B4: Stammdatenanalyse
Effizienz und Transparenz durch Stammdatenanalyse
und -bereinigung
Kirsten Bruns
Head of Evaluation & Portfolio ManagementManagement Center of Excellence
„Wir ertrinken in Informationen und
hungern nach Wissen.“
(John Naisbitt)
23.0
5.2
019
© 2
019 ite
llig
ence
2
Ein paar Beispiele zur täglichen Datenflut ab 2020 (erhoben von intel 2019)
23.0
5.2
019
© 2
019 ite
llig
ence
3
Ein durchschnittlicher Internet User - 1,5 GB
Ein autonomes Fahrzeug - 4 TB
Ein vernetztes Flugzeug - 5 TB
Eine Smart Factory - 1 PB (Petabyte = 1.000 TB)
Ein Cloud Video Provider - 750 PB
Effizienz und Transparenz durch gutes Datenmanagement
Motivation:
Business Intelligence: Bedürfnis nach verlässlichen Informationen/Wissen
Verstärkte Nutzung von Metadaten
Fast 90% der deutschen Unternehmen haben heute noch erhebliche Probleme im Bereich Datenmanagement und dies bezieht sich nur auf die bisherigen „einfachen“ Stammdaten
4
Effizienz und Transparenz durch gutes Datenmanagement
23.0
5.2
019
© 2
019 ite
llig
ence
5
Für 90% aller Unternehmen stellt die Datenqualität zumindest in Teilen eine echte Herausforderung dar. Genau dieses Spannungsfeld steht im Fokus: zwischen der Erkenntnis, den strategischen Wert von Daten nutzen zu wollen einerseits und den bestehenden Hürden und Hindernissen auf dem Weg zu intelligenten Datenmanagement-Strategien andererseits. *
*Experian Marketing Services (Umfrage über 1240 Unternehmen aller Größen und Branchen)
Alter Hut? Digitalisierung und Datenqualität
23.0
5.2
019
© 2
016 ite
llig
ence
6
Die digitale Transformation führt zu massiven prozessualen
Veränderungen in der Geschäftswelt:
Erhöhte Standardisierung beim Austausch von Daten aus unterschiedlichsten Quellen und Systemen
Fast alle Prozesse laufen automatisch ab
Neuartige Produkte und Dienstleistungen bzw. Kombinationen daraus
Die intelligenteste CRM Software, das beste eProcurement
und die smarteste BI-Anwendung – alle entfalten ihr
Potential erst bei hoher Datenqualität. Kein Wunder also,
dass 49% der Digitalisierungsprojekte nicht den gewünschten
Nutzen bringen.
Alter Hut? Oder ganz neues Verständnis von Daten???Datensammeln, Datenanalyse, Datenschutz,…
23.0
5.2
019
© 2
019 ite
llig
ence
7
2020: + menschliche Emotionen
2025: + menschliche Gedanken
Bis 2010: statische Daten
Heute: Echtzeit-Daten (temporär)
Zukunft: Prognose-Daten (schneller als Echtzeit)
Die Welt verändert sich in einem Wahnsinnstempo!!!
26.1
0.2
018
© 2
018 ite
llig
ence
8
Dann kam der Wandel in Spanien:• Steuer von 8% auf
21% hoch
• Besucherzahlen 30% runter
Teatroneu
Geschäftsmodelle & Prozeßdaten
Technologie
Umfeld
-> Schnelle Adaptivität!!!
Ebenen der Datenanalyse
23.0
5.2
019
© 2
016 ite
llig
ence
Stammdatenanalyse – Transparenz? Braucht man das?
23.0
5.2
019
© 2
015 ite
llig
ence
10
Stammdaten sind ausschlaggebend für den Erfolg eines Unternehmens.
Fehler in Stammdaten blockieren Prozesse, erzeugen ein fehlerhaftes Reporting und führen zu schlechteren Planungen und Steuerungsmöglichkeiten
Direkte und indirekte Fehlerkosten verschlechtern Ergebnisse (5-8 % EBIT)
Im Schnitt ist jeder Mitarbeiter täglich 30 min damit beschäftigt, Daten zu prüfen oder zu korrigieren
SAP bietet ein einzigartiges Datenmodell, das Flexibilität und mehrere Unternehmen in einem System erlaubt. Der Stammdatenpflegeprozess ist jedoch sehr komplex und zeitaufwendig.
