Unternehmensübergreifendes Datenqualitätsmanagement
-
Maria Linnartz
Maria Linnartz, M. Sc., studierte Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen und in Finnland an der Aalto University in Helsinki. Sie ist Wissenschaftliche Mitarbeiterin am Forschungsinstitut für Rationalisierung (FIR) an der RWTH Aachen in der Gruppe Supply-Chain-Management in der Abteilung Produktionsmanagement.
,
Soo-Yon Kim
Soo-Yon Kim, M. Sc., studierte Mathematik und Volkswirtschaftslehre an der RWTH Aachen. Sie ist Wissenschaftliche Mitarbeiterin am Lehrstuhl für Informationssysteme und Datenbanken (DBIS) an der RWTH Aachen in der Gruppe Datenstrommanagement und -analyse. Ihre Forschungsschwerpunkte sind Datenqualitätsmanagement und Datenökosysteme.
Martin Perau, M. Sc. M. Sc., studierte Produktionstechnik und Wirtschaftswissenschaften an der RWTH Aachen und in Finnland an der Aalto University in Helsinki. Er ist Wissenschaftlicher Mitarbeiter am Forschungsinstitut für Rationalisierung (FIR) an der RWTH Aachen in der Gruppe Produktionsplanung in der Abteilung Produktionsmanagement.
Tobias Schröer, M. Sc., studierte an der Technischen Universität Clausthal Wirtschaftsingenieurwesen und ist seit 2016 am FIR an der RWTH beschäftigt. Aktuell ist Herr Schröer Leiter des Bereichs Produktionsmanagement am FIR an der RWTH Aachen und verantwortet die Fachgruppen Produktionsplanung, Produktionsregelung und Supply-Chain-Management.
Prof. Dr. rer. nat. Sandra Geisler ist seit 2021 Juniorprofessorin für Datenstrommanagement und -analyse an der RWTH Aachen University und Leiterin der Gruppe Digital Health Spaces am Fraunhofer Institut für Angewandte Informationstechnik FIT. Nach Ihrem Studium der Informatik hat sie an der RWTH Aachen im Bereich Datenqualitätsmanagement für Datenströme promoviert.
Prof. Dr. Stefan Decker ist Professor für Datenbanken und Informationssysteme an der RWTH Aachen University und Leiter des Fraunhofer-Instituts für Angewandte Informationstechnik (FIT) in Birlinghoven. Zuvor war er Professor für Digital Enterprise an der National University of Ireland, Direktor des Digital Enterprise Research Institute (DERI) und des Insight Center in Galway, Irland, Research Assistant Professor am Information Sciences Institute der University of Southern California, USA, und forschte an der Stanford University und der Universität Karlsruhe (heute KIT). Er ist gewähltes Mitglied der Royal Irish Academy und Fellow der Engineers Ireland. Seit 1998 arbeitet er mit Linked Data und Semantic Web Technologie. Seine aktuellen Forschungsinteressen sind unter anderem Wissensrepräsentation und Datenmodellierung, Forschungsdatenmanagement und Anwendungen für Linked Data Technologien.
Abstract
Um in komplexen Wertschöpfungsnetzwerken und an der Schnittstelle zwischen Kunden und Lieferanten valide, datenbasierte Entscheidungen treffen zu können, muss eine hohe Datenqualität vorliegen. Dabei mangelt es oft an einem Datenqualitätsmanagement (DQM), das den konkreten Anwendungsfall und den überbetrieblichen Austausch berücksichtigt. Wir stellen ein universales Rahmenwerk für das überbetriebliche DQM vor, das Ziele, Prozesse, relevante Daten und Akteure erfasst und den Grundstein für eine ganzheitliche Datenqualitätsstrategie legt.
Abstract
To ensure that valid, data-based decisions can be made in complex value networks and at the interface between customers and suppliers, a high level of data quality must be available. There is often a lack of data quality management (DQM) that considers the specific application context and the cross-company exchange. Our approach develops a universal framework for inter-company DQM that covers goals, processes, relevant data, and actors and lays the foundation for a holistic data quality strategy.
Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) im Rahmen der Exzellenzstrategie des Bundes und der Länder – EXC-2023 Internet of Production – 390621612.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
About the authors
Maria Linnartz, M. Sc., studierte Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen und in Finnland an der Aalto University in Helsinki. Sie ist Wissenschaftliche Mitarbeiterin am Forschungsinstitut für Rationalisierung (FIR) an der RWTH Aachen in der Gruppe Supply-Chain-Management in der Abteilung Produktionsmanagement.
Soo-Yon Kim, M. Sc., studierte Mathematik und Volkswirtschaftslehre an der RWTH Aachen. Sie ist Wissenschaftliche Mitarbeiterin am Lehrstuhl für Informationssysteme und Datenbanken (DBIS) an der RWTH Aachen in der Gruppe Datenstrommanagement und -analyse. Ihre Forschungsschwerpunkte sind Datenqualitätsmanagement und Datenökosysteme.
