Data Quality erfolgreich steuern

Einleitung und Definition

• Von den Daten zu Informationen zu Wettbewerbsfähigkeit.
• Definition von Datenqualität und Datenqualitätsmanagement (DQM).
• Warum DQM? – Treiber für die Einführung eines unternehmensweiten DQM.
• Mehrwert eines Data Quality Managements für Organisationen.
• DQM-Reifegradmodell (Wo würdest du dein Unternehmen einordnen?).

Schlechte Datenqualität

• Anforderungen an die Datenqualität (gesetzlich/ökonomisch).
• Ursachen und Wirkung schlechter Datenqualität auf die Organisation als System.
• Auswirkung schlechter Datenqualität auf Kennzahlen.
• Datenqualitätsklassen und Untersuchungsgegenstände zur Erhebung schlechter Datenqualität.

Datenqualitätskriterien definieren und messen (Data Profiling)

• Überblick Datenqualitätsdimensionen zur optimalen Messung von Datenqualität.
• Datenqualitätsdimensionen definieren (praktische Übung).
• Datenqualitätsdimensionen anwenden (Praxisbeispiel).

Entwicklung von Logikbäumen zur Ermittlung und Bewertung von Ursache/Wirkung

• Prinzipien Logikbäume und Mehrwert.
• Logikbäume anwenden (praktische Übung).
• Bewertung der Erkenntnisse aus Logikbäumen.

Ableitung von Verbesserungsmaßnahmen und Analyse Kosten/Nutzen

• Logikbäume zur Entscheidungsfindung weiterentwickeln für eine optimale Kosten-/Nutzenbewertung (praktische Übung).
• Verbesserungsmaßnahmen ableiten (praktische Übung).

Aufbau eines Data Quality Reportings und Data Quality Index

• DQM-Regelkreis.
• Vom Prototyping zum DQ-Standardreporting.
• Entwicklung und Implementierung eines prozessorientierten DQ-Index.

Data Quality Organisation und Prozesse

• Rollen und Verantwortlichkeiten.
• Standardprozesse: Data Profiling, Data Quality Monitoring, Fehlertracking und Verbesserung.
• Einordnung Data Quality im Data Governance Modell.