Nur saubere Daten führen zu optimalen Prozessen und sicheren Entscheidungen
Ebenen der Datenanalyse
23.0
5.2
019
© 2
016 ite
llig
ence
11
Analyse der Stammdaten aus Sicht Revision, DSGVO, gesetzl. Vorgaben,…
Analyse der Anforderungen aus operativen Prozessen
Analyse der Stammdaten-organisation & -verantwortlichkeiten
Analyse der Felder einzelnerDatensätze
Dubletten und Analyse der weiteren funktionalen Möglichkeiten nach Cleansing
1. Stammdatenanalyse: Ergebnisauszug einer Debitorenanalyse
23.0
5.2
019
© 2
016 ite
llig
ence
12
2. Stammdatenpotentialanalysen (Beispiele)
Nur die Analyse und Korrektur der Stammdaten erlaubt eine effektive Nutzung weiterer, oft systemübergreifender, Funktionalitäten.
E-Commerce-Plattform:
Kunden- und Artikelstammdaten müssen korrekt und zwischen der E-Commerce-System und dem Backendsystem abgestimmt sein
Kreditmanagement:
Nur ohne viele Dubletten und mit abgestimmten Stammdaten zwischen SAP und CRM möglich
360 Grad-Kundensicht:
Unternehmensweite Sicht auf den Kunden kann nur ohne Dubletten und mit harmonisierten Stammdaten erfolgen
IBAN und SEPA (heute Standard und Pflicht):
Automatisierter Zahlungsverkehr auch ins Ausland geht nur mit korrekten und standardisierten Daten
23.0
5.2
019
© 2
016 ite
llig
ence
13
3. Datenmanagementanalyse, z.B. mit it.excellence Datenmanagement
23.0
5.2
019
© 2
016 ite
llig
ence
14
Zur Datenanalyse gehört auch die Betrachtung im Unternehmen, wie die Stammdatenprozesse etabliert wurden, d.h.
welche Datenqualitätsziele will man erreichen
wer trägt die Stammdatenverantwortung
wer sorgt für Complianceregeln
welche Software unterstützt und prüft
welche Mitarbeiter sind wie involviert
Strategie
Strategie
Organisation
Systeme
Führungssystem
Prozesse & MethodenOrganisation & Mitarbeiter
Applikationen
Datenarchitektur
lokal global
4. Prozessdatenanalyse
In der Prozeßdatenanalyse werden die Datenbereiche analysiert, die zur Durchführung eines Prozesses unabdingbar sind.
Gleichzeitig werden die Datenbereiche analysiert, die zur Standardisierung oder Harmonisierung dienen und eine Automatisierung oder ein Outsourcing von Prozessen erlauben.
Prüfung von Datenstandards für unternehmens-übergreifende Collaborationen
Beispiele:
DUNS-Nr. für Dublettenprüfung, Bonitätsprüfung oder Kreditmanagement
eCl@ss: Der eCl@ss-Standard ermöglicht den grenzenlosen, digitalen Austausch von Produktstammdaten über Branchen, Länder, Sprachen oder Organisationen hinweg, z.B. für den Einkauf oder die Konstruktion
EAN/GTIN-Nummern von GS1 für eindeutige internationale Artikelnummern (für Einkauf, Rückverfolgbarkeit oder Mobile Commerce)
…
23.0
5.2
019
© 2
016 ite
llig
ence
15
5. Complianceanalysen (Beispiele)
Zolltarifnummern (Dubletten, Aktualität, Korrektheit):
Als Folge davon können z.B. Zölle zu niedrig festgesetzt werden, verbotene Waren ohne Genehmigung ein- oder ausgeführt, der Entzug von Vereinfachungen oder Bewilligungen sowie die Versagung von Im-oder Exporten erfolgen.
Boykottlistenprüfung/Sanktionslistenprüfung (Ausfuhrsperrkennzeichen, Aktualität):
Denn nach aktueller Rechtslage muss jedes Unternehmen durch geeignete Maßnahmen sicherstellen, dass keinerlei wirtschaftliche Kontakte mit Organisationen oder Personen eingegangen werden, die auf offiziellen Sanktionslisten stehen. Die Prüfpflicht betrifft nicht nur Kunden, sondern auch Lieferanten und Personal.
DSGVO
Analyse personenbezogener Daten über alle Systeme hinweg. Was ist gespeichert, wo und wie lange, warum und wer hat Zugriff darauf?
Diese Analysen müssen nicht nur durchgeführt werden, sondern sind auch regelmäßig zu dokumentieren.
