Information på Tværs og Datakvalitet

Information på Tværs og Datakvalitet - Information Management i DSB SAS forum den 4. oktober 2006 v/ Chefkonsulent i DSB Informatik, afdeling for IT-Arkitektur og Integration Niels Lademark Heegaard Side 1

Side 2 Agenda Fakta om DSB Hvorfor Information Management i DSB? Business case for Information Management DSB s Udfordringer og mål Ti råd om arbejde med datakvalitet

Side 3 DSB i tal DSB er en selvstændigt offentlig virksomhed DSB har operationer i Danmark og Sverige DSB har 160 million passagerer hvert år og transporterer omkring 80 procent af togpassagerne i Danmark DSB koncernen havde i 2005 en samlet omsætning på 10,5 mia. kr. og beskæftiger ca. 9.000 medarbejdere

Side 4 IT i DSB DSB Informatik: Ca. 270 ansatte, fordelt på udvikling, drift, tele mv. Drifter ca. 400 servere, centralt og decentralt Drifter og forvalter mere end 250 IT-systemer Har landsdækkende netværk Understøtter ca. 4.500 PC ere, og mere end 5000 mobiltelefoner

Side 5 DSB forandrer sig 1993 1995 1996 1997 1999 20.400 ansatte 15.800 ansatte 15.600 ansatte 10.900 ansatte 10.400 ansatte Fra etat til statsvirksomhed Rederi og busser A/S Økonomisk krise og genopretning Banestyrelsen udskilles Selvstændig offentlig virksomhed Ny bestyrelse Storebæltsbroen åbner 2000 2001 2003 2004 2005 9.400 ansatte 7.900 ansatte 8.400 ansatte 8.800 ansatte 9.000 ansatte Øresundsbroen åbner Gods sælges/ fusioneres 2006 15% af DSB s trafik i udbud Overtager Roslagsbanan Kort & Godt Togservice Tilbudsgivning: Tågvärdsbolag ICEC, England Gjøvik, Norge Tilbudsgivning: Integrated Kent Franchise Thameslink Great Northern Pendeltåg Pågatåg 9.000 ansatte IC4 idriftsættes (håber vi)

Side 6 Forretningsdrivere der kræver fokus på datakvalitet Kort og Godt - Fælles billet- og kiosksalg Rejsekortet - Et personligt DSB s Activity Based Costing - Én rapport med harmoniserede transaktionsdata Balanced scorecard - Ledelsesværktøj - Ensretning af forretningsmål Bud på jernbanetrafik - hurtig opstilling af scenarier og forretningsmodeller

Side 7 Business case - Prisen ved intet at gøre Hvis udgangspunktet er, at vi ønsker én version af data, hvordan kommer vi videre? Sales force dispatching Alle punkt-til-punkt grænseflader koster det samme Sales force dispatching Locomotive dispatching Workshops dispatching Service dispatching Salary payment IT systems management Intranet Parallel synkronisering af data er dobbeltarbejde Til omkostningen ved dobbeltarbejde skal man lægges et overhead til fejlrettelser og koordinering Workshops dispatching Locomotive dispatching Service dispatching Master data repository Salary IT systems management Intranet Economic controlling Base H.R. system Management reporting IT-Arkitektur og stamdatapoliti(k) begrænser antallet af grænseflader Vi får færre synkroniseringsfejl og en fejlrettelse korrigere alle data. Economic controlling Education organisation Skills Management reporting Alternativet er utallige punkt-til-punkt integrationer

Side 8 Business Case - DSBs verden er kompleks...... og den bliver ikke mindre kompleks over tid. Kunsten er at håndtere kompleksiteten kompetent og troværdigt. Investering i IpT Produktivitet 125 120 115 110 105 100 95 90 År 1 År 2 År 3 År 4 År 5 År 6 År 7 År 8 Omkostning ved intet at gøre "Do nothing" strategi Information på Tværs Gevinsten ses i: Lavere overhead på senere integration udvikling og reimplementering. Højere produktivitet hos IT-medarbejdere. Konsistent datagrundlag og flere fakta. Større indsigt og bedre beslutninger. DSB anvender i gennemsnit 7 timer om dagen på at rette fejl i Wildcard bestillinger (hos kortproducenten og i telefonsalget). Dertil kommer behandlingen af returpost, der koster over ½ million kroner årligt. Årsagen er manglende datavalidering. P.t. anvender informatik 2 årsværk til synkronisering af medarbejderdata. Årsagen er fravalget af fælles medarbejderid i SAP, hvilket bevirker at SAP/HR standardfunktioner ikke kan anvendes, hvorfor alt håndkodes. Ressourcetrækket på DSB i øvrigt er ukendt...

