turning data into value - uni-due.de · organisatorische verankerung und einordnung data &...

Turning Data into Value- Business Intelligence -

KPMG Consulting – Digital Finance &Lehrstuhl für Wirtschaftsinformatik,insbes. Business Intelligence

2© 2018 KPMG AG Wirtschaftsprüfungsgesellschaft, a member firm of the KPMG network of independent member firms affiliated with KPMG International Cooperative (“KPMG International”), a Swiss entity. All rights reserved. The name KPMG and the logo are registered trademarks of KPMG International.

Agenda

Einführung & Vorstellung 1

5 Toolpräsentation

Projektbeispiel – Stammdatenbereinigung bei einem MDAX Unternehmen4

Datenqualitätsmanagement im Unternehmen32 Datenqualität – Ein gefühlter Wert oder berechenbar?

34

12

6 Diskussion, Q&A66


Agenda


6 Diskussion, Q&A



34

12

65 Toolpräsentation6


Wir helfen unseren Mandanten von der Finance Strategie bis hin zur Implementierung von passenden IT-Systemen und Anwendungen

Einführung & Vorstellung

Data & Structures

Organization &Processes

Systems & Interfaces

Compliance & Change

Data warehouse / Single version of truth

Data Management(ETL)

(Master) Data Quality Management

Data Level

Financial AccountingCost

AccountingTreasury

Operational Source Level

Tax Other Operations

Consolidation Planning and BudgetingSimulations and

Analytics

Application Level

Operational BI Asset Based Services

Standard Ad Hoc Dashboards

Reporting Level

Mobile Self Service

Data Input & Collaboration

Lega

l &

Tax

Bank

&

Shar

ehol

der

Cash

&

Liqu

idity

Man

agem

ent

…

Wor

king

Capi

tal

Risk

& In

tern

al

Cont

rols

CSR

& Su

stai

nabi

lity

Proc

urem

ent &

Sa

les

Strategy LevelStrategy & Governance BI Architecture Steering Model / KPIs

Turning Data into Value

Shared Services

Business Intelligence is the ability of an organization to access and explore internal and external information and to analyze that information to develop business insights and understanding, which leads to a more effective and efficient monitoring and controlling of business processes and improved and informed decision making


Agenda


6 Diskussion, Q&A



34

12



Datenqualität – Ein gefühlter Wert oder doch berechenbar?Datenqualität – Ein gefühlter Wert oder berechenbar?

verfügbar aktuell konsistent vollständig eindeutigDaten


Eine Dublettendefinition muss auf jedes Unternehmen spezifischzugeschnitten sein

Datenqualität – Ein gefühlter Wert oder berechenbar?

3 Welche Feldinhalte sollen eindeutig (d.h. immer gleich) sein?

2 Welche Felder kommen für die Dubletten-definition in Betracht?

4 Welche Feldinhalte sollen ähnlich sein (d.h. fuzzy-Logik)?

5 Sollen gesperrte Stammdaten berücksichtigt werden?

GRUNDLEGENDE FRAGEN

1 Soll es mehrere Dublettendefinition geben abhängig nach Kontengruppe und / oder Land?


Eine Dublettendefinition muss auf jedes Unternehmen spezifischzugeschnitten sein


GRUNDLEGENDE FRAGENFeldbezeichnung Prüfungsart Bemerkung

LAND1 fix Diese Kriterien werden sowohl bei der Prüfung von Datensätzen mit Post-fächern, als auch bei der Prüfung von Datensätzen ohne Postfachangaben, berücksichtigt

NAME1 + NAME2 + NAME3 + NAME4

fuzzy

STCEG fixSTCD5 + STENR fix Bei der Prüfung werden die Feld-inhalte

ohne Leerzeichen und Schrägstrich betrachtet

ORT01 fuzzy Nur bei Datensätzen, bei denen keine ausschließliche Angabe von Postfächern hinterlegt sind

PSTLZ fixSTRAS fuzzyORT02 fuzzy

Nur bei Datensätzen, bei denen aus-schließlich Postfächer hinterlegt sindPFACH fix

PSTL2 fix


Mit dem DAQEI das unternehmensspezifische Optimum aus Datenqualität und Prozessaufwand finden.


