In Zeiten, in denen wegweisende Entscheidungen basierend auf Datenanalyse getroffen werden, ist es erforderlich, dass wichtige business-kritische Zusammenhänge und Abhängigkeiten von kundenspezifischen Daten zur Verfügung stehen. Diese Informationen sind einerseits bei alltäglichen Entscheidungen von großer Bedeutung, andererseits wichtig in der Planung und Durchführung von Digitalisierungs- oder Datenmanagement-Initiativen. Die Erfahrung unserer Berater zeigt, dass diese Zusammenhänge meist händisch durch Tabellenanalysen gewonnen oder teure Lizenzen für Drittanbieter-Tools angeschafft werden müssen. Des Weiteren fehlt eine umfassende Gesamtsicht auf Zusammenhänge verschiedener Datenobjekte, die mit vorhandenen Mitteln nur mühsam zu erreichen ist.

Camelot bietet hierfür eine Lösung, welche die Laufzeit signifikant reduziert und vollständige Transparenz bei Stammdatenobjekten durch die Analyse zusammenhängender Tabellen ermöglicht. Das Camelot Data Assessment Tool analysiert nicht nur die Stammdaten selbst mittels moderner Algorithmen, sondern zieht auch Änderungsdaten hinzu, um Zusammenhänge zu analysieren und zu visualisieren.

Gesamtansicht auf Zusammenhänge in Stammdaten

Um eine umfassende Übersicht der Stammdaten zu erhalten, ist es wichtig, sowohl die Eigenschaften der Felder als auch die jeweiligen Änderungen, die vorgenommen wurden, zu kennen. Hierfür analysiert das Camelot Data Assessment Tool Änderungszeiger, die vom System zu den Stammdaten erfasst werden. Daraus resultiert  dann eine Liste häufig geänderter Felder und Werte sowie eine Übersicht von Benutzern, die definierte business-kritische Felder bearbeiten. So kann beispielsweise herausgefunden werden, wer regelmäßig Bankverbindungen anlegt oder ändert, wodurch wiederrum geeignete Stakeholder identifiziert werden können, um z.B. neue Genehmigerpositionen in Prozessen zu definieren.

Tabelle 1 zeigt ein Beispiel, bei dem drei Benutzer Änderungen an den Bankdaten vorgenommen haben. Es ist zu erkennen, dass User_1 hauptsächlich neue Bankdaten anlegt und diese nur gelegentlich ändert. User_2 löscht hauptsächlich Bankdaten und User_3 nimmt ausschließlich Änderungen vor.

Tabelle 1:  Änderungsdaten für das Feld Bankkontonummer

Im Gegensatz zur Analyse der Änderungszeiger, bietet die Untersuchung von Stammdatentabellen Einblicke in die Zusammenhänge und die Verteilung der Stammdaten. Dazu berechnet das Camelot Data Assessment ToolFüllstände von Tabellenspalten sowie die Häufigkeit einzelner Werte. Diese Funktion verfügt zudem eine Gruppierungsoption, mit der sich Häufigkeitslisten in Abhängigkeit von anderen Feldern erstellen lassen.

Ein Beispiel für gruppierte Häufigkeitslisten zeigt Tabelle 2, in der die Häufigkeiten der Werte für Zahlungsbedingungen einzelner Buchungskreise darstellt sind.

Tabelle 2: Häufigkeitsliste Buchungskreis & Zahlungsbedingung

Die Kombination aus der Analyse von Änderungszeigern und gruppierten Häufigkeitslisten und Füllständen ermöglicht einen Gesamtüberblick über die  Zusammenhänge der Stammdaten.

Designunterstützung durch Rule Mining

Rule Mining beschreibt den Prozess der Analyse von Daten, der zu Zusammenhängen führt, wie z.B.: „Wenn Feld A den Wert 1 hat, hat Feld B den Wert 2 mit einer Häufigkeit von x%“. Das Camelot Data Assessment Tool nutzt Rule Mining-Algorithmen, um sowohl Stammdaten als auch Änderungszeiger auf verborgene Abhängigkeiten zu untersuchen. Der Unterschied zu gruppierten Häufigkeitslisten besteht darin, dass hier eine größere Anzahl von Feldern gleichzeitig untersucht werden kann und Abhängigkeiten mit zu geringem Vorkommen intelligent ausgefiltert werden können. Das Ziel der Untersuchung mit Hilfe von Rule Mining-Algorithmen besteht darin, bisher verborgene Zusammenhänge in den Daten zu identifizieren und diese anschließend zu evaluieren. Dies ermöglicht die Definition neuer, bisher nicht berücksichtigter Geschäftsregeln und damit eine langfristige Verbesserungder Datenqualität. Dabei steht beispielsweiße nicht im Vordergrund, welches Material in welchem Werk verarbeitet wird, sondern vielmehr Fragen wie „Gibt es eine Materialart, die nur in einem einzelnen Werk verarbeitet wird?“. Ist ein solcher Zusammenhang gefunden, kann dieser zur Validierung von Daten oder zur Automatisierung von Wartungsprozessen genutzt werden.

