1. Mustergültiges Stammdaten- und
Datenqualitätsmanagement
Prof. Dr. Boris Otto
Assistenzprofessor
Mannheim, 14.05.2013
Lehrstuhl Prof. Dr. Hubert Österle

2. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 2
Aktuelle IT-Trends1
Tops
1. Virtualisierung
2. Master Data Management
3. Implementierung und Einhaltung
von unternehmensweiten
Sicherheiten
4. Integration von Standard- und
Individualsoftware
5. Data Quality Management
Flops
1. Bring Your Own Device
2. Corporate App Store
3. Context-Aware Computing
4. Near-Field Communication
(NFC)
5. Biometrische Zugriffsverfahren
CAPGEMINI 2013. IT-Trends 2013: Strategisch planen, kurzfristig umsetzen. Capgemini.

3. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 3
 Stammdatenqualität als betriebswirtschaftlicher Erfolgsfaktor
 Fünf Prinzipien für Stammdatenqualität
 Zusammenfassung
Agenda

4. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 4
Bayer CropScience stellt Pflanzenschutzmittel
wie Insektizide her

5. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 5
Bei Bayer CropScience ist Datenqualität eine
Voraussetzung für Geschäftsprozesse1
Datenobjekt
«Produkthierarchie» Teilkonzern
Geschäfts-
feld
Geschäfts-
gebiet
Aktiver
Wirkstoff
Produkt-
gruppe
Datenqualitäts-
probleme
Nicht verfügbare Daten
Unvollständige Daten
Inkonsistente Daten
Auswirkung auf
Geschäftsprozesse
1) V. EBNER, B. BRAUER: Fallstudie zum Führungssystem für Stammdatenqualität bei der Bayer CropScience AG. In: HMD - Praxis der Wirtschaftsinformatik 48 (2011), S. 64-73.
09 11 012 242 3938
Planung: Wirkstoffbedarfe werden nicht konsolidiert
Berichtswesen: Umsätze sind nicht ausweisbar
Segmentierung: Risiko fehlerhafter Portfolioplanung

6. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 6
«Starting in January 2010, the Services business unit will additionally
pool the global customer service activities of the Group. In doing so,
the Services departments at German division and business unit
locations will be organizationally merged with the worldwide Services
companies. With this new structure, ZF has established a systematic
approach in the after-sales market.»
ZF Friedrichshafen AG: Annual Report 2009, p. 64.
ZF Friedrichshafen bündelt das weltweite
Servicegeschäft

7. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 7
Dafür benötigt das Unternehmen hochqualitative
Stammdaten zu Fahrzeugen, Kunden und Produkten
Realwelt
Geschäfts-
prozesse
Konstruktion/
Entwicklung
Projekte
Vertrieb,
Logistik,
Controlling
Anwendungs-
systeme
Axalant SAP cProjects SAP ERP
Daten
VW-Gruppe Audi AUDI AG
B8 AU416 PL48

8. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 8
Der typische Verlauf der Stammdatenqualität über die
Zeit folgt einer «Sägezahnkurve»
Legende: Stammdaten-
qualitätsprobleme
Stammdatenqualität
Zeit
Projekt 1 Projekt 2 Projekt 3
 Keine Planbarkeit von Ressourcen und Budgets
 Keine Zielwerte für Stammdatenqualität
 Keine Nachhaltigkeit wegen hoher wiederkehrender Kosten

9. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 9
Der Fall Bayer CropScience illustriert die viel-
fältigen Ursachen für Datenqualitätsprobleme1
Datenqualitäts-
probleme
Mitarbeiter Datenpflege
Datenqualitätswesen Standards Organisation
Unzureichende
Ausbildung und Training
Mangelnde Integration von
Datenqualität in Zielsysteme
Vielfältige
Softwarewerkzeuge
Stammdaten änderbar in
Zielsystemen
Keine durchgängige
Softwareunterstützung
Keine weltweite Harmonisierung
der Pflegeprozesse
Fehlende Datenqualitäts-
kennzahlen
Keine kontinuierliche
Überwachung der
Datenqualität
Keine weltweiten
Regeln, Vorgaben,
Richtlinien
Zu viele lokale Regeln,
zu viele Ausnahmen
Keine «Data
Governance»
Fehlende fachliche
Verantwortlichkeiten
1) B. BRAUER, Master Data Quality Cockpit at Bayer CropScience, 4. Workshop des Kompetenzzentrums Corporate Data Quality 2 (CC CDQ2), Universität St. Gallen, Luzern, 2009.

10. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 10
 Stammdatenqualität als betriebswirtschaftlicher Erfolgsfaktor
 Fünf Prinzipien für Stammdatenqualität
 Zusammenfassung
Agenda

11. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 11
Fünf Prinzipien leiten das wirksame
Stammdatenqualitätsmanagement
Capture Data at the Source
First Time Right
Measure to Manage
Data Quality by Design
Governance

12. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 12
1. Prinzip: Die Datenerfassung erfolgt dort, wo das
Wissen über die Daten am umfangreichsten ist1
1) FOHRER, M. 2012. Driving Corporate Data Quality @ Hilti through the use of Consumer Technology. 10. CC CDQ3-Workshop. Bregenz: Universität St. Gallen, Institut für
Wirtschaftsinformatik.

13. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 13
2. Prinzip: Wo wird Qualität produziert? Eine Analogie1
„When we visited the high-quality but low
productivity European plant […] we didn‘t have
to go far to find the basic problem […]. At the
end of the assembly line was an enormous
rework and rectification area where armies of
technicians in white laboratory jackets labored
to bring the finished vehicles up to the
company‘s fabled quality standard.“
„Our findings were eye-opening. The Japanese
plant requires (less effort the American and
European plants). At the same time, the
Japanese plant greatly exceeds the quality
level of all plants execpt one in Europe - and
this plant requires four times the effort […]“
1) WOMACK, J. P., JONES, D. T. & ROOS, D. 1991. The Machine That Changed the World: The Story of Lean Production, New York, Harper Perennial.

14. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 14
Anfrage für neuen
Materialstamm
Prüfung auf
Qualität
Vervollständigung
der Daten
Anlage des
Datensatzes
2. Prinzip: Datenqualitätsqualitätskontrolle fängt vor
Transaktion MM01 an…

15. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 15
3. Prinzip: Was nicht gemessen werden kann, lässt
sich nicht managen
Entwicklung der Materialstammdatenqualität bei Bayer CropScience1
1) V. EBNER, B. BRAUER: Fallstudie zum Führungssystem für Stammdatenqualität bei der Bayer CropScience AG. In: HMD - Praxis der Wirtschaftsinformatik 48 (2011), S. 64-73.

16. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 16
4. Prinzip: Datenqualität muss bereits beim Entwurf von
Geschäftsprozessen berücksichtigt werden
Business
Process
Task
Data
Object
Business
Policy
Attribute
Structural
Business
Rule
Business
Rule
Operative
Business
Rule
«On-boarding of new
suppliers must be
done in compliance
with (global, national
or regional) legal
provisions and
regulations, and it
must be done in a
verifiable manner.»
«It is necessary that
each supplier has a
supply chain
security indicator
and its value is Yes
or No»
«Supplier»
«It is obligatory that
the supply chain
security indicator of a
supplier is set to
"Yes" if the supplier
ships products out of
the U.S. »
«Supplier On-Boarding» «Create supplier»
«Supply Chain Security Indiator»
consists of
creates/consumes
consists
of
Makes
“actionable”
decribes
how to
set
values
decribes
structural
limitations of
applied in
governs
NB: Projektoriginalsprache beibehalten.

17. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 17
Sponsor
Data Owner
Corporate Data
Steward
Fachlicher
Datensteward
Technischer
Datensteward
DG-
Komitee
Daten-
steward-
Team
Legende: Disziplinarische Berichtslinie; Fachliche Berichtslinien; ist Teil von.
Fachbereich IT Stammdatenqualitätsmanagement-Team.
Einzelrolle Gremium.
5. Prinzip: Data Governance definiert
Verantwortlichkeiten im Umgang mit Stammdaten

18. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 18
 Stammdatenqualität als betriebswirtschaftlicher Erfolgsfaktor
 Fünf Prinzipien für Stammdatenqualität
 Zusammenfassung
Agenda

19. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 19
Fünf Prinzipien leiten das wirksame
Stammdatenqualitätsmanagement
Strategie
Organisation
Systeme
Führungssystem
Applikationen für SDQM
Stammdatenarchitektur
Organisation des
SDQM
Prozesse und
Methoden des SDQM
Strategie für SDQM
lokal global
Legende: SDQM –
Stammdatenqualitätsmanagement.

20. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 20
Das CC CDQ bündelt das Wissen zahlreicher
Partnerunternehmen
* Aktuelle und frühere Partnerunternehmen
AO FOUNDATION ASTRAZENECA PLC BAYER AG BEIERSDORF AG
CORNING CABLE SYSTEMS
GMBH
DAIMLER AG DB NETZ AG
DRÄGERWERK AG & Co.
KGaA
E.ON AG ERICSSON AB
ETA SA FESTO AG & CO. KG HEWLETT-PACKARD GMBH IBM DEUTSCHLAND GMBH
KION INFORMATION
MANAGEMENT SERVICE
GMBH
MIGROS-
GENOSSENSCHAFTS-BUND
NESTLÉ SA NOVARTIS PHARMA AG OSRAM GMBH ROBERT BOSCH GMBH
SAP AG
SCHWEIZERISCHE
BUNDESBAHNEN SBB
SIEMENS ENTERPRISE
COMMUNICATIONS GMBH &
CO. KG
SWISSCOM IT
SERVICES AG
SYNGENTA CROP
PROTECTION AG
TELEKOM DEUTSCHLAND
GMBH
ZF FRIEDRICHSHAFEN AG

21. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 21
SAP und das CC CDQ geben ein gemeinsames White
Paper heraus

22. © IWI-HSG, BEI St. Gallen – 14.05.2013, Boris Otto - 22
Ihr Referent
Prof. Dr. Boris Otto
Assistenzprofessor
Universität St. Gallen
Institut für Wirtschaftsinformatik
boris.otto@unisg.ch
Tel.: +41 71 224 3220 http://www.iwi.unisg.ch
Institute of Information Management at the University of St. Gallen
http://www.bei-sg.ch
Business Engineering Institute St. Gallen
http://cdq.iwi.unisg.ch
Competence Center Corporate Data Quality
https://benchmarking.iwi.unisg.ch/
CC CDQ Benchmarking Platform
http://www.xing.com/net/cdqm
CC CDQ Community at XING