Digitalisierung: Datenmanagement in der vernetzten Wirtschaft

© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 0

65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Simon Schlosser

Digitalisierung: Datenmanagement in der

vernetzten Wirtschaft Kollaboratives Datenmanagement in der Cloud

Köln, 10. September 2015


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Agenda

Organisation von Kollaboration in der Cloud

Potenziale von Kollaboration

Kollaboration als „Big Data“-Strategie


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Teig

Weizenmehl (Pfalzmühle Mannheim,

Deutschland)

Weizen (Feld in Hochborn,

Deutschland)

Backmischung (Deutschland)

Vollmilchpulver

Sojalecithin (Brasilien)

Edamer Betacarotin

Milch (Werk in Bayreuth,

Deutschland)

Tomatensosse

Tomaten (Emilia-Romagna

und Latium, Italien)

Kräuter und Gewürze (Deutschland)

Pfeffer (Muntok, Bangka, Indonesien)

Knoblauch (Shandong, China)

Chili (Muntok, Bangka, Indonesien)

Oregano (Türkei)

Rosmarin (Marokko)

Basilikum (Kairo, Egypt)

Thymian (Aschersleben,

Deutschland)

Geräucherte Salami

Buchenholz-Pellets (Deutschland)

Salami (Deutschland)

Salz

Schweinehälften (Belgien, Dänemark,

Frankreich, [Vital-Fleisch]

Deutschland, Niederlande)

Speck

Natriumnitrat

Maltodextrin (EU, USA)

Gewürze (China, Deutschland,

Thailand)

Ascorbinsäure (China, Deutschland,

Thailand)

Buchen (Westerwald und

Ostalbkreis, Deutschland)

Schweinefleisch (Belgien, Dänemark, Frankreich,

Deutschland, Niederlande)

L30827017F10647 Arbeitsbedingungen

Tierhaltung

Einsatz von Pestiziden

(Bayernland, Deutschland)

(Haas, Deutschland)

Hygiene-Bestimmungen

Quelle: Rohwetter, M.; Willmann, U. (2013): Der Pizza-Code. In: Zeit Online Wirtschaft;

http://www.zeit.de/2013/31/lebensmittelindustrie-der-pizza-code, Zugriff: 17.08.2015

Ein einfaches Produkt hat eine komplexe DNA, die noch

nicht vollständig dekodiert werden kann

http://www.zeit.de/2013/31/lebensmittelindustrie-der-pizza-code








65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Zutat Lieferant Stadt (Herkunft) Region (Herkunft) Land (Herkunft) Zusatzinformationen

Ascorbinsäure - - - China, Deutschland, Thailand Arbeitsbedingungen: k.A.

Backmischung - - - Deutschland Genaue Zusammensetzung: k.A.

Basilikum - Kairo - Ägypten Arbeitsbedingungen: k.A.

Betacarotin - - - - -

Buchenholz - - Westerwald Deutschlan -

Buchenholz-Pellets - - - Deutschland -

Chili - Muntok - Indonesien Einsatz von Pestiziden: k.A.

Edamer Bayernland Bayreuth - Deutschland Hygienebestimmungen: k.A.

Knoblauch - Shandong - China Einsatz von Pestiziden: k.A.

Milch Bauern Schilling, Rank Eckersdorf, Gefrees - Deutschland Hygienebestimmungen: k.A.

Oregano - - - Turkey Einsatz von Pestiziden: k.A.

Pfeffer - Muntok - Indonesien Einsatz von Pestiziden: k.A.

Rosmarin - - - Marokko Einsatz von Pestiziden: k.A.

Salami geräuchert Haas Nonnweiler - Deutschlan Hygienebestimmungen: k.A.

Schweinehälften Vital-Fleisch - - Deutschland Hygienebestimmungen: k.A.

Sojalecithin - - - Brasilien Einsatz von Pestiziden: k.A.

Speck - - - - Tierhaltung: k.A.

Thymian - Aschersleben - Deutschland Einsatz von Pestiziden: k.A.

