SlideShare una empresa de Scribd logo
1 de 74
INFORMATION QUALITY RETURN ON INVESTMENT Prezentace z pracovních snídaní září 2005 až prosinec 2006 Ing. Jaroslav Kalvoda
Obsah prezentace  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Obsah prezentace  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Profil firmy Profinit ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Profil firmy Profinit ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Professionals in Information Technology
Významní zákazníci firmy Profinit ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Vývoj informačních systémů ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Vývoj informačních systémů ,[object Object],A U P 20% 80% 100% Flexibilita Chaos Svázanost procesy Excelentní řešení Špatné řešení Průměrné řešení
Poskytování zkušených konzultantů ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Poskytování zkušených konzultantů ,[object Object],Zadavatel Dodavatel Profinit Analýza 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 ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Obsah prezentace  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Vymezení pojmů - Souvislosti Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace )
Vymezení pojmů - Chybovost dat  ,[object Object],[object Object],CHYBA OK CHYBA 110 00 106 00 OK OK OK Praha 10 Praha 10 CHYBA CHYBA CHYBA Jabloňová 10 Jabloňová 11 CHYBA OK CHYBA Jarosalv Kalvoda Jaroslav Kalvoda Faktura DM Image Chybný záznam Správný záznam
Obsah prezentace  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Ekonomické dopady nekvalitních inf.  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Ztráty na zásilkách ,[object Object],[object Object],[object Object],[object Object]
Ztráty na zásilkách 450 000 Kč 3 750 000 Kč Z tráta na kampani  celkem 300 000 Kč 2 500 000 Kč Ztráta na letácích 150 000 Kč 1 250 000 Kč Ztráta na poštovném 20 Kč 20 Kč Cena letá ku 10 Kč 10 Kč Cena poštovného 15 000 125 000 Počet ztracených klientů 485 000 375 000 Počet oslovených klientů 3% 25% Chybovost databáze 500 000 500 000 Počet adres v databázi Vyčištěná data Původní data Porovnání kampaní
Ušlý zisk  ,[object Object]
Ušlý zisk  3 000 000 Kč 25 000 000 Kč Ušlý zisk 97 000 000 Kč 75 000 000 Kč Celkový zisk 20 000 Kč 20 000 Kč Průměrný zisk na zakázce 4 850 3 750 Počet  uzavřených  zakázek 1% 1% Účinnost kampaně 15   000 125   000 Počet ztracených klientů 485 000 375 000 Počet oslovených klientů 3% 25% Chybovost databáze 500 000 500 000 Počet adres v databázi Vyčištěná data Původní data Porovnání kampaní
Nerealizovaný Cross-selling  ,[object Object],[object Object],[object Object],[object Object]
Chybné ceny  ,[object Object],[object Object],[object Object],[object Object]
Chybné ceny  ,[object Object],[object Object],[object Object],[object Object]
Nedoručené faktury  ,[object Object],[object Object],[object Object],[object Object]
Nedoručené faktury  0 Kč 10 500 000 Kč Celkové zpoždění plateb 0 dnů 1 den Průměrné zpoždění platby 700 Kč 700 Kč Průměrná cena na faktuře 0 15 000 Počet opožděných faktur 0% 3% Chybovost PSČ 500 000 500 000 Počet adres v databázi Vyčištěná data Původní data Opožděné platby
Chybná rozhodnutí   ,[object Object],[object Object]
Ekonomické dopady nekvalitních inf. ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Obsah prezentace  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Ostatní dopady nekvalitních informací  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Příklad Barbra Streisand  ,[object Object],[object Object]
Příklad Soudní spor  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Příklad Policie  ,[object Object],[object Object],[object Object]
Příklad Nemocnice  ,[object Object],[object Object],[object Object],[object Object]
Příklad Enron  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Příklad Enron  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],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  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Obsah prezentace  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) Metodik y IQ např.  TIQM Nástroj e DQ např.  Trillium
Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) TIQM Nástroj e DQ např.  Trillium
Metodika TIQM  P1 Hodnocení kvality definice dat a informační architektury P2 Hodnocení kvality informací P3 Hodnocení nákladů na nekvalitní informace P4 Reengineering a čištění dat P5 Zlepšení kvality informačních procesů Zhodnocení kvality definice dat Zhodnocení kvality informací Poměr hodnoty a nákladů na informaci Vyčištěná data Zlepšená kvalita informací P6 Tvorba prostředí podporující kvalitu informací Zdroj: Information Impact International
