Optimierung der Datenqualität im Unternehmen - we.CONECT

Optimierung der Datenqualität im
Unternehmen
Wie Sie schlechte Informationen in den Griff bekommen
Ein Whitepaper
von Vincent Lam
1
Information Builders

Vincent Lam
Vincent Lam ist der für die Vermarktung der gesamten Produktlinie von iWay
Software verantwortliche Produktmarketingleiter.
Er verfügt über breit gefächerte Erfahrungen im Technologiesektor
und hat zur erfolgreichen Positionierung von iWay Software an der
Marktspitze beigetragen. Zu Beginn seiner beruflichen Karriere war Lam
als strategischer Produktmanager tätig. Er führte neue strategische und
innovative Produkte am Markt ein, z. B. WebFOCUS Magnify, die weltweit
erste transaktionsbasierte Echtzeit-Suchlösung für den Unternehmenseinsatz.
Lam trug in Firmen an der Wall Street und in High-Tech-Unternehmen zu
Innovationen bei und war auch unternehmerisch tätig.
Vincent Lam besitzt einen Bachelor of Science von der Cornell University in
Ithaca, New York.

Inhaltsverzeichnis
1
Einführung
2
2
3
6
6
Verbesserung der Datenqualität
Profiling
Bereinigung, Standardisierung, Anreicherung, Abgleich und Zusammenführung
Scoring
Erweiterbarkeit und Flexibilität für individuelle Daten
7
7
7
8
Qualitätsmanagement im gesamten Daten-Lebenszyklus
Upstream
Instream
Downstream
9
9
9
Datenqualität effektiv nutzen
Qualitätssicherung bei externen Daten
Warum es auf die Qualität bei Echtzeitdaten ankommt
10
10
11
iWay Software: Perfektes Datenqualitätsmanagement im Unternehmen
iWay Data Quality Center
iWay Data Profiler
13
Entscheidend in jeder Informationsmanagement-Strategie
14
Schlussfolgerungen

Einführung
Datenqualität – das Maß für Korrektheit, Vollständigkeit und Einheitlichkeit von Daten im
Unternehmen – steht in vielen Unternehmen im Zentrum des Informationsmanagements.
Unternehmen jeder Größe kämpfen mit Problemen bei der Datenqualität. Umfragen bestätigen,
dass mindestens 75% aller Großunternehmen derzeit große Herausforderungen angesichts
unzureichenden Informationsgehaltes haben. Damit nicht genug, behauptet eine Studie von
SiriusDecisions, dass selbst in Firmen mit optimierten Prozessen etwa 10 % aller Kundendatensätze
gravierende Fehler aufweisen. Bei Firmen ohne formalisiertes Datenmanagement kann dieser Wert
im Extremfall bei 25 % liegen. 1
Solche Datenqualitätsprobleme können unterschiedlichste Ursachen haben. Es ist noch nicht
lange her, da fand die große Mehrheit aller Daten ihren Weg in die Unternehmens-IT über
fehlerträchtige manuelle Datenerfassung. Neue Datenquellen wie Web-Portale und B2B-
Interaktionen mit Lieferanten und Partnern erhöhen die Komplexität der Datenumgebungen in
den Unternehmen. Diese unterschiedlichen elektronischen Echtzeit-Quellen liefern Informationen,
die anspruchsvoller und vielfältiger und damit geschäftlich wertvoller sind. Gleichzeitig
erschweren Sie eine einheitliche Datenqualität im Unternehmen, weil zur Sicherung der
Informationen eine Echtzeit-Firewall notwendig wird.
Außerdem sind ähnliche Informationen wie z. B. Kundendaten in unterschiedlichen separaten
Quellen gespeichert, etwa CRM-Anwendungen oder Buchhaltungssystemen. Die Informationen
werden in einer Quelle aktualisiert, aber nicht in der anderen, und so entstehen Inkonsistenzen,
die zu unterschiedlichen Versionen führen. Darüber hinaus sind manche Daten schwer zu finden.
Wenn die Benutzer nicht in der Lage sind, auf die am dringendsten benötigten Informationen
zuzugreifen und schnelle Entscheidungen zu treffen, sinkt der Wert der Unternehmensdaten. Ein
kleiner Fehler kann Daten im gesamten Unternehmen unbrauchbar machen, und beschädigte
Daten können fatale Folgen haben. Marktstudien schätzen, dass US-Firmen durch Kundendaten-
Qualitätsprobleme jährlich ein Schaden von 611 Milliarden Dollar entsteht.
In seinem Buch „Data Driven: Profiting From Your Most Important Business Asset“ stellt Thomas C.
Redman die These auf, dass ein einziges Prozent fehlerhafter Daten katastrophale Folgen haben
kann. Er führt als Beispiel eine Kundenbestellung an, für die 12 Informationen benötigt wurden.
Werden 100 Bestellungen mit je 12 Informationselementen perfekt eingegeben, kostet dies das
Unternehmen je Bestellung einen Dollar, also insgesamt hundert Dollar. Bei Berücksichtigung der
Fehlerquelle von 1 % werden 12 Bestellungen falsch abgewickelt, was die entsprechenden Kosten
mehr als verdoppeln kann. 2
In diesem Artikel sollen Techniken behandelt werden, mit denen Firmen die Datenqualität
unternehmensweit verbessern können. Außerdem werden die Datenqualitätsmanagement-
Lösungen von iWay Software vorgestellt, mit denen Richtigkeit, Vollständigkeit und Einheitlichkeit
von Informationen in sämtlichen Systemen innerhalb der Firmeninfrastruktur effektiv und
kostengünstig gesichert werden können.
1 “The Impact of Bad Data on Demand Creation,” SiriusDecisions, 2008.
2 Redman, Thomas C., “Data Driven: Profiting From Your Most Important Business Asset,” 2008.
1
Information Builders

