Enterprise Data Quality : fiabilisez vos processus E-Business Suite en améliorant la qualité des données
Sommaire 1 2 3 4 Introduction : enjeux de la qualité de données Enterprise Data Quality : positionnement Data Quality Healtcheck Cas client Oracle Confidential Internal/Restricted/Highly Restricted 2
La mauvaise qualité des données est comme la saleté sur le pare-brise. Vous pourrez conduire longtemps avec une visibilité qui se dégrade lentement, mais à un certain moment, vous devrez soit vous arrêter pour nettoyer le pare-brise ou tout risquer» - Ken Orr, The Cutter Consortium
Anomalies classiques sur des données tiers Variation ou erreur Erreur de séquence Corrections involontaires Exemple Bruno Brun Brun Bruno Chaumelle Chaumel Noms concaténés Marie Anne Marianne Surnoms et alias Bruit Abbréviations Stéphane Stéphie, Marc Marco Points, tirets, slashs, titres, apostrophes... Christophe/Chris, Sté/Société Variation ou erreur Erreurs de transcription Ajout/suppression d éléments Données étrangères Initiales non standardisées Lettres inversées Traductions Annah, Amah Exemple Jean-Pierre Dupond, Jean Dupond, Dupond Khader AL Ghamdi, Khadir A. AlGamdey Jean-Pierre Dupond, Jean-P. Dupond, J.-P. Dupond, JP Dupond Lallemand, Lallemnad Stanislav Milosovich Stan Milo Troncactions Banq. Nat. de Paris. Erreurs de date 10/21/1951, 10121951, 01-JAN-1900 Erreurs de suffixe/préfixe MacDonald/McDonald/Donald Erreurs de translitération Gang, Kang, Kwang Fautes de frappe Dup0nt, Martiin Erreurs phonétiques Kevin Keveen
Qualité des données Périmètre et dimensions Complétude Conformité Cohérence Exactitude Duplication Intégrité Données manquantes ou inutilisables Données stockées dans un format non standard Données incohérentes entre elles Données imprécises ou obsolètes Enregistrements ou attributs répétés Données manquantes ou non référencées
Sommaire 1 2 3 4 Introduction : enjeux de la qualité de données Enterprise Data Quality : positionnement Data Quality Healtcheck Cas client Oracle Confidential Internal/Restricted/Highly Restricted 6
Vos données sont elles fiabilisées pour vos processus? Gouverner Protéger Améliorer Vos données Vos experts Standards métiers Problèmes, anomalies, erreurs Comprendre Mesurer l adéquation des données aux besoins stratégiques Estimer les impacts des problèmes de qualité de données et le ROI associé Identifier les problèmes critiques et les solutions immédiates
Oracle Confidential Internal/Restricted/Highly Restricted 8
Oracle Confidential Internal/Restricted/Highly Restricted 9
Oracle Confidential Internal/Restricted/Highly Restricted 10
Oracle Confidential Internal/Restricted/Highly Restricted 11
Oracle Confidential Internal/Restricted/Highly Restricted 12
Améliorer les données et l efficacité des processus Gouverner Protéger Analyser Enrichir Extraire Standardiser Dédoublonner Gold data Données fiabilisées et adaptées Améliorer Appliquer les standards de qualité Métriques, KPIs Comprendre Accroître l efficacité et le ROI de vos applications existantes Impliquer les utilisateurs et les décideurs Accélerer et faciliter les nouveaux projets et déploiements grâce à des données fiabilisées
Oracle Confidential Internal/Restricted/Highly Restricted 14
Oracle Confidential Internal/Restricted/Highly Restricted 15
Oracle Confidential Internal/Restricted/Highly Restricted 16
Pare-feu de qualité de données : protection en continue Gouverner Sources externes Protéger Améliorer Applications sans qualité de données Application avec intégration temps réel Web service Intégration de données / ETL Référentiel Application de standards, validation Comprendre Application préventive des règles de qualité de données Meilleure efficacité opérationnelle, ROI Gestion des anomalies et rejets
Gouvernance des données Gouverner Indicateurs de qualité des sources Protéger Gold data Métriques sur les processus Améliorer Standardiser les données Indicateurs de qualité des bases cible Comprendre Indicateurs et suivi Identification et résolution des problèmes Amélioration de l efficacité globale
Oracle Confidential Internal/Restricted/Highly Restricted 19
Oracle Confidential Internal/Restricted/Highly Restricted 20
Oracle Confidential Internal/Restricted/Highly Restricted 21
Oracle Confidential Internal/Restricted/Highly Restricted 22
Oracle Confidential Internal/Restricted/Highly Restricted 23
Oracle Confidential Internal/Restricted/Highly Restricted 24
Oracle Confidential Internal/Restricted/Highly Restricted 25
Oracle Confidential Internal/Restricted/Highly Restricted 26
Interface utilisateur unique Oracle Enterprise Data Quality Plate-forme complète pour tous les problèmes de qualité de données Gouvernance Résolution des problèmes et monitoring Un périmètre fonctionnel sans équivalent Fonctions spécialisées pour les données partie et produit. Profilage, standardisation, mise en correspondance, workflows de validation, tableaux de bord de gouvernance. Mise en correspondance Identification et fusion des doublons Standardisation Respect des standards Profilage Compréhension rapide et détaillée des données Simplicité et facilité d utilisation Solution complètement intégrée. Conçue pour les utilisateurs fonctionnels et techniques. Fonctionnement et résultats sont transparents : pas de syndrome boîte noire. Solution non intrusive pour la gouvernance des données d entreprise. Dans les applications métiers ou les hubs MDM Pour les migrations, les chargements, les reprises de données A la saisie ou à l intégration de données temps réel Pour les flux inter-applicatifs