Business case - Den usynlige pris ved lav datakvalitet: Usikkerhed omkring BI Hvad sker der i organisationen, når skufferegnskaberne ikke passer? Trin et Trin to Trin tre Trin fire Trin fem Omkostning/frustration Der er forskelle i rapporteringen fra forskellige kilder Overraskelse Der bruges tid på at efterspore sandheden Undren Det debatteres hvad sandheden er Irritation Konsensus nås og det har af og til en reel effekt. Utilfredshed Tid til at træffe de forretningsbeslutninger der oprindeligt var lagt op til Frustration Tid Frustrationskurven Mål for spildt tid Tillidskurven Mål for tilliden til de rapporterede data Det er nok bedst at jeg ikke handler da jeg ikke kender sandheden Side 9 Jeg har brug for tid til at finde sandheden inden jeg kan agere. De andre har ikke forstået det. Vi kan ikke agere før de forstår den sammenhængen. Nu er vi enige, men jeg kan ikke betale de nødvendige ændringer så jeg kan ikke agere Vi er enige, men har ikke midler til at agere. Vi retter manuelt i rapporteringssystem et, det er hurtigst lige her og nu

Side 10 Business Casen - Hvilke fordele har firmaet opnået fra høj kvalitetsdata? The DataWarehouse Institute (TDWI) spurgte i foråret 2006 750 virksomheder, der havde arbejdet med datakvalitets programmer, hvilke fordele virksomheden havde opnået ved den forhøjede datakvalitet. Større tillid til analytiske systemer Mindre tidsforbrug til datasynkronisering En version af sandheden Øget kundetilfredshed Reducerede omkostninger Øget indtjening Andet Større tillid til analytiske systemer Mindre tidsforbrug til datasynkronisering En version af sanheden Øget kundetilfredshed 57% Reducerede omkostninger 56% 30% Øget indtjening 5% Andet 70% 69% 76% 49 % havde efterfølgende ikke studeret hvilke fordele høj datakvalitet kunne give forretningen. 66 % af virksomheder havde studeret hvilke problemer lav datakvalitet medførte.

Side 11 Business case (forts) - Et meget aktuelt eksempel Primo august Medio August 31. August 1. September 22. september Opfordret til at holde Præsentation Møde SAS Institute om indlægget Indgår en aftale der inkluderer fri adgang Får jeg en invitation til konferencen Får jeg (endnu) en Venlig opfordring til at invitation til konferencen melde mig til hvis jeg skulle have glemt det DSB Informatik ATT: Informationsarkitekt Niels Heegaard IT-Rådgivning og Analyse Kalvebod Brygge 32, 4 1560 København V DSB Informatik ATT: IT-Rådgiver Niels Lademark Heegaard IT-Arkitektur Kalvebod Brygge 32, 4 1560 København V DSB Informatik ATT: IT-arkitekt Niels Lademark Kalvebod Brygge 32, 4 1560 København V

Side 12

Side 13 10 råd om arbejde med forbedring af datakvalitet 1. Definer hvad datakvalitet er 2. Søg hjælp hos eksperterne 3. Profiler data 4. Anvend datakvalitets værktøjer 5. Eksponer fejlene i data overfor forretningen 6. Spørg brugerne 7. Tænk i processer 8. Placer et ansvar hos ledelsen 9. Start med stamdata 10. Datakvalitet er ikke et IT projekt

Side 14 1. Definer hvad datakvalitet er 1. Komplette Alle de ønskede poster og værdier er til stede 2. Valide At vi har netop og alle de data vi ønsker at bruge 3. Konforme Data er registeret i det samme (fælles) og korrekte format 4. Akkurate Data svarer til virkeligheden (den kilde de beskriver) 5. Konsekvente Ingen konflikter i data (som flere forskellige priser på én vare) 6. Unikke At sandheden kun findes ét sted 7. Integrerede At data kan distribueres og anvendes (og at det sker) 8. Fortløbende Nuværende og historiske data er uden overlap eller brud 9. Rettidige Data er til rådighed på det tidspunkt hvor de skal bruges 10. Identificerbare At der kan refereres til data på tværs af systemer

Side 15 2. Søg hjælp hos eksperterne Det er ikke ukompliceret at takle datakvalitet Hvor ligger det guld begravet som kan overbevise ledelsen (der skal finansiere datakvalitets arbejdet)? Hvor starter man? Hvordan profileres data? Hvad er de forretningsmæssige implikationer? Hvordan integreres datakvalitet organisationen? Hvad koster det? Spørg nogen der har prøvet det før!

