Datenqualität erfolgreich steuern : Praxislösungen für Business-Intelligence-Projekte

Immer mehr Unternehmen begreifen ein gutes Datenqualitätsmanagement als einen entscheidenden Wettbewerbsvorteil: Die IT-Kosten sinken, Projekte werden beschleunigt, auf Änderungen am Markt oder von gesetzlichen Auflagen kann schneller und flexibler reagiert werden. Datenintegrationen über System-, Abteilungs- und Unternehmensgrenzen hinweg werden erleichtert und falsche Entscheidungen basierend auf mangelhaften Daten verhindert. Anhand praktischer Beispiele zeigt Ihnen dieses Buch, wie Sie die Qualität Ihrer Daten zielorientiert und nachhaltig verbessern können. Analysieren Sie die Ursachen u.;Geleitwort zur 3. Auflage; Vorwort zur 3. Auflage; Abb. 1 Grobe Architektur für Business Intelligence; Teil I; 1 Datenqualität; 1.1 Daten; Abb. 1-1 Semiotisches Dreieck (in Anlehnung an [Hinrichs 2002, S. 27]); 1.2 Qualität; Abb. 1-2 Analogie zwischen industrieller Fertigung und Datenverarbeitung (Data Warehousing) (in Anlehnung an [Grimmer/Hinrichs 2001, S. 72]); 1.3 Datenqualität; Tab. 1-1 Liste möglicher Datenqualitätskriterien; Tab. 1-2 Definition ausgewählter Datenqualitätskriterien; Abb. 1-3 Taxonomie von Datenqualitätskriterien (vgl. [Hinrichs 2002, S. 30]) Geleitwort zur 3. Auflage......Page 5 Vorwort zur 3. Auflage......Page 7 Abb. 1 Grobe Architektur für Business Intelligence......Page 8 Teil I......Page 19 1.1 Daten......Page 21 Abb. 1–1 Semiotisches Dreieck (in Anlehnung an [Hinrichs 2002, S. 27])......Page 22 1.2 Qualität......Page 23 Abb. 1–2 Analogie zwischen industrieller Fertigung und Datenverarbeitung (Data Warehousing) (in Anlehnung an [Grimmer/Hinrichs 2001, S. 72])......Page 24 1.3 Datenqualität......Page 25 Tab. 1–1 Liste möglicher Datenqualitätskriterien......Page 26 Tab. 1–2 Definition ausgewählter Datenqualitätskriterien......Page 27 Abb. 1–3 Taxonomie von Datenqualitätskriterien (vgl. [Hinrichs 2002, S. 30])......Page 28 1.4 Datenqualitätsmanagement......Page 29 Abb. 1–5 Entwicklungsstufen des Qualitätswesens (in Anlehnung an [Wolf 1999, S. 63])......Page 30 Abb. 1–6 Plan-Do-Check-Act-Zyklus (vgl. [Redman 1996])......Page 31 Abb. 1–7 Total-Quality-data-Management-Methodik (TQdM) nach English (vgl. [English 1999, S. 70])......Page 32 Abb. 1–8 Ordnungsrahmen für das Datenqualitätsmanagement (vgl. [Otto et al. 2008, S. 218])......Page 34 1.5 Zusammenfassung......Page 35 2 Ausprägungen und Ursachen schlechter Datenqualität......Page 37 2.1 Geschäftstreiber......Page 38 Abb. 2–1 Datenqualität beeinflusst Geschäftstreiber.......Page 39 Wettbewerb......Page 40 Fazit......Page 41 2.2 Ausprägungen schlechter Datenqualität......Page 42 Zeitnähe......Page 43 Zuverlässigkeit......Page 44 2.3 Ursachen schlechter Datenqualität......Page 45 Datenerfassung......Page 46 Prozesse......Page 47 Architektur......Page 48 Definitionen......Page 49 Abb. 2–4 Gemeinsames Vokabular als Basis......Page 50 Datenverfall......Page 51 Vorgehensweise......Page 52 Abb. 2–5 Beispiel für Ursachen von Datenqualitätsproblemen bei einem Finanzdienstleister......Page 53 2.5 Empfehlungen......Page 54 3 Auswirkungen schlechter Datenqualität......Page 55 3.1 Datenqualitätskosten......Page 56 Tab. 3–1 Beispiel für eine Priorisierung von Projekten in Unternehmen......Page 57 Abb. 3–1 Aufteilung von Datenqualitätskosten (in Anlehnung an [Eppler/Helfert 2004, S. 311] und [Otto et al. 2008, S. 219])......Page 58 Durch schlechte Datenqualität verursachte Kosten......Page 59 Kosten zur Verbesserung sowie