OC|Webcast "Daten wirklich nutzen"

© OPITZ CONSULTING 2021 / Öffentlich
Daten wirklich nutzen! 1
Was Ihre Daten in der
Digitalisierung können müssen
Online, 1. Juli 2021
Halidun Yüksel, Jürgen Fischer
DATEN WIRKLICH NUTZEN

BITTE BEACHTEN SIE…
Wir werden Ihnen
die Aufzeichnung
dieses Webinars
sowie die
Vortragsfolien in
den nächsten
Tagen zusenden.
Alle Teilnehmer
sind
stummgeschaltet.
Nur so können wir
ein störungsfreies
Webinar bei großer
Personenzahl
gewährleisten.
Bitte melden Sie
sich bei
technischen
Störungen
während des
Webinars über die
Frage-Funktion an
die Organisatoren.
Ihre inhaltlichen
Fragen stellen Sie
bitte auch über die
Frage-Funktion.
Wir beantworten
diese gerne zum
Ende des Webinars.
Daten wirklich nutzen! Seite 2

WOZU NUTZEN WIR EIGENTLICH DATEN?

DATEN FÜHREN ZU ENTSCHEIDUNGEN UND HANDLUNGEN
Lorem
ipsum Aus der Bedeutung leiten sich dann explizite
Entscheidungen und Handlungen ab.
Dem generierten Wissen wird eine Bedeutung
zugewiesen. Welche Konsequenz ziehen
verschiedene Alternativen nach sich?
Informationen werden zu Wissen, sie
werden verstanden und in Beziehung
zueinander gebracht
Aus isolierten Daten werden
Informationen, die beschreibenden
Charakter haben
Entscheidung
und
Handlung
Bedeutung
Wissen
Daten und
Informationen
In Anlehnung an das m³ Manifest Meaning Model von Barry Devlin

COVID-19 – AUF WELCHER BASIS
WERDEN ENTSCHEIDUNGEN
GETROFFEN?
https://www.aerztezeitung.de/Politik/Gesundheitsweiser-Gerlach-kritisiert-schlechte-Daten-und-Entscheidungen-im-Blindflug-408227.html

GUTE DATEN SIND DIE BASIS FÜR ANALYTICS

 "Analytics is an umbrella term that describes the people,
processes, and technologies used to turn data into insights
into action. In this sense, analytics encompasses data
warehousing, business intelligence (BI), performance
management, and data mining"
THE NEW KID IN TOWN: ANALYTICS
„Secrets of Analytical Leaders“, ISBN 978-1935504344
Wayne Eckerson

BEING DATA-DRIVEN?
Data Management
 Was?
 Mehr Daten, neue Quellen,
andere Daten, auf den
Anwendungsfall optimiert
Data Analytics
 Wie?
 Reporting (Standard, Ad-hoc),
Vorhersagen, Machine
Learning, Cognitive,
Autonomous
Data Democratization
 Wer?
 Mehr Nutzer, breitere
Nutzen, besseres
Verständnis von Daten,
Analyse und Nutzen

ANALYTISCHE BANDBREITE
Daten
Aktion
Feedback
Descriptive
What happened?
Entscheidung
Diagnostic
Why did it happen?
Predictive
What will happen?
Prescriptive
What should I do?
Decision support
Decision automation
Analyse Menschlicher Einfluß
Analytics
AI, Machine Learning
- Einfache Berechnungen
- Reporting/Dashboards
- Gängige BI Plattformen
- Data Science
- Neuronale Netze

„IF YOU CANT‘T BUILD A DATA WAREHOUSE,
YOU SHOULDN‘T DO AI."
(Andrew Ng, Stanford University)