Verbesserung der Datenqualität
Der Schlüssel zur konstant hohen Datenqualität ist die Sicherung einheitlicher
Datenqualitätsverfahren für alle Informationsquellen im Unternehmen. Gängige
Datenqualitätsmanagement-Methoden:
Profiling
Wird auch als Data-Discovery bezeichnet. Profiling ist der Prozess der Erstellung von Statistiken
über Unternehmensdaten. Was sind ihre Haupteigenschaften und Attribute? Wie und von wem
wurden sie erstellt? Welche Benutzer greifen am häufigsten zu? Für welche Zwecke werden sie vor
allem eingesetzt? Und vor allen Dingen, in welchem Zustand befinden sie sich?
Profiling ist eines der effektivsten Mittel, wenn es darum geht, Unternehmensdaten zu
durchschauen. Solche Erkenntnisse erleichtern es, den Gesamtzustand der Daten präzise
einzuschätzen, Fehler zu ermitteln, zu priorisieren und zu korrigieren und die Ursachen von
Qualitätsproblemen zu beheben. Ist erst einmal ein Profil erstellt, kann ein Unternehmen durch die
laufende Überwachung profilbezogener Parameter frühzeitiger auf Qualitätsprobleme reagieren.
2
Optimierung der Datenqualität im Unternehmen

Bereinigung, Standardisierung, Anreicherung, Abgleich und
Zusammenführung
Alle diese unzusammenhängend erscheinenden Schritte sind wesentlich für die Erzielung und
Aufrechterhaltung maximaler Datenqualität. Durch die Bereinigung werden Fehler in Datenbanken
und anderen Informationsquellen durch die Veränderung vorhandener Daten anhand
vordefinierter Regeln und Kriterien eliminiert.
Im Beispiel unten wurden Datensätze mit fehlerhaften Namen identifiziert. Beim
Bereinigungsprozess werden fehlende Einträge ergänzt und ausgefüllte Felder werden
automatisch nach festgelegten Regeln an ein bestimmtes Format angepasst.
Source Data
Name G SIN Birth Date Address
Dr. John Smith M 000000000 12/16/1978 14618 110 Ave Surrey V3R 2A9
Smith W. John M 095-242-434 16.12.1978 Surrey 14618 110 Ave
John William Smith 095242434 781612 25 Linden Str Toronto M4X 1V5
Dr. J.W. Smith M 095242433 11/16/78
John Smith 095252433 16.11.1978 8500 Leslie L3T 7M8 Toronto
Smith John 16.11.1978 8500 Leslie street Marham
John Smiht 095252433 16.11.1978
Jane Watson 420347213 1982 600-8500 Leslie str. Toronto L3T 7M8
Watson Jane F 420-347-213 5.1.1982 8500 Leslei street Toronto L3T 7M8
Jane Smith F SIN420347213 1982-01-0
J. Smith 420-347-213
Daten vor der Bereinigung
Cleansed Data
First Last G SIN Birth Date Address
John Smith M 1987-12-16 V3R 2A9; BC; Surrey; 14618 110 Avenue
John Smith M 095242434 1978-12-16 V3R 2A9; BC; Surrey; 14618 110 Avenue
John Smith M 095242434 M4X 1V5; ON;Toronto; 25 Linden Street
Smith M 1987-11-16
John Smith M 095252433 1978-11-16 L3T 7M8; ON; Markham; 8500 Leslie Str.
John Smith M 1978-11-16 L3T 7M8; ON; Markham; 8500 Leslie Str.
John Smith M 095252433 1978-11-16
Jane Watson F 420347213 L3T 7M8; ON; Markham; 8500 Leslie Str.
Jane Watson F 420347213 1982-01-01 L3T 7M8; ON; Markham; 8500 Leslie Str.
Jane Smith F 420347213 1982-01-05
J. Smith 420347213
Daten nach der Bereinigung
3
Information Builders

Bei der Anreicherung wird der Inhalt abgerundet, indem die Informationen durch den Vergleich
mit externen Inhalten wie Altersstrukturen oder geografischen Faktoren verglichen und ggf. durch
Attribute dynamisch erweitert und optimiert werden. In diesem Beispiel werden bisher fehlende
PLZ anhand der Adressen ermittelt und als separates Feld ergänzt.
Cleansed Data
First Last G SIN Birth Date Address
John Smith M 1978-12-16 BC;Surrey;14618 110 Avenue
John Smith M 095242434 1978-12-16 BC;Surrey;14618 110 Avenue
John Smith M 095242434 ON;Toronto;25 Linden Street
Smith M 1978-11-16
John Smith M 095252433 1978-11-16 ON;Markham;8500 Leslie Str.
John Smith M 1978-11-16 ON;Markham;8500 Leslie Str.
John Smith M 095252433 1978-11-16
Jane Watson F 420347213 ON;Markham;8500 Leslie Str.
Jane Watson F 420347213 1982-01-01 ON;Markham;8500 Leslie Str.
Jane Smith F 420347213 1982-01-05
J. Smith 420347213
Daten vor der Anreicherung
Enriched Data
First Last G SIN Birth Date Address Zip
John Smith M 1978-12-16 BC; Surrey; 14618 110 Avenue V3R 2A9
John Smith M 095242434 1978-12-16 BC; Surrey; 14618 110 Avenue V3R 2A9
John Smith M 095242434 ON; Toronto; 25 Linden Street M4X 1V5
Smith M 1978-11-16
John Smith M 095252433 1978-11-16 ON; Markham; 8500 Leslie Str. L3T 7M8
John Smith M 1978-11-16 ON; Markham; 8500 Leslie Str. L3T 7M8
John Smith M 095252433 1978-11-16
Jane Watson F 420347213 ON; Markham; 8500 Leslie Str. L3T 7M8
Jane Watson F 420347213 1982-01-01 ON; Markham; 8500 Leslie Str. L3T 7M8
Jane Smith F 420347213 1982-01-05
J. Smith 420347213
Daten nach der Anreicherung
Zusammenführung und Abgleich fördern die Einheitlichkeit, weil verwandte Einträge innerhalb
eines Systems oder systemübergreifend automatisch erkannt werden und dann verknüpft,
abgestimmt oder verschmolzen werden können. Das Beispiel zeigt, wie der Abgleich- und
Zusammenführungsprozess abläuft.
4
Optimierung der Datenqualität im Unternehmen

Cleansed Data
First Last G SIN Birth Date Address
John Smith M 1978-12-16 V3R 2A9;BC;Surrey;14618 110 Avenue
John Smith M 095242434 1978-12-16 V3R 2A9;BC;Surrey;14618 110 Avenue
John Smith M 095242434 M4X 1V5;ON;Toronto;25 Linden Street
Smith M 1978-11-16
John Smith M 095252433 1978-11-16 L3T 7M8;ON;Markham;8500 Leslie Str.
John Smith M 1978-11-16 L3T 7M8;ON;Markham;8500 Leslie Str.
John Smith M 095252433 1978-11-16
Jane Watson F 420347213 L3T 7M8;ON;Markham;8500 Leslie Str.
Jane Watson F 420347213 1982-01-01 L3T 7M8;ON;Markham;8500 Leslie Str.
Jane Smith F 420347213 1982-01-05
J. Smith 420347213
Abgleich
Es werden verwandte Einträge für John Smith und Jane Watson gefunden. Trotz der Ähnlichkeiten
zwischen den Datensätzen sind nicht alle Informationen redundant – es gibt wirklich zwei
verschiedene John Smiths. Leistungsfähige Abgleichfunktionen werten die Daten in den
einzelnen Sätzen detailliert aus und ermitteln, welche redundant sind und welche eigenständig.
Cleansed Data
First Last G SIN Birth Date Address
John Smith M 1978-12-16 V3R 2A9;BC;Surrey;14618 110 Avenue
John Smith M 095242434 1978-12-16 V3R 2A9;BC;Surrey;14618 110 Avenue
John Smith M 095242434 M4X 1V5;ON;Toronto;25 Linden Street
Golden Record
First Last G SIN Birth Date Address
John Smith M 095242434 1978-12-16 V3R;BC;Surrey;14618 110 Avenue
Zusammenführung
Durch die Zusammenführung werden die abgestimmten Daten zu einem umfassenden Datensatz.
Hier werden die doppelten Einträge für John Smith zu einem vollständigen Datensatz vereinigt,
der alle Informationen enthält. Da das Adressfeld widersprüchliche Daten enthielt, wurde anhand
fester Regeln die häufigste Version verwendet. Auch Householding, eine ähnliche Technik wie
die Zusammenführung, bei der verwandte Informationen von getrennten Systemen gesammelt
und in einer zentralen Datenbank gespeichert werden, fällt in diese Kategorie. Mit Householding
können Firmen ähnliche Informationen etwa über Familien oder Unternehmen konsolidieren und
so dem Benutzer ein vollständiges Bild bieten.
5
Information Builders

