Vortrag: DQM - Ein kritischer Erfolgsfaktor?

Datenqualitätsmanagement (DQM)
Ein kritischer Erfolgsfaktor?

Sind Sie nicht auch der Meinung, …

 … dass Datenqualitätsmanagement
langweilig, nutzlos, keine wesentlichen
Verbesserungen bringt, uninteressant und keine
Managementaufgabe ist?

 Also eher was für Romantiker mit viel Zeit zum
träumen?

2 Copyright ACT © 2010 Workshop - DCUG e.V. - 29. April 2010 Marco Geuer

Gerne möchte ich Sie überzeugen, …

… dass ganzheitliches und nachhaltiges
 die Kundenzufriedenheit und –bindung erheblich
steigert,
 die Mitarbeiterzufriedenheit erheblich steigert,
 den Durchsatz und die Kostensituation stark
verbessert,
 vernetztes denken im Unternehmen fördert
 die Innovationskraft fördert
 mehr Transparenz schafft
 und ein wichtiger Pfeiler für Compliance-
Konformität ist

Situation

Stetiger Veränderungsdruck durch immer
schnellere Marktveränderungen

 Auslöser für Veränderungen:
 Globalisierung – neue Länder, neue Marktspieler
 neue und verschärfte Transparenzregeln
- z.B. KonTraG, Basel II, Solvency II, Corporate
Governance, SOX, MaRisk, GDPdU/GoBS, BilKoG,
BilMoG, HGB, AO, usw.
 frühzeitiger und kontinuierlicher
Anpassungsprozess unausweichlich


Situation Compliance

Verlangte Transparenz
erfordert DQ / deckt DQ-
Mängel auf

SOX
Financial EuroSOX Funktionsfähigkeit des
Compliance Basel II Internen Kontrollsystems
SolvencyII (IKS)

Compliance
Nachweisbarkeit der
Geschäftsprozesse

Fehlerfreiheit,
TKG Verfügbarkeit, Sicherheit,
BDSG Aktualität
IT
GoBS/GDPdU
Compliance Elektr. Betriebsprüfung:
KonTraG
MaRisk Buchhaltung + vor- und
... nachgelagerte Systeme

Risikofrüherkennungs-
system; Wirksamkeit durch
IKS sicherstellen


Situation

 die Erkennungs- und Steuersysteme sind nur so
gut wie die Informationen, auf denen sie
beruhen:
 bei schlechter DQ werden Risiken nicht erfasst!

 Schlechte Datenqualität hat direkte Auswirkungen
 auf die Geschäftsprozesse
 auf die Erfüllung von Richtlinien
 als Entscheidungsgrundlage
 und somit auf die Gewinnsituation

 mangelhafte Datenqualität und ungeeignete
Informationssysteme sind ein unternehmerisches
Risiko


Handlungsempfehlung

Chancen und Risiken frühzeitig erkennen
durch

 stetige Steigerung von
Transparenz und Informationsqualität
in der Unternehmensorganisation
 Prozesse
 Daten- und Dokumentenfluss
 IT-Systeme
 Aufgabenstellung u. -verteilung

“Transparenz schafft Handlungsalternativen!“


Daten – Informationen - Wissen

DATEN INFOR- WISSEN
MATION

„24.03.1943“ Welche MA Know-How-
sind 1943 Aufbau für
geboren? Positionen, die
neu besetzt
werden müssen


Die richtigen Fragen stellen

 Fragen
 Stimmen alle Daten, die ich zum Rechnen
benutze?

 Weiß ich eigentlich
genau, was in meinen
Reports berechnet
wird?

 Weiß ich, was es mich
kostet, 50% der Kosten zu reduzieren?

 Weiß ich überhaupt genau, was ich wissen will?