Tomaten - - Emilia-Romagna, Latium Italien Einsatz von Pestiziden: k.A.

Weizen - Hochborn - Deutschland Einsatz von Pestiziden: k.A.

Ein einfaches Produkt hat eine komplexe DNA, die noch

nicht vollständig dekodiert werden kann


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Kurz gesagt – nach Ansicht von

“Transparenz und Rückverfolgbarkeit sind

möglich, dank moderner Informationstechnik

bis in den letzten Winkel der Erde. Wer sagt,

er wisse etwas nicht, der lügt, ist schlecht

organisiert oder kriminell.”


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Zeit für eine kurze Umfrage…

Frage 1: Mein Unternehmen ist in der Lage, Informationen zu allen unseren Produkten und

verbauten Komponenten bereitzustellen, inklusive aller Daten und Dokumente zu Rohmaterialien

und Dienstleistungen aus den entlegensten Winkeln der Erde, in Echtzeit.

Ja.

Nein.

Falls “Nein”, bitte weiter mit Frage 2.

Frage 2: Gründe für die Unfähigkeit meines Unternehmens sind:

In meinem Unternehmen arbeiten nur Lügner.

Mein Unternehmen arbeitet nach „Prinzip Zufall“ und ist schlecht organisiert.

Mein Unternehmen agiert illegal – mit Vorsatz.

Anmerkung: Mehrere Antworten sind möglich…


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Die effiziente Wertschöpfung aus „Big Data“ wird in Zukunft

ein kritischer Erfolgsfaktor für Unternehmen sein

In den äusseren Schichten sind mehr Daten, unschärfere

Daten, Daten mit höhere Änderungsfrequenz, …

Daten in den äusseren Schichten sind

weniger kontrolliert, kritisch, eindeutig, …

„Nucleus“-Daten Kundenbeziehungen, Produktstammdaten,

Mitarbeiterdaten usw.

„Community“-Daten Adressen, öffentliche Unternehmensdaten,

Bankstammdaten, Produktregistrierungen,

Geo-Informationen, GTINs usw.

„Open Big Data“ Tweets, Daten aus Sozialen Medien,

Sensordaten, Wikipedia usw.


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Agenda





65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Mehr und mehr

regulatorische Anforderungen

Das Management von Geschäftspartnerdaten stellt alle

Unternehmen vor die gleichen Herausforderungen

Knappere Budgets bei wachsenden

Qualitätsanforderungen

Zunahme und Professionalisierung

digitaler Betrügereien

Innovative Prozesse aufbauen, um Leistung

mit weniger Ressourcen zu erhöhen

Digitalisierung manueller Prozesse, um

Ressourcen und Risiken zu reduzieren

„Das Rad nicht neu erfinden“

Aufrüstung und Professionalisierung von

Hacker-Organisationen

Parallele Attacken auf mehreren Kanälen, z.B.

zeitweise Kontrolle von Email und Telefon

eines Lieferanten

Gleiche Attacken gegen mehrere Unternehmen

Gewährleistung von Upstream- und

Downstream-Transparenz zur Erfüllung

von Gesetzen und Kundenbedarfen

Digitalisiertes Reporting zur Erfüllung

gesetzlicher Anforderungen

Share updated business

partner data

Share fraud warnings

with forged data

Share certificates

and blacklists

Share Aktuelle

Geschäftspartnerdaten

Share Warnungen zu

Betrugsversuchen

Share Zertifikate,

Sanktionslisten usw.


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Die Pflege von nur wenigen Geschäftspartner-Attributen

verursacht den Hauptteil des Aufwands

Anzahl Attribute Pflegeaufwand

Geschäftspartner-

Attribute

Unternehmensname, Legalform

Legal-/Liefer-/Rechnungs-/…-Adressen

Hierarchien (legal, organisatorisch, …)

IDs (Steuernummern, Registrierungen, …)

Bankdaten (BIC, IBAN)

Zertifikate (e.g. SAS70, ISO 9000)

