Direkt zur zweiten Navigationsebene, fallls vorhanden.Direkt zum Seiteninhalt
plone_banner_fb
Sie sind hier: FB 02 → Prof. Schwickert

Projekt: Reifegrade des Data Quality Managements


Kurzbeschreibung:

In den Unternehmen setzt sich deshalb die Erkenntnis durch, dass ein aktives Management der Datenqualität zwingend notwendig ist. Dabei geht es nicht (nur) um kleinere Projekte zur Adressvalidierung o.ä., sondern um die Steigerung der Gesamtqualität der Daten im Unternehmen. Das Ziel der Steigerung der Gesamtqualität der Daten steht deshalb im Mittelpunkt der Arbeit.


Beginn:
21.08.2008
Ende:
19.12.2008
Problemstellung:

Informationen, verstanden als Daten mit Zweckbezug, sind ein kritischer Erfolgs- und Wettbewerbsfaktor für Unternehmen. Die Qualität der Daten ist Grundlage für den erfolgreichen Einsatz von Business-Intelligence-Lösungen und hat somit direkten Einfluss auf unternehmerische Entscheidungen.


In den Unternehmen setzt sich deshalb die Erkenntnis durch, dass ein aktives Management der Datenqualität zwingend notwendig ist. Dabei geht es nicht (nur) um kleinere Projekte zur Adressvalidierung o.ä., sondern um die Steigerung der Gesamtqualität der Daten im Unternehmen. Die Datenflut nimmt seit Jahren durch steigende IT-Durchdringung der Geschäftsprozesse und sinkende Kosten für Speicherkapazitäten zu. Ziel des Data Quality Managements ist deshalb, sowohl auf technischer Ebene durch Plausibilitätsprüfungen und Referenzlisten als auch auf organisatorischer Ebene durch entsprechende Richtlinien und die Etablierung einer angemessenen Organisationskultur, die Erfassung der Daten zu verbessern und Inkonsistenzen im Datenbestand zu vermeiden.


Die Notwendigkeit eines Data Quality Managements im Unternehmen wird nicht zuletzt durch externe Anforderungen (Stichwort: Compliance) unterstrichen. Die Relevanz verlässlicher Daten im Bereich interner Kontrollen wird aktuell unter anderem durch den Skandal rund um die Affäre Kerviel bei der Société Générale bestätigt.

Ziel:

Die Arbeit definiert zunächst, was unter Data Quality Assurance zu verstehen ist. Darauf aufbauend wird ein Rahmenwerk für ein erfolgreiches Data Quality Management aufgespannt, in das alle Aktivitäten zur Steigerung der Datenqualität eingeordnet werden können.


Um in der konkreten Unternehmenssituation die Qualität der Datenerfassung und Datenhaltung zu bewerten, werden bekannte Reifegradmodelle (wie bspw. CMMI) auf das Data Quality Management angewendet und daraus ein Bewertungsrahmen sowie ein Maßnahmenkatalog zur Erreichung des nächsten Qualitätsniveau abgeleitet. Die Bewertung im Rahmen einer festzulegenden Metrik ist im letzten Schritt in einem Tool (auf Basis gängiger Tabellenkalkulationssoftware) umzusetzen.

Leiter:
Betreuer:
Team-Mitglieder:
Fachbereich & Campus  |  Studiengänge  |  Service für Studierende  |  Forschung & Vernetzung  |  Career Center