Data Quality

Datenqualität – der kritische Erfolgsfaktor
Die Qualität der bereitgestellten Daten ist ein kritischer Erfolgsfaktor für die Akzeptanz und Wirksamkeit jeder BI-Lösung. Doch die Erreichung des angestrebten Datenqualitätsniveaus stellt gleichzeitig eine der grössten Herausforderungen beim Aufbau eines BI -Systems dar.

Datenqualität - ein ständiger Prozess (Steria DQ-Methodik)

 

Die statische Quelldatenanalyse sowie das Prozessmonitoring sind dabei allenfalls als erste Schritte anzusehen. Wesentliche Verbesserungen lassen sich hingegen erzielen, wenn ausgehend von den Ergebnissen der Datenintegration im Data Warehouse ein „loop back“ zu den Datenquellen implementiert wird. Durch eine integrierte Sicht auf Geschäftsprozesse und Informationssysteme können Fehlerquellen dauerhaft reduziert werden.

Zudem ist der Einsatz intelligenter Werkzeuge und Methoden eine Möglichkeit, um die Datenqualität nachhaltig zu verbessern. So lassen sich Konzepte und Best Practices aus dem industriellen Umfeld wie beispielsweise Six Sigma auch auf BI anwenden, um ein Null-Fehler-Paradigma zu implementieren.

Unser Ansatz des Datenqualitätsmanagements für BI-Lösungen umfasst dementsprechend mehrere Ebenen:

• Auf der Datenebene sind Untersuchungen über die Beschaffenheit der Quelldaten durchzuführen (Domänen, Vollständigkeit, statische Korrektheit usw.).
• Auf der Strukturebene erfolgt die Analyse der strukturellen Integrität (technisch) und der Abbildung der Geschäftslogik (fachlich).
• Auf der Prozessebene wird die konsistente Abbildung von Geschäftsprozessen in den operativen Systemen und in der BI-Lösung betrachtet.
• Auf der Organisationsebene erfolgt die Verankerung der Verantwortung für die Qualität durch entsprechende Rollen und Funktionen.

Steria bietet zudem mit Profiles® eine praxisbewährte Lösung zur erfolgreichen Datenqualitätsanalyse und -verbesserung. Profiles® verbindet eine ausgefeilte Methodologie mit unterstützenden Software-Werkzeugen, die sowohl zum schnellen Aufbau von Auswertungsmöglichkeiten als auch zur Implementierung von Data Warehouses und Konsolidierung mehrerer Datenbanken genutzt werden kann.