Wir von SOPTIM begleiten das Thema Datenqualität schon seit Beginn der Liberalisierung und sind stetig dabei mit unseren Kunden die Datenqualität durch ganzheitliche Herangehensweisen (z.B. Stammdatenvergleich beliebiger Vorsysteme) weiter zu verbessern.

Eine dauerhaft gute Datenqualität ist nicht allein durch punktuelle Datenbereinigungsaktionen zu erreichen. Vielmehr sollten Dateninkonsistenzen systematisch aufgedeckt, kommentiert und bereinigt werden. Bei Kundenprojekten zur Bereinigung von Datenschiefständen garantiert der im SOPTIM DQM-Tool IS-U Clean implementierte zyklische Ablauf eine stufenweise und nachhaltige Steigerung der Datenqualität.

Datenadapter

Die in IS-U Clean integrierte BI-Software WebFOCUS liefert eine enorme Vielfalt an Datenadaptern. Mit Hilfe dieser Adapter kann eine Vielzahl von Datenhaltungssystemen angebunden und ausgewertet werden. Damit ist es ebenfalls möglich, z.B. Excel-Berichte aus anderen Bereichen sehr schnell in bestimmte Auswertungen zu integrieren. Ein Import in das System sowie manuelle Vorarbeiten sind nicht notwendig.

Systemunabhängigkeit

Der schlanke Aufbau von IS-U Clean ermöglicht die ressourcenschonende Anbindung beliebiger Systeme. Dies kann mit Hilfe der Datenadapter geschehen oder aber über eine direkte Verbindung des Data Quality Warehouse mit den auszuwertenden Systemen.
Durch eine Datenextraktion und -bereitstellung, die auf den Originaldaten und nicht auf aufbereiteten Daten anderer Bereiche beruht, ist eine unabhängige, objektive und sachbezogene Auswertung und Analyse möglich.

Flexibilität

Bei Änderungen innerhalb der extrahierten Systeme oder erweiterten Anforderungen an die Datenstruktur der benötigten Daten sind keine Anpassungen in den Vorsystemen notwendig. Sämtliche Anpassungen werden innerhalb von IS-U Clean durchgeführt.

Prozessoptimierung

Durch eine umfassende Betrachtung des gesamten DQM-Prozesses können frühzeitig Schwachstellen in Prozessen aufgedeckt werden. Dadurch erfolgt neben der reinen Symptombehandlung auch eine ursachenorientierte Reflexion, die erst die nachhaltige Datenqualitätssteigerung ermöglicht.

Migrationsvorbereitung

Eine hohe Datenqualität in den Altsystemen minimiert den Migrationsaufwand maßgeblich und unterstützt damit die Datenüberleitung in neue Systeme.

Datenqualitätskennzahlen

Die Ermittlung belastbarer Datenqualitätskennzahlen ist integraler Bestandteil des SOPTIM DQM. Die DQ-Kennzahlen werden auf Grundlage der durchgeführten Prüfungen in drei Dimensionen (Vollständigkeit, Korrektheit und Konsistenz) gemessen. Durch Verdichtung der Kennzahlen besteht die Möglichkeit verlässliche Aussagen über die Datenqualität einzelner Systeme oder Unternehmensteile zu bekommen.

Stammdatenvergleich

Die zentrale Datenhaltung im Data Quality Warehouse ermöglicht einen einfachen Datenabgleich (insbesondere der Stammdaten) über Systemgrenzen hinweg. Ebenso können Datenlieferungen verschiedener Dienstleister gegeneinander abgeglichen und Plausibilitätschecks unterzogen werden. Eine hohe Datenqualität ist gerade in Bereichen unverzichtbar, in denen die Daten vieler Quellen zusammenlaufen, um verlässliche Auswertungen auf einer BI-Plattform zu bekommen (siehe Schaubild).

Was bringt SOPTIM DQM für Ihr Unternehmen?

Durch den Einsatz von SOPTIM DQM eingebettet in Ihrem Datenqualitätsmanagement bekommen Sie:

• Eine unabhängige, objektive und sachbezogene Auswertung und Analyse durch unvoreingenommene Sicht auf die angebundenen Systeme
• Hohe Flexibilität durch individuelles Customizing
• Eigenverantwortliche Anpassung an sich ändernde Anforderungen und Systemlandschaften im Rahmen des Regelbetriebes
• Stichtagsbezogene, zentrale Datenhaltung ermöglicht den einfachen systemübergreifenden Abgleich
• Hohe Analyseperformance durch schlanken Aufbau und Konzentration auf das Ergebnis
• Die integrierte Ermittlung belastbarer Datenqualitätskennzahlen.