Problem Datenqualität

Bekannte Probleme durch schlechte Datenqualität
 Irrlaufende Postsendungen
 Kundenbeschwerden durch falsche und fehlerhafte Anrede,
Namen, Adressen
 Fehlproduktionen
 Mehrfachauslieferungen
 falsche Kennzahlen
 Erhebliche Verzögerungen oder gar Scheitern von Vorhaben
zur Systemmigration, Datenintegration und DataWarehouse
 Projekt-Management, nicht planbarer Zeit- u.
Ressourcenaufwand aufgrund der Vielfalt möglicher
Fehlerquellen
 Verringerung des Automatisierungsgrades (zu häufiges
manuelles eingreifen nötig)


Problem Datenqualität

Rechnungswesen
 doppelte oder mehrfache Zahlung von Rechnungen
 Rechnungen werden nicht versendet oder können nicht
zugestellt werden
 Zahlungen laufen falsch oder kommen zurück
 Lückenhafte und unvollständige Bonitätsprüfung (gutes
Geschäft geht evtl. verloren, schlechtes Geschäft wird
reingeholt)
 Zuordnung von Eingangs-Zahlungen nicht möglich
 Fehlerhafte Auswertungen durch Inkonsistenzen in den
Daten oder verursacht durch Exportschnittstellen (z.B.
Semikolon im Buchungstext, Export von
Exponentialwerten 6,00E-02 statt 0,06)


Datenqualität und GoBS

Funktionalität gemäß GoBS/GDPdU
Transparenz und Nachvollziehbarkeit
Retrograde und progressive Auswertbarkeit

Vorsysteme Nebensysteme Hauptsystem

CRM Fakturierung
(Angebots-Nr. / (Auftrags-Nr.,
Auftrags-Nr., Kunden-Nr., FiBu
Kunden-Nr.) Rechnungs-Nr.)
(Rechnungs-Nr.)

Zeitwirtschaft Gehaltsbuchhaltung (Personal-Nr.)
(Personal-Nr.) (Personal-Nr.)


Datenqualität bedeutend für CODA

Datenimport / Schnittstellen Datenexport / Schnittstellen

Workflow

Altsystem Intern
Controlling / Fachbereich

Faktursystem Jahresabschluss / Wirtschaftsprüfer
CODA JET / Journal Entry Testing

Financials
Finanzamt / Betriebsprüfer
Warenwirtschaft Assets Z3 / Datenbereitstellung (IDEA)

Archiv
sonst.
GDPdU
Vorsysteme

Dokumenten-
managementsystem


Messung von Datenqualität

 “You can't improve what you can't measure“

 Messung von Datenqualität über die Kosten
 Datenqualitätsprobleme kosten die US-
Wirtschaft jährlich mehr als 600 Mrd. Dollar*

 Fehlerhafte Warenpreise in Artikel-DB des
US-Einzelhandels - Kosten für Konsumenten:
2.5 Mrd $ / Jahr*

 nach Meta Group: 35% aller IT-Projekte scheitern an
mangelnder Datenqualität*

 US-Finanzbehörde 1992: knapp 100.000
Steuererstattungsbescheide nicht zustellbar**

 US-Post 2004: von 100.000 Massen-Postsendungen bis zu 7.000
aufgrund von Adressfehlern nicht zustellbar **
* (2004) Prof. Dr. Klaus Kruczynski, Hochschule für Technik, Wirtschaft und Kultur Leipzig
** (2005)Kai-Uwe Sattler, TU Ilmenau (10. Datenbank-Tutorientage Karlsruhe)

Ergebnis des Data Quality Check 2008*

 Einschätzung der Befragten
 Probleme durch unzureichende DQ
- im laufenden Betrieb und
- bei Einführung neuer Systeme und Prozesse
 Zeitaufwand und Zusatzkosten laut Befragung:
- 50%: zusätzlich notwendige interne Datenabgleiche
- 33%: Einführung neuer Systeme verschieben/verwerfen
- 20%: Vertrags- oder Servicelevel-Vereinbarungen nicht einhalten
 Beobachtungen der dgiq:
 Unterschied zwischen Anspruch und Wirklichkeit
 Im Vergleich zu 2007: keine Entwicklung in der Organisation
von DQM und im Einsatz von Technologie für DQM
 Das Thema DQ ist in vielen Unternehmen immer noch nicht
auf der Chefetage angekommen oder wird dort verdrängt.
 Die Bedeutung von DQ für Compliance wird immer noch
unterschätzt!
*durchgeführt von der dgiq
(Dt. Ges. für Informations- und Datenqualität)



