Information Quality

transcript

INFORMATION QUALITYRETURN ON INVESTMENT

Prezentace z pracovních snídanízáří 2005 až prosinec 2006

Ing. Jaroslav Kalvoda

Obsah prezentace

• Představení firmy Profinit

• Návratnost investic do Informační kvality• Vymezení základních pojmů• Ekonomické dopady nekvalitních informací• Ostatní dopady nekvalitních informací• Metodologie zvýšení kvality informací• Vyhodnocení návratnosti investic• Případové studie• Doporučené zdroje informací

Obsah prezentace

• Představení firmy Profinit

Profil firmy Profinit

• Poskytovatel IT řešení a služeb

• Přibližně 60 konzultantů

• Přibližně 170 milionů tržeb ročně

• Meziroční růst 20%

• Rating A2 v registru D&B

• Kompetence firmy• Vývoj informačních systémů• Poskytování zkušených konzultantů• Data Management

Profil firmy Profinit

• Poskytovatel IT řešení a služeb

• Přibližně 60 konzultantů

• Přibližně 170 milionů tržeb ročně

• Meziroční růst 20%

• Rating A2 v registru D&B

• Kompetence firmy• Vývoj informačních systémů• Poskytování zkušených konzultantů• Data Management

Professionals

Information Technology

Významní zákazníci firmy Profinit

• Česká pošta, s.p.

• Česká spořitelna, a.s.

• Československá obchodní banka, a.s.

• ČSOB Pojišťovna, a.s.

• Komerční banka, a.s.

• Letiště Praha, s.p.

• Telefonica O2, a.s.

Vývoj informačních systémů

• Komplexní realizace• Od business požadavků po odevzdání systému do

provozu a zajištění technické podpory

• Omezení rizik• Důraz na získávání know-how pro omezování rizik

spojených s vývojem rozsáhlých systémů– Riziko prodloužení termínů– Riziko překročení rozpočtu– Riziko chyby v provozu

Příklady• Pojišťovací systém pro ČSOBP• Centrální adresa pro Českou poštu

Vývoj informačních systémů

• Kvalita a riziko řešení

Flexibilita

Svázanostprocesy

Excelentnířešení

Špatnéřešení

Průměrnéřešení

Poskytování zkušených konzultantů

• Naši experti patří k nejlépe hodnoceným

• Vybíráme• Výjimečný talent• Kvalitní vzdělání• Bohatá zkušenost• Prokazatelné reference• Povinné další vzdělávání

• Často spojeni se speciální technologií• Informatica, Teradata, ETL, Trillium Software• Oracle, Sybase, Cognos, Websphere, Java

Příklady• Komerční banka• Česká spořitelna

• Náročný výběrový proces• Nízká fluktuace

Poskytování zkušených konzultantů

• Na stranu zadavatele proti dodavateli

Zadavatel Dodavatel

finitAnalýza a formulace zadání

Project Management(EON, RFI, RFP, POC, FS)

Quality Assurance

Zadavatel A

Zadavatel B

Zadavatel C

Dodavatel A

Dodavatel B

Dodavatel C

Data Management

• Stěžejní témata• Datová integrace• Datové sklady• Informační a datová kvalita• ETL procesy• Master Data Management

Příklady• Datové sklady pro Komerční banku • CAODB pro Letiště Praha

Obsah prezentace

Představení firmy Profinit

Vymezení pojmů - Souvislosti

Informační kvalita

Datová kvalita

Vztah informací a datinformace = f(data, definice, prezentace)

Vymezení pojmů - Chybovost dat

Správný záznam Chybný záznam Image DM Faktura

Jaroslav Kalvoda Jarosalv Kalvoda CHYBA OK CHYBA

Jabloňová 11 Jabloňová 10 CHYBA CHYBA CHYBA

Praha 10 Praha 10 OK OK OK

106 00 110 00 CHYBA OK CHYBA

• Chyba je překročení přípustné míry nepřesnosti• Pro různé účely může být chybovost stejných dat

hodnocena jako různá

Obsah prezentace

• Návratnost investic do Informační kvalityVymezení základních pojmů• Ekonomické dopady nekvalitních informací• Ostatní dopady nekvalitních informací• Metodologie zvýšení kvality informací• Vyhodnocení návratnosti investic• Případové studie• Doporučené zdroje informací

Ekonomické dopady nekvalitních inf.

