Date post: | 12-Apr-2017 |
Category: |
Business |
Upload: | simon-schlosser |
View: | 576 times |
Download: | 1 times |
© 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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 1
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 2
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 3
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 4
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.”
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 5
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…
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 6
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.
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 7
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 8
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.
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 9
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
…
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 10
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
Lieferanten DE: 14.617
C Chemie,
Pharma
Lieferanten CH: 18.573
Lieferanten DE: 43.812
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 11
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 12
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 13
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 14
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 15
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 16
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 17
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 18
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 19
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
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 20
65 110 63
151 167 139
164 192 112
222 227 218
222 33 95
238 194 50
www.cdq.ch
CDQ AG
www.corporate-data-league.ch
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
Wissenschaftlicher Mitarbeiter
+41 (0)79 9642762
CDQ AG
Partner
+49 (0)176 20195027
Dr. Kai Hüner
Simon Schlosser
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 21
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
www.corporate-data-league.ch
© CDQ AG – Dortmund, 10. September 2015, S. Schlosser | Corporate Data League | 22
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.