 Messung von Datenqualität über „Fitness for Use“
 dgiq – 15 Dimensionen von Informationsqualität
 Differenzierter, pragmatischer Ansatz zur Bewertung und
Verbesserung von Informationsqualität

Zugänglichkeit Bearbeitbarkeit
Aktualität Hohes
Ansehen
Wertschöpfung systemunterstützt
Fehlerfreiheit
Vollständigkeit zweck-
inhärent
abhängig Objektivität
Angemessener
Umfang darstellungsbezogen Glaub-
würdigkeit
Relevanz Übersichtlichkeit eindeutige
Einheitliche Auslegbarkeit
Verständlichkeit Darstellung

16


 Messung von Datenqualität über den Durchsatz
 Theory of Constraints (TOC)
- ein System wächst so lange, bis es durch einen Engpass begrenzt wird

- Ziel: das System optimieren
Engpass = das „schwächste Glied“ in der Kette

 Schlechte Datenqualität ist ein Engpass,
wo mangelhafte Datenqualität das System
behindert:

- eine Abteilung schimpft über die andere wegen fehlender/falscher
Informationen
- das Marketing leidet unter schlechten Adressdaten (Marketingaktion)
- der Vertrieb ärgert sich mit ungenauen Auswertungen herum
- der Jahresabschluss dauert (mal wieder) länger als geplant
- das Management hat falsche Zahlen und Informationen veröffentlicht und
muss sich jetzt mehr um Gerichtsprozesse kümmern als um das
Unternehmen
 schlechte Datenqualität ist kein abteilungsspezifischer Engpass
 beim Thema DQ/IQ ist jeder Teilnehmer der Wertschöpfungskette
Lieferant und Kunde zugleich


Kostenoptimierung

Schwächen von Kostenoptimierungen

 Budgetkürzungen „mit dem Rasenmäher“
 Abteilungen optimieren Ihre Kosten zu Lasten anderer
Abteilungen
 System verbessert sich nicht, meist eher eine
Verschlechterung,
- Folge: weitere Umsatzverluste durch verärgerte Kunden und
Mitarbeiter
 Kostenreduzierung nur kurzfristig erfolgreich
- Risiko: Teufelskreis. „Wir sparen uns zu Tode!“

Was Wertmäßig in der Kostenrechnung nicht
abgebildet werden kann, wird vernachlässigt!


Levels des DQMs

Die 3 Level des DQMs
Level 3: Level 1:
Fehler Fehler
vermeiden erkennen

Level 1

Fehlerquote
Level 2
 Level 1: Fehler erkennen Level 2:
Fehler
 Fehlerquote bleibt hoch bereinigen Level 3
Zeit
 Ein messbarer Nutzen wird noch nicht erzielt
 Level 2: Fehler beheben
 Fehlerquote sinkt anfangs
 Fehlerquote nach einiger Zeit Schwankungen ausgesetzt
 Perm. Korrekturen binden Ressourcen für das Tagesgeschäft
 Aufwand u. Nutzen hält sich die Waage
 Level 3: Fehler vermeiden
 Fehlerquote sinkt nachhaltig und kann auf einem sehr niedrigen
Niveau gehalten werden
 Nutzen steigt stark, bei gleichzeitiger Aufwandsreduzierung


Betrachtungsweise

 DQM muss sich am Prozess ausrichten und
unterliegt dem Beziehungsgefüge Lieferant /
Kunde
 Die Anforderungen des Kunden (Customer)
sind bestimmend!