Datenverfügbarkeit

Datenaktualität

Datenkonsistenz

Datenvollständigkeit

Dateneindeutigkeit

DATENQUALITÄT

Datenerstellung

Datenüberwachung

Datenpflege

Datenarchivierung

MD PROZESSAUFWAND

Data QualityEfficiency Index

MD-Fehler

MDM-Aufwand


Agenda


6 Diskussion, Q&A



34

12



Datenqualitätsprobleme liegen häufig auch am bereichs- und prozess-übergreifenden Charakter von Daten und einer komplexen IT

KPMG Data Management Services

Abteilungen mit abweichenden Interessen an gleichen Datenobjekten

Abteilungen

Exemplarische Bereichsinteressen je Materialdatenfeld

Materialdatenfelder

Oft beobachtete Probleme

Keine klaren Verantwortlichkeiten und fehlende Eskalationsfunktion

“Gefühlte” Vetorechte

Keine Transparenz zu tatsächlicher Datenqualität

Vertrieb

Technik

Rechnungswesen

Werksleitung

Logistik

IT

GewichtseinheitBestand

ProduktgruppeVertriebskanal

MaterialtypPreisgruppe

Kalkulationsschema

RechnungsinformationBankinformation

ProduktinformationVersandkonditionen

Lieferndes WerkLiefertoleranzWarengruppe

VorgängerNachfolger

BestellsperreLiefersperre

Name

Produktion


Die Data Governance ist dabei die verantwortliche Funktion für die Sicherung der Datenqualität im Unternehmen

KPMG Data Management Services

Data Governance Committee

Sponsor Data OwnerCustomer Data

Data OwnerVendor Data

Data Steward Data Steward

System Owner System Owner

…

Data Governance Committee− Höchster Eskalations- und

Entscheidungs-ausschuss für globale Stammdaten

Data Owner− Globale Datenqualitätsverantwortung

für ein Datenobjekt (z.B. Lieferant, Kunde, etc.)

− Trifft Entscheidungen und etabliert Konzepte & Standards für globale Stammdaten

Data Steward− Verantwortlich für ein Teilcluster eines

Datenobjekts (z.B. Einkaufsdaten)− Multiplikator zum Business/ Regionen− Lokale Prozessrechenschaftspflicht

Reconciliation Partner− „Gate keeper“ Funktion in Bezug auf

Risk und Compliance Management

System Owner− Verantwortlich für Systemoperationen

AP 1 AP 1

Rollen und Verantwortlichkeiten

System Owner


Organisatorische Verankerung und Einordnung

Data & Structures

Organization &Processes

Systems & Interfaces

Compliance & Change

Data warehouse / Single version of truth

Data Management(ETL)

(Master) Data Quality Management

Data Level

Financial AccountingCost

AccountingTreasury

Operational Source Level

Tax Other Operations

Consolidation Planning and BudgetingSimulations and

Analytics

Application Level

Operational BI Asset Based Services

Standard Ad Hoc Dashboards

Reporting Level

Mobile Self Service

Data Input & Collaboration

Lega

l &

Tax

Bank

&

Shar

ehol

der

Cash

&

Liqu

idity

Man

agem

ent

…

Wor

king

Capi

tal

Risk

& In

tern

al

Cont

rols

CSR

& Su

stai

nabi

lity

Proc

urem

ent &

Sa

les

Strategy LevelStrategy & Governance BI Architecture Steering Model / KPIs Shared Services


Kritische Erfolgsfaktoren im DatenqualitätsmanagementDatenqualitätsmanagement im Unternehmen

— Umfang, Rollen und Verantwortlichkeiten für Datenqualität sind klar definiert und getrennt von anderen Funktionen

— Data Governance hat volle Unterstützung vom Board (welches Daten als ein Asset wahrnimmt)

— Erst Definition von Rollen und Verantwortlichkeiten, dann Benennung von Personen

Best Practices

— Ein zentrales Daten Repository veranschaulicht die Verbindungen zwischen Datenobjekten und deren Nutzung und Ursprungsort

— Datenmodelle unterscheiden zwischen globalen und lokalen Datenfeldern

— Architektur ermöglicht „Eine Version der Wahrheit“

— Architektur erlaubt ein Daten- und Prozess Monitoring

— Data Management wird durch Robotics unterstützt

— Prozesse berücksichtigen den gesamten Data Lifecycle

— Kontrollen sind effizient und ohne hohen Ressourceneinsatz

DMCRM

Proc.

DWH

ERPERP

HR

Strategy & Budget

Guidelines & Standards

Data & Process Management

Process & System Enhancement

Data Governance

Architektur

Kritische Erfolgsfaktoren eines umfassenden Data Managements

Datenmodell

Datenprozesse und Kontrollen


Agenda


6 Diskussion, Q&A



34

12



Einführung eines Master Data Management Projekts Projektbeispiel – Stammdatenbereinigung bei einem MDAX Unternehmen

DATA MANAGEMENT

PROCESSES— Review MDM Prozess-Framework— Datenerstellungs- und Änderungs-

prozesse & Nutzerstruktur— Nutzerrichtlinien

DATA QUALITY

MONITORING— Definition von Maßen und

Indikatoren für Datenqualität— Identifikation von Inputfaktoren— Design des Monitoring Dashboards