Metodika TIQM  P1 Hodnocení kvality definice dat a informační architektury P2 Hodnocení kvality informací P3 Hodnocení nákladů na nekvalitní informace P4 Reengineering a čištění dat P5 Zlepšení kvality informačních procesů Zhodnocení kvality definice dat Zhodnocení kvality informací Poměr hodnoty a nákladů na informaci Vyčištěná data Zlepšená kvalita informací P6 Tvorba prostředí podporující kvalitu informací Zdroj: Information Impact International 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  P1 Hodnocení kvality definice dat a informační architektury P2 Hodnocení kvality informací P3 Hodnocení nákladů na nekvalitní informace P4 Reengineering a čištění dat P5 Zlepšení kvality informačních procesů Zhodnocení kvality definice dat Zhodnocení kvality informací Poměr hodnoty a nákladů na informaci Vyčištěná data Zlepšená kvalita informací P6 Tvorba prostředí podporující kvalitu informací Zdroj: Information Impact International 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
Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) Metodik y IQ např.  TIQM Nástroj e DQ např.  Trillium
Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) Metodik y IQ např.  TIQM Nástroj e DQ
Nástroje pro zvýšení kvality dat  Repository Zdrojová data Profiling ETL Obohacení Provázání Integra ce Standardizace Etapy procesu čištění dat Profiling
Profiling ,[object Object],[object Object],Zjištění objektivního a přesného obrazu o struktuře a obsahu dat
Standardizace ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Tvorba konzistentního záznamu zákazníka
Obohacení ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Doplnění a opravení chybějících údajů podle různých zdrojů
Provázání Centrální databáze klientů Černý Jan, Ing. Ing. Jan Černý Honza Černý Rodina Černých Jan Černý Deduplikace a identifikace householdů Univerzita Karlova Klub zahraničních pedagogů Identifikace záznamů se společným faktorem Identifikace duplicitních záznamů ,[object Object],[object Object],[object Object]
Přehled světového trhu DQ Tools Zdroj: META Group, Inc, 2004 Business Objects IBM Informatica Konsolidace světového trhu DQ Tools svědčí o přesunu zájmu vendorů i klientů k oblasti datové kvality
Přehled světového trhu DQ Tools Zdroj: META Group, Inc, 2004
Trillium Software
Trillium Software  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Podle Gartnera a 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  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Vyhodnocení návratnosti investic ,[object Object],[object Object],[object Object],[object Object],Porovnáme v příkladu
Vyhodnocení návratnosti investic 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Původní data Porovnání kampaní
Vyhodnocení návratnosti investic Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Původní data Porovnání kampaní
Vyhodnocení návratnosti investic 581 000 000 Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Původní data Porovnání kampaní
Vyhodnocení návratnosti investic 581 000 000 Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
Vyhodnocení návratnosti investic 581 000 000 Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
Vyhodnocení návratnosti investic 581 000 000 Celkem 22 000 000 6 000 000 Náklady na zvýšení kvality dat za 5 let 2 400 000 1 200 000 Roční náklady na správu dat 1 000 000 0 Roční poplatek za údržbu 5 000 000 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
Vyhodnocení návratnosti investic 91 000 000 581 000 000 Celkem 22 000 000 6 000 000 Náklady na zvýšení kvality dat za 5 let 2 400 000 1 200 000 Roční náklady na správu dat 1 000 000 0 Roční poplatek za údržbu 5 000 000 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
Vyhodnocení návratnosti investic Celková úspora u tohoto příkladu za 5 let 490 milionů korun ,[object Object],[object Object],[object Object],[object Object],[object Object],91 000 000 581 000 000 Celkem 22 000 000 6 000 000 Náklady na zvýšení kvality dat za 5 let 2 400 000 1 200 000 Roční náklady na správu dat 1 000 000 0 Roční poplatek za údržbu 5 000 000 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
Obsah prezentace  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Případové studie  ,[object Object],[object Object],[object Object],[object Object]
Microsoft ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Min i sterstvo obrany UK ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],http://www.mod.uk/dlo/index.html
Letiště Praha  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Banka ,[object Object],[object Object],[object Object],3% 58 679 Opravená nebo rekonstruovaná příjmení 3% 59 225 Opravená nebo rekonstruovaná křestní jména 4% 85 549 Opravená nebo rekonstruovaná PSČ 23% 505 330 Opravené nebo rekonstruované názvy ulic 31% 664 500 Opravené nebo rekonstruované názvy měst 47% 1 014 000 Opravené nebo rekonstruované záznamy 100% 2 165 000 Počet záznamů k opravě celkem
Obsah prezentace  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Doporučené zdroje informací ,[object Object],[object Object]
Doporučené zdroje informací ,[object Object],[object Object],[object Object],[object Object]
Obsah prezentace  ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Otázky [email_address]