Sicherstellung einer ausreichenden Datenqualität......Page 60 Abb. 3–2 Vereinfachte Darstellung des Zusammenhangs zwischen Datenqualitätskosten und der erreichbaren Datenqualität......Page 61 Abb. 3–3 Nutzenpotenziale (in Anlehnung an [Eppler/Helfert 2004, S. 3] und [Otto et al. 2008, S. 219])......Page 62 Abb. 3–4 Geschäftstreiber für das Datenqualitätsmanagement (Gartner) (vgl. [Friedman 2006])......Page 63 International Financial Reporting Standards......Page 64 Basel III......Page 65 IMDS......Page 66 3.3 Business-Case-Betrachtungen......Page 67 Abb. 3–6 Business-Case-Betrachtungen......Page 69 3.4 Empfehlungen......Page 70 4.1 Aufbauorganisation......Page 71 Abb. 4–1 Organisationseinheiten im Vergleich......Page 72 Abb. 4–2 Rollen und Gremien......Page 74 Rollen......Page 76 Gremien......Page 80 Abb. 4–4 Service-Lebenszyklus nach ITIL V3 (vgl. [Cartlidge et al. 2007])......Page 81 Laufende Datenqualitätssicherung und -reporting......Page 82 Datenqualitätsproblem-Management......Page 83 Datenqualitätseskalations-Management......Page 84 4.3 Empfehlungen......Page 85 5.1 Referenzarchitektur......Page 87 Abb. 5–1 Referenzarchitektur für Business Intelligence......Page 88 5.1.1 Datenquellen und Datenströme......Page 89 5.1.2 Datenintegration......Page 90 5.1.4 Informationsbereitstellung......Page 91 5.1.7 Querschnittsprozesse......Page 92 Verteilte Datenhaltung......Page 93 Historisierung......Page 94 Abb. 5–2 Konzept des Change Data Capture......Page 95 Abb. 5–3 Separierung von Right Time Data......Page 96 Filesystem......Page 97 Self Service Business Intelligence......Page 98 Abb. 5–4 Referenzarchitektur für Datenqualitätsmanagement während der Entwicklung......Page 99 Abb. 5–5 Referenzarchitektur für Datenqualitätsmanagement zur Laufzeit......Page 100 5.4 Serviceorientierte Architektur......Page 101 Abb. 5–7 Beispiel für eine datenzentrierte Domänenbildung......Page 102 5.5 Master Data Management......Page 103 Abb. 5–8 Referenzarchitektur für Master Data Management......Page 104 Abb. 5–10 Architekturvariante Registrierung......Page 105 Abb. 5–12 Architekturvariante »Transaction Hub«......Page 106 5.5.2 Umsetzung......Page 107 5.6 Empfehlungen......Page 108 6.1 Definitionen von Big Data......Page 109 Abb. 6–1 Framework für Big Data......Page 110 6.1.1 Fachlich-datenbezogene Sicht......Page 111 6.1.2 Gartner-Sicht......Page 112 6.2 Bedeutung der Datenqualität bei Big Data......Page 113 Abb. 6–3 Bedeutung von Datenqualität für Big Data (vgl. [Omikron 2012])......Page 114 6.3 Herausforderung externe Daten......Page 115 6.4 Herausforderung unstrukturierte Daten......Page 117 6.5 Herausforderung Geschwindigkeit......Page 118 6.6 Herausforderung Volumen......Page 119 6.7 Empfehlungen......Page 120 7 Kennzahlen zur Messung der Datenqualität......Page 121 7.1 Anwendungsmöglichkeiten von Kennzahlen......Page 122 Tab. 7–1 Vor­ und Nachteile der Verwendung von Kennzahlen......Page 123 Abb. 7–1 Messpunkte innerhalb der BI-Referenzarchitektur (siehe auch Abb. 5–1 auf S. 70)......Page 124 Messpunkt 1: Quellsysteme......Page 125 Messpunkt 3: Unternehmensweites Data Warehouse......Page 126 7.3 DQ-Metriken......Page 127 7.4 Kennzahlen für ausgewählte Datenqualitätskriterien......Page 130 7.5 Kennzahlenbaum......Page 132 7.6 Kennzahlenformular......Page 133 7.7 Empfehlungen......Page 134 Teil II......Page 135 Abb. II–1 Aufgaben des Datenqualitätsmanagements entlang des Datenflusses......Page 137 8 Verbesserung der Datenqualität im Quellsystem......Page 141 Abb. 8–1 Verbesserung der