MDM/DQM – DER FC BAYERN UNTER DEN ANALYTICS TRENDS

KLEINER FEHLER – GROßE WIRKUNG
DER LOGIKBAUM
Umsatzverlust
Imageverlust
Kosten-
steigerung
Anzahl Kunden
unscharf bzw.
unbekannt
Aufwand pro
Kunde unscharf
Umsatz pro
Kunde unscharf
Tatsächlicher
Kundenzuwachs oder
–abgang schwer zu
ermitteln
Kundenwertanalysen
werden unscharf
Kundenbetreuung
wird falsch
priorisiert
Fehlerhafte Kunden- /
Vertragsbereinigungsmaßnahmen
Verlust wichtiger Kunden
Kunde erhält
dieselben Angebote
mehrfach
Erhöhte
Werbekosten
Kunde kann
Angebot nur einmal
nutzen
Kunde wird
verärgert
Kundenkreditlimits
greifen nicht
(Kunden können
über mehrere
Kundennummern
höhere Limits
ausnutzen)
Erhöhter Aufwand
und Kosten bei
Bonitätsprüfungen
Erhöhtes
Forderungsausfall-
risiko
Auswirkung Dubletten in Kundenstammdaten

NOTWENDIGKEIT EINER HOHEN DATENQUALITÄT
SICHTBARE UND VERMEINTLICH UNSICHTBARE AUSWIRKUNGEN NIEDRIGER DATENQUALITÄT
➢ Geldstrafen
➢ Wiederholte
Dateneingabe
➢ Verlorene
Aufträge
➢ Korrektur
der Daten
➢ Systemkosten-
Erhöhung
➢ Entgangene Neukunden
➢ Zeitverlust
➢ Imageschäden
➢ Kunden-
abwanderung
➢ Zinskosten
➢ Lange Suchdauer
➢ Falsche Entscheidungen
➢ Mitarbeiter-
unzufriedenheit
➢ Rückläufer

SYMPTOME SCHLECHTER DATEN*
SCHLECHTE DATEN VERURSACHEN KOSTEN
78%
veraltete Daten
68%
doppelte/mehrfach
vorhandene Daten
20%
hohe
Rückläuferquote
37%
postalisch falsche
Daten
85%
unvollständige
Daten
*Laut Uniserv Studie:
https://www.uniserv.com/unternehmen/blog/detail/article/ergebnisse-der-trendstudie-kundendatenmanagement-2018

DATENQUALITÄTS-VERBESSERUNGSPROZESS
FACHLICHE UND TECHNISCHE
MAßNAHMEN SIND ERFORDERLICH
Ist-Analyse der
Datenqualität
• Technischer Prozess
1.
Datenqualitätsprozess
im Unternehmen
etablieren
• Fachlicher und
strategischer Prozess
4.
Datenbereinigung
• Technischer Prozess
3.
Regeln und
Überwachung für
Daten festlegen
• Fachlicher Prozess
2.
Nachhaltiges Datenmanagement
Unregelmäßige Überprüfung der
Qualität

IST-ANALYSE DER DATENQUALITÄT
METRIKEN*
Ein Datensatz darf in sich und zu anderen Datensätzen
keine Widersprüche aufweisen
Jeder Datensatz muss eindeutig
interpretierbar sein
Ein Datensatz muss
alle notwendigen Attribute enthalten
Die Daten müssen mit der Realität
übereinstimmen
Alle Datensätze müssen jeweils dem aktuellen
Zustand der abgebildeten Realität entsprechen
Innerhalb der Datensätze dürfen
keine Dubletten vorkommen
Die Informationen eines Datensatzes
müssen einheitlich strukturiert sein
Datenqualität
Konsistenz
Gültigkeit
Vollständigkeit
Korrektheit
Genauigkeit
Redundanz-
freiheit
Einheitlichkeit
*in Anlehnung an DGIQ – IQ Definition 2007

DATENQUALITÄT ALS CHANGE PROZESS
Regeln zum Umgang
mit fehlerhaften Daten
definieren
Mitarbeiter befähigen
Prozesse zur
Datenerfassung festlegen
Data
Regeln
&
Prozesse
Verantwortlichkeiten
klären