Scoring
Viele Unternehmen setzen auf ein Scoringsystem, um die Datenqualität besser beurteilen und
Probleme besser priorisieren zu können, sobald diese auftreten. Dabei wird jedem Datensatz
eine Zahl zugeordnet, die etwas über die Qualität aussagt. Ein lupenreiner Datensatz kann
beispielsweise einen Wert von 5 erhalten, während ein völlig ungültiger Datensatz einen Wert von
1 erhält. Die Werte dazwischen zeigen, wieviel Vertrauen das Unternehmen in die Korrektheit des
Datensatzes setzt und gibt an, ob Maßnahmen erforderlich sind (Datensätze mit Werten von 3 und
darunter sind manuell zu prüfen).
In der Praxis zählt hier Flexibilität – für verschiedene Datentypen müssen unterschiedliche
Regeln verwendet werden, die bei Problemen die jeweilige Dringlichkeit deutlich machen.
Kritische Daten wie Informationen über Kunden sollten strenger bewertet werden als Daten über
Verbrauchsmaterialbestände.
Erweiterbarkeit und Flexibilität für individuelle Daten
Um ermitteln zu können, welche Daten mangelhaft sind, muss festgelegt werden, wie die
Datensätze aussehen müssen. Informationen wie Adressen und Postleitzahlen können einfach
mit einer Datenbank abgeglichen werden, aber für die meisten Datentypen ist das nicht möglich.
Ein Großteil der Daten ist technischer Natur – z. B. Produktdaten – und die Beurteilung erfordert
Fachkenntnisse.
Zur proaktiven Bewertung solcher Daten müssen feste Schemata vorhanden sein. Die Regeln
müssen einfach zu definieren und umzusetzen sein und sollten idealerweise von vornherein
verhindern, dass fehlerhafte Daten überhaupt in die Umgebung gelangen.
6
Optimierung der Datenqualität im Unternehmen

Qualitätsmanagement im gesamten Daten-Lebenszyklus
Unternehmensdaten haben einen Lebenszyklus. Sie bewegen sich in verschiedenen Richtungen
innerhalb und außerhalb eines Betriebs. Im Geschäftsablauf fließen Daten:
Upstream
Daten gelangen auf verschiedenen Wegen und in zahllosen Formaten in ein Unternehmen, z.
B. als E-Mail, Fax oder Brief. Sie können bei Telefonaten, Besprechungen oder im dynamischen
und automatisierten B2B-Austausch erfasst werden. Sie können sogar über neue Kanäle wie
Web-Portale und Self-Service-Umgebungen sowie gehostete oder Cloud-basierte Quellen wie
Salesforce.com ankommen.
Die Berührungspunkte, über die Daten generiert und gesammelt werden, sind in den letzten
Jahren komplexer geworden und die Fehlerquellen haben zugenommen. Das erschwert die
Einhaltung von Regeln und Datenqualitätsstandards und damit auch die Sicherstellung der
Datenintegrität.
Instream
Vorhandene Daten werden laufend durch das Unternehmen transportiert und werden
bei komplexen Geschäftstransaktionen oder zur Unterstützung von Reporting- oder
Analyseaktivitäten häufig verändert oder mit anderen Datensätzen kombiniert.
7
Information Builders