Visualisierung der Ergebnisse

Das Camelot Data Assessment Tool bietet die Möglichkeit, die Analyseergebnisse grafisch darzustellen. Hierfür hat Camelot einen geeigneten Graphen entwickelt, der die Rule Mining- Ergebnisse intelligent darstellt. Abbildung 1 zeigt das Analyseergebnis zwischen Buchungskreis, Zahlungsbedingung und Abstimmkonto. Aus fachlicher Sicht erscheint ein solcher Zusammenhang realistisch, da verschiedene Buchungskreise (die z.B. unterschiedliche Gesellschaften darstellen können) spezifische Zahlungsbedingungen nutzen oder spezifischen Abstimmkonten zugeordnet sein können. Die grünen Punkte stellen einzelne Felder dar, gelbe Punkte definieren vom Algorythmus identifizierte Regeln. Eingehende Pfeile definieren die Bedingung und Werte der Regel-Felder. Im Beispiel von Abbildung 1 hat die Analyse aus den vorhandenen Daten vier Regeln identifiziert, die sich alle aus unterschiedlichen Kombinationen von Buchungskreis, Zahlungsbedingung und Abstimmkonto zusammensetzen. Es wird deutlich, dass beispielsweise die Kombination aus Buchungskreis „S300 – Camelot ITLab GmbH“ und Zahlungsbedingung „ZB00 – Sofort zahlbar“ immer zu dem Abstimmkonto „152000 – Dritte Camelot ITLab“ führt. Des Weiteren lässt die Kombination aus Buchungskreis „1000 – CAMELOT Management Consultants“ und Zahlungsbedingung „ZB05 – Zahlbar binnen 30 Tagen“ immer auf Abstimmkonto „160000 – Dritte CAMELOT Management Consultants“ schließen.      

Abb. 1: Netzwerkgraph mit dazugehöriger Regeltabelle

Häufigkeitsanalysen können als Balkendiagramme und Tabellen dargestellt werden, die gefiltert als Excel- oder Bilddatei exportiert werden können. Abbildung 2 zeigt die Häufigkeitstabelle von Lieferantenstammdaten für die genutzten Zahlwege. Hierbei ist für das betrachtete Beispiel zu erkennen, dass 600 Stammsätze die Kombination der Werte “Scheck/Überweisung”  aufweisen. Dies ist entsprechend mit Abstand die häufigste Kombination.    

Abb. 2: Häufigkeitsverteilung für das Feld „Zahlwege“

Detailliertes Verständnis ihrer Daten

Das Camelot Data Assessment Tool ist die ideale Lösung, um Strukturen und versteckte Zusammenhänge innerhalb ihrer Daten zu analysieren und visualisieren. Die Kombination verschiedenster Analysemöglichkeiten innerhalb des Tools sorgt dafür, dass Ergebnisse in kürzester Zeit zur Verfügung stehen. Die Anwendung von Rule Mining-Algorithmen unterstützt und verfeinert die so gewonnen Erkenntnisse zusätzlich. Zudem können die Ergebnisse mittels verschiedener Visualisierungsmöglichkeiten problemlos für Präsentationen und Weiterverarbeitung genutzt werden. Wenn Sie mehr darüber erfahren wollen, wie Sie ihre Datenanalyse nicht nur automatisieren und  beschleunigen, sondern darüber hinaus auch verfeinern wollen, sprechen Sie uns gerne an.

Die Community für Data Driven Leaders

Die Community für Data Driven Leaders vernetzt Branchenexperten und hält Sie mit exklusiven Einblicken auf dem Laufenden.

Werden Sie Teil der Data Driven Leaders

Empfohlene Artikel

Data & Analytics

Vom MDM zur Datenstrategie und Data Governance der nächsten Generation

Bei der Gestaltung der zukünftigen Roadmap für Ihr digitales Unternehmen stellen sich viele Fragen. In diesem Artikel erhalten Sie …

weiterlesen
Future Value Chain

Wie digitale Trends den stationären Einzelhandel revolutionieren

Die Einzelhandels- und Konsumgüterbranche wird sich in den nächsten 10 Jahren stärker verändern als in den letzten 40 Jahren, …

weiterlesen
Innovation

WebSockets – die Rettung bei asynchronen Ereignissen

Immer wenn in Unternehmen asynchrone Ereignisse auftreten, wie zum Beispiel das Einscannen von Strichcodes in der Fertigung, löst dies zahlreiche …

weiterlesen

Denken Sie Ihre Value Chain neu mit uns

Kontaktieren Sie uns