Martin Perau, M. Sc. M. Sc., studierte Produktionstechnik und Wirtschaftswissenschaften an der RWTH Aachen und in Finnland an der Aalto University in Helsinki. Er ist Wissenschaftlicher Mitarbeiter am Forschungsinstitut für Rationalisierung (FIR) an der RWTH Aachen in der Gruppe Produktionsplanung in der Abteilung Produktionsmanagement.
Tobias Schröer, M. Sc., studierte an der Technischen Universität Clausthal Wirtschaftsingenieurwesen und ist seit 2016 am FIR an der RWTH beschäftigt. Aktuell ist Herr Schröer Leiter des Bereichs Produktionsmanagement am FIR an der RWTH Aachen und verantwortet die Fachgruppen Produktionsplanung, Produktionsregelung und Supply-Chain-Management.
Prof. Dr. rer. nat. Sandra Geisler ist seit 2021 Juniorprofessorin für Datenstrommanagement und -analyse an der RWTH Aachen University und Leiterin der Gruppe Digital Health Spaces am Fraunhofer Institut für Angewandte Informationstechnik FIT. Nach Ihrem Studium der Informatik hat sie an der RWTH Aachen im Bereich Datenqualitätsmanagement für Datenströme promoviert.
Prof. Dr. Stefan Decker ist Professor für Datenbanken und Informationssysteme an der RWTH Aachen University und Leiter des Fraunhofer-Instituts für Angewandte Informationstechnik (FIT) in Birlinghoven. Zuvor war er Professor für Digital Enterprise an der National University of Ireland, Direktor des Digital Enterprise Research Institute (DERI) und des Insight Center in Galway, Irland, Research Assistant Professor am Information Sciences Institute der University of Southern California, USA, und forschte an der Stanford University und der Universität Karlsruhe (heute KIT). Er ist gewähltes Mitglied der Royal Irish Academy und Fellow der Engineers Ireland. Seit 1998 arbeitet er mit Linked Data und Semantic Web Technologie. Seine aktuellen Forschungsinteressen sind unter anderem Wissensrepräsentation und Datenmodellierung, Forschungsdatenmanagement und Anwendungen für Linked Data Technologien.
Literatur
1 Stjepandić, J.; Sommer, M.; Denkena, B.: DigiTwin: An Approach for Production Process Optimization in a Built Environment. Springer International Publishing, Cham 2022, S. 135 10.1007/978-3-030-77539-1Search in Google Scholar
2 ISO – International Organization for Standardization: ISO 8000–1:2022 – Data Quality – Part 1: Overview. Geneva, Switzerland 2022, S. 6Search in Google Scholar
3 Otto, B.; Legner, C.: Datenqualitätsmanagement für den Industriebetrieb. Controlling – Zeitschrift für erfolgsorientierte Unternehmenssteuerung 28 (2016) 10, S. 550–557 DOI: 10.15358/0935-0381-2016-10-55010.15358/0935-0381-2016-10-550Search in Google Scholar
4 Hildebrand, K.: Management der Materialstammdaten in SAP-Systemen, In: Hildebrand, K.; Gebauer, M.; Mielke, M. (Hrsg.): Daten- und Informationsqualität. Springer Fachmedien, Wiesbaden 2021, S. 307–319 DOI: 10.1007/978-3-658-30991-6_1810.1007/978-3-658-30991-6_18Search in Google Scholar
5 Schuh, G.; Brandenburg, U.; Cuber, S.: Aufgaben. In: Schuh, G.; Stich, V. (Hrsg.): Produktionsplanung und -steuerung 1 – Grundlagen der PPS. Springer-Verlag, Berlin, Heidelberg 2012, 29–81 10.1007/978-3-642-25423-9Search in Google Scholar
6 Scheibmayer, M.; Knapp, M.: Stammdatenmanagement in der produzierenden Industrie (FIR-Studie). Forschungsinstitut für Rationalisierung e. V. an der RWTH Aachen, Aachen 2014, S. 16–19Search in Google Scholar
7 Zillmann, M.: Revival der Stammdaten – Behindert mangelnde Datenqualität die digitale Transformation? Lünendonk-Studie, Mindelheim 2016, S. 8. [Abruf am 07.10.22]Search in Google Scholar
8 Azeroual, O.: Untersuchungen zur Datenqualität und Nutzerakzeptanz von Forschungsinformationssystemen. Springer Fachmedien Wiesbaden, Wiesbaden 2022, S. 76–81 10.1007/978-3-658-36702-2Search in Google Scholar
9 Haug, A.; Zachariassen, F.; van Liempd, D.: The Costs of Poor Data Quality. JIEM 4 (2011) 2, S. 168–193 DOI: 10.3926/jiem.2011.v4n2.p168-19310.3926/jiem.2011.v4n2.p168-193Search in Google Scholar