• Marketing• Ztráty na zásilkách• Ušlý zisk

• Obchod• Nerealizovaný Cross-selling• Chybné ceny

• Cashflow• Nedoručené faktury

• Management• Chybná rozhodnutí

Ztráty na zásilkách

• Odesláním direct mailu na chybné adresy ztratíme peníze na:

• Poštovném• Vytištění letáků• Práci

Ztráty na zásilkách

Porovnání kampaní Původní data Vyčištěná data

Počet adres v databázi 500 000 500 000

Chybovost databáze 25% 3%

Počet oslovených klientů 375 000 485 000

Počet ztracených klientů 125 000 15 000

Cena poštovného 10 Kč 10 Kč

Cena letáku 20 Kč 20 Kč

Ztráta na poštovném 1 250 000 Kč 150 000 Kč

Ztráta na letácích 2 500 000 Kč 300 000 Kč

Ztráta na kampani celkem 3 750 000 Kč 450 000 Kč

Ušlý zisk

• Odesláním direct mailu na chybné adresy nezrealizujeme zisk, který bychom zrealizovali při odeslání na správné adresy.

Ušlý zisk

Chybovost databáze 25% 3%

Počet oslovených klientů 375 000 485 000

Počet ztracených klientů 125 000 15 000

Účinnost kampaně 1% 1%

Počet uzavřených zakázek 3 750 4 850

Průměrný zisk na zakázce 20 000 Kč 20 000 Kč

Celkový zisk 75 000 000 Kč 97 000 000 Kč

Ušlý zisk 25 000 000 Kč 3 000 000 Kč

Nerealizovaný Cross-selling

• Příklad• Pokud pojišťovna nemá provázaný systém

životního a neživotního pojištění, přichází o zakázky.

• Obecně• Nemá-li obchodník v okamžiku komunikace se

zákazníkem informace o dalších produktech, které by zákazník nakoupit mohl nebokteré již nakoupil,přichází o zakázky.

Chybné ceny

• Website error sells rooms for £2• Hotel vyprodal pokoje v novoroční době za zlomek

běžné ceny z důvodu chyby na webu• Klienti zaplatili jen £2 namísto £220 za pokoj v

Marriott **** hotelu, Huntington, Cambs.• Manažer Ian Pask řekl, že když chybu zjistili,

rozhodli se jí uznat

Chybné ceny

• Chyba na webu prodávala **** namísto ++• Canaria Travel na webu chybně označila kategorii

prodávaného ubytování na Tenerife• Ubytovna ++ byla označena jako hotel ****• Po vyjednávání cestovní kancelář přesunula klienty

do **** hotelu za ceny ++ ubytovny

Nedoručené faktury

• V průzkumu provedeném PWCreportovalo 75% ze vzorku 600 firemzásadní problémyjako důsledek nekvalitních dat.

Global Data Management Survey, 2004

• Až celá třetina nezvládla doručit účet klientovia tím neobdržela očekávaný příjem včas.

Global Data Management Survey, 2004

Nedoručené faktury

Opožděné platby Původní data Vyčištěná data

Chybovost PSČ 3% 0%

Počet opožděných faktur 15 000 0

Průměrná cena na faktuře 700 Kč 700 Kč

Průměrné zpoždění platby 1 den 0 dnů

Celkové zpoždění plateb 10 500 000 Kč 0 Kč

Chybná rozhodnutí

• Vložíte-li do systému nekvalitní data, dostanete nekvalitní výsledky. Odtud je jenom krok ke špatnému firemnímu rozhodnutí.

Andy Bury, Data Quality Manager, NCR

Ekonomické dopady nekvalitních inf.

MarketingZtráty na kampaníchUšlý zisk

ObchodNerealizovaný Cross-selling

Cash flowNedoručené faktury

Management firmyChybná rozhodnutí

• Vymyslete další ekonomické dopady

Obsah prezentace

• Návratnost investic do Informační kvalityVymezení základních pojmůEkonomické dopady nekvalitních informací• Ostatní dopady nekvalitních informací• Metodologie zvýšení kvality informací• Vyhodnocení návratnosti investic• Případové studie• Doporučené zdroje informací

Ostatní dopady nekvalitních informací

• Image firmy• Příklad Barbra Streisand

• Správná identifikace osoby nebo firmy• Příklad Soudní spor• Příklad Policie• Příklad Nemocnice

• Legislativa• Příklad Enron

Příklad Barbra Streisand

• Barbra si velmi zakládá na svém křestním jménu, často je chybně jmenována Barbara.

