Data Quality erfolgreich steuern
Badge
Empfänger:innen dieses Badges haben an einer betrieblichen Weiterbildung der Haufe Akademie teilgenommen. Die betriebliche Weiterbildung vermittelte profundes Wissen und Kompetenzen mit höchsten Anforderungen an Aktualität, Qualität und Praxisrelevanz. Ausgewählte Top-Referent:innen, State-of-the-Art Inhalte und erprobte Lerntransfertools befähigen die Empfänger:innen dieses Badges dazu, das vermittelte Know-how wirksam in die Praxis umzusetzen.
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.