10 Beckmann, H.; Schäffer, T.: Industrie 4.0 als Herausforderung für das Stammdatenmanagement in Unternehmen. IT Matchmaker Guide (2017) 20, S. 20–23Search in Google Scholar
11 Sticht, W.; Altgott, M.; Linz, V.; Trautner, M.: Anwendungsbeispiel Automatisierter Stammdatenaustausch, In: Schuh, G.; Stich, V. (Hrsg.): WInD – Wandlungsfähige Produktionssysteme durch integrierte IT-Strukturen und dezentrale Produktionsplanung und -regelung. FIR e. V. an der RWTH Aachen, Aachen 2013, S. 187–193Search in Google Scholar
12 Batini, C.; Scannapieco, M.: Data Quality. Springer-Verlag, Berlin Heidelberg 2006, S. 19Search in Google Scholar
13 Ardagna, D.; Cappiello, C.; Samá, W.; Vitali, M.: Context-aware Data Quality Assessment for Big Data. Future Generation Computer Systems 89 (2018), S. 548–562 DOI: 10.1016/j.future.2018.07.01410.1016/j.future.2018.07.014Search in Google Scholar
14 Schäffer, T.; Leyh, C.: Master Data Quality in the Era of Digitization – Toward Interorganizational Master Data Quality in Value Networks: A Problem Identification, In: Piazolo, F.; Geist, V.; Brehm, L.; Schmidt, R. (Hrsg.): Innovations in Enterprise Information Systems Management and Engineering, vol. 285. Springer International Publishing, Cham 2017, S. 99–113 DOI: 10.1007/978-3-319-58801-8_910.1007/978-3-319-58801-8_9Search in Google Scholar
15 Wang, R. Y.; Strong, D. M.: Beyond Accuracy: What Data Quality Means to Data Consumers. Journal of Management Information Systems 12 (1996) 4, S. 5–33 DOI: 10.1080/07421222.1996.1151809910.1080/07421222.1996.11518099Search in Google Scholar
16 Kaufmann, K.; Rahn, J.; Hoffmann, M.; Bongartz, N.; Dubinina, V.; Buchenau-Asché, A.: Stammdatenqualität – die Basis für erfolgreichen Handel. Mittelstand 4.0 – Kompetenzzentrum Handel 2022, S. 9–10 [Abruf am 07.10.22]Search in Google Scholar
17 ISO – International Organization for Standardization: ISO 8000–150:2022 – Data Quality – Part 150: Data Quality Management: Roles and Responsibilities. Geneva, Switzerland 2022Search in Google Scholar
18 Otto, B.: Data Governance. Business & Information Systems Engineering 3 (2011) 4, S. 241–244 10.1007/s12599-011-0162-8Search in Google Scholar
19 ISO – International Organization for Standardization: ISO 8000–61:2016 – Data Quality – Part 61: Data Quality Management: Process Reference Model. Geneva, Switzerland 2016Search in Google Scholar
20 Otto, B.; Österle, H.: Corporate Data Quality – Voraussetzung erfolgreicher Geschäftsmodelle. 1. Aufl. Springer-Verlag, Berlin, Heidelberg 2016, S. 29–21, 178–179Search in Google Scholar
21 Cichy, C.; Rass, S.: An Overview of Data Quality Frameworks. IEEE Access 7 (2019), S. 24634–24648 DOI: 10.1109/ACCESS.2019.289975110.1109/ACCESS.2019.2899751Search in Google Scholar
22 Weber, K.; Otto, B.; Österle, H.: One Size Does Not Fit All---A Contingency Approach to Data Governance. Journal Data and Information Quality 1 (2009) 1, S. 1–27 DOI: 10.1145/1515693.151569610.1145/1515693.1515696Search in Google Scholar
23 Meske, C.; Heidekrüger, R.; Brockmann, T.; Czerwonka, M.; Stieglitz, S.: Adoption of Collaborative Technology to Enhance Master Data Quality Across Municipal Administrations – Identifying Drivers and Barriers, In: Proceedings of the 51st Hawaii International Conference on System Sciences. AIS Electronic Library (AISeL) January 3–6, 2018 DOI: 10.24251/HICSS.2018.02210.24251/HICSS.2018.022Search in Google Scholar
24 Geisler, S.; Vidal, M.-E.; Cappiello, C.; Lóscio, B. F.; Gal, A.; Jarke, M.; Lenzerini, M.; Missier, P.; Otto, B.; Paja, E.; Pernici, B.; Rehof, J.: Knowledge-Driven Data Ecosystems Toward Data Transparency. Journal Data and Information Quality 14 (2022) 1, S. 1–12 DOI: 10.1145/346702210.1145/3467022Search in Google Scholar