23.0
5.2
019
© 2
016 ite
llig
ence
16
6. IoT-Datenanalyse
Die Analyse von IoT-Daten (Maschinendaten, Sensorikdaten, etc.) erlaubt die Gestaltung neuer Geschäftsmodelle und erweiterter Services
Hierzu müssen in der Regel über ein Netzwerk große Datenmengen aufgenommen, umformatiert, analysiert und bewertet werden, um dann automatische Aktionen im ERP-System auszulösen (z.B. mit AIN Asset Intelligence Network)
Beispiele:
Maschinendaten über Auslastung und Zustand zur Ermittlung der nächsten Wartung
Miet- statt Kaufmodelle für Spülmaschinen über Nutzungsdaten
Automatischer Nachlieferungsprozess für Tankanlagen durch Befüllungssensoren
Automatisierter Update- und Wartungsservice für Boschrasenmäher
23.0
5.2
019
© 2
016 ite
llig
ence
17
7. BigData Analysen
Dies ist die systematische Analyse großer Datenmengen mit Hilfe neu entwickelter Software zur Nutzung neuer Potentiale (auch Smart Data).
Für die meisten Unternehmen allein zu komplex, aber zunehmend mehr als Service oder Dienstleistung kaufbar.
Beispiele dafür sind:
- Uber (Infos für Städteplaner zu Bebauungsregionen)
- SAP: SAP Data Services
- Negativbeispiel: Analyse & Beeinflussung von Wahlverhalten über Facebookdaten (Cambridge Analytica)
23.0
5.2
019
© 2
016 ite
llig
ence
18
Predictive Analysis
23.0
5.2
019
© 2
016 ite
llig
ence
19
PredictivePolicing
Was bringt die Datenanalyse bzw. mehr Datenqualität?
23.0
5.2
019
© 2
016 ite
llig
ence
20
Bis zu 25% mehr operativen Gewinn
Neues Portfolio und neue Geschäftsmodelle
Mehr Collaborationsmöglichkeiten
Mehr Compliancesicherheit
Effektivere Prozeßabläufe
Weniger Verluste durch Prävention und Aufdeckung von
Wirtschaftskriminalität
Von allem mehr:
mehr Transparenz
mehr Effizienz
mehr Gewinn
mehr Zufriedenheit
mehr Sicherheit
mehr Chancen
…
Problem erkannt – und nun?
23.0
5.2
019
© 2
016 ite
llig
ence
3 Schritte zum goldenen Datenbestand
23.0
5.2
019
© 2
016 ite
llig
ence
22
• Toolgestützte Analyse des Datenbestandes
• Ermittlung der Haupthandlungsfelder & Gründe
analysiert
• Welche Fehler sollen wie, wann und von wem behoben werden?
• Toolgestützte Korrektur und manuelle Arbeitspakete
bereinigt
• Toolgestützte Datenanlage und Datenvalidierung
• Reports als internes Kontrollsystemvalidiert
Produktbeispiele für Datenanalyse und -bereinigung
23.0
5.2
019
© 2
016 ite
llig
ence
24
it.Interface Scanner
Analyse bestehender Schnittstellen
it.transformReorganisation von
Daten und Belegen auf DB-Ebene
http://www.itelligence.addstore.de.
Dubletten-prüfung
Online -/Massenprüfung
it.x-check.it
Sanktionslistenprüfung
it.excellence Datenmanagement
WorkshopIn 8 Schritten zu mehr
Datenqualität
it.DGM-Suite
Gefahrstoffdaten& Versandunterstützung
Produktbeispiele für Validierungs- und Anreicherungsprodukte
23.0
5.2
019
© 2
016 ite
llig
ence
25
it.mds
Regelgeführte Stammdatenpflege
Class CockpitKlassifikation der Stammdaten nach
eCl@ss
http://www.itelligence.addstore.de.
USt-IdNr. Prüfung
Massenprüfung von UID-Nr
SNP DragomanSAP Übersetzungen
einfach gemacht
Geodaten-versorger
Geocodierung von SAP Adressen
Materialkurztextgenerierer
Dynamische Materialkurztext-
generierung
it.DGM-Suite
Gefahrstoffdaten& Versandunterstützung
it.DPM
Datenanonymisierung
Die Herausforderung der Zukunft für Unternehmen…
26.1
0.2
018
© 2
018 ite
llig
ence
26
Fazit: Also sollten Sie Ihre „einfachen“ Daten schnellstens in den Griff bekommen!!
Ein paar Beispiele zur täglichen Datenflut ab 2020 (erhoben von intel 2019)
23.0
5.2
019
© 2
019 ite
llig
ence
27
Ein durchschnittlicher Internet User - 1,5 GB
Ein autonomes Fahrzeug - 4 TB
Ein vernetztes Flugzeug - 5 TB
Eine Smart Factory - 1 PB (Petabyte = 1.000 TB)
Ein Cloud Video Provider - 750 PB
Kirsten BrunsAm Kaiserhain 19 44179 DortmundE-Mail: [email protected]
Wir machen mehr aus SAP®-Lösungen!