Diese ständige Bewegung schafft das Potenzial für gravierende Qualitätsprobleme. Ein Mangel
an aktiven Kontrollen beim Datenkonsum kann zu mangelhaft abgeglichenen, schlecht
kategorisierten, redundanten Daten und zu Datenverlust führen. Derartige Probleme werden oft
zu spät erkannt.
Downstream
Endanwender greifen häufig zu Auswertungs- oder Analysezwecken auf Daten zu. Daten können
direkt von Backend-Quellen oder Datenspeichern abgerufen werden und werden dann für
operatives, Finanz- oder Compliance-Reporting genutzt, Managern anhand von Dashboards oder
Scorecards präsentiert oder in mehrdimensionale Cubes für weitergehende Bearbeitung und
Analyse geladen.
Zugriffsprobleme wie Duplikation oder inkonsistente Semantik können die Benutzer dabei
behindern, Daten sinnvoll für die tägliche Arbeit zu nutzen. Das kann sich negativ auf betriebliche
Effizienz, Geschäftserfolg und Profitabilität auswirken.
Es ist bekannt, dass fehlerhafte Daten sich vermehren. So wie ein verschmutzter Fluss das Wasser
eines Sees kontaminiert, in den er fließt, so kann ein einziger defekter Datensatz zahlreiche
Systeme infizieren. Je länger ein Unternehmen damit wartet, fehlerhafte Daten zu berichtigen,
desto schädlicher. Datenmanagement muss frühzeitig ansetzen, damit nicht aus kleinsten
Qualitätsproblemen große werden.
8
Optimierung der Datenqualität im Unternehmen

Datenqualität effektiv nutzen
Qualitätssicherung bei externen Daten
Datenqualität wird meist im Hinblick auf Informationen in Backend-Datenbanken und sonstigen
internen Datenquellen diskutiert. Viele Daten kommen jedoch von außen. Sie stammen aus
Anwendungen von Lieferanten, Distributoren und anderen Partnern, werden von Websites
abgerufen oder kommen von Kunden in diversen unstrukturierten Formaten.
Dennoch wird dieser Umstand von wenigen Datenqualitätsinitiativen berücksichtigt, was den
Erfolg solcher Initiativen durch große Lücken und risikobehaftete Umgebungen erschwert. Da
schon ein einzelner Datensatz jede Menge andere Systeme kontaminieren kann, sind solche
externen Quellen ein erhebliches Risiko.
Deshalb ist es so wichtig, bewährte Qualitätsmanagement-Techniken wie Scoringsysteme,
Bereinigung, Abgleich und Zusammenführung für alle Datenquellen einzusetzen. Die Einführung
einer Datenqualitätspolitik ausschließlich für interne Systeme schützt nur einen Teil der kritischen
Daten und schränkt die Effektivität einer solchen Initiative stark ein.
Warum es auf die Qualität bei Echtzeitdaten ankommt
Die Ermittlung und Korrektur fehlerhafter Daten nach dem Eintritt in das System ist wichtig, aber
das Management der Datenqualität in Echtzeit bringt erheblich größere Effekte. Der SiriusDesigns-
Report stellt die „1-10-100-Regel“ vor, die den Nutzen proaktiven Handelns bei der Datenqualität
veranschaulicht. Diese Regel besagt, dass es einen Dollar kostet, einen Datensatz zu überprüfen,
zehn Dollar, ihn nach der Erfassung zu berichtigen und zu deduplizieren und hundert Dollar an
potenziellen Produktivitätsverlusten oder Umsätzen, wenn gar nichts unternommen wird.5
Nehmen wir noch einmal das Beispiel des Flusses. Es ist weniger aufwändig, das verschmutzte
Wasser an der Quelle aufzufangen, als ein großes Gewässer nach erfolgter Verschmutzung zu
reinigen.
Gleiches gilt für Unternehmensdaten. Die Bereinigung von Daten, die über mehrere Quellen
verteilt sind, verursacht weit mehr Aufwand als das Berichtigen eines fehlerhaften Datensatzes,
bevor dieser in eine Datenbank gelangt.
5 “The Impact of Bad Data on Demand Creation,” Sirius Decisions, 2008.
9
Information Builders