• Zrušila své účty u banky, která jí přes upozornění posílala výpisy na jméno Barbara.

Příklad Soudní spor

• Pro vedení soudního sporu je třeba, aby:• Na všech daňových dokladech byl správně uveden

adresát• Na všech smlouvách byly správně uvedeny smluvní

strany

• Je rozdíl mezi:• Firma, s.r.o.• Firma, spol. s r.o.

• Chyby mohou být v případěsoudních sporů velmi drahé.

Příklad Policie

• Nevinný muž byl držen ve vazbě.

• Důvodem byla chybná identifikace jako důsledek špatné datové kvality.

• Chyby v datové kvalitě u policie mohou mít vážné následky.

Příklad Nemocnice

• Pacient v nemocnici dostal jiné léky než, které mu byly určeny.

• Důvodem byla chybná identifikace pacienta jako důsledek špatné datové kvality.

• Chyby v nemocnici mohoumít fatální následky.

• Obdobné důsledky najdemev lékárnách

Příklad Enron

• V dnešním světě existují stovky regulací, kterými se musí business řídit. Součástí všech je reportování podmíněné určitou úrovní datové kvality.

• Sarbanes-Oxley (USA)• OFAC (USA)• Patriot Act (USA)• Higgs Report (UK)• IAS (UK/Europe)• Basel II (Europe)

Příklad Enron

Ke krachu firmy vedly sofistikované a legálně se tvářící operace. Tržní hodnota firmy klesla z 60 miliard na nulu, penzijní plán přišel o 2,1 miliardy a o práci přišlo 5600 lidí. Předseda správní rady Kenneth Lay a generální ředitel Jefferey Skilling byli shledáni vinnými a za podvody přes 80 milionů dolarů jim hrozí trest přes 20 let.

K ochraně investorů platí již čtvrtým rokem zákon Sarbanes-Oxley. Reportování je podmíněno kvalitními daty.

Příklad Enron

• Jaký zůstatek máme reportovat?• Kde toto číslo v systému vzniklo?

Obsah prezentace

• Návratnost investic do Informační kvalityVymezení základních pojmůEkonomické dopady nekvalitních informacíOstatní dopady nekvalitních informací• Metodologie zvýšení kvality informací• Vyhodnocení návratnosti investic• Případové studie• Doporučené zdroje informací

Metodologie zvýšení kvality informací

Datová kvalita

Metodiky IQ

např. TIQM

Nástroje DQ

např. Trillium

Datová kvalita

Nástroje DQ

např. Trillium

Metodika TIQM

P1Hodnocení

kvalitydefinice data informačníarchitektury

P2Hodnocení

kvalityinformací

P3Hodnocení

nákladůna nekvalitní

informace

P4Reengineeringa čištění dat

P5Zlepšení kvality

informačníchprocesů

Zhodnoceníkvality

definice dat

Zhodnoceníkvality

informací

Poměr hodnotya nákladů na

informaci

Vyčištěná data

Zlepšená kvalitainformací

P6Tvorba prostředí podporující kvalitu informací

Zdroj: Information Impact International

Metodika TIQM

P1Hodnocení

kvalitydefinice data informačníarchitektury

P2Hodnocení kvality

informací

P3Hodnocení

informace

P4Reengineering

a čištění dat

Zhodnoceníkvality

definice dat

Zhodnoceníkvality

informací

informaci

Vyčištěná data

S1.1 Identifikace prostředků pro kvalitní definici dat

S1.2 Vymezení skupin informací, které budou hodnoceny

S1.3 Identifikace zainteresovaných stran

S1.4 Technické hodnocení definice dat

S1.5 Hodnocení kvality architektury a designu DB

S1.6 Hodnocení spokojenosti uživatelů s definicí dat

Metodika TIQM

P1Hodnocení kvality

definice data informačníarchitektury

P2Hodnocení

kvalityinformací

P3Hodnocení

informace

P4Reengineering

a čištění dat

Zhodnoceníkvality

definice dat

Zhodnoceníkvality

informací

informaci

Vyčištěná data

S2.1 Identifikuje skupinu informací, která bude předmětem šetření.

S2.2 Určují se kriteria, která budou předmětem zkoumání.

S2.3 Dokumentuje řetězec vzniku nákladů a zhodnocení

informace.

S2.4 Výběr souborů a procesů ke zhodnocení.

S2.5 Určení zdrojů, proti kterým budou data validována.

S2.6 Získání náhodných vzorků dat.