E V A
Verar-
Eingabe Ausgabe
beitung

S I P O C
Suplier Input Process Output Customer


Bewertung von DQM Maßnahmen

 Dort, wo schlechte Datenqualität den größten Engpass
erzeugt, muss zuerst angesetzt werden
 Ermittlung des größten Engpasses nach der Denkmethode
der TOC
 Logikbäume zur Erkennung des Ursache-Wirkungs-Gefüges
 Ziel: Steigerung des Durchsatzes zur Verbesserung der
Gewinnsituation des Unternehmens
 Entscheidende positive Nebeneffekte:
 Dient als Brückenschlag zum besseren Verständnis des Ursache-
Wirkungsgefüges zwischen Konfliktparteien (z.B. Fachbereich
und IT)
 Anwendung der Logikbäume kann jeder schnell erlernen
 Förderung und Implementierung von vernetzten Denken
Unternehmensweit
 Steigerung des Bewusstseins Lieferanten / Kundenbeziehung
 Buttom up, Mitarbeiter tragen maßgeblich zur Verbesserung bei

Vereinfachtes Bsp. eines
Gegenwartbaums (Logikbaum)
Wirkung auf
Durchsatz (-Reduzierung) Kosten (-Steigerung)
Gewinnsituation

mittelbar unerwünschte Überschreitung Überschreitung
Wirkungen Planzeit Budget

unmittelbar permanente
unerwünschte permanente Testen nicht
Migrationsab
Wirkungen Folgeaufwände möglich
brüche

Analyse
fehlerhafte u.
fehlerhafte
fehlende fehlerhafte unrealistische
Daten-
Plausibilitäts- ETL-Prozesse Testszenarien
modellierung
prüfungen

Projekte
Projekt 1 Projekt 2 Migrationen Projekt 4

Auswirkung schlechter
Datenqualität

Logikbaum / Zukunftsbaum

Ziele Einhaltung Einhaltung Effektivität Qualität sichern u.
Planzeit Budget steigern steigern

mittelbar unerwünschte Verkürzung Reduzierung Mehr Zeit für
Wirkungen Projektlaufzeit Ressourcen Wertschöpfung

unmittelbar Vermeidung
Steigerung Reduzierung Reduzierung
unerwünschte Migrations-
ETL-Effizienz Testaufwand Folgeaufwand
Wirkungen abbrüche

Analyse Kürzere
Reduzierung von Abbildung
Entwicklungszeiten der
Plausibilitätsprüfungen und realistischer
ETL-Prozesse und
Steigerung der Treffsicherheit Testszenaren
Optimierung

Anforderung
Sichtung, Analyse der Rohdaten und Korrektur von Stammdaten

Projekte
M-Projekt 1 M-Projekt 2 Migrationsprojekt 3 M-Projekt 4


Vorgehensmethode DQM

Definition

Definition der Anforderungen (intern/gesetzl.) an die Datenqualität

Messen

Ermittlung der aktuellen Datenqualität und abgleich mit den Anforderungen

Analyse

Ursachenanalyse und Bewertung (Ursache-Wirkungs-Gefüge)

Kontinuierliche Verbesserung

Bereinigung Monitorring Prävention


DQM klassisch = sehr technisch

 DQM wird meist noch sehr technisch gesehen und liegt somit
nach wie vor alleinig in der Verantwortung der IT.
 Daher entsteht der Eindruck einer Blackbox, keiner weis so
richtig was, wann und wie gemacht wird und was die
Ergebnisse sind!

0 1. Woche 2. Woche 3. Woche 4. Woche


Methoden und Werkzeuge

 Transparenz
 über Daten, Prozesse und Organisationseinheiten
 Massendaten-Analyse im Detail und im Überblick
Analyse und
 Effizientes Informationsmanagement Aufbereitung Steuerung

Aufbereitung Analyse und Steuerung

 Datenqualität /Ad-hoc-Auswertungen / Reporting
 geringer Aufwand für individuelle Rohdatenabfragen
 Darstellung komplexer Sachverhalte
 gesicherte und zielgenaue Entscheidungsgrundlage für
Optimierungsmaßnahmen
 Anwendergerechte Darstellung

 Konzentration auf die Analyse von Daten statt auf Bedienung eines Tools
 „intelligente unterstützende Handarbeit“


InfoZoom Beispiel

Beispiel starten!


Organisation DQM

Geschäftsführung /
Vorstand InfoZoom
Berichtsfluss / DQ-Kennzahlen

IT
Präventionsmaßnahmen
Datenbereinigung +

Datenfluss
Bereichsleitung /
Abteilungsleitung InfoZoom InfoZoom

Fachbereiche
InfoZoom InfoZoom InfoZoom


Aufbau von DQ-Regeln

Folgende Aspekte sind beim Aufbau von DQ-
Richtlinien zu beachten:
1. Gesetzliche Anforderungen
2. Interne Anforderungen(strategische Ziele)
3. Technische Anforderungen (Systeme,
Datenbanken und Schnittstellen)
4. Umsetzungskompetenz (Übersetzung
fachliche in technische Anforderungen)
5. Bewertung, Kontrolle und Monitoring
6. Dokumentation und Bereitstellung der DQ-
Regeln


Fazit

 Die schlechte Nachricht
 perfekte DQ gibt es nicht!
 Auch für das Thema Compliance gilt:
- Garbage in – garbage out!
 Die gute Nachricht
 perfekte DQ gibt es nicht!
 das Problem ist lösbar
- mit geringen Mitteln und sehr pragmatisch
 DQ-Projekte
- sind kein (neues) Fass ohne Boden
- können im laufenden Betrieb umgesetzt werden
- erfordern keine Riesen-Projektorganisation

Leistungsübersicht

Wir unterstützen Sie, die heutigen und zukünftigen
Herausforderungen zu meistern!
 Datenqualitätsmanagement
 Datenanalyse
 Entwicklung von Kennzahlensystemen
 Verfahrensdokumentation und IKS (Internes
Kontrollsystem)
 Prüfungsvorbereitung und Prüfungsbegleitung
(GDPdU, Revisionen, Audits)
 Organisationsentwicklung / -optimierung
 Durchsatzoptimierung (TOC)


Projekte

 Datenqualität
 Versicherung – DQ im Umfeld Migration
- Einbindung Fachbereiche in DQ-Prozess
 Stammdatenaufbereitung, Stammdatenmigration SASPF
- Datencockpit für Vorbereitung und QS zur Stammdaten-Migration nach SAP
(Migrationsfähigkeit)
– Ziel: Überwachung der Datenqualität, Berichte als Auslöser für Maßnahmen
 BI/Entscheidungsunterstützung
 Materialwirtschaft: Lagerhaltung / Bestandsmanagement
- Entscheidungsgrundlage für die Aussonderung überschüssigen Materials /
Materialbeschaffung, Neuverteilung überschüssiger Ersatzteile und Geräte
– Ziel: Zeit- und Verwaltungsaufwand minimieren, Erlösmaximierung
 Controlling/Reporting
 Logistik: SLA-Controlling
- Reporting zur Bewertung der Erbringung von Leistungsvereinbarungen (Laufzeit,
Lieferbereitschaft)
 TLB-Prozess
- Entscheidungsgrundlage für Haushaltsmittel-Freigaben
– Ziel: Prozess-Transparenz
 Prüfgruppe §78 BHO
- Anzeige/Analyse/Bearbeitung/Reporting tagesaktueller Hostdaten
– Ziel: Qualitätsverbesserung und rechnergestützte Erstellung von Prüfberichten


Projekt: BI/Entscheidungsunterstützung

 Materialwirtschaft:
Bevorratung
 Entscheidungsgrundlage für die Aussonderung
überschüssigen Materials
- Ziel: Einzelprüfung in vorgegebenen Zeitrahmen
ermöglichen

 Materialwirtschaft:
Lagerhaltung / Bestandsmanagement
 Materialbeschaffung, Neuverteilung
überschüssiger Ersatzteile und Geräte
- Ziel: Zeit- und Verwaltungsaufwand minimieren,
Erlösmaximierung


Projekt: Datenqualität/Versicherung

 DQ als Projekt im Umfeld Migration
 Kurz-/mittelfristige Unterstützung der fachl. und techn. Migrationsteams bei der
Identifikation u. Bereinigung kritischer Bestände
 Testfallidentifikation

 DQM-Prozess erweitern und etablieren
 Ziele
- Einbindung Fachbereiche in DQ-Prozess
- stetige Verbesserung der Kundenzufriedenheit
- Durchsatzsteigerung in den Abläufen

 Fachliche Analysen (Bsp.)
- Identifikation VN / VP über mehrere Verträge
- Namensbestandteile: Korrektheit u. Befüllungsgrad
- Geburtsdaten
- Konsistenz von Anrede- und Geschlechtsschlüssel
- Versicherungsnehmer mit mehreren Kundennummern
- Mehrfachversicherung
- Plausibilitätsprüfung Kennungen besondere Vereinbarungen in Verträgen

 Datenqualitätsprozess wird einheitlich Zug und Zug in den Bereichen Kranken-,
Lebens-, Unfall-, Kfz- und Sachversicherungen etabliert


Projekt: Datenqualität/Versicherung (2)

 Vorgehen
 erste (Rohdaten-)Analysen mit FB und IT
 Erstellung von Analysevorlagen entsprechend der Anforderungen
aus den Fachbereichen für wiederkehrende
Datenqualitätsprüfungen
 Fachbereiche führen die Prüfungen eigenständig durch und
ergreifen die nötigen Maßnahmen zur Datenbereinigung
 Besonderheit: Prüfungen mit „weichen“ Parametern, bei denen kein
festes Regelwerk greifen kann
- nur durch das Wissen in den Fachbereichen kann entschieden werden,
ob „richtig“ oder „falsch“!
 Ableitung von Ursachen der Qualitätsschwächen
 vorbeugende Maßnahmen für die Produktivsysteme

 Ergebnisse
 Bereinigungsquote Q4/2009
- je nach Komplexität zwischen 5 und 80 %
 Datenqualitätsprozess wird einheitlich Zug und Zug in den Bereichen
Kranken-, Lebens-, Unfall-, Kfz- und Sachversicherungen etabliert


Detaillierte Leistungsübersicht


 Datenqualitätsanalysen
 Stammdaten, Bewegungsdaten, Schnittstellen,
Migrationsunterstützung
 Entwicklung von Datenqualitätskennzahlen
 Soll/Ist, Vorher/Nachher, Reifegrad, Wertmäßige Risiken,
Durchsatz
 Entwicklung und Etablierung eines
Datenqualitätsprozesses
 Ziel: nachhaltige Verbesserung der Datenqualität durch
ganzheitliches Datenqualitätsmanagement (DQM)

„Fehler erkennen → Fehler bereinigen → Fehler vermeiden“



Datenanalyse / Controlling / Kennzahlensysteme

 Basis:
 unterschiedlichste betriebliche Anforderungen
 Rohdaten aus unterschiedlichsten Quellen
- CRM, FiBu, WaWi, ERP...
- auch systemübergreifend, z.B. Daten aus CRM in
Verbindung mit FiBu-Daten
 sowohl betriebswirtschaftliche, gesetzliche und
auch IT-technische Aspekte bzw. Anforderungen
können bestimmend sein



Beispiele Datenanalyse und Kennzahlen
 Umsatzanalyse Jahr/Vorjahr/Plan/Abweichung nach
Kunden/Regionen/Artikel, usw.
 Liquiditätsplanung / -analyse
 Dynamische GuV, Bilanz und Bilanzanalyse
 Skontoausnutzungsanalyse / Rückforderungsrisiko
 Kunden-Kreditlimit-Ausnutzungsanalyse
(Forderungsmanagement)
 Überzahlungen (Analyse und Aufdeckung doppelter Zahlungen)
 Kostenrechnung / Durchsatzrechnung
 Retrograde und progressive Prüfung gem. GoBS
 Kennzahlensysteme Datenqualität



Verfahrensdokumentation (VFD) und Internes
Kontrollsystem (IKS)
 Begleitung und Implementierung von prozessorientierten und
softwaregestützten VFDs und IKS
 unter Berücksichtigung gesetzlicher (z.B. GoBS) und
innerbetrieblicher Anforderungen
 Vorteile und Ziele:
 Frühzeitiges erkennen von Chancen und Risiken
 Erfüllung gesetzlicher Mindestanforderungen
 Harmonisierung von Verfahrensdokumentationen
 Transparenz über Prozesse, Systeme und Software, Schnittstellen und
Aufgabenverteilung
 Etablierung KVP (kontinuierlicher Verbesserungsprozess)
 Aufwandsreduzierung bei Softwareevaluationen
 Aufwandsreduzierung bei Prüfungen / Audits
"Durchsatz steigern → Kosten reduzieren → Risiken minimieren"