DATENBEREINIGUNG
Manuelle Datenbereinigung
• Überprüfung von Aktualität der Daten
• Überprüfung bei ähnlichen Daten die nicht
automatisiert bereinigt sind
• Erstellen neuer Regeln, anhand von Erkenntnissen
während der Datenbereinigung
Technische, automatisierte
Datenbereinigung
• Dubletten erkennen und eliminieren
• Regelbasiertes Cleansing z.B. Schreibweisen von
Ortsnamen, Alter des Datensatzes
• Erstellen von Ähnlichkeitsclustern
• Übernahme der Daten aus einem zentralen
System (Data Warehouse)
• Berichte an die Data Stewards über
automatisierte Datenbereinigungen

MACHEN SIE MIT UNS DEN
DATA QUALITY QUICK CHECK
 Wir überprüfen ausgewählte Entitäten und
zugehörige Tabellen anhand von 7 Kriterien
für eine gute Datenqualität.
 Wir machen die Datenqualität transparent.
Wo sind Sie gut aufgestellt, wo gibt es
Potenziale?
 Was bedeuten die Ergebnisse für Ihre
nächsten Projekte? Sie erhalten eine genaue
Übersicht, eine persönliche Bewertung und
Vorschläge für mögliche Maßnahmen.
 Fact Sheet: Data Quality Quick Check

DATENQUALITÄT – EINHEITLICHKEIT
Die Informationen eines Datensatzes müssen einheitlich strukturiert sein.
Das heißt, eine Menge von Daten wird fortlaufend einheitlich präsentiert.
Beispiel
Kundenadressen sind entsprechend der festgelegten Regeln zu erfassen
Es wird z.B. festgestellt, dass Ortsnamen in verschiedenen Schreibweisen erfasst wurden.(z.B. Köln, Koeln, KÖLN, KOELN)
Berechnung
Von 100.000 Ortsnamen weichen 25.000 Ortsnamen von der vereinbarten Schreibregel ab
75.000 Datensätze sind einheitlich. Ergibt 75% Einheitlichkeit

DATENQUALITÄT – GÜLTIGKEIT
Jeder Datensatz muss eindeutig interpretierbar sein.
Datenelement, das gegen sich selbst/sein Gegenstück in einem anderen Datensatz/einer Datenbank gemessen
wurde
Beispiel
Zwei Datensätze (z.B. Kundenadressdatensatz) mit unterschiedlicher ID (Kundennummer) unterscheiden sich in allen weiteren
Attributen z.B. nur in einem weiteren Merkmal (Geburtsdatum)
ID1 -> Gebdat = 21.05.1991 ; ID2 -> Gebdat = 23.06.1991
Alle weiteren Attribute wie z.B. Name, Vorname, Straße, Hausnummer, PLZ, Ort, sind identisch.
Es besteht berechtigter Zweifel, ob es sich hier tatsächlich um zwei unterschiedliche Kunden handelt. Zusätzlich entsteht der Zweifel,
ob eines oder sogar keines der Geburtsdaten richtig ist. Somit sind beide Datensätze nicht mehr eindeutig interpretierbar.
Berechnung
Von 100.000 Kundendatensätzen sind 10.000 bis auf wenige Merkmale identisch, ähnlich und
nicht eindeutig. 95.000 Datensätze sind eindeutig. Ergibt 90% Eindeutigkeit

DATENQUALITÄT – VOLLSTÄNDIGKEIT
Berechnung
100.000 Kundendatensätze liegen vor. Davon sind 2000 Attributeinträge leer.
98.000 Datensätze sind Vollständig. Das ergibt 98% Vollständigkeit der Kundendatensätze.
Vollständigkeit Datensatz
▪ Ein vollständiger "Kundenadressdatensatz"
besteht aus folgenden Attributen:
➢ Kundennummer
➢ Vorname
➢ Nachname
➢ Straße
Fehlt eines oder mehrere Attribute, ist der
Datensatz nicht vollständig
Attribute müssen alle notwendigen Daten enthalten Ein Datensatz muss alle notwendigen Attribute enthalten
Vollständigkeit Attribut
▪ Das Attribut „Kundennummer identifiziert
einen Kunden und muss immer gefüllt sein

DATENQUALITÄT – KORREKTHEIT
Die Daten müssen mit der Realität übereinstimmen.
Mapping gegen Daten, deren Korrektheit bestätigt ist oder eine definierte, abgestimmte Plausibilitätsregel
Beispiel
Das Geburtsdatum ist mit dem Wert 01.01.1900 belegt. Die Wahrscheinlichkeit das Kunden am 01.01.1900 geboren sind geht gegen
0.
Berechnung
100.000 Kundendatensätze liegen vor.
Davon sind im Attribut Geburtsdatum 5000 Einträge mit 01.01.1900.
95.000 Datensätze sind Korrekt. Ergibt 95% Korrektheit der Kundendatensätze.