Prozesse in den Quellsystemen......Page 142 Definition der Zielwerte......Page 143 Analyse der Datenqualitätsprobleme und Identifikation der verursachenden Prozesse......Page 144 Änderung der Prozesse......Page 145 Bewertung der Prozessänderungen......Page 146 8.2 Empfehlungen......Page 147 9 Data Profiling......Page 149 Abb. 9–2 Der iterative Data-Profiling-Prozess......Page 150 9.1.2 Schritt 2: Analyse der integrierten Daten......Page 151 9.1.4 Schritt 4: Fachliche Bewertung der Ergebnisse......Page 152 9.2 Zusammensetzung des Data-Profiling-Teams......Page 153 9.3 Vorgehensweise beim Data Profiling......Page 154 Attributnamenanalyse......Page 155 Datentypanalyse......Page 156 Abb. 9–4 Ergebnis einer Datentypanalyse (Beispielausschnitt)......Page 157 Abb. 9–5 Prozentuale Verteilung der Länge des Attributs NAME (Beispiel)......Page 158 Tab. 9–1 Ergebnis einer Genauigkeitsanalyse für JAHRESEINKOMMEN (Beispiel)......Page 159 Abb. 9–6 Häufigkeitsverteilung Anzahl Kinder bei einer Wertebereichsanalyse......Page 160 Tab. 9–2 Standardisierung von Telefonnummern......Page 161 Domänenanalyse......Page 162 Abb. 9–8 Ergebnis einer Domänenanalyse (Beispiel)......Page 164 Eindeutigkeitsanalyse......Page 165 Abb. 9–9 Ergebnisse der Eindeutigkeitsanalyse (Beispiel)......Page 166 Abb. 9–10 Ergebnisse einer NULL-Werte-Analyse (Beispiel)......Page 167 Regeln zu Domänen......Page 168 Abb. 9–11 Beispiel zur Erweiterung von Domänenanalyse-Ergebnissen......Page 169 Regeln zu Wertebereichen......Page 170 Tab. 9–3 Ergebnis einer Genauigkeitsanalyse für das Attribut STUNDEN (Beispiel)......Page 171 Regeln zu Textattributen......Page 172 Regeln zu fehlenden Werten......Page 174 Eigene Regeln......Page 175 9.5.1 Analyse auf Schlüsselattribute......Page 176 Abb. 9–13 Ergebnis einer Analyse auf Schlüsselattribute (Beispiel)......Page 178 9.5.2 Analyse auf abgeleitete Werte......Page 179 9.5.3 Analyse von Datensätzen mit Geschäftsregeln......Page 180 9.6.1 Analyse von Tabellen auf referenzielle Abhängigkeiten......Page 181 Abb. 9–14 Referenzielle Integrität zwischen den Tabellen KUNDEN_STAMM und BESTELLUNG (Beispiel)......Page 183 Redundante Attribute......Page 184 Anzahl Datensätze......Page 185 Regeln zur Anzahl von Datensätzen......Page 186 Regeln für zeitabhängige Attribute/Objekte......Page 187 Abb. 9–17 Arten der Regeln zu zeitabhängigen Attributen/Objekten (Übersicht)......Page 188 Tab. 9–8 Ergebnis der Regelprüfung auf Aktualität (Beispiel)......Page 189 Abb. 9–18 Werteentwicklung für die Größe eines Babys......Page 190 Regeln für Ereignisse......Page 191 9.7 Empfehlungen......Page 192 10.1 Validierung auf vier Ebenen......Page 193 Abweisung der fehlerhaften Daten......Page 194 Abweisung der fehlerhaften Daten mit Bericht......Page 195 Zurückhaltung der fehlerhaften Daten mit Bericht......Page 196 Verarbeitung der fehlerhaften Daten mit Bereinigung und Kennzeichnung......Page 197 Validierung bei der Extraktion......Page 198 Validierung bei der Extraktion und beim Laden......Page 199 Abb. 10–3 Validierung mit formalen Datenregeln (Beispiel)......Page 200 Abb. 10–4 Validierung mit fachlichen Geschäftsregeln (Beispiel)......Page 201 Abb. 10–5 Ansätze zur Erstellung der Regeln für die Validierung (vgl. [Maydanchik 2008])......Page 202 10.6 Empfehlungen......Page 203 11.1 Standardisierung......Page 205 Abb. 11–3 Normierung der Daten bei der Standardisierung (Beispiel)......Page 206 11.2 Datenbereinigung......Page 207 Abb. 11–4 ETL- und Bereinigungsprozess mit Workflow-Steuerung......Page 