DATA GOVERNANCE

ORGANIZATION— Definition Zielbild der Data Governance— Definition Rollen inkl. Rollenbeschreibung— Definition Zuständigkeitsteilung im Data

Management Prozess— Data Governance Implementierung

DATA MANAGMENT

STRATEGY— Definition von Strategic

Data Quality Grundsätzen

AUSGANGSSITUATION

DAX30 Unternehmen

Optimierung des Master Data Management

MASTER DATA MANAGEMENTDATA MODEL & TECHNOLOGY

— Review Datenmodel und Datenvalidierungsregeln

— Kunden- und Lieferanten-datenmodel Optimierung

— SAP MDM Verbesserung(Prozesse, ValidierungRegeln, Ansichten)

Master Data wurde niebereinigt seit der Einführungdes Global Master Data System (MDM)

1,135 Nutzer sind ein-gebunden in den Erstellungs-& Wartungsprozess von Master Data

Keine klare Verantwortungresultierend aus fehlendenRichtlinien und schlechterQualität der Master Data

Kein Monitoring und Messenvon Qualität der Master Data fürLieferanten- und Kundendaten

Wenige Validierungsregelnim globalen MDM implementiert


ProjekterfolgProjektbeispiel – Stammdatenbereinigung bei einem MDAX Unternehmen

Optimiertes Data Model und Bereinigung von 68% der Einträge aufgrund inkorrekter, obsoleter oder doppelter Daten

50% Effizienzanstiegim Data Management Process

Reduzierung von involvierten Parteien imMaster Data Process von mehr als 1.000 auf 50 Personen

Nachhaltige Sicherungvon Daten und Prozess-qualität dank einerimplementierten Data Governance

Mandant wurde auf Platz 1 gewählt in der Benchmarkanalyse der Universität St. Gallen, Schweiz

>1.000

-68%

+50%

Data Governance50 Fehler


Agenda


6 Diskussion, Q&A



34

12



Erste Ergebnisse via Data Quality Quick Check und detaillierte Auswertung via PowerBI

Toolpräsentation


Agenda


6 Diskussion, Q&A



34

12


21

Document Classification: KPMG Confidential

© 2017 KPMG AG Wirtschaftsprüfungsgesellschaft, ein Mitglied des KPMG-Netzwerks unabhängiger Mitgliedsfirmen, die KPMG International Cooperative („KPMG International“), einer juristischen Person schweizerischen Rechts, angeschlossen sind. Alle Rechte vorbehalten. Der Name KPMG und das Logo sind eingetragene Markenzeichen von KPMG International.

Fragen, Antworten und RecapKPMG Consulting – Digital Finance

…Data Governance eine entscheidende Funktion ist, um hohe Datenqualität sicherzustellen

…komplexe IT-Strukturen, sowie bereichs- und prozessübergreifende Daten Qualitätsprobleme in den Daten verursachen können

…Daten verfügbar, konsistent, aktuell, vollständig und eindeutig definiert müssen, um eine hohe Datenqualität zu gewährleisten

…ein umfassendes Master Data Management neben der Data Governance auch das Datenmodell, die Architektur und die Daten-prozesse miteinschließt

Zusammenfassend ist wichtig, dass… Zeit für eure Fragen

www.kpmg.de/socialmedia www.kpmg.de

This document is made by KPMG AG Wirtschaftsprüfungsgesellschaft, a member firm of the KPMG network of independent member firms affiliated with KPMG International Cooperative ("KPMG International"), a Swiss entity, and is in all respects subject to the negotiation, the successful completion of the standard Client- and Engagement Acceptance Process and the signing of binding agreements. KPMG International provides no client services. No member firm has any authority to obligate or bind KPMG International or any other member firm vis-à-vis third parties, nor does KPMG International have any such authority to obligate or bind any member firm.

© 2018 KPMG AG Wirtschaftsprüfungsgesellschaft, a member firm of the KPMG network of independent member firms affiliated with KPMG International Cooperative (“KPMG International”), a Swiss entity. All rightsreserved. The name KPMG and the logo are registered trademarks of KPMG International.

Ihre Ansprechpartner

Dr. Justus MarquardtPartnerT +49 171 [email protected]

KPMG AG WirtschaftsprüfungsgesellschaftTersteegenstraße 19-2340474 Düsseldorf

Linda RülickeManagerT +49 151 [email protected]

KPMG AG WirtschaftsprüfungsgesellschaftTHE SQUAIREAm Flughafen60549 Frankfurt am Main

Robert MarxManagerT +49 160 [email protected]

KPMG AGWirtschaftsprüfungsgesellschaftLudwig-Erhard-Str. 11-1720459 Hamburg

turning data into value - uni-due.de · organisatorische verankerung und einordnung data &...

Documents