DATENQUALITÄT – KONSISTENZ
Ein Datensatz darf in sich und zu anderen Datensätzen keine Widersprüche aufweisen.
Mehrere Attribute (Kundennummer, Vorname, Nachname, Straße, Hausnummer, PLZ, Ort) definieren einen Kundendatensatz. Für
die korrekte Abwicklung von Geschäftsvorfällen müssen die Kundendatensätze 100% konsistent sein. Für die einzelnen Attribute
eines Kundendatensatzes wurden Datenqualitätskriterien (z.B. Vollständigkeit und Eindeutigkeit) definiert und gemessen.
Beispiel
Mehrere Attribute (Kundennummer, Vorname, Nachname, Straße, Hausnummer, PLZ, Ort) definieren einen Kundendatensatz. Für die
korrekte Abwicklung von Geschäftsvorfällen müssen die Kundendatensätze 100% konsistent sein. Für die einzelnen Attribute eines
Kundendatensatzes wurden Datenqualitätskriterien (z.B. Vollständigkeit und Eindeutigkeit) definiert und gemessen.
Berechnung
Bei 100.000 Datensätzen wurden 21.000 Datensätzen identifiziert, bei denen mind. 1 Attribut
von den Attributen, die einen Datensatz definieren, die Datenqualitätskriterien verletzt.
Die Konsistenz liegt bei 79%.

DATENQUALITÄT – GENAUIGKEIT
Die Daten müssen in der geforderten Exaktheit vorliegen.
Beispiel
Ein Datum ist immer in dem Format (tt.mm.jjjj) anzugeben.
Es soll geprüft werden, wie häufig eine Regelverletzung vorliegt.
Berechnung
Bei 100.000 Datensätzen wurden 1.000 Datensätze mit Regelverletzung identifiziert.
Die Genauigkeit liegt bei 1%.

DATENQUALITÄT – REDUNDANZFREIHEIT
Innerhalb der Datensätze dürfen keine Dubletten vorkommen.
Datenelement, das gegen sich selbst/sein Gegenstück in einem anderen Datensatz/einer Datenbank verglichen
wurde.
Beispiel
Aus verschiedenen Datenquellen wurden redundant vorgehaltene Kundendaten zusammengeführt. Bei Auswertungen wurde
festgestellt, dass die Vereinheitlichung nicht vollständig funktioniert hat. Jeder Kunde darf nur einmal vorkommen.
Berechnung
Die Dublettenprüfung ergibt, dass von 100.000 Kundennummern 8.000 doppelt vorliegen.
92.000 Datensätze sind redundanzfrei. Ergibt 92% Redundanzfreiheit.

DATENQUALITÄT – ERGEBNIS

BEI FRAGEN KOMMT GERNE AUF UNS ZU!
Halidun Yüksel
Manager Solutions
Halidun.Yueksel@opitz-consulting.com
Jürgen Fischer
Director Business & IT Innovation
Juergen.Fischer@opitz-consulting.com
Juergen_Fischer70
jürgen-fischer-70b621208
www.opitz-consulting.com

OC|Webcast "Daten wirklich nutzen"

Recommandé

Recommandé

Contenu connexe

Similaire à OC|Webcast "Daten wirklich nutzen"

Similaire à OC|Webcast "Daten wirklich nutzen" (20)

Plus de OPITZ CONSULTING Deutschland

Plus de OPITZ CONSULTING Deutschland (20)

OC|Webcast "Daten wirklich nutzen"