208 Methoden zur Bereinigung der Daten......Page 209 Ablage der Originärdaten......Page 210 Überschreibung des originären Werts......Page 211 Tab. 11–1 Kennzeichnung der auswertbaren Zeilen durch ein Flag......Page 212 Erkennung und Konsolidierung von Duplikaten......Page 213 Abb. 11–7 Prozess zur Erkennung und Konsolidierung von Duplikaten......Page 215 Reduzierung des Suchraums......Page 216 Abb. 11–8 Durch Partitionierung unerkannte Duplikate (Beispiel)......Page 218 Abb. 11–9 Sortierte Nachbarschaft (Beispiel)......Page 219 Erkennung von Duplikaten......Page 220 Abb. 11–11 Vergleichsfunktion zur Bestimmung von Duplikaten (Beispiel)......Page 221 Abb. 11–12 Bewertungsmaßstab zur Genauigkeit der Duplikaterkennung......Page 222 Ähnlichkeitsmetriken......Page 223 Abb. 11–13 Übersicht der Ansätze zur Ähnlichkeitsbestimmung für textuelle Attribute......Page 224 Tab. 11–2 Ersetzungsregeln der Kölner Phonetik......Page 225 Abb. 11–14 Ähnlichkeit von Bi-Grammen (Beispiel)......Page 228 Duplikate konsolidieren......Page 230 Abb. 11–16 Unterschiedliche Fälle bei der Zusammenführung von Daten (Beispiel)......Page 231 Konfliktvermeidende Verfahren......Page 232 Konfliktlösende Verfahren......Page 233 Abb. 11–18 Selektionsverfahren nach Histogramm (Beispiel)......Page 234 11.3 Standardisierung und Bereinigung im ETL-Prozess......Page 235 11.5 Empfehlungen......Page 236 12.1 Wirtschaftsinformationen......Page 237 Abb. 12–1 Aufbau des D&B Family Trees......Page 238 Abb. 12–2 Duplikaterkennung durch Nutzung der DUNS-Nummer......Page 239 12.2 Geografische Informationen......Page 240 Abb. 12–3 Data-Mining-Prozess mit Geografischen Informationssystemen (GIS) (vgl. [Feix 2007, S. 54])......Page 241 12.3 Soziodemografische Informationen......Page 242 Tab. 12–1 Haushaltsbildung von Adressdaten......Page 243 UNSPSC......Page 244 eClass......Page 245 Abb. 12–5 Aufbau der eClass-Materialhierarchie (Release 6.1)......Page 246 12.6 Branchenklassifizierung......Page 247 Tab. 12–4 Branchenzuordnungen am Beispiel »Information und Kommunikation«......Page 248 Tab. 12–5 Aufbau des NAICS­Code......Page 249 12.7 Empfehlungen......Page 250 13.1 Bereitstellung der Daten......Page 251 Abb. 13–1 Definition einer Zwischenschicht (Beispiel)......Page 252 Abb. 13–2 Beispiel für ein Dashboard......Page 253 Tab. 13–1 Unterschiede zwischen Scorecards und Dashboards......Page 254 Aufgaben der Visualisierung......Page 255 Regeln für eine bessere Visualisierung......Page 256 Abb. 13–4 Gleiches Diagramm ohne Botschaft im Vergleich mit unterschiedlichen Botschaften (vgl. [Hichert 2004])......Page 259 Abb. 13–5 Visuelle Aufmerksamkeit für die verschiedenen Bildschirmbereiche (vgl. [Few 2008, S. 3f.])......Page 261 Abb. 13–6 Beispiel für eine aus Microsoft-Excel erzeugte Grafik (vgl. [Bissantz et al. 2010, S. 445])......Page 262 Abb. 13–7 Negativbeispiel für ein Dashboard (Nachahmung eines Armaturenbretts)......Page 263 Abb. 13–9 Bild mit höherer Informationsdichte......Page 265 Abb. 13–11 Preis des Euros über 65 bzw. 12 Monate in Bezug zu drei Währungen (vgl. [Tufte 2006, S. 8])......Page 266 Abb. 13–12 Auswirkungen einer erhöhten Skalierung (Beispiel)......Page 267 Regeln zur Organisation und Sicherheit......Page 268 13.3 Empfehlungen......Page 269 14.1 Metadaten: Begriff und Strukturierung......Page 271 Abb. 14–1 Nutzenpotenziale Metadaten (vgl. [Auth 2004, S. 181])......Page 272 14.2 Metadatenarchitekturen......Page 273 Zentrales Metadaten-Repository......Page 274 Lokale Repositorys mit zentralem