Side 16 2. Søg hjælp hos eksperterne (forts.) - anvend en metode Hvor finder jeg en Datakvalitetsmetode? Konsulentfirmaer (Platon, Business Minds) Leverandører (IBM, SAS, Component Software) Faglige fora (TDWI, DAMA, IQ, Dansk IT) Hvilke krav bør stilles til metoden: ƒ Iterativ ƒ Forretningsdrevet ƒ Standardiseret ( og gennemprøvet) ƒ Veldokumenteret ƒ Fleksibel

Side 17 3. Profiler data Dataprofilering er en forholdsvis hurtig aktivitet. Dataprofilering afslører ofte hullerne mellem dokumentation og virkelighed Dataprofilering giver godt skyts til kommunikationen med forretningen Dataprofilering muliggør hurtig sammenligning af systemer Halvdelen af alle DataWarehouse projekter frem til 2007 vil opnå begrænset accept eller vil fuldstændigt fejle på grund af manglende fokus på datakvalitet. - Gartner Group 2005

Side 18 4. Anvend datakvalitetsværktøjer Egenudviklede datakvalitetsløsninger kan plukke de lavthængende frugter, men frugten i toppen af træet bliver hængende til den bliver dårlig. Udviklerne vil sige jeg kan hurtigt lave en løsning der [indsæt behov] på 200 timer. Alle løsninger skal dokumenteres og skal være lette at vedligeholde Tværgående kvalitetsproblemer kræver løsninger der er tværgående og kan genbruges Profileringen af data skal kunne foretages af forretningsbrugere Behov for færre kompetencer Træk og slip frem for 100-500 kodelinjer

4. Anvend datakvalitetsværktøjer (forts.) - Datakvalitet: Regler for ETL, datavask og valideringer er metadata infrastruktur stamdata Integrationsplatform OMPLS MADS Ekstraktion, Transformation og Load til DSB s EDW Det fælles datawarehouse i koncernen bliver kilde til al rapportering. Fejl rettes ved kilden så alle får fordel Transaktionsdata Operationelt datalager til realtime BI Ekstraktion, Transformation og Load til Datamart Datamarts er målrettet samling af data til brugernes rapporter, f.eks.: BSC, Trafikinfo el. Lederportal Slutbrugere af information -Kunder - Medarbejdere - Chefer - Myndigheder STRAX H.R. stamdata AD Kunde stamdata ROSA WildCard SAP Transaktionsdata Enterprise DataWarehouse Datamart til SAS REBUS Datamart til SAP Side 19 Datakvalitets værktøjer Metadata Datakvalitetsregler er Metadata

Side 20 5. Eksponer fejlene overfor forretningen En nyttig taktik er at vise brugerne og chefer kvaliteten af de data der anvendes i produktion og til beslutningsstøtte. Ofte kender forretningen ikke kvaliteten af de data der arbejdes med Oftest er dårlige data accepteres som en nødvendig omkostning Lav datakvalitet er ofte usynlig for chefer og ledere fordi medarbejderlaget manuelt fjerner problemet Data er objektive, grænsen for hvad der er acceptabel datakvalitet er subjektiv Hvis der er et problem med datakvaliteten skal der også være en ansvarlig

Side 21 6. Spørg Brugerne - Brugerne lider under dårlig datakvalitet de er naturlige allierede Oftest sidder der brugere med unik viden og store problemer. Som brækjern i forhold til datakvalitetsinitiativer er de uvurderlige Brugerne der kæmper med dårlige data ved godt at data er dårlige Brugere og aftagere af data kan oftest ikke kvalificere de frustrationer den dårlige datakvalitet er årsag til Brugerne føler sig ofte isolerede og føler at de sidder alene og kæmper med de problemer der følger af lav datakvalitet Brugerne ved hvordan data burde se ud, hvordan kvaliteten burde være og hvad de direkte omkostninger til datavask er Brugerne kan forklare dataprofilen og kan forklare årsagen til at data mishandles