iWay Software:
Perfektes Datenqualitätsmanagement im Unternehmen
iWay Software liefert Lösungen mit Leistungsmerkmalen, die Vollständigkeit, Richtigkeit,
Einheitlichkeit und Unversehrtheit von Unternehmensdaten optimieren. Unsere
zukunftsweisenden Tools helfen Unternehmen jeder Größe und jedes Zuschnitts, in allen
relevanten Systemen maximale Datenqualität zu erreichen.
iWay Data Quality Center
iWay Data Quality Center (DQC) ist ein grundlegendes Tool für komplexes
Datenqualitätsmanagement. Mit seinen lückenlosen Regelsystemen und lokalisierten
Wörterbüchern evaluiert, überwacht und verwaltet iWay DQC nicht nur die Datenqualität in
verschiedenen Informationssystemen, sondern verhindert auch, dass fehlerhafte Daten überhaupt
in das System gelangen.
Daraus ergeben sich folgende Vorteile:
■
■
■
■
■
■
■
■
Steuerung der Datenqualität in Transaktions- und Analyseanwendungen
Bereinigung und Vereinheitlichung von Daten bei Systemmigrationen
Sicherung der Qualität bei Software-Integrationsprojekten
Optimierung der Integrität von Adress- und Kontaktinformationen
Verbesserung von Kundendaten zur Identifizierung von Kunden
Validierung und Korrektur unvollständiger Datensätze in Kundenprofilen
Validierung von Daten, die über Self-Service-Anwendungen eingegeben wurden
Tiefgreifendes Data Profiling durch Datenintegrations-Projektanalyse
10
Optimierung der Datenqualität im Unternehmen

Kostengünstig, integriert, intuitiv – iWay DQC liefert ein breites Spektrum zukunftsweisender
Funktionen. Die wichtigsten Leistungsmerkmale:
■
■
■
■
■
■
■
■
Zentralisiertes Management aller Aktivitäten zur Optimierung der Datenqualität inklusive aller
Geschäftsprozesse und Datenflüsse von einer einzelnen Plattform
Kombinierte Administrations-Tools für einfache Konfiguration ohne
externe Anwendungen
Plattform-unabhängige Architektur auf der Basis offener Standards
Parallelverarbeitung sichert Skalierbarkeit, unterstützt Batch- und On-demand-Modi und
beschleunigt Datenqualitätsprozesse. Der gesamte Prozess dauert nur eine Zehntelsekunde; pro
Stunde werden über fünf Millionen Datensätze verarbeitet
Zukunftsweisendes semantisches Profiling zur schnellen, präzisen Informationsanalyse
Direkte Integration in jede Anwendung aus den Bereichen B2B, A2A, Portal, ESB, SOA und ETL
Direkter Zugriff auf externe Datenquellen wie nationale Adress- oder Namensregister sowie
Wörterbücher und Listen zu Analyse-, Bereinigungs- und Validierungszwecken
Leistungsfähige Algorithmen zum effizienten Abgleich bei der Datensatzvereinheitlichung
unabhängig von internen Datenstrukturen
iWay Data Profiler
Der iWay Data Profiler integriert den Output des iWay DQC einfach und effektiv in die BI-
Technologie. Administratoren können geschäftskritische Daten beobachten, überwachen,
vergleichen und auswerten. Zusätzliche Client-Software, Plugins oder Report-Viewer sind nicht
erforderlich. iWay Data Profiler bietet leistungsfähige Integrationsfunktionen auf der Grundlage
ausgereifter Tools für Datenqualitätsüberwachung, Reporting und Analyse, mit denen Profiling-
Daten nahezu beliebig abgefragt, analysiert, geliefert und angezeigt werden können.
11
Information Builders

Die mit den semantischen Analysefunktionen und komplexen Regelsystemen von iWay Data
Quality Center generierten Data-Profiling-Informationen liefern grundlegende statistische
Informationen wie Eindeutigkeit und Häufigkeit und decken Beziehungen zwischen Daten anhand
von Primär- und Fremdschlüsseln auf. Diese Profiling-Daten können dann mit intuitiven, grafischen
Reporting-Tools noch weiter analysiert werden, sodass Abweichungen bei Datenprofilen in
verschiedenen Zeiträumen sichtbar werden. Die so entstandenen Kategorien können dann
detaillierter aufgeschlüsselt werden, sodass die einzelnen Datensätze sichtbar werden.
Der iWay Data Profiler bietet u. a. folgende Funktionen:
■
■
■
■
■
■
■
Individuell einstellbare Datenqualitätsindikatoren (DQI), mit denen verschiedene
Gültigkeitsstufen festgelegt werden können. Die DQI können dann auf Daten angewendet
werden, um direkt die Unversehrtheit bestimmter Datensätze zu prüfen.
Dynamische Sammlung von Profiling-Daten von iWay DQC
Tagging und Archivierung von Profiling-Daten als Sets in einer zugehörigen relationalen
Datenbank zum einfachen Abruf
Erweiterte Datenmanipulation und Grafik
Vergleich mehrerer Data-Profiling-Sets zur schnelleren Erkennung von Abweichungen
Druck und Export von Data-Profiling-Ansichten in HTML, PDF, Excel und weiteren gängigen
Formaten
Direkt in den Profiling-Report eingebettete portable Analysefunktionen zur Anzeige und
Analyse von Profiling-Daten in nahezu beliebiger Weise
iWay Data Profiler ist auch als SaaS-Anwendung verfügbar. Die Vorteile:
■
■
■
■
Beschleunigte Inbetriebnahme und Einrichtung
Mehr Wirtschaftlichkeit durch praktisches Pay-per-use-Modell ohne hohe Anschaffungskosten
Detaillierte Profiling-Informationen können leichter an die Veranstwortlichen weitergegeben
werden, in der Regel technisch nicht versierte Anwender in unterschiedlichen
Unternehmensbereichen
Sofortige kostengünstige Skalierbarkeit bei Bedarf
12
Optimierung der Datenqualität im Unternehmen