Prüfungsvorbereitung und Prüfungsbegleitung
 GDPdU/Digitale Betriebsprüfung
 Abgrenzung der steuerlich relevanten originär digitalen Daten
 Bereitstellung von Daten gem. Zugriffsform Z3 (Datenträgerüberlassung)
 Durchführung von Prüfungsszenarien
 Nachbildung / Überprüfung von Prüfungsergebnissen der
Finanzbehörden (Erschütterung von Prüfungsergebnissen)
 Unterstützung bei der Gestaltung der Zugriffsformen Z1 und Z2
 Begleitung von Außenprüfungen (datentechnisch)

 Audits und Revisionen (z.B. BaFin, Pool-Revision PKV, intern)
 Datenabgrenzung
 Datenbereitstellung
 Aufbau von Prüfungsszenarien zur Vorprüfung
 Prüfungsbegleitung (datentechnisch)
 Reproduzieren von Prüfungsergebnissen und Prüfungsnachbereitung
 Handlungsempfehlungen und Umsetzungsunterstützung (KVP)



Organisationsentwicklung

 Optimierung vorhandener organisatorischer
Strukturen, entsprechend von gesetzlichen und
innerbetrieblichen Anforderungen hinsichtlich

 Ablauforganisation
 Daten
 Dokumentenfluss



Durchsatzoptimierung nach TOC
(Theory of Constraints)
 Ein System wächst so lange, bis es durch einen Engpass begrenzt
wird
 Ziel: System optimieren durch Erweiterung oder Auflösung des
größten Engpasses

Vorteile
 stark spürbare Erfolge bereits nach Wochen erkennbar
 nachhaltige Verbesserung
 des Systems
 der Mitarbeiter-, Kunden- und Management-Zufriedenheit
 nachhaltige Verbesserung der Gewinnsituation
 Durchsatz und Kosten jederzeit im Blick
 Kontinuierlicher Verbesserungsprozess etabliert
 Innovativer durch neue Denkprozesse


Unternehmensdaten

Gründung 1982 durch Werner Bücher
Seit 1999 Aktiengesellschaft
Vorstände: Werner Bücher, Norbert Friederichs
Mitarbeiter: 130
Umsatz: 15 Mio €
Sitz: Niederkassel-Mondorf bei Bonn
Namhafte Kunden in Deutschland, Österreich,
Schweiz


Portfolio

 Output Management und Software Engineering
 Output und Formularmanagement
 Softwareentwicklung und Integration

 Geschäftsanalytik und Datenqualität
 Datenanalyse und Kennzahlensysteme
 Datenqualitätsmanagement
 Verfahrensdokumentation und IKS
 Prüfungsvorbereitung und Prüfungsbegleitung
(GDPdU/Digitale Betriebsprüfung/Revisionen)


Portfolio

 IT-Infrastruktur-Planung und Projekte
 IT-Compliance
 IT-Prozessmanagement/IT SM
 Security Management
 Storage Management
 Systems Management
 Virtualisierung und Konsolodierung
 Datenbank Management und Optimierung

 IT-Betrieb und Sourcing
 IT-Betriebsunterstützung
 Betriebsprozessoptimierung
 IT-Expert-Leasing und Recruiting


Portfolio

 Consulting & Training
 ITIL®
 PRINCE2®
 ISO / IEC 20000
 Coaching
 Kommunikationstechniken


Ende

„Das richtige richtig machen“,
wir sind gerne dabei behilflich!

Herzlichen Dank für Ihre Aufmerksamkeit,
mir war es eine Freude!


Vortrag: DQM - Ein kritischer Erfolgsfaktor?

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (17)

Similar a Vortrag: DQM - Ein kritischer Erfolgsfaktor?

Similar a Vortrag: DQM - Ein kritischer Erfolgsfaktor? (20)

Más de Marco Geuer

Más de Marco Geuer (9)

Vortrag: DQM - Ein kritischer Erfolgsfaktor?