< Zurück   INHALT   Weiter >

2.7.5 Erkenntnisse

Johnson & Johnson konnte in nur drei Jahren viele der gesteckten Data Governance – Ziele erreichen. Die Gründung der EMD-Abteilung ebnete den Weg für das übergeordnete Ziel, die Datenqualität durch unternehmensweites Datenmanagement zu verbessern.

Tabelle 2.22 zeigt die Entwicklung von sechs Datenmanagementkompetenzen, von denen fünf auf der Ebene des Gesamtunternehmens neu entwickelt werden mussten.

Johnson & Johnson konnte im Laufe der Zeit drei wesentliche Faktoren identifizieren, die eine positive Auswirkung auf die unternehmensweite Data Governance hatten.

Erstens ist heute unumstritten, dass der wesentliche Impuls für die Initiative von außerhalb des Unternehmens kam. Es gab zwar auch innerhalb des Unternehmens schon immer Treiber des Datenqualitätsmanagements, jedoch war das Bewusstsein unternehmensintern nicht stark genug ausgeprägt. Erst als von Kundenseite die Kritik immer deutlicher geäußert wurde, konnte sich ein entsprechendes Problembewusstsein im Unternehmen bilden. Zum Zweiten war es extrem wichtig, dass die Verantwortlichen nach der als Weckruf empfundenen Kritik des Kunden schnell mit der notwendigen unternehmensweiten Reichweite handelten. Während bis dahin Datenqualitätsprobleme als verteilt im Unternehmen auftretende, unzusammenhängende Phänomene betrachtet wurden, realisierte Johnson & Johnson nun, dass dieses Problem von unternehmensweiter Relevanz war und damit auch auf dieser Ebene angegangen werden musste.

Drittens wird bei Johnson & Johnson heute als unverzichtbar angesehen, die Datenqualität täglich zu überwachen und die Analyseergebnisse zu dokumentieren. So kann Johnson & Johnson die Auswirkungen bestimmter Vorfälle auf die Datenqualität nachver-

Abb. 2.41 Entwicklung des Datenqualitätsindex. (Otto 2013, S. 18)

Tab. 2.22 Entwicklung der Datenmanagementkompetenzen

Datenmanagementkompetenz

Stand Anfang 2008

Stand Anfang 2012

Data Strategy Management

Auf Ebene des Gesamtunternehmens nicht vorhanden

• EMD-Ziele aus Geschäftszielen

abgeleitet

• Unterstützung durch Executive Management

• Kontinuierliches Managementreporting

Data Quality Management

Überhaupt nicht vorhanden

• Datenqualitätsprozesse und -werkzeuge sind etabliert und werden kontinuierlich verbessert, sowohl vor als auch während der Datennutzung

Data Stewardship

Nur auf Ebene der einzelnen Geschäftsbereiche vorhanden; keine Koordination auf der Ebene des Gesamtunternehmens

• Klare Verantwortlichkeiten für die

einzelnen Datenklassen

• Zentrales EMD-Team mit Stewardship-Verantwortung

Data Lifecycle Management

Kein unternehmensweites Konzept vorhanden

• Workflow-unterstützter Prozess für die Anlage und Pflege von Stammdatensätzen

• Prozess für die Deaktivierung von Stammdatensätzen ist in Entwicklung

Data Architecture

Management

Keine einheitliche Definition der wesentlichen Geschäftsobjekte

Zentrale Datenquelle ist das SAP-ERP-System

• Unternehmensweit einheitliches Verständnis der wesentlichen Geschäftsobjekte (z. B. „Product Samples“)

• Das SAP-ERP-System ist die führende Datenquelle

Database Management

SAP-ERP-System

• SAP-ERP-System

folgen. Dadurch kann sich das Unternehmen besser auf Ereignisse in der Zukunft einstellen und versuchen, die negativen Auswirkungen dieser Ereignisse auf die Datenqualität zu verringern. Darüber hinaus war es auch wichtig zu erkennen, dass über eine kontinuierliche Messung und Überwachung der Datenqualität und ihre Anhebung auf das Six-Sigma-Level klar gezeigt werden kann, dass Data Governance tatsächlich eine positive Auswirkung auf die Datenqualität hat. Dieser Beweis ist äußerst hilfreich, um den betriebenen Aufwand für ein ständiges Weiterentwickeln der Data Governance im Unternehmen und gegenüber allen Mitarbeitern erklären zu können.

Zusammengefasst waren die wichtigsten Erkenntnisse bei Johnson & Johnson:

• Qualitätsprobleme von Materialund Produktdaten schlagen sich in allen Geschäftsprozessen nieder; deshalb müssen Anforderungen an die Datenqualität auch vom gesamten Produktlebenszyklus abgeleitet werden.

• Die dauerhafte Verbesserung der Datenqualität erfordert eine organisatorische Verankerung des unternehmensweiten Datenqualitätsmanagements.

• Automatisierte digitale Datenqualitätsprüfungen durch Geschäftsregeln müssen mit halbmanuellen, physischen Prüfungen (hier mithilfe des CubiScan-Geräts) kombiniert werden. Die Korrektheit der Daten wird so durch Prüfung am Realweltobjekt sichergestellt.

• Workflows und Bereitstellungsbereiche (Staging Areas) vor der Datenübernahme ins ERP-System verhindern die Erfassung fehlerhafter Daten und sichern die Datenqualität im Produktivsystem.

• Die Übertragung von bewährten Qualitätsmanagementsystemen wie Six Sigma auf das Datenqualitätsmanagement erleichtert die Umsetzung und erhöht die Akzeptanz.

2.7.6 Weiterführendes Material

Für den Fall von Johnson & Johnson liegen an verschiedenen Orten Details aus wissenschaftlicher und auch aus praktischer Perspektive vor (Tab. 2.23):

Tab. 2.23 Weiterführendes Material zum Fall von Hilti

Quelle

Titel

Ergebnistyp

Wiss.

Praxis

Otto 2013

On the evolution of data governance in firms: The case of Johnson & John-

son consumer products North America

Wiss. Beitrag in

Herausgeberband

Viman und Otto

2012

Data governance: Learning from the past: J&J case study

Präsentation auf Praxiskonferenz

Wailgum 2012

Data and information governance at Johnson & Johnson

Beitrag in

Fachzeitschrift

 
< Zurück   INHALT   Weiter >