Konzeptionierung am Beispiel der Schwachstellenanalyse Dipl Ing Robert
Konzeptionierung am Beispiel der Schwachstellenanalyse Dipl. -Ing. Robert Bernerstätter Leoben, 28. 05. 2019 © WBW, Bernerstätter 28. 05. 2019 Seite 1 Wirtschafts- und Betriebswissenschaften Reifegradmodell zur Bewertung der Inputfaktoren von datenanalytischen Anwendungen
Ausgangssituation und Zielsetzung Probleme mit der IT-Infrastruktur bzw. dem Datenmanagement Wirtschafts- und Betriebswissenschaften Probleme mit der Datenqualität Herausforderungen im datenanalytischen Prozess Quelle: Lueth (2016) Ziel Entwicklung eines Reifegradmodells, welches die Reife einer Organisation feststellt, um datenanalytische Projekte durchzuführen. © WBW, Bernerstätter 28. 05. 2019 Seite 2
Forschungsfrage § Wie muss ein Reifegradmodell aufgebaut und inhaltlich ausgestaltet sein, SF 1: Mit welchen Reifegradkategorien und –stufen lassen sich diese Faktoren und Komplexitätsgrade beschreiben? SF 2: Lassen sich bestehende Datenqualitätsbetrachtungen in die Bewertungslogik integrieren bzw. was muss dafür verändert werden? SF 3: Sind Zusammenhänge zwischen der Reife des Datenmanagements und der Datenqualität feststellbar? SF 4: Wie kann eine Schwachstellenanalyse in die Logik der Analysekomplexität des Data. Minings integriert werden? SF 5: Wie müssen Reifegrade für die Schwachstellenanalyse beschrieben und wie kann der Reifegrad für diese erhoben werden? SF 6: Welche datenanalytischen Methoden können die Schwachstellenanalyse bei steigender Systemkomplexität unterstützen? © WBW, Bernerstätter 28. 05. 2019 Seite 3 Wirtschafts- und Betriebswissenschaften um die Faktoren bewerten zu können, welche die Datenqualität für die unterschiedlichen Komplexitäten des Data-Minings beeinflussen?
Methodische Vorgehensweise Anwendungsdomäne • Menschen • Organisationale Systeme • Technische Systeme • Probleme und Möglichkeiten Wissensbasis Design Science Research Relevanz Zyklus • Anforderungen • Feldtests Würdigung in der Arbeit Fundierung Erstellen von Designartefakten und prozessen Rigor Zyklus Design Zyklus • Wissenschaftliche Theorien und Methoden • Erfahrungen und Expertise • Meta-Artefakte (Design. Produkte und Design. Prozesse) • Grundlagen • Ergänzungen zur Wissensbasis Evaluation • Kapitel 1: Ausgangssituation • Kapitel 7: Fallbeispiele Würdigung in der Arbeit • • Kapitel 2: Reifegradmodelle Kapitel 3: Datenmanagement Kapitel 4: Datenanalytik Kapitel 5: Schwachstellenanalyse • Kapitel 6: Ausarbeitung des Reifegradmodells • Kapitel 7: Fallbeispiele © WBW, Bernerstätter 28. 05. 2019 Seite 4 Wirtschafts- und Betriebswissenschaften Umfeld
SF 1 SF 2 Wirtschafts- und Betriebswissenschaften Inhalt und Struktur des Reifegradmodells Hauptforschungsfrage Quelle: in Anlehnung an Wirth, R. ; Hipp, J. (2000) © WBW, Bernerstätter 28. 05. 2019 Seite 5
Reifegradstufen des Modells SF 1 Zusammenhang zu den Analysekomplexitäten Was soll geschehen? Prädiktive Analysen Prognosen Was wird geschehen? Strukturprüfende Verfahren Diagnostische Analysen Strukturentdeckende Verfahren Warum ist es geschehen? Deskriptive Statistik Visualisierungen Reports Deskriptive Analysen Präskriptive Reife Integrierte Systeme, konsistente Daten Prognostische Reife Teilweise Integration, lange Aufzeichnung Diagnostische Reife Standards, digitale Erfassung Deskriptive Reife Keine Standards, kaum Digitalisierung Was ist geschehen? niedrig Grad der Komplexität hoch Anforderungen an die Daten nehmen zu Quelle: in Anlehnung an Camm, J. D. et al. (2018) © WBW, Bernerstätter 28. 05. 2019 Seite 6 Wirtschafts- und Betriebswissenschaften Predictive Modelling Präskriptive Analysen Zunehmender Reifegrad Optimierung Regelbasierte Modelle Simulation Mehrwert steigt Wettbewerbsvorteil hoch
Bewertung der Schwachstellenanalyse Reifegradzuordnung und Methoden SF 4 SF 6 Prognostische Reife Anomalieerkennung Diagnostische Reife Assoziationsanalyse Deskriptive Reife ABC-Analyse, Kennzahlenvergleich Quelle: in Anlehnung an Biedermann (2017) © WBW, Bernerstätter 28. 05. 2019 Seite 7 Wirtschafts- und Betriebswissenschaften Präskriptive Reife
Erhebung des Reifegrades SF 5 Wirtschafts- und Betriebswissenschaften § Fragebogen mit 40 Fragen § Analysen zu Vollständigkeit, Darstellung und Auslegbarkeit § Fragen wurden Reifegradkategorien zugeordnet § Antworten wurden Reifegradstufen zugeordnet § Mindestanforderungen wurden definiert § Restliche Zuordnung kann von fachkundigen Personen vorgenommen werden Bewertung der Datenbereitstellung © WBW, Bernerstätter 28. 05. 2019 Seite 8
Zusