Stammdatenmanagement

© Fraunhofer ·· Seite 1

Prof. Dr. Boris OttoBerlin, 6.5.2015

STAMMDATENMANAGEMENT


AGENDA

Geschäftstreiber für hohe Stammdatenqualität

Leitlinien für wirksames Stammdatenmanagement

Stammdaten als Erfolgsfaktor digitaler Geschäftsmodelle


Bayer CropScience ist Marktführer bei Pflanzenschutzmitteln


Datenqualität ist dabei eine Voraussetzung fürGeschäftsprozesse1

1) [EBNER/BRAUER 2011].

Datenobjekt

»Produkthierarchie« TeilkonzernGeschäfts-

feldGeschäfts-

gebietAktiver

WirkstoffProdukt-gruppe

Datenqualitäts-

probleme

Nicht verfügbare Daten

Unvollständige Daten

Inkonsistente Daten

Auswirkung auf

Geschäftsprozesse

09 11 012 242 3938

Planung: Wirkstoffbedarfe werden nicht konsolidiert

Berichtswesen: Umsätze sind nicht ausweisbar

Segmentierung: Risiko fehlerhafter Portfolioplanung


Johnson & Johnson ist einer der führendenHersteller von Konsumgütern

Skin Care, Baby Care, Consumer Healthcare, OTC

Skillman, NJ (USA)

»Franchises«

Hauptsitz


Im Frühjahr 2008 litt Johnson & Johnsonunter schlechter Stammdatenqualität1

Beschaffungs-logistik

ProduktionVertrieb und Distribution

Beschaffung

Rechnungswesen

Portfolio-Management und Einführung neuer Produkte

Controlling

Weitere unterstützende Prozesse

»Kunden wurden fehlerhafte Rechnungen

gestellt«

»LKWs warteten am Dock darauf,

dass Material aktiviert wurde«

»Die Fertigung wurde in der Produktionsstätte

verzögert«

»Bestellungen waren nicht rechtzeitig

fertig«

»Das Projektmanagement wusste nicht, in welcher Phase sich die

Produkte befinden«

»Fehlerhafte Daten wurden an GS1 US

gesendet«

Für weniger als 30 % der Produktdimensionen und -gewichte waren die Daten innerhalb der erlaubten 5 % Fehlerspanne

1) [OTTO 2013].


Transparenz über Lebensmittel ist ein Differenzierungsmerkmal im Einzelhandel1

1) [ALDI NORD 2014; FTRACE 2014].


Treiber für Stammdatenqualität wirken unternehmensweit

Konzern

Sparte 2Sparte 1 Sparte 3

GeschäftsbereicheGeschäftsprozesseStandorteFachabteilungen



»Compliance«

360°-Blick auf den Kunden

Intern und extern integrierte Geschäftsprozesse

»Single Source of the Truth«


AGENDA





Stammdatenqualität folgt über die Zeit typischerweise einer Sägezahnkurve1

Legende: Stammdatenqualitätsproblem

Stammdatenqualität

ZeitProjekt 1 Projekt 2 Projekt 3

1) [OTTO 2014].


Das Beispiel von Bayer CropScience veranschaulichtdie verschiedenen Datenqualitätsprobleme1

Daten-qualitäts-probleme

Mitarbeiter Datenpflege

Datenqualitäts-management

Standards Organisation

Aus- und Weiterbildungen unzureichend

Datenqualität ist kein Teil der Zielsysteme im Unternehmen

Verschiedene Software-Lösungen vor Ort

Stammdaten werden in Zielsystemen geändert

Keine integrierte Softwareunterstützung

Datenpflege ist nicht auf globaler Ebene harmonisiert

Keine Datenqualitätsmetrik

Keine kontinuierliche Kontrolle der Datenqualität

Keine verbindlichen Regeln, Normen,

Bedienabläufe

Zu viele lokale Regeln und Ausnahmen

Keine Data Governance

Fehlendes Problembewusstsein im

Management

1) [BRAUER 2009].


Corporate Data Quality Management (CDQM)1 umfasst sechs Schlüsselfaktoren

1) [OTTO ET AL. 2011].

Stammdatenqualitätsstrategie

Stammdatenqualitäts-Controlling

»Data Stewardship«

und »Data Ownership«

Lebenszyklus von

Stammdaten

Stammdatenarchitektur

Applikationssysteme für Stammdatenqualität

Strategie

Prozesse

Informations-

systeme


Erfassung der Daten an der Quelle

Datenerfassung »First Time Right«

»Measure to Manage«

Etablierung als organisatorische »Capability«

Unternehmensweite Skalierung

Fünf Prinzipien leiten den Aufbau eines wirksamen Stammdatenmanagements


Meetings mit Johnson & Johnson am29. November 2011 in Skillman, NJ


Der ideale Lebenszyklus der »Data Governance Capabilities« verläuft S-förmig

Aufbau »First Time Right« Datenbereinigung

Legende: E Effektivität; A Maß der Aktivität.

E

A


Die Realität sieht jedoch oftmals anders aus

2008 2009 2010 2011

1. Data Governance gestartet2. Datenanlage-Workflow3. Datenqualitätsmetrik

eingeführt

1.

2.

3.

Beispiel I

2008 2009 2010 2011

1. DG-Projekt gestartet2. Kommunikation ans

Management3. Datenqualitätsmetrik

eingeführt4. Community-Ansatz geplant5. Data Governance-Komitee

gegründet

1.

2.

Beispiel II

3.

4.

5.

2007 2008 2009 2010

1.

1. Data Governance gestartet2. Zwischenbericht an den

Vorstand geplant3. Bestandsdatenqualitäts-

beurteilung4. Data Governance reorganisiert

2.