Repository......Page 275 14.3 Metadatenmanagement......Page 276 Tab. 14–1 Metadaten entlang der BI-Referenzarchitektur......Page 278 Abb. 14–3 Metadaten zu Datenflüssen......Page 279 Abb. 14–5 Metadaten zu einer Tabelle......Page 280 Informationsbereitstellung......Page 281 Metadaten zur Datenqualität......Page 282 Abstammungs- und Auswirkungsanalysen......Page 283 Erfüllung regulatorischer Anforderungen......Page 284 Metadaten für das Data Profiling......Page 285 14.7 Empfehlungen......Page 286 15 Data Quality Monitoring......Page 287 Definition der Kennzahlen......Page 288 Analyseansätze......Page 289 Tab. 15–1 Beispiele für DQ­Werkzeuge......Page 291 15.3 DQ-Phasenkonzepte......Page 292 Abb. 15–1 Kreislauf Data Quality Monitoring......Page 294 Laufendes Data Profiling......Page 295 Berichtswesen......Page 296 Historienreihe......Page 297 Abb. 15–3 Historischer Vergleich der Entwicklung von Datenqualitätskriterien......Page 298 Datenqualitätsradar......Page 299 Benachrichtigungen......Page 300 15.6 Empfehlungen......Page 301 16.1 Anbieter und Produkte......Page 303 Tab. 16–1 Exemplarische Anwendungsfälle für Datenqualitätsmanagement......Page 305 Data Profiling......Page 306 Duplikate......Page 307 Anreicherung......Page 308 Abb. 16–2 Referenzarchitektur für die Integration der Komponenten und Services des Datenqualitätsmanagements......Page 309 16.6 Sprachen und Länder......Page 311 16.8 Empfehlungen......Page 312 Teil III......Page 313 Einleitung......Page 315 Abb. III–1 Verwendetes Projektmodell......Page 316 Abb. III–2 Abbildung der Projektphasen auf den RUP......Page 317 17 Datenqualitätsmanagement in einer Studie......Page 319 Identifikation der Quellsysteme......Page 320 Tab. 17–1 Vergleich der Materialdatenstrukturen der Stammdatensysteme Alpha und Bravo......Page 321 Tab. 17–2 Tabelle mit Übersicht der Datenverantwortlichen (Beispiel)......Page 322 Tab. 17–3 Tabelle mit Übersicht über die Metadatenquellen (Beispiel)......Page 324 Quantitative Analyse der Quellsysteme......Page 325 Tab. 17–4 Teilergebnis (Auszug) des Data Profiling der Materialdaten im Stammdatensystem Bravo (Aggregation)......Page 327 Tab. 17–5 Ergebnis des Data Profiling der Spalte MINDESTMENGE der Materialdaten im Stammdatensystem Bravo (Genauigkeitsanalyse)......Page 328 Qualitative Analyse des Zielsystems......Page 329 Abb. 17–2 Dokumentation der Erwartungen an die Datenqualität (Beispiel)......Page 330 Abb. 17–3 Erwartungen an die Datenqualität am Beispiel der Vollständigkeit der Materialstammdaten......Page 331 Abb. 17–4 Zielarchitektur......Page 332 Auswahl geeigneter Werkzeuge......Page 333 17.3 Bewertung......Page 334 17.5 Empfehlungen......Page 335 18.1 Spezifikation der Schnittstellen......Page 337 18.2 Definition der Rollen in der Datenorganisation......Page 338 18.3 Festlegung der Datenqualitätsziele......Page 340 Abb. 18–2 Datenqualitätsanforderungen zu Beziehungen zwischen fachlichen Objekten......Page 341 Abb. 18–3 Bericht mit Datenqualitätskennzahlen......Page 342 18.4 Bezeichnung und Definition der Objekte......Page 343 18.5 Festlegung der Geschäftsregeln......Page 345 18.7 Data Profiling in der Spezifikation......Page 347 18.8 Entwurf des Systems......Page 348 Tab. 18–1 Zielstruktur und Abbildungsverzeichnis für die Materialstammdaten......Page 350 18.9 Empfehlungen......Page 351 19.1 Übertragung der Datenqualitätsziele......Page 353 19.2 Konventionen und Richtlinien......Page 354 19.3 Entwurf des Systems......Page 355 Abb. 19–1 Gesamtarchitektur für Spend Management