Best Practice Evaluation Approach Quick-Scan
Analysis
Initialisierung Ergebnis
Data Assessment
Mit unserer Vorgehensmethode sind wir schnell in der Lage Qualitätslecks zu
erkennen und dauerhaft zu beheben
Fit/Gap Analyse
Best Practice Vergleich
Handlungs- / Umsetzungsempfehlung
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 31
Intelligente Data Quality Management ohne IT Unterstützung nicht möglich
5. Methodischer und technologischer Ausblick
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 32
5. Methodischer und technologischer Ausblick
MHP Enterprise Data Quality Solution basierend auf SAP
Architektur
Legacy
SAP
Data bases
Legacy
SAP
Data bases
SAP Information Steward
SAP Data Services
Mapping
Cleansing
Duplicate check
Adress cleansing
Enrichement
Value
transformation
Quality Rules
Ad-hoc Profiling
Dashboards
Clensing lists
Trend
Master and
transactional data
33 © 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH
Ihre Ansprechpartner
MHPBoxenstopp: Data Quality – Neue Herausforderungen im BIG DATA
Bruce Jeong
CC Leiter Data Quality & Integration Management
SU Business Intelligence
Mobil: +49 (0)151 4066-7497
E-Mail: [email protected]
© 2014 Mieschke Hofmann und Partner Gesellschaft für Management- und IT-Beratung mbH 34
www.mhp.com/
events
MHPTimetable Juli 2014
weitere Infos MHPBoxenstopp
Data Quality
13-14 Uhr | 01.07.14
MHPBoxenstopp
SAP HANA
11-12 Uhr | 01.07.14
Mit nur einem “Klick” zur MHPBoxenstopp Anmeldung
Haben Sie einen MHPBoxenstopp verpasst? Kein Problem - in
unserem MHP YouTube-Channel und auf unserem SlideShare
Profil finden Sie alle vergangenen Websessions:
MHPBoxenstopp
Wie Sie die „richtigen“
Kunden ansprechen!
11-12 Uhr | 08.07.14
MHPBoxenstopp
Business Discovery –
Der Weg zur intuitiven
Entscheidungsfindung
13-14 Uhr | 08.07.14
MHPBoxenstopp
Connetcted Car
11-12 Uhr | 15.07.14
MHPBoxenstopp
Schnelle und
einheitliche
Übersetzungen in SAP
13-14 Uhr | 15.07.14
MHPBoxenstopp
Social Business and
Collaboration
11-12 Uhr | 22.07.14
MHPBoxenstopp
MHP IT Service
Management Modelle
13-14 Uhr | 22.07.14
MHPBoxenstopp
Talent Management
11-12 Uhr | 29.07.14
MHPBoxenstopp
Planung mit BPC 10.1
13-14 Uhr | 29.07.14
www.youtube.de/MHPProzesslieferant
www.slideshare.net/MHPInsights