Entscheidend in jeder Informationsmanagement-Strategie
Data Profiling und Datenqualitätsmanagement sind wesentliche Komponenten jeder breit
angelegten Enterprise-Information-Management (EIM)-Strategie. EIM verbindet die Prinzipien und
Technologien der Enterprise Integration, Business Intelligence und Content-Management und
rationalisiert so Erzeugung, Speicherung, Zugriff und Handhabung von Daten.
Damit können Unternehmen den Wert ihrer Daten steigern und daraus durch höhere
Produktivität, niedrigere Verwaltungskosten und höhere Leistungsfähigkeit substanzielle
Wettbewerbsvorteile schöpfen. iWay Software bietet ein umfassendes Programm von Tools und
Lösungen für alle Aspekte des EIM.
13
Information Builders

Schlussfolgerungen
Datenqualitätsfragen sind in Unternehmen jeder Größe in allen Branchen präsent. Unabhängig
von der Ursache kosten diese Probleme Unternehmen Jahr für Jahr Milliardenbeträge. Je länger
die Probleme unerkannt bleiben, desto mehr Schaden richten sie an.
Neue Verfahren helfen Unternehmen dabei, die gravierendsten Probleme zu überwinden. Mit
solchen Methoden und Lösungen können sie formelle Datenqualitätsrichtlinien erfolgreich
einführen und durchsetzen.
iWay Software bietet ein lückenloses Programm von Datenqualitäts-Managementlösungen mit
einem leistungsfähigen Data-Profiling-Tool und einer umfassenden Datenqualitätsplattform,
mit denen Sie Datenqualität durchgängig steuern können, und zwar schneller, einfacher
und kostengünstiger. Mit diesen Tools können Unternehmen Konsistenz, Korrektheit und
Vollständigkeit ihrer wichtigsten Daten erheblich steigern – unabhängig davon, wo diese erzeugt
wurden und wo sie gespeichert sind.
14
Optimierung der Datenqualität im Unternehmen