Reporting......Page 356 Abb. 19–2 Fehlende Trennung zwischen fachlicher und qualitätssteuernder Logik im ETL-Prozess......Page 357 Abb. 19–3 Umsetzung von Domänen als Dimension (ADAPT TM-Notation)......Page 358 Abb. 19–4 DQ-Frontends für den Data Steward......Page 359 Abb. 19–5 DQ-Management innerhalb der Datenintegration......Page 360 19.5 Empfehlungen......Page 361 20.1 Einhaltung der Konventionen, Richtlinien und Konzepte......Page 363 Profiling des Datenbankmodells......Page 364 20.3 Einbindung der Datenverantwortlichen und Benutzer......Page 365 20.4 Realisierung der Datenqualitätsmaßnahmen......Page 366 20.6 Empfehlungen......Page 367 Tab. 21–1 Maturity-Modell für das Datenqualitätsmanagement (in Anlehnung an die ISO-Norm 15504)......Page 369 Abb. 21–1 Qualitätsgeregelte Steuerung der Datenprozesse......Page 370 21.3 Empfehlungen......Page 371 Abb. 21–3 Datenqualitätsmanagement......Page 372 Anhang......Page 373 Abkürzungen......Page 375 Literatur......Page 377 Index......Page 385 www.dpunkt.de......Page 0

Immer mehr Unternehmen begreifen ein gutes Datenqualitätsmanagement als einen entscheidenden Wettbewerbsvorteil:Die IT-Kosten sinken, Projekte werden beschleunigt, auf Änderungen am Markt oder von gesetzlichen Auflagen kann schneller und flexibler reagiert werden. Datenintegrationen über System-, Abteilungs- und Unternehmensgrenzen hinweg werden erleichtert und falsche Entscheidungen basierend auf mangelhaften Daten verhindert.Anhand praktischer Beispiele zeigt Ihnen dieses Buch, wie Sie die Qualität Ihrer Daten zielorientiert und nachhaltig verbessern können. Analysieren Sie die Ursachen und Auswirkungen schlechter Datenqualität und erfahren Sie, welche Investitionen sich wirklich lohnen. Lernen Sie die Grundlagen des Datenqualitätsmanagements kennen, die technische Umsetzung mit passgenauen Werkzeugen sowie die praktische Umsetzung in einem kompletten Zyklus eines BI-Projekts. Mit diesem umfassenden Wissen bieten Ihnen die Autoren einen wertvollen Leitfaden für ein erfolgreiches Datenqualitätsmanagement.Die 3. Auflage wurde komplett überarbeitet. Als neues Thema wurde Big Data aufgenommen, da es für die Welt der Business Intelligenceeine neue Evolutionsstufe darstellt und somit Auswirkungen auf das Datenqualitätsmanagementhat.

Immer mehr Unternehmen begreifen ein gutes Datenqualitätsmanagement als einen entscheidenden Wettbewerbsvorteil: Die IT-Kosten sinken, Projekte werden beschleunigt, auf Änderungen am Markt oder von gesetzlichen Auflagen kann schneller und flexibler reagiert werden. Datenintegrationen über System-, Abteilungs- und Unternehmensgrenzen hinweg werden erleichtert und falsche Entscheidungen basierend auf mangelhaften Daten verhindert. Anhand praktischer Beispiele zeigt Ihnen dieses Buch, wie Sie die Qualität Ihrer Daten zielorientiert und nachhaltig verbessern können. Analysieren Sie die Ursachen und Auswirkungen schlechter Datenqualität und erfahren Sie, welche Investitionen sich wirklich lohnen. Lernen Sie die Grundlagen des Datenqualitätsmanagements kennen, die technische Umsetzung mit passgenauen Werkzeugen sowie die praktische Umsetzung in einem kompletten Zyklus eines BI-Projekts. Mit diesem umfassenden Wissen bieten Ihnen die Autoren einen wertvollen Leitfaden für ein erfolgreiches Datenqualitätsmanagement. Die 3. Auflage wurde komplett überarbeitet. Als neues Thema wurde Big Data aufgenommen, da es für die Welt der Business Intelligence eine neue Evolutionsstufe darstellt und somit Auswirkungen auf das Datenqualitätsmanagement hat.