OEDQ : Outil commun pour la qualité de données Gestionnaires fonctionnels Dirigeants & Décideurs Spécialistes Gestionnaires de données Audit & Vérification Impact immédiat sur la qualité des données
Sommaire 1 2 3 4 Introduction : enjeux de la qualité de données Enterprise Data Quality : positionnement Data Quality Healtcheck Cas client Oracle Confidential Internal/Restricted/Highly Restricted 29
Data Quality Healtcheck Atelier interactif sur vos données Connecteur prédéfini pour l analyse de données tiers E-Business Suite Chargement et analyse complète d échantillons de vos données Session productive avec vos experts pour identifier les programmes prioritaires sur vos données
Atelier Interactif Exemple Données Fournisseurs Numéro de téléphone bien renseigné, mais taux de de duplication élevé Utilisation probable d un numéro de téléphone par défaut Nécessité d une itération pour affiner les règles de mise en correspondance sur les sites fournisseur
Sommaire 1 2 3 4 Introduction : enjeux de la qualité de données Enterprise Data Quality : positionnement Data Quality Healtcheck Cas client 32
Oracle Enterprise Data Quality chez nos clients Cas d utilisation Motoriser un système de Master Data Management Vérifier, standardiser, dédoublonner des sources de données disparates pour construire le golden record Rétablir l efficacité opérationnelle et le ROI d applications existantes Nettoyage et gouvernance des données d une application (CRM, HR, PLM, application métier, etc.) Créer une vue unique à partir de sources multiples Vérifier, standardiser, dédoublonner des sources de données disparates Adapter les données aux besoins des systèmes de pilotage Mise en place de standards dédiés aux systèmes de pilotage Piloter la migration d applications Inscrire la migration dans un programme de gouvernance des données par la mise en place de nouveaux standards de qualité Répondre à des exigences réglementaires spécifiques Mise en cohérence de données et des processus pour la conformité réglémentaire ( anti-blanchiment, fiscalité )
Groupe industriel, USA D une approche tactique de la qualité de données à la gouvernance Le client Fabricant d appareils complexes de d analyse biologiques Une base installée de plus de 275000 appareils utilisés sur 6 continents Défis et enjeux Systèmes de production multiples et disparates, résultant d acquisitions posant des problèmes dans les processus de logistique Suite à ces acquisitions : données clients dupliquées et incohérentes Aucune définition de données standardisée et transversale aux systèmes Périmètre EDQ Standardisation des données produit : attributs, descriptions, unités de mesure, etc. Vérification, standardisation, déduplication des données clients issues de systèmes legacy avant chargement dans le référentiel E-Business Suite Mise à disposition de processus et métriques de qualités de données, s insérant dans un cadre plus global de gouvernance de données Apports EDQ Processus de migration suite à acquisition plus rapide, et répatable Réduction des erreurs Réduction des coûts Données plus cohérentes et opérationnelles
Groupe industriel, USA Chronologie Plus de 15 systèmes ERP différents suite à de nombreuses acquisitions Mise en place d une instance centralisée E-Business Suite 2009 : acquisition d une importante société japonaise utilisatrice de 3 systèmes principaux Objectif : migration vers E-BS en 12 mois Nécessité de nettoyer et standardiser les sources externes avant intégration dans E-BS Outillage avec EDQ Extension à d autres cas d utilisation Organisation Collaboration informatique et métiers pour Définir et identifier les données clés Mettre en évidence les problèmes de données et leurs impacts Définir les règles de mapping / conversions entre les données legacy et E-Business Suite Formation par l équipe informatique de «superutilisateurs» connaissant EDQ : Analyse et profilage Définition de règles simples
Groupe industriel, Europe Gouverner la qualité des données Le client Un des premiers fabricants de pneumatiques mondiaux avec une part de marché globale de 14.8%. Plus de 184 millions de pneus pour véhicules de tourisme ou utilitaires légers produits annuellement dans 69 sites. Défis et enjeux Doublons, incohérences, données manquantes pour 100 000 clients revendeurs Nécessité de donner le contrôles aux utilisateurs des métiers pour qu ils s approprient leurs données Garantir un haut niveau de qualité de données et de cohérence pour le contrôle des données de référence Prévenir l introduction d anomalies dans les données client et fournisseur, après une campagne de nettoyage et alignement Périmètre EDQ Plate-forme EDQ complète pour de multiples domaines de données MDM E-BS SAP CRM Siebel Apports EDQ EDQ Productivité des utilisateurs métiers : temps de préparation de certains rapports divisé par trois. Productivité des équipes informatiques qui peuvent se concentrer sur la gestion de l infrastructure Réduction du temps d incorporation ou mise à jour de clients et fournisseurs dans les systèmes
Groupe industriel, Europe Projets Organisation Cellule centrale MDM et qualité de données «Data Quality Toolbox» utilisée par des utilisateurs métiers formés Une session «basique» : 1,5 jour Une session «avancée» : 1 jours Environ 40 utilisateurs formés Domaines Commerce Client et fournisseur Production Ressources Humaines R & D Clichés de données de production «DQ Toolbox» définition de règles Exécution périodique des analyses EDQ Suivi et mesures correctrices Consultation Dashboards MDM & DQ Team Data Quality Manager Autres utilisateurs métiers