3. 4.

Beispiel IIIE E E

A A A

Legende: E Effektivität; A Maß der Aktivität.


1) [EBNER/BRAUER 2011].

Datenqualität ist heute Teil des Zielsystems beiBayer CropScience

84

86

88

90

92

94

96

98

100

11/2009 01/2010 03/2010 05/2010 07/2010 09/2010 11/2010 01/2011

Datenqualitätsindex für Materialstammdaten bei Bayer CropScience

Asia Pacific

Europe

Latin America

North America

[%]


Johnson & Johnson hat ein Six-Sigma-Datenqualitäts-level erreicht1

1) [OTTO 2013].

99,503

94,586

95,50696,102

95,77896,312

95,656

89,855

91,629

96,324 96,383

97,433

95,417

99,135

99,885 99,971 99,993 99,999

84

86

88

90

92

94

96

98

100

02.15.11 04.15.11 06.15.11 08.15.11 10.15.11 12.15.11 02.15.12 04.15.12 06.15.12

Entwicklung des Datenqualitätsindexes bei Johnson & Johnson

Data Quality Index


AGENDA





Digitalisierung umfasst eine Reihe gesellschaftlicher, betriebswirtschaftlicher und technischer Entwicklungen

Gesellschaft Betriebswirtschaft Technik

Individualisierung

»Shareconomy«

Datenschutz

Konsumentenzentrierung

Hybride Dienstleistungen

Industrie 4.0

Cyberphysische Systeme

In-memory-Computing,

Hadoop usw.

»Mobile & Ubiquituous

Computing«

Digitalisierung


Die industrielle Produktion reagiert auf sich wandelnde Markt- und Kundenanforderungen1

1) [KOREN 2010; zitiert in BAUERNHANSL 2014].


Wenn sich Lieferketten immer enger vernetzen…

Entwicklung eines Datendienstes, der die Echtzeitdaten der Ladungsträger verwaltet

Cloud-basiert

Servicebasiert

Standardisiert

Entwicklung intelligenter Ladungsträger am Beispiel von

Handelspaletten

Luftfrachtpaletten

Briefpostbehälter

Modellierung von Prozessen nach dem Prinzip des Internet der Dinge

Selbststeuernd

Dezentral

Autark

Umsetzung des Internet der Dienste auf der entwickelten Datenbasis

Datendrehscheibe

Business Intelligence

Apps


… braucht es Cloud-basierte Datenplattformen wie DATABIRDS

DATBIRDS verbinden alle Akteure der Lieferkette

DATABIRDS ist einfach zu integrieren und zu bedienen

DATABIRDS machen die gesamte Lieferkette transparent

simplelinking everywhere transparent


Die Digitalisierung erfordert neue Datenarchitekturen

Daten in den äußeren Schalen sind von höherer Unbestimmtheit, höherem Volumen, höherer Änderungsfrequenz…

Daten in äußeren Schalen sind weniger kontrollierbar, unternehmenskritisch,

eindeutig…

Nukleus-Daten(Kundenstamm, Produktstamm etc.)

Community -Daten (Geoinformation, GTIN, Adressen, ISO-Codes, GS1-Daten etc.)

Open Big Data(Tweets, Social-Media-Streams, Sensordaten etc.)

Megabytes

Gigabytes

Terabytes

Petabytes


In der Digitalisierung wird die »Data Value Chain« bewirtschaftet wie die physische Lieferkette

Data Sourcing Data QualityData

TransformationData Delivery

Smart Devices Sensordaten AutoID

Devices/ Read Points

IT-Systemen (ERP, WMS, TMS)

etc.

Daten-bereinigung

Daten-bewertung

Daten-integration und -aggregation

Transformation und Anreicherung

Metadaten Geschäfts-

regeln Terminologie

und Vokabulare

Daten-bereitstellung (http)

Visualisierung

Data Storage

Infrastructure

Data Value Chain

Data Analytics

Batch Analytics

Stream Analytics


Der »Industrial Data Space« ist ermöglicht sicheren Datenaustausch und Aufgabe der Datenhoheit

Datensouveränität

Daten-Owner bestimmen, was mit den Daten passiert

Dezentrale Architektur

Verteilte Datenhaltung durch Peer-to-Peer-Ansätze

Datenschutz

Sichere Industrial Data Container

Vertrauensschutz

Zertifizierung der Service-Anbieter

Offenheit

Transparente Mitwirkungsmöglichkeiten

Echtzeitfähigkeit

Daten sind sofort für digitale Services nutzbar


Dienst A

Dienst C

Dienst E

Dienst B

Dienst D

Dienst G

Dienst F

Unternehmen 4

Unternehmen 1

Unternehmen 6

Unternehmen 2

Unternehmen 3

Unternehmen 5

Bildquellen: Istockphoto

Unternehmen sind sowohl Daten-Owner als auch Nutzer im »Industrial Data Space«


Enterprise Data Resource Enterprise Data Resource Enterprise Data Resource

Ein erster Architekturentwurf des »Industrial Data Space« identifiziert wesentliche Software-Komponenten

Preventive maintenanceDigital farming

Supply chain transparency

Industrial Service

Smart homeAutonomous drivingCommunity logistics

Commercial Service

Data as Process Enabler

Internal Use

Data as Product

Context-Free Use

Industrial Data Space

Data Search Data Publishing Visualization Trust Service “Containerization”

Quality Assurance Mapping Aggregation Integration Provenance

Analytics Services

Context Services


Prof. Dr. Boris OttoBerlin, 6.5.2015

STAMMDATENMANAGEMENT

Leadership & Management

Stammdatenmanagement