Side 22 7. Tænk i processer -virksomheder har god forståelse af egen organisation Koncerndirektion Informatik Men vigtige processer bliver skjult i funktionsopdelinger, organisatorisk struktur (og jobfunktioner, systemer etc.): Produktion Tog Personale Fremføring S-Tog Salg Produktion Salg Salgsregioner Telefonsalg Markedsføring H.R. Service Økonomiservice Planl. og Trafik Kommunikation Design - Ansæt medarbejder - Køb materialer - Planlæg togtrafik - Disponer medarbejdere - Besvar kundehenvendelse -etc. Udløser Togkomponenter Togsæt Teknik Økonomiservice Teknik og Vedl. Økonomi og Adm. Ejendomme Rejsebureau Markedsanalyse Økonomiservice Indkøb Jura Interessenter Proces fra start til slut: Køb vare -Håndværker -Lagerforvalter -Indkøber -Regnskabsservice -Logistikmedarbj. -Økonomiservice

Side 23 Processernes udfordringer i organisationen - IT er processer på steroider 1. Afdelinger og funktioner har ejere, processer har normalt ikke ejere 2. Funktioner/afdelingers mål og processers mål er ofte ikke synkroniseret 3. Problemerne - forsinkelser, fejl og udgifter forekommer i mellemrummene 4. Hver afdeling har sin egen terminologi, systemer og filosofi H.R. Rekruttering Mål Maksimalt rekrutteringsgrundlag 1. 3 2 Interessekonflikt Hvem ejer processen? H.R. Chef Produktionsdir. IT Chef Regnskabschef Produktion Mål Informatik Tværgående Proces: Ansæt ny medarbejder Mål Proces mål: Kvalificeret medarbejder til deadline Ingen Problemfri forstyrrelser i systemadgang produktionen til deadline Regnskab Mål Minimer omkostning til løn 4 Konstruktiv kritik er svær at acceptere specielt hvis den kommer fra familie, venner, bekendte eller fremmede Franklin P. Jones Definition af en medarbejder ƒ Organisatorisk tilhørsforhold (chef) ƒ Kompetencer (certificeringer) ƒ Økonomisk tilhørsforhold (stedkode) ƒ Systemadgange (Informatik) ƒ Medarbejdernummer/ansættelsesdato ƒ Vagtplan (værkstedschef/disponent)

Side 24 Version 2

Delsystem 7. Tænk i processer (forts.) -kortlægning af proces mod systemer Udløser: Kunde købe DSB WildCard i billetsalg Problem: Fejl i kundedata giver 30+ % produktionsforstyrrelser Papirskema Terminal WildCard kunde og produktions DB Billetsælger Produktionssystem Datakvalitet i delsystem Aktør Kunde Udfylder stamkort WildCard modtages WildCard modtages WildCard modtages Modtager stamkort Manuel validering Kort producent WildCard Database 1-3 dage Manuel indtastning 1-3 dage Automatisk validering Wildcard produceres ja DQ god nej Banale fejl rettes ja DQ god Wildcard produceres Wildcard produceres ja Levering umulig Telefonsalg Fejlrettelse startes Store fejl rettes nej Fejlrettelse startes DQ god Side 25 1-3 dage nej

8. Placer et ansvar - Et entydigt dataejerskab er et af kravene i datastrategien Data kontrollør System: SAP H.R. Organisatorisk enhed (f.eks. H.R. Service) Data ejer Datagruppe: Medarbejdere Ejer: H.R. Chef Hans Munch Data Inspektør Datagruppe: Medarbejder stamdata Inspektør: Bent Larsen Data kontrollør System: Intranet Data kontrollør System: Aktive Directory Systemernes form og funktionelle krav defineres lokalt. Data kontrollør System: LTD Enhed: Fremføring Data kontrollør System: STJAS Enhed: Salg Data kontrollør System: APOLLON Enhed: Informatik Systemer forankret uden for HR., men trækker på fælles data. H.R. definere format og regler for fælles data, herunder regler for al rapportering der går på tværs af organisationen, som fravær, kompetencer, systemadgange og antal medarbejdere. Ejerskabet af datagruppen "medarbejder" forankres, hvor der er flest interessenter. Bemærk at ejerskabet af data oftest vil række ind i systemer forankret i andre organisatoriske siloer.

8. Ansvarsplacering kræver dataoverblik - Og dataoverblik kræver en datamodel Interessent Kan sælge Kan allokere Kan informere via Detail Kan modtage Kan være agent for Kan sælges af Kan markedsføres via Kan publiceres til Kan være solgt af Kan modtage Kan være fra Salgsprodukt Vedrører Salgsaftale (Billet) Kan indgå Kunde Kan være ansvarlig for Kan indgå i Kan indgås med Er tilknyttet Forsynes via Kan være fra Prissættes med Vedrører Kan bestå af Indtægtsføres i Kan omfatte Ekstern Leverandør Kan publiceres til Vedrører Kan omfatte Vedrører Prissættes med Sælges til Kan være kendt som Kan levere Rejse Foretager Passager Kan forsyne Leveres af Kan være grundlag for Kan omfatte Kan være grundlag for Kan publiceres til Foretages af Kan omfatte Kan allokeres til Kan være ansvarlig for Kan være en fra-lokation Kan være defineret i Strækning Prissættes med Omfatter Kan indgå i Kan modtage Tælles for Er defineret af én fra-lokation Lokation Bor på Kan være en til-lokation Organisatorisk enhed Kan omfatte Kan adressere Er defineret af én til-lokation Udgiftsføres i Kan forsyne Kan kun bruge Kan bruges på Kan indgå i Kan allokeres til Udgiftsføres i Kan have tilknyttet Materiel Er ansvarlig for Udarbejdes af Udbydes af Kan udbyde Trafikudbyder Trafikkontrakt Prisstruktur & salgsbetingelser Indkøbsaftale Kan omhandle Markeds- Føringsinformation Trafikinformation Mål/Resultat Kan allokeres af Kan allokere Kan være ansvarlig for Kan være på grundlag af Vedrører Kan informere via Kan være på grundlag af Fremføres og vedligeholdes af Kan informere via Kan målstyres efter Kan have Er målstyrende for Er målstyrende for Kan informere via Trafikplan Kan udgiftsføre Kan opgøres på grundlag af Kan målstyres efter Er tilknyttet Kan være grundlag for Forsynes via Togproduktion Fremfører og vedligeholder Kan informeres fra Medarbejder /Stilling Økonomi/ Regnskab grundlag for Kan være Kan udgiftsføre Udgiftsføres i Kan allokere Kan være på grundlag af Kan allokere Kan allokeres til Kan udgiftsføre Side 27 Kan indtægtsføre

Side 28 8. Ansvar betyder datakrav, datapoliti(kker) og mål Hvis man vil placere et ansvar så skal ansvarsområdet defineres Det skal være helt klart hvordan ansvaret skal forvaltes Der skal ydes hjælp til det praktiske arbejde Der skal opstilles mål og udviklingsplaner Der skal formidles vide og indsigt Dataejerskab er ikke ensbetydende med retten til eksklusiv dominans over data. Dataansvar er en sur pligt der betyder at dataejeren skal stille kvalitetsdata til rådighed for resten af organisationen og hjælpe med tolkning og dataforståelse.

Side 29 9. Start med stamdata Stamdata er lette at identificere Kilderne til stamdata er (forholdsvis) lette at dokumentere Stamdata vedligeholdes ét sted i den logiske arkitektur Stamdata har en lav opdateringsfrekvens Der er en indbygget viral effekt på datakvaliteten af transaktionsdata Behovet for høj datakvalitet i stamdata er intuitivt let at forstå (også for chefer) Løftet om velsignelserne ved høj datakvalitet skal indfris inden ledelsens fokus flyttes. Der skal med andre ord præsenteres hurtige resultater.

Side 30 10. Datakvalitet er ikke et IT projekt Projekter har en veldefineret aflevering Projekters resultater indgår i processer IT projekter foregår i siloer rettet mod specifikke forretningsmæssige funktioner IT projekters funktionelle succeskriterium er, at kunden kan løse den delopgave (del proces) projektet understøtter Projekter bemandes af en mindre gruppe, der alene har projektansvaret Projekter er afsluttede Arbejdet med datakvalitet ændres løbende Datakvalitet er grundlag for gode processer Datakvalitet går på tværs af systemer, organisation, men på langs af processer Datakvalitet ser på hvordan kunden skal fuldføre sin del af en samlet arbejdsproces for at sikre alle led i processen. Ansvaret for høj datakvalitet er hos hele organisationen og drives af ildsjæle Arbejdet med datakvalitet stopper aldrig

10. Datakvalitet er ikke et IT projekt (forts.) - Det er et fortsat arbejder der skal forankres i organisationen Direktionssekretariat Porteføljestyring Koncernledelsen Linjeenheder i forretningen DSB Dataejer forum Informatik Salg Produktion S-tog Koncernfunktioner Dataejere Integrationsspecialist DW og ETL specialist IpT funktionen IpT ansvarlig Integrationscenter Datawarehousecenter Rolle Kompetencecenter Er Etableret Etableres senere Dataejer Processpecialist Etableres ultimo 2006 Stamdataspecialist Datainspektør Metadataspecialist Informationsmodellør Datakontrollør Datakvalitetsspecialist

Side 32 Spørgsmål Lige til