< Zurück   INHALT   Weiter >

2.3.4 Erkenntnisse

Die geringe Anzahl von Beschwerden über die Qualität von Produktdaten im Allgemeinen und die Ergebnisse der Interviews weisen darauf hin, dass Beiersdorf mit einer verhältnismäßig geringen Zahl von geschäftskritischen Produktdatenmängeln konfrontiert ist. Dies ist sicherlich auch auf die gute Organisation und technische Unterstützung durch das unternehmenseigene Stammdatenmanagement zurückzuführen. Mängel wie inkonsistente unternehmensinterne Produktdaten, Dubletten oder fehlerhafte Positionen in Stücklisten können größtenteils durch Maßnahmen wie eine zentrale Zuweisung von eindeutigen Produktkennungen, die Integration von Produktdatenpflegeprozessen schon bei der Produktinnovation (siehe MDW in Abb. 2.16) oder eindeutig zugewiesene Aufgaben und Verantwortlichkeiten der Produktdatenpflege vermieden werden.

Dennoch treten bei Beiersdorf noch kritische Dateneffekte auf, insbesondere im Datenaustausch mit anderen Unternehmen. Im Rahmen der Interviews wurden zollrelevante Daten, die von verschiedenen Partnern genutzt werden, darum als wichtiger Cluster ergänzt. Erfreulicherweise werden viele der Mängel (z. B. fehlende Gefahrgutkennzeichnung oder fehlerhafte Kennzeichnung des Palettengewichts) in manuellen Kontrollprozessen durch erfahrene Mitarbeiter erkannt. Solche Prozesse sind nur bedingt automatisierbar und zeigen, dass manuelle Kontrollen auch nach der Implementierung von IT-gestützten Datenqualitätskontrollen weiterhin wichtig sind. Abteilungsund bereichsübergreifende Datenmanagementprozesse (z. B. die Pflege von GTINs oder das Design von Vorlagen) sind jedoch noch nicht hinreichend definiert. Eine kontinuierliche Überprüfung der Datenmängel, die mithilfe der Messwerte für Datenqualität festgestellt wurden, wird zeigen, ob geplante Maßnahmen (z. B. neue Arbeitsabläufe, überarbeitete Prozesse der Bereitstellung von GTINs, neu definierte Prozesse für die Herstellung von Designvorlagen) die Qualität der Produktdaten nachhaltig verbessern können. Um das ausgearbeitete Messsystem für Datenqualität umzusetzen, hat Beiersdorf ein Folgeprojekt für die Einführung spezifischer Messwerte angestoßen.

Zusammengefasst waren die wichtigsten Erkenntnisse des Projekts:

• Produktdatenqualität ist Voraussetzung für Supply-Chain-Prozesse.

• Anforderungen an die Datenqualität leiten sich aus den Steuerungsgrößen der Geschäftsprozesse und den Anforderungen der Datennutzer ab.

• Datenqualität muss über Datenqualitätsdimensionen operationalisiert und messbar gemacht werden.

Tab. 2.9 Weiterführendes Material zum Fall von Beiersdorf

Quelle

Titel

Ergebnistyp

Wiss.

Praxis

Schemm 2008

Stammdatenmanagement zwischen Handel und Konsumgüterindustrie: Referenzarchitektur für die überbetriebliche Datensynchronisation

Dissertation

Hüner 2010

Methode zur Spezifikation geschäftsorientierter Datenqualitätskennzahlen

Arbeitsbericht CC

CDQ

Hüner 2011

Führungssysteme und ausgewählte Maßnahmen zur Steuerung von Konzerndatenqualität

Dissertation

Hüner et al.

2011a

Product data quality in supply chains: The case of Beiersdorf

Wiss. Beitrag in Fachzeitschrift

Grillo 2009

Improvement of Master Data Quality at Beiersdorf

Präsentation auf CC CDQ-Workshop

Schierning 2010

MDM @ Beiersdorf: Project DACOTA „Data Defect Identification

& Measurement“

Präsentation auf CC CDQ-Workshop

Schierning 2012

Consumer-centric Information Management: Exploring Product Information

Präsentation auf CC CDQ-Workshop

2.3.5 Weiterführendes Material

Für den Fall von Beiersdorf liegen an verschiedenen Orten Details aus wissenschaftlicher und auch aus praktischer Perspektive vor (Tab. 2.9).

 
< Zurück   INHALT   Weiter >