enterprise data quality : fiabilisez vos processus e
TRANSCRIPT
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Enterprise Data Quality : fiabilisez vos processus E-Business Suite en améliorant la qualité des données
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Sommaire
1
2
Introduction : enjeux de la qualité de données
Enterprise Data Quality : positionnement
Data Quality Healtcheck
Cas client
Oracle Confidential – Internal/Restricted/Highly Restricted 2
3
4
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
“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
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Anomalies classiques sur des données tiers
Variation ou erreur
Exemple Variation ou
erreur Exemple
Erreur de séquence
• Bruno Brun – Brun Bruno Erreurs de
transcription • Annah, Amah
Corrections involontaires
• Chaumelle – Chaumel Ajout/suppression
d’éléments
• Jean-Pierre Dupond, Jean Dupond,
Dupond
Noms concaténés • Marie Anne – Marianne Données
étrangères
• Khader AL Ghamdi, Khadir A.
AlGamdey
Surnoms et alias • Stéphane – Stéphie, Marc – Marco Initiales non
standardisées
• Jean-Pierre Dupond, Jean-P. Dupond,
J.-P. Dupond, JP Dupond
Bruit • Points, tirets, slashs, titres,
apostrophes... Lettres inversées • Lallemand, Lallemnad
Abbréviations • Christophe/Chris, Sté/Société Traductions
• 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
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Qualité des données Périmètre et dimensions
• Données manquantes ou inutilisables Complétude
• Données stockées dans un format non standard Conformité
• Données incohérentes entre elles Cohérence
• Données imprécises ou obsolètes Exactitude
• Enregistrements ou attributs répétés Duplication
• Données manquantes ou non référencées Intégrité
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Sommaire
1
2
Introduction : enjeux de la qualité de données
Enterprise Data Quality : positionnement
Data Quality Healtcheck
Cas client
Oracle Confidential – Internal/Restricted/Highly Restricted 6
3
4
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Vos données sont elles fiabilisées pour vos processus ?
• 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
Vos
données
Vos experts
Comprendre
Améliorer
Protéger
Gouverner Standards
métiers
Problèmes, anomalies,
erreurs
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 8
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 9
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 10
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 11
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 12
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Améliorer les données et l’efficacité des processus
• 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
Comprendre
Améliorer
Protéger
Gouverner
Métriques, KPIs
Données fiabilisées et
adaptées
Analyser
Standar-
diser
Dédou-
blonner
Extraire
Enrichir
‘Gold’
data
Appliquer les standards de qualité
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 14
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 15
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 16
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
‘Pare-feu’ de qualité de données : protection en continue
• Application préventive des règles de qualité de données
• Meilleure efficacité opérationnelle, ROI
• Gestion des anomalies et rejets
Référentiel
Application de standards, validation
Sources
externes
Intégration de données / ETL Applications
sans qualité
de données
Application avec
intégration temps
réel Web
service
Comprendre
Améliorer
Protéger
Gouverner
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Gouvernance des données
• Indicateurs et suivi
• Identification et résolution des problèmes
• Amélioration de l’efficacité globale
Comprendre
Améliorer
Protéger
Indicateurs de qualité des bases cible
‘Gold’ data
Standardiser les données
Indicateurs de qualité
des sources
Métriques sur les
processus
Gouverner
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 19
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 20
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 21
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 22
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 23
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 24
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 25
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 26
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Oracle Enterprise Data Quality Plate-forme complète pour tous les problèmes de qualité de données
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.
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
Profilage
Standardisation
Mise en correspondance
Gouvernance
Compréhension rapide et détaillée des données
Respect des standards
Identification et fusion des doublons
Résolution des problèmes et monitoring
Inte
rfac
e u
tilis
ateu
r u
niq
ue
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Spécialistes
Gestionnaires fonctionnels
Dirigeants & Décideurs
Gestionnaires de données
Audit & Vérification
Impact immédiat sur la qualité des données
OEDQ : Outil commun pour la qualité de données
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Sommaire
1
2
Introduction : enjeux de la qualité de données
Enterprise Data Quality : positionnement
Data Quality Healtcheck
Cas client
Oracle Confidential – Internal/Restricted/Highly Restricted 29
3
4
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
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
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Atelier Interactif – Exemple
• 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
Données Fournisseurs
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Sommaire
1
2
Introduction : enjeux de la qualité de données
Enterprise Data Quality : positionnement
Data Quality Healtcheck
Cas client
32
3
4
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Oracle Enterprise Data Quality chez nos clients Cas d’utilisation
Adapter les données aux besoins des systèmes de pilotage
Mise en place de standards dédiés aux systèmes de pilotage
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
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… )
Motoriser un système de Master Data Management
Vérifier, standardiser, dédoublonner des sources de données disparates pour construire le golden record
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
Groupe industriel, USA D’une approche tactique de la qualité de données à la gouvernance
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
Le client • Fabricant d’appareils complexes de d’analyse biologiques
•Une base installée de plus de 275000 appareils utilisés sur 6 continents
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
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 « super-utilisateurs » connaissant EDQ :
• Analyse et profilage
•Définition de règles simples
Groupe industriel, USA
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
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
Apports 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
EDQ
SAP
CRM Siebel
MDM E-BS …
Copyright © 2014 Oracle and/or its affiliates. All rights reserved. |
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