Weltweite Niederlassungen
Nordamerika
Europa
■
USA
Belgien* Information Builders Belgium
■ Atlanta,* GA (770) 395-9913
Brüssel 32-2-7430240
■ Baltimore, MD Professionelle Services:
■ Deutschland Information Builders (D) GmbH
(703) 247-5565
Eschborn* 49-6196-77576-0
■ Boston,* MA (781) 224-7660
■ Frankreich* Information Builders France S.A.
■ Chicago,* IL (630) 971-6700
Paris 33-14-507-6600
■ Cincinnati,* OH (513) 891-2338
■ Großbritannien* Information Builders (UK) Ltd.
■ Dallas,* TX (972) 490-1300
London 44-845-658-8484
■ Denver,* CO (303) 770-4440
■ Italien Information Builders Italy
■ Detroit,* MI (248) 641-8820
Milan 39-02-30-314-420
■ Federal Systems,* DC (703) 276-9006
■ Niederlande* Information Builders
■ Hartford, CT (860) 249-7229
(Netherlands) B.V.
■ Houston,* TX (713) 952-4800
Amsterdam 31-20-4563333
■ Kanäle, (800) 969-4636
■ Portugal Information Builders Portugal
■ Los Angeles,* CA (310) 615-0735
Lisbon 351-217-217-400
■ Minneapolis,* MN (651) 602-9100
■ Schweiz Information Builders Schweiz AG
■ New Jersey Vertrieb: (973) 593-0022
Dietlikon 41-44-839-49-49
■ New York,* NY Vertrieb: (212) 736-7928
■ Spanien Information Builders Iberica S.A.
Professionelle Services:
Barcelona 34-93-344-32-70
(212) 736-4433, Apparat 4443
Bilbao 34-94-452-50-15
■ Orlando, FL (407) 562-1852
Madrid* 34-91-710-22-75
■ Philadelphia,* PA Vertrieb: (610) 940-0790
■ Phoenix, AZ (480) 346-1095
Vertretungen
■ Pittsburgh, PA Vertrieb: (412) 494-9699
■ Ägypten InfoBuild Middle East
■ St. Louis,* MO (636) 519-1411
Abu Dhabi 971-2-627-5911
■ San Jose,* CA (408) 453-7600
Dubai 971-4-3914391
■ Seattle, WA (206) 624-9055
■ Äthiopien MKTY T Services Plc
■ Washington,* DC Vertrieb: (703) 276-9006
Addis Ababa 251-11-5501933
Professionelle Services: (703) 247-5565
■ Bahrain InfoBuild Middle East
Dubai 973-17-536-222, ext. 312
Kanada
■ Brasilien InfoBuild Brazil Ltda.
Information Builders (Canada) Inc.
São Paulo 55-11-3285-1050
■ Calgary (403) 437-3479
■ China
■ Montreal* (514) 421-1555
Information Builders China (IBC)
■ Ottawa (613) 233-7647
Beijing 86-10-5128-9680
■ Toronto* (416) 364-2760
Beijing Xinrong Software Technology Co., Ltd.
■ Vancouver (604) 688-2499
Beijing 86-10-5873-2031
■ Dänemark InfoBuild AB
Mexiko
Kista, SE 46-735-23-34-97
Information Builders Mexico
■
■ Finnland InfoBuild Oy
Mexico City 52-55-5062-0660
Espoo 358-207-580-840
■ Griechenland Applied Science
Australien
Athen 30-210-699-8225
Information Builders Pty. Ltd.
■ Guatemala IDS de Centroamerica
■ Melbourne* 61-3-9631-7900
Guatemala City 502-2412-4212
■ Sydney* 61-2-8223-0600 ■ Indien* InfoBuild India
Chennai 91-44-42177082
■ Israel SRL Group Ltd.
Tel Aviv 972-3-7662030
■ Japan K.K. Ashisuto
Osaka 81-6-6373-7113
Tokio 81-3-5276-5863
■ Jordanien InfoBuild Middle East
Abu Dhabi 971-2-627-5911
Dubai 971-4-3914391
■
■
■
■
■
■
■
■
■
■
■
■
■
■
■
■
■
Katar InfoBuild Middle East
Dubai 974-467-7311
Korea
UVANSYS
Seoul 82-2-832-0705
Kuwait InfoBuild Middle East
Dubai 965-22322926
Libanon InfoBuild Middle East
Dubai 961-4-533162
Norwegen InfoBuild Norway
Oslo 47-48-20-40-30
Oman InfoBuild Middle East
Abu Dhabi 971-2-627-5911
Dubai 971-4-3914391
Österreich Raiffeisen Informatik Consulting GmbH
Vienna 43-12-1136-3870
Polen/Mittel- und Osteuropa InfoBuild SP.J.
Warschau 48-22-657-00-14
Russische Föderation FOBOS Plus Co., Ltd.
Moskau 7-495-926-3358
Saudi-Arabien InfoBuild Middle East
Riad 996-1-2180280
Singapur
Automatic Identification Technology Ltd.
Singapur 65-6286-2922
Südafrika
InfoBuild South Africa (Pty.) Ltd.
Gauteng 27-83-4600800
Fujitsu Services (Pty.) Ltd.
Johannesburg 27-11-2335911
Taiwan Galaxy Software Services
Taipei 886-2-2586-7890
Thailand Datapro Computer Systems Co. Ltd.
Bangkok 662-679-1927, ext. 200
Türkei InfoBuild Middle East
Ankara 90-312-266-33-00
Istanbul 90-212-325-4114
Venezuela InfoServices Consulting
Caracas 58-212-763-1653
Vereinigte Arabische Emirate
InfoBuild Middle East
Abu Dhabi 971-2-627-5911
Dubai 971-4-3914391
Gebührenfreie Nummer
■
Vertrieb, ISV, VAR und SI Partner-Informationen
(800) 969-4636
* Mit Schulungseinrichtungen ausgestattet.
Hauptniederlassung Two Penn Plaza, New York, NY 10121-2898, USA Tel.: (212) 736-4433 Fax (212) 967-6406 DN3601409.0110-DE
informationbuilders.com askinfo@informationbuilders.com
Kanadischer Hauptsitz 150 York St., Suite 1000, Toronto, ON M5H 3S5 , Kanada Tel.: (416) 364-2760 Fax (416) 364-6552
Anfragen aus anderen Ländern +1(212) 736-4433
Copyright © 2011 Information Builders. Alle Rechte vorbehalten. [92] Alle Produkte und Produktnamen, die in dieser Publikation erwähnt werden,
sind Marken oder eingetragene Marken ihrer jeweiligen Firmen.