…

Geschäftskontakte

Kunden-/Lieferanten-Klassifikation

Einkaufskonditionen

Lieferbedingungen

Zahlungskonditionen

Partnerfunktionen

…

5%

30%

70%

95%

Öffentliche Daten, hohes

Potential für Kollaboration

…

Kreditlimit

Umrechnungskurse

Mahnungsbedingungen

Zahlungskonditionen

Versicherungen

Preise

…


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Eine Studie belegt das Potenzial kollaborativer Pflege von

Geschäftspartnerdaten, schon bei nur 3 Unternehmen

Deutschland

Schweiz

Regionaler Fokus

Unternehmen Industrie Anzahl Datensätze

A Chemie,

Pharma

Lieferanten CH: 8.537

Lieferanten DE: 82.924

B Konsumgüter Lieferanten CH: 9.593


C Chemie,

Pharma

Lieferanten CH: 18.573


A

B C E

D F G

Unternehmen Überlappung D Überlappung E Überlappung F Überlappung G

A 1.377 16.1% 0 0% 1.888 22.1% 2.628 30.8%

5.485 6.6% 0 0% 8.126 9.8% 11.407 13.7%

B 709 7.4% 1.926 20.1% 0 0% 2.812 29.3%

3.038 20.1% 1.787 12.2% 0 0% 4.537 31.0%

C 0 0% 2.895 15.6% 1.992 10.7% 4.194 22.6%

0 0% 3.923 8.9% 8.424 19.2% 9.950 22.7%

Schon in einer Community von nur 3 Unternehmen können bis zu 31 % der

Datensätze zu Deutschen und Schweizer Lieferanten gemeinsam gepflegt werden.

Ergebnis der Studie


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

The Guardian berichtet über Bankdatenbetrug: Unternehmen

überweist 17 Mio. Dollar an Betrüger


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Agenda





65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Es gibt zahlreiche Möglichkeiten, kollaboratives

Datenmanagement zu organisieren

Contributor roles Service provider Subscribed user Subscribed steward Data owner Forced data owner Third party

steward

Type of contribution Mandatory maintain Read only

Payer Subscriber Forced data owner Third party (sponsor) Third party (data mining)

Data maintainer Service provider Data owner Dedicated

subscriber Any subscriber Third party steward Anybody

Maintenance mode Regularly validation by steward Maintain if required

Correction authorization Steward only All subscribers Anyone

Change validation Validation by subscribers Validation by reference data No validation

Liability for

data defects Monetary fine Insurance fee

Exclusion from

community Performance ranking No liability

Entry control Maintaining subscribers Subscribers Organizational maturity No entry control

Transparency Known stewards Known subscribers Unknown stewards Unknown subscribers


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Kollaboration und Cloud-Technologie sind die Eckpfeiler

der Corporate Data League (CDL)

Corporate Data League

Das CDQ-Team

Organisiert die CDL-Community als

neutraler Moderator

Betreibt die CDL-Cloud

Überwacht Datenqualität und

Prozess-Performance

Stellt aktuelle Referenzdaten bereit

(z.B. Blacklists, Business Rules)

Die CDL-Cloud

Schützt sämtliche CDL-Daten

durch moderne Sicherheits-

Verfahren

Hält sämtliche Daten in einer

geschützten Cloud, betrieben

durch Swisscom in der

Schweiz

Die CDL-Mitglieder

Teilen Aktualisierungen von Geschäftspartnerdaten

Überprüfen von Aktualisierungen, um Datenqualität

zu sichern

Austauschen von Compliance-Daten (z.B.

Warnungen zu Betrugsversuchen)

Aktualisieren von Metadaten (z.B. Business Rules)

Austauschen von Best Practices

* CDL members and interested companies

CDL Cloud read

write


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Aktivitäten, die durch das Governance-Model zu organisieren

sind

• Datenpflege (z.B. Ändern einer Adresse)

• Validierung (Prüfung, ob die Adressänderung korrekt ist)

• Autorisierung (Aktualisierung der Adresse in der CDL-Datenbank)

Exemplarische Design-Entscheidung: Welches

Governance-Modell ist geeignet für die CDL?