Más contenido relacionado

Similar a Information Quality

Wells Fargo Bank Internet Banking
Wells Fargo Bank Internet BankingWells Fargo Bank Internet Banking
Wells Fargo Bank Internet Banking
jerrykprague
 

Similar a Information Quality (20)

Profit nebo obrat? Rozhodněte se!
Profit nebo obrat? Rozhodněte se!Profit nebo obrat? Rozhodněte se!
Profit nebo obrat? Rozhodněte se!
 
Wells Fargo Bank Internet Banking
Wells Fargo Bank Internet BankingWells Fargo Bank Internet Banking
Wells Fargo Bank Internet Banking
 
Online marketing & new media | BenedaGroup.com
Online marketing & new media | BenedaGroup.comOnline marketing & new media | BenedaGroup.com
Online marketing & new media | BenedaGroup.com
 
6+1 oblastí, které oddělují úspěšné e-shopy od neúspěšných
6+1 oblastí, které oddělují úspěšné e-shopy od neúspěšných6+1 oblastí, které oddělují úspěšné e-shopy od neúspěšných
6+1 oblastí, které oddělují úspěšné e-shopy od neúspěšných
 
Pomezí webové analytiky a "těch opravdových" dat
Pomezí webové analytiky a "těch opravdových" datPomezí webové analytiky a "těch opravdových" dat
Pomezí webové analytiky a "těch opravdových" dat
 
Internet, sociální sítě a nová media v marketingové komunikaci
Internet, sociální sítě a nová media v marketingové komunikaciInternet, sociální sítě a nová media v marketingové komunikaci
Internet, sociální sítě a nová media v marketingové komunikaci
 
Marketing a data. Umíme v nich najít hodnotu?
Marketing a data. Umíme v nich najít hodnotu?Marketing a data. Umíme v nich najít hodnotu?
Marketing a data. Umíme v nich najít hodnotu?
 
Optimalizace lead kampaní na základě kvality leadů a reálných prodejů
Optimalizace lead kampaní na základě kvality leadů a reálných prodejůOptimalizace lead kampaní na základě kvality leadů a reálných prodejů
Optimalizace lead kampaní na základě kvality leadů a reálných prodejů
 
Reklama a další obchodní modely internetového podnikání
Reklama a další obchodní modely internetového podnikáníReklama a další obchodní modely internetového podnikání
Reklama a další obchodní modely internetového podnikání
 
Trendy v online marketingu roku 2021
Trendy v online marketingu roku 2021Trendy v online marketingu roku 2021
Trendy v online marketingu roku 2021
 
Google Analytics v rukou PPC specialisty - PPC Restart 2017
Google Analytics v rukou PPC specialisty - PPC Restart 2017Google Analytics v rukou PPC specialisty - PPC Restart 2017
Google Analytics v rukou PPC specialisty - PPC Restart 2017
 
Google Analytics v rukou PPC specialisty (Veronika Brindzová, André Heller)
Google Analytics v rukou PPC specialisty (Veronika Brindzová, André Heller)Google Analytics v rukou PPC specialisty (Veronika Brindzová, André Heller)
Google Analytics v rukou PPC specialisty (Veronika Brindzová, André Heller)
 
Big Data: reálné aplikace pro business - Odborna snidane 30. 11. 2016
Big Data: reálné aplikace pro business - Odborna snidane 30. 11. 2016Big Data: reálné aplikace pro business - Odborna snidane 30. 11. 2016
Big Data: reálné aplikace pro business - Odborna snidane 30. 11. 2016
 
Analyza Rizik
Analyza RizikAnalyza Rizik
Analyza Rizik
 
Jak na efektivní náborové kampaně na Facebooku
Jak na efektivní náborové kampaně na FacebookuJak na efektivní náborové kampaně na Facebooku
Jak na efektivní náborové kampaně na Facebooku
 
BI and the competitive advantage of the business
BI and the competitive advantage of the businessBI and the competitive advantage of the business
BI and the competitive advantage of the business
 