S2.7 Měření informační kvality

S2.8 Interpretace a reporting informační kvality

Datová kvalita

Metodiky IQ

např. TIQM

Nástroje DQ

např. Trillium

Datová kvalita

Metodiky IQ

např. TIQM

Nástroje DQ

Nástroje pro zvýšení kvality dat

Repository

Zdrojová data

Profiling

Obohacení

Provázání

Integrace

Standardizace Etapy procesučištění dat

Profiling

• Data profiling poskytuje uživatelům ohromnou možnost poznání stavu jejich dat, předtím než vůbec začnou projekt datové integrace nebo proces datové kvality, což může nejen dramaticky snížit čas a úsilí, ale také zvýšit šanci takového projektu na úspěch.

Doug Laney,Vicepresident,

META Group Inc.

Zjištění objektivního a přesného obrazu o struktuře a obsahu dat

Standardizace

Vstupní záznamÚřad Vlády

Ing. Jura Novák

Nábřeží Eduarda Beneše 4

118 01 Praha 1

tel: 224002335

e-mail: pošta@vlada.cz

Výstupní záznamtitul: Ing.křestní jméno: Jiřípříjmení: Novákfirma: Úřad vlády ČRulice: nábř. Edvarda Benešečíslo: 4obec: Praha 1PSČ: 118 01tel: +420 224002335e-mail: posta@vlada.cz

Tvorba konzistentního záznamu zákazníka

Obohacení

Vstupní záznamtitul: Ing.

křestní jméno: Jiří

příjmení: Novák

firma: Úřad vlády ČR

ulice: nábř. Edvarda Beneše

číslo: 4

obec: Praha

PSČ: 118 01

tel: +420 224002335

e-mail: posta@vlada.cz

Výstupní záznamtitul: Ing.křestní jméno: Jiřípříjmení: Novákfirma: Úřad vlády ČRulice: nábř. Edvarda Benešečíslo popisné: 130číslo orientační: 4obec: Praha část obce: Malá Strana (Praha 1)PSČ: 118 01tel: +420 224002340e-mail: posta@vlada.cz

Doplnění a opravení chybějících údajů podle různých zdrojů

Provázání

Centrální databázeCentrální databázeklientůklientů

Černý Jan, Ing.Černý Jan, Ing.

Ing. Jan ČernýIng. Jan Černý

Honza ČernýHonza Černý

Rodina ČernýchRodina ČernýchJan ČernýJan Černý

Deduplikace a identifikace householdů

Univerzita KarlovaUniverzita Karlova

Klub zahraničních Klub zahraničních pedagogůpedagogů

Identifikace záznamůse společným faktorem

Identifikaceduplicitních záznamů

Příklad leasingové společnosti

1)Zdánlivě rizikový klient

2)Zdánlivě nerizikový klient

Přehled světového trhu DQ Tools

Zdroj: META Group, Inc, 2004

Business Objects

Informatica

Konsolidace světového trhu DQ Toolssvědčí o přesunu zájmu vendorů i klientů

k oblasti datové kvality

Přehled světového trhu DQ Tools

Zdroj: META Group, Inc, 2004

Trillium Software

• Leader mezi DQ nástroji

• Český geocoder

• Více než 1700prodaných licencí v celém světě

• Globální pokrytí

• Dlouhá historie

• Cenová flexibilita

Podle Gartneraa Forrestera

Jediný z hodnocených

nástrojů s českým

geocoderem

Nejrozšířenější nástroj na kontrolu

kvality ve světě

Zastoupen

ve 27 zemích

25-leté know how

Tříletý vývoj poslední verze za 6.5 milionů USD

Světová kvalita za přijatelné ceny

Obsah prezentace

• Návratnost investic do Informační kvalityVymezení základních pojmůEkonomické dopady nekvalitních informacíOstatní dopady nekvalitních informacíMetodologie zvýšení kvality informací• Vyhodnocení návratnosti investic• Případové studie• Doporučené zdroje informací

Vyhodnocení návratnosti investic

• Možnosti řešení informační kvality• Do nothing• Cleansing (DQ)• Improving (IQ)