25 Oliveira, M.I.S.; Oliveira, L.E.R.A.; Batista, M.G.R.; Lóscio, B.F.: Towards a Meta-model for Data Ecosystems, In: Proceedings of the 19th Annual International Conference on Digital Government Research: Governance in the Data Age. ACM, New York, NY, USA 2018 DOI: 10.1145/3209281.320933310.1145/3209281.3209333Search in Google Scholar
26 Otto, B.; Steinbuss, S.; Teuscher, A.; Lohmann, S.: IDS Reference Architecture Model (2019). Online unter https://internationaldataspaces.org/download/16630/ [Abruf am 11.10.22]Search in Google Scholar
27 Schuh, G.; Schürmeyer, M.; Hering, N.: Funktionen. In: Schuh, G.; Stich, V. (Hrsg.): Produktionsplanung und -steuerung 1 – Grundlagen der PPS. Springer-Verlag, Berlin, Heidelberg 2012, S. 195–296 10.1007/978-3-642-25423-9Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- KI-Lösungen in der Produktion
- Produktionsnetzwerke
- Zukunftsfähige Produktionsnetzwerke in disruptiven Zeiten
- Gestaltung von effizienten Produktionsnetzwerken in der Automobilindustrie
- Globale Produktionsstrategien in der Praxis – Strategieformulierung und -implementierung
- Produktivität
- Sensorgestützte Analyse der Maschinenbedienung in der Kleinserienfertigung
- Prozessmanagement
- Nutzung kollaborativer digitaler Tools zur Prozessoptimierung im Laborumfeld
- Prozessmodellierung in hochdynamischen Umgebungen
- Servicemanagement
- Ein hyperheuristischer Ansatz für die operative Serviceplanung in Product-Service Systems
- Planungsmethoden
- Überprüfung der Zukunftsfähigkeit von Planungsmethoden
- Wandlungstreiber
- Kategorisierung und Erstbeurteilung von Wandlungstreibern
- Datenqualität
- Erfasste Betriebsdaten und ihre Qualität
- Unternehmensübergreifendes Datenqualitätsmanagement
- Automatisierung
- Industriefähiges Bin Picking
- Energieeffizienz
- Wie effizient sind gleichspannungsversorgte Maschinen?
- Simulation
- Agile Erstellung von Materialflusssimulationen
- Geschäftsmodelle
- Risiken managen – Einsatzpotenziale von EaaS-Lösungen in der Produktion
- Digitale Plattformen
- Digitale Kollaborationsplattform zur verteilten, agilen Planung im Produktentstehungsprozess
- Virtuelle IIoT-Plattform für die Digitalisierung der Fertigung
- Künstliche Intelligenz
- Implikationen Künstlicher Intelligenz im industriellen Einkauf
- Szenariobasiertes Krisenmanagement mittels KI
- Sensorik
- Konzept zur Sensornachrüstung
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- KI-Lösungen in der Produktion
- Produktionsnetzwerke
- Zukunftsfähige Produktionsnetzwerke in disruptiven Zeiten
- Gestaltung von effizienten Produktionsnetzwerken in der Automobilindustrie
- Globale Produktionsstrategien in der Praxis – Strategieformulierung und -implementierung
- Produktivität
- Sensorgestützte Analyse der Maschinenbedienung in der Kleinserienfertigung
- Prozessmanagement
- Nutzung kollaborativer digitaler Tools zur Prozessoptimierung im Laborumfeld
- Prozessmodellierung in hochdynamischen Umgebungen
- Servicemanagement
- Ein hyperheuristischer Ansatz für die operative Serviceplanung in Product-Service Systems
- Planungsmethoden
- Überprüfung der Zukunftsfähigkeit von Planungsmethoden
- Wandlungstreiber
- Kategorisierung und Erstbeurteilung von Wandlungstreibern
- Datenqualität
- Erfasste Betriebsdaten und ihre Qualität
- Unternehmensübergreifendes Datenqualitätsmanagement
- Automatisierung
- Industriefähiges Bin Picking
- Energieeffizienz
- Wie effizient sind gleichspannungsversorgte Maschinen?
- Simulation
- Agile Erstellung von Materialflusssimulationen
- Geschäftsmodelle
- Risiken managen – Einsatzpotenziale von EaaS-Lösungen in der Produktion
- Digitale Plattformen
- Digitale Kollaborationsplattform zur verteilten, agilen Planung im Produktentstehungsprozess
- Virtuelle IIoT-Plattform für die Digitalisierung der Fertigung
- Künstliche Intelligenz
- Implikationen Künstlicher Intelligenz im industriellen Einkauf
- Szenariobasiertes Krisenmanagement mittels KI
- Sensorik
- Konzept zur Sensornachrüstung
- Vorschau
- Vorschau