23.0
5.2
019
© 2
016 ite
llig
ence
Haben Sie noch Fragen?
Copyright itelligence AG - All rights reserved
23.0
5.2
019
© 2
016 ite
llig
ence
29
Die Weitergabe und Vervielfältigung dieser Publikation oder von Teilen daraus sind, zu welchem Zweck und in welcher Form auch immer, ohne die ausdrückliche schriftliche Genehmigung durch itelligence AG nicht gestattet. In dieser Publikation enthaltene Informationen können ohne vorherige Ankündigung geändert werden.
Einige von der itelligence AG und deren Vertriebspartnern vertriebene Softwareprodukte können Softwarekomponenten umfassen, die Eigentum anderer Softwarehersteller sind. Die in diesem Dokument erwähnten Namen von Produkten und Services sowie die damit verbundenen Firmenlogos sind Marken der jeweiligen Unternehmen. Die Angaben im Text sind unverbindlich und dienen lediglich zu Informationszwecken. Produkte können länderspezifische Unterschiede aufweisen.
Die in diesem Dokument enthaltenen Informationen sind Eigentum von itelligence. Dieses Dokument ist eine Vorabversion und unterliegt nicht Ihrer Lizenzvereinbarung oder einer anderen Vereinbarung mit itelligence. Dieses Dokument enthält nur vorgesehene Strategien, Entwicklungen und Produktfunktionen und ist für itelligence nicht bindend, einen bestimmten Geschäftsweg, eine Produktstrategie bzw. -entwicklung einzuschlagen. itelligence übernimmt keine Verantwortung für Fehler oder Auslassungen in diesen Materialien. itelligence garantiert nicht die Richtigkeit oder Vollständigkeit der Informationen, Texte, Grafiken, Links oder anderer in diesen Materialien enthaltenen Elemente. Diese Publikation wird ohne jegliche Gewähr, weder ausdrücklich noch stillschweigend, bereitgestellt. Dies gilt u. a., aber nicht ausschließlich, hinsichtlich der Gewährleistung der Marktgängigkeit und der Eignung für einen bestimmten Zweck sowie für die Gewährleistung der Nichtverletzung geltenden Rechts.
itelligence übernimmt keine Haftung für Schäden jeglicher Art, einschließlich und ohne Einschränkung für direkte, spezielle, indirekte oder Folgeschäden im Zusammenhang mit der Verwendung dieser Unterlagen. Diese Einschränkung gilt nicht bei Vorsatz oder grober Fahrlässigkeit.
Die gesetzliche Haftung bei Personenschäden oder die Produkthaftung bleibt unberührt. Die Informationen, auf die Sie möglicherweise über die in diesem Material enthaltenen Hotlinks zugreifen, unterliegen nicht dem Einfluss von itelligence, und itelligence unterstützt nicht die Nutzung von Internetseiten Dritter durch Sie und gibt keinerlei Gewährleistungen oder Zusagen über Internetseiten Dritter ab.
No part of this publication may be reproduced or transmitted in any form or for any purpose without the express permission of itelligence AG. The information contained herein may be changed without prior notice.
Some software products marketed by itelligence AG and its distributors contain proprietary software components of other software vendors. All product and service names mentioned and associated logos displayed are the trademarks of their respective companies. Data contained in this document serves informational purposes only. National product specifications may vary.
The information in this document is proprietary to itelligence. This document is a preliminary version and not subject to your license agreement or any other agreement with itelligence. This document contains only intended strategies, developments and product functionalities and is not intended to be binding upon itelligence to any particular course of business, product strategy, and/or development. itelligence assumes no responsibility for errors or omissions in this document. itelligence does not warrant the accuracy or completeness of the information, text, graphics, links, or other items contained within this material. This document is provided without a warranty of any kind, either express or implied, including but not limited to the implied warranties of merchantability, fitness for a particular purpose, or non-infringement.
itelligence shall have no liability for damages of any kind including without limitation direct, special, indirect, or consequential damages that may result from the use of these materials. This limitation shall not apply in cases of intent or gross negligence.
The statutory liability for personal injury and defective products is not affected. itelligence has no control over the information that you may access through the use of hot links contained in these materials and does not endorse your use of third-party Web pages nor provide any warranty whatsoever relating to third-party Web pages.