 

 

 

Bevor der Zyklus gestartet wird, werden in der initialen Planungsphase die relevanten Datenobjekte und -volumen identifiziert. Die Standardqualitätsanalysen werden je nach Kundenanforderungen individuell parametriert oder neu definiert. Merkmale, Metriken und Zielwerte der Datenqualitätskennzahlen werden bestimmt. Die Qualität des zu untersuchenden Datenbestandes kann somit objektiv bewertet werden. Außerdem wird die Grundlage geschaffen für eine Kommunikationsstruktur, die zukünftig die Fehlererkennung durch eine verbesserte Berichtsführung erleichtert.

 

In der ersten Phase des zyklischen Analyseablaufes (Extract Transform Load- Prozess) werden die zu untersuchenden Daten aus dem Datenbestand extrahiert, in das passende Format transformiert und in das Data Quality Warehouse geladen. Die Quelldaten können dabei in verschiedenen Systemen (SAP IS-U, SAP CRM oder beliebige Drittsysteme) vorliegen.

 

Eine automatisierte Analyse der extrahierten Datenbestände im Data Quality Warehouse erfolgt in der zweiten Phase durch die selektierten Datenqualitätsanalysen. Neben der Analyse einzelner Datenbestände können auch systemübergreifende Analysen durchgeführt werden. Die Ergebnisse der Analysephase (Basiskennzahlen, Fehlerverlauf, etc.) werden im Data Quality Warehouse hinterlegt.

 

Die Controllingphase ermöglicht die Überwachung der Datenqualität unter Berücksichtigung der Zielvorgaben. Die Datenqualität wird in den Dimensionen Vollständigkeit (relevante Felder im Datensatz belegt?), Korrektheit (eingetragenen Daten formal und inhaltlich korrekt?) und Konsistenz (Kombinationen einzelner Felder korrekt?) abgebildet.

 

Als ein Ergebnis der Controllingphase wird ein umfassendes Qualitätsreporting zur Verfügung gestellt, das u. a. die folgenden Qualitätskennzahlen enthält:

• Anzahl durchgeführter Qualitätsanalysen (DQA): Liefert dem Betrachter einen Überblick über die Menge der durchgeführten Prüfungen
• Anzahl entdeckter Datenqualitätsdefizite (F): Die Menge der entdeckten Datenqualitätsdefizite auf der Ebene des betrachteten Datenbestandes (z.B.: Verträge im SAP IS-U)
• Gesamtbereinigungszeit (GBZ): Die Zeit, die notwendig wird, um alle Fehler eines bestimmten Datenbestandes zu beseitigen
• Gesamtbereinigungskosten (GBK): Die kundenspezifischen Kosten, die für die Beseitigung aller Datenqualitätsmängel eines bestimmten Datenbestandes anfallen
• Fehlerquote (FQ): Prozentualer Anteil der fehlerhaften Daten
• Datenqualität (DQ): Anteil der Daten, die frei von Datenqualitätsdefiziten sind (in Prozent)
• Dimensionsanteil (DA): Gibt an, wie viel Prozent der Fehler auf jede Datenqualitätsdimension (Vollständigkeit, Korrektheit, Konsistenz) entfallen.

 

 

 

Das DQ-Reporting basiert auf den ebenenweise verdichteten Qualitätskennzahlen (siehe Pyramide). Die oberste Ebene bilden die Key Performance Indikatoren, die Aussagen über die Datenqualität des Unternehmens zulassen und Schwachstellen aufdecken. Im Rahmen des kontinuierlichen Prozesses zur Qualitätssteigerung ermöglicht das DQ-Reporting eine umfangreiche Schwachstellenanalyse bis auf die unterste Ebene der Kennzahlen.

 

Die Qualitätssteigerung wird nun in der letzten Phase erreicht, indem Verbesserungsmaßnahmen definiert und umgesetzt werden. Einzelmaßnahmen sind z.B. die Optimierung einzelner Prozesse, die Bereinigung von Datenqualitätsdefiziten oder die Schulung der für die Datenpflege zuständigen Mitarbeiter.

 

Die zyklische Abfolge von ETL-Prozess, Analysephase, Controllingphase und Qualitätssteigerung gewährleistet die dauerhafte und nachhaltige Datenqualität Ihrer IT-Systeme.

close

zurück