Governance-Optionen


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Community-Eigenschaften unterscheiden die Corporate

Data League von anderen Ansätzen

Contributor roles Service provider Subscribed user Subscribed steward Data owner Forced data owner Third party

steward

Type of contribution Mandatory maintain Read only

Payer Subscriber Forced data owner Third party (sponsor) Third party (data mining)

Data maintainer Service provider Data owner Dedicated

subscriber Any subscriber Third party steward Anybody

Maintenance mode Regularly validation by steward Maintain if required

Correction authorization Steward only All subscribers Anyone

Change validation Validation by subscribers Validation by reference data No validation

Liability for

data defects Monetary fine Insurance fee

Exclusion from

community Performance ranking No liability

Entry control Maintaining subscribers Subscribers Organizational maturity No entry control

Transparency Known stewards Known subscribers Unknown stewards Unknown subscribers


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Die Cloud-Services der CDL unterstützen verschiedene

Phasen der Pflege von Geschäftspartnerdaten

Lookup

Required information:

Name, country, locality

Details ergänzen

z.B. Legalform, Adressen,

Bankdaten, Steuernummern usw.

Compliance prüfen

Prüfe Daten gegen

CDL-Compliance-Datenbank

Änderungsnachrichten

Regelmässige Prüfung der

Änderungsdienste

Höhere Datenqualität Geringerer Pflegeaufwand Weniger Compliance-Risiken

Lookup business

partner data in CDL

database

Cleanse addresses

Translate addresses

Validate data

Lookup banking data

Match against

blacklists

Check for banking

fraud warnings

Pull updated

business partner IDs

Pull updates per

record

Keine Pflege von Details, einfaches Kopieren

aktueller und vollständiger Daten Geschäftspartner in

CDL-Datenbank gefunden


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Testen Sie die CDL-Cloud!

www.corporate-data-league.ch

CDL Metadata Repository Browse the documentation of CDL core concepts

Browse CDL Business Rules

Browse CDL Reference Data (e.g. blacklists)

CDL Demo Web Application Create demo data and understand CDL Processes and CDL Business Rules

Cleanse and translate data with the CDL Cleansing Engine

Check data for duplicates with the CDL Matching Engine


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Das Referenzbuch basierend auf 10 Jahren Forschung

zum Management der strategischen Ressource Daten

Veröffentlichung am

16. Oktober 2015

Datenqualitätsmanagement

Fallstudien

Tools und Methoden


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

www.cdq.ch

CDQ AG


Corporate Data League

www.benchmarking.iwi.unisg.ch

CC CDQ Benchmarking Platform

www.xing.com/net/cdqm

CC CDQ Community at XING

Kontakt

Universität St. Gallen

[email protected]

Wissenschaftlicher Mitarbeiter

+41 (0)79 9642762

CDQ AG

[email protected]

Partner

+49 (0)176 20195027

Dr. Kai Hüner

Simon Schlosser


65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Corporate Data League Cross-corporate business partner data management in the cloud

Increase data quality Automated address cleansing, normalization and translation,

semantic business rules validation, state-of-the-art matching technology

Reduce data maintenance efforts Common standards, trustful community, sharing of up-to-date information,

managed community processes, and easy-to-use cloud services

Manage compliance risks Up-to-date blacklist information, sharing of banking data fraud information,

compliance with Swiss data privacy law, cloud services hosted in Switzerland

Benefit from the shared wisdom of the crowd



65 110 63

151 167 139

164 192 112

222 227 218

222 33 95

238 194 50

Our Roots We are the leading authority for innovative data management solutions

In 2006, Prof. Dr. Hubert Österle founded the Competence Center

Corporate Data Quality at the University of St. Gallen.

The Competence Center is a platform that develops methods and

frameworks for effective corporate data management.

CDQ AG is a spin-off of the University of St. Gallen.

The company was founded in 2015.

Until today, we have successfully implemented our methods and

frameworks in over 80 projects with leading companies globally.

Date post:	12-Apr-2017
Category:	Business
Upload:	simon-schlosser
View:	576 times
Download:	1 times