Porovnáme v příkladu

Porovnání kampaní Původní data

Ztráty na zásilkách 3 750 000

Ušlý zisk na kampani 25 000 000

Celková ztráta na kampani 28 750 000

Počet kampaní za rok 4

Počet sledovaných let 5

Celková ztráta na kampaních za 5 let 575 000 000

Nástroj na zvýšení kvality dat 0

Roční poplatek za údržbu 0

Roční náklady na správu dat 1 200 000

Náklady na zvýšení kvality dat za 5 let 6 000 000

Celkem

Celkem 581 000 000

Ztráty na zásilkách 3 750 000 450 000

Ušlý zisk na kampani 25 000 000 3 000 000

Celková ztráta na kampani 28 750 000 3 450 000

Počet kampaní za rok 4 4

Počet sledovaných let 5 5

Celková ztráta na kampaních za 5 let 575 000 000 69 000 000

Celkem 581 000 000

Nástroj na zvýšení kvality dat 0 5 000 000

Roční poplatek za údržbu 0 1 000 000

Roční náklady na správu dat 1 200 000 2 400 000

Náklady na zvýšení kvality dat za 5 let 6 000 000 22 000 000

Celkem 581 000 000

Celkem 581 000 000 91 000 000

Celková úspora

u tohoto příkladu za 5 let

490 milionů korun

Připočtěte:

1.Nerealizovaný Cross-selling

2.Riziko chybných rozhodnutí

3.Riziko soudních sporů

4.Riziko vysokých pokut regulátorů

Obsah prezentace

• Návratnost investic do Informační kvalityVymezení základních pojmůEkonomické dopady nekvalitních informacíOstatní dopady nekvalitních informacíMetodologie zvýšení kvality informacíVyhodnocení návratnosti investic• Případové studie• Doporučené zdroje informací

Případové studie

• Microsoft

• Ministerstvo obrany UK

• Letiště Praha

• Banka

Microsoft

• Výzva• Celosvětové použití databáze napříč společností• Potřeba detailních informací o prodejích • Týdenní přírůstek 50.000 chybných záznamů

• Přínosy řešení• Rychlá implementace (3 měsíce, 20 specialistů)• Zkrácení generování reportů (z 5 dnů na 2 dny) • Jednodušší ověření dat (z 18 pracovníků na 8)• Návratnost investic 10-ti násobná již v prvním

roce implementace

Ministerstvo obrany UK

• Výzva• Konsolidovat data z více než 860 systémů• Zlepšit efektivitu dodavatelského řetězce• Zpracovávat velké objemy dat

• Přínosy řešení• Úspora £20 mil během 2 let• Zvýšení efektivity provozu• Zvýšení efektivity správy dat• Dosažení konzistence dat napříč všemi

složkami britské armády

http://www.mod.uk/dlo/index.html

Letiště Praha

• Výzva • Konsolidovat data z různých zdrojů, vytvořit

centrální úložiště se správnými daty• Dosáhnout maximální přípustné zpoždění 30

sekund• Mnoho zdrojů, často s nízkou kvalitou dat• Minimum času na řešení chybových stavů

• Použité metodiky na nástroje• TIQM• Informatika a Message Broker• Trillium Software

• Předpokládaná chybovost 20% až 30%• Skutečná chybovost 47%• Výsledky automatizované opravy jmenných a

adresních záznamů ukazuje tabulka

Počet záznamů k opravě celkem 2 165 000 100%

Opravené nebo rekonstruované záznamy 1 014 000 47%

Opravené nebo rekonstruované názvy měst 664 500 31%

Opravené nebo rekonstruované názvy ulic 505 330 23%

Opravená nebo rekonstruovaná PSČ 85 549 4%

Opravená nebo rekonstruovaná křestní jména 59 225 3%

Opravená nebo rekonstruovaná příjmení 58 679 3%

Obsah prezentace

Představení firmy ProfinitNávratnost investic do Informační kvality

Vymezení základních pojmůEkonomické dopady nekvalitních datOstatní dopady nekvalitních datMetodologie zvýšení kvality datVyhodnocení návratnosti investicPřípadové studie• Doporučené zdroje informací

Doporučené zdroje informací

• ROI Calculator

• Library

Doporučené zdroje informací

• Larry English• Improving Data

Warehouse and Business Information Quality: Methods for Reducing Costs and Increasing Profits

• Wiley Computer Publishing, 1999

• Information Impact International

Obsah prezentace

Představení firmy ProfinitNávratnost investic do Informační kvality

Vymezení základních pojmůEkonomické dopady nekvalitních informacíOstatní dopady nekvalitních informacíMetodologie zvýšení kvality informacíVyhodnocení návratnosti investicPřípadové studieDoporučené zdroje informací

Otázky

jaroslav.kalvoda@profinit.cz

Information Quality

Documents