Průzkum FINANČNÍ ŘÍZENÍ A FINANCOVÁNÍ
Průzkum FINANČNÍ ŘÍZENÍ A FINANCOVÁNÍPrůzkum FINANČNÍ ŘÍZENÍ A FINANCOVÁNÍ
Průzkum FINANČNÍ ŘÍZENÍ A FINANCOVÁNÍ
 
Vladan Hejnic - colpirio.com
Vladan Hejnic - colpirio.comVladan Hejnic - colpirio.com
Vladan Hejnic - colpirio.com
 
Řízení znalostí / Petra Štogrová Jedličková
Řízení znalostí / Petra Štogrová JedličkováŘízení znalostí / Petra Štogrová Jedličková
Řízení znalostí / Petra Štogrová Jedličková
 
MetaData – kde je hodnota v datech
MetaData – kde je hodnota v datechMetaData – kde je hodnota v datech
MetaData – kde je hodnota v datech
 

Information Quality

  • 1. INFORMATION QUALITY RETURN ON INVESTMENT Prezentace z pracovních snídaní září 2005 až prosinec 2006 Ing. Jaroslav Kalvoda
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13. Vymezení pojmů - Souvislosti Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace )
  • 14.
  • 15.
  • 16.
  • 17.
  • 18. Ztráty na zásilkách 450 000 Kč 3 750 000 Kč Z tráta na kampani celkem 300 000 Kč 2 500 000 Kč Ztráta na letácích 150 000 Kč 1 250 000 Kč Ztráta na poštovném 20 Kč 20 Kč Cena letá ku 10 Kč 10 Kč Cena poštovného 15 000 125 000 Počet ztracených klientů 485 000 375 000 Počet oslovených klientů 3% 25% Chybovost databáze 500 000 500 000 Počet adres v databázi Vyčištěná data Původní data Porovnání kampaní
  • 19.
  • 20. Ušlý zisk 3 000 000 Kč 25 000 000 Kč Ušlý zisk 97 000 000 Kč 75 000 000 Kč Celkový zisk 20 000 Kč 20 000 Kč Průměrný zisk na zakázce 4 850 3 750 Počet uzavřených zakázek 1% 1% Účinnost kampaně 15 000 125 000 Počet ztracených klientů 485 000 375 000 Počet oslovených klientů 3% 25% Chybovost databáze 500 000 500 000 Počet adres v databázi Vyčištěná data Původní data Porovnání kampaní
  • 21.
  • 22.
  • 23.
  • 24.
  • 25. Nedoručené faktury 0 Kč 10 500 000 Kč Celkové zpoždění plateb 0 dnů 1 den Průměrné zpoždění platby 700 Kč 700 Kč Průměrná cena na faktuře 0 15 000 Počet opožděných faktur 0% 3% Chybovost PSČ 500 000 500 000 Počet adres v databázi Vyčištěná data Původní data Opožděné platby
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38. Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) Metodik y IQ např. TIQM Nástroj e DQ např. Trillium
  • 39. Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) TIQM Nástroj e DQ např. Trillium
  • 40. Metodika TIQM P1 Hodnocení kvality definice dat a informační architektury P2 Hodnocení kvality informací P3 Hodnocení nákladů na nekvalitní informace P4 Reengineering a čištění dat P5 Zlepšení kvality informačních procesů Zhodnocení kvality definice dat Zhodnocení kvality informací Poměr hodnoty a nákladů na informaci Vyčištěná data Zlepšená kvalita informací P6 Tvorba prostředí podporující kvalitu informací Zdroj: Information Impact International
  • 41. Metodika TIQM P1 Hodnocení kvality definice dat a informační architektury P2 Hodnocení kvality informací P3 Hodnocení nákladů na nekvalitní informace P4 Reengineering a čištění dat P5 Zlepšení kvality informačních procesů Zhodnocení kvality definice dat Zhodnocení kvality informací Poměr hodnoty a nákladů na informaci Vyčištěná data Zlepšená kvalita informací P6 Tvorba prostředí podporující kvalitu informací Zdroj: Information Impact International 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
  • 42. Metodika TIQM P1 Hodnocení kvality definice dat a informační architektury P2 Hodnocení kvality informací P3 Hodnocení nákladů na nekvalitní informace P4 Reengineering a čištění dat P5 Zlepšení kvality informačních procesů Zhodnocení kvality definice dat Zhodnocení kvality informací Poměr hodnoty a nákladů na informaci Vyčištěná data Zlepšená kvalita informací P6 Tvorba prostředí podporující kvalitu informací Zdroj: Information Impact International 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
  • 43. Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) Metodik y IQ např. TIQM Nástroj e DQ např. Trillium
  • 44. Metodologie zvýšení kvality informací Informační kvalita Datová kvalita Vztah informací a dat informace = f(data, definice, prezentace ) Metodik y IQ např. TIQM Nástroj e DQ
  • 45. Nástroje pro zvýšení kvality dat Repository Zdrojová data Profiling ETL Obohacení Provázání Integra ce Standardizace Etapy procesu čištění dat Profiling
  • 46.
  • 47.
  • 48.
  • 49.
  • 50. Přehled světového trhu DQ Tools Zdroj: META Group, Inc, 2004 Business Objects IBM Informatica Konsolidace světového trhu DQ Tools svědčí o přesunu zájmu vendorů i klientů k oblasti datové kvality
  • 51. Přehled světového trhu DQ Tools Zdroj: META Group, Inc, 2004
  • 53.
  • 54.
  • 55.
  • 56. Vyhodnocení návratnosti investic 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Původní data Porovnání kampaní
  • 57. Vyhodnocení návratnosti investic Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Původní data Porovnání kampaní
  • 58. Vyhodnocení návratnosti investic 581 000 000 Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Původní data Porovnání kampaní
  • 59. Vyhodnocení návratnosti investic 581 000 000 Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 575 000 000 Celková ztráta na kampaních za 5 let 5 Počet sledovaných let 4 Počet kampaní za rok 28 750 000 Celková ztráta na kampani 25 000 000 Ušlý zisk na kampani 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
  • 60. Vyhodnocení návratnosti investic 581 000 000 Celkem 6 000 000 Náklady na zvýšení kvality dat za 5 let 1 200 000 Roční náklady na správu dat 0 Roční poplatek za údržbu 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
  • 61. Vyhodnocení návratnosti investic 581 000 000 Celkem 22 000 000 6 000 000 Náklady na zvýšení kvality dat za 5 let 2 400 000 1 200 000 Roční náklady na správu dat 1 000 000 0 Roční poplatek za údržbu 5 000 000 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
  • 62. Vyhodnocení návratnosti investic 91 000 000 581 000 000 Celkem 22 000 000 6 000 000 Náklady na zvýšení kvality dat za 5 let 2 400 000 1 200 000 Roční náklady na správu dat 1 000 000 0 Roční poplatek za údržbu 5 000 000 0 Nástroj na zvýšení kvality dat 69 000 000 575 000 000 Celková ztráta na kampaních za 5 let 5 5 Počet sledovaných let 4 4 Počet kampaní za rok 3 450 000 28 750 000 Celková ztráta na kampani 3 000 000 25 000 000 Ušlý zisk na kampani 450 000 3 750 000 Ztráty na zásilkách Vyčištěná data Původní data Porovnání kampaní
  • 63.
  • 64.
  • 65.
  • 66.
  • 67.
  • 68.
  • 69.
  • 70.
  • 71.
  • 72.
  • 73.

Notas del editor

  1. Slovo data pochází z Latiny a znamená „Dát“, profile – z AJ – analyzovat banky jsou orientované produktově a je hodně projektů na datovou integraci
  2. míra závislosti účasti na trhu a výkonem určuje hranice úspěšnosti, které jsou znázorněny dvěmi linkami hranicemi úspěchu. presence – vize/strategie, kanály/partneři, reputace, geografické pokrytí, investice, procento trhu performace – technologie, služby, cenová politika, hbitost, lidské zdroje, solventnost všichni vendoři mají standardizaci…., ale leaři mají také konektory a větší lokalizace pro jednotlivé země
  3. míra závislosti účasti na trhu a výkonem určuje hranice úspěšnosti, které jsou znázorněny dvěmi linkami hranicemi úspěchu. presence – vize/strategie, kanály/partneři, reputace, geografické pokrytí, investice, procento trhu performace – technologie, služby, cenová politika, hbitost, lidské zdroje, solventnost všichni vendoři mají standardizaci…., ale leaři mají také konektory a větší lokalizace pro jednotlivé země
  4. It is a component based GUI, all parameters can edited using it.
  5. 14 mil. špatných trx. každé čtvrtletí produkty jsou lokalizovány do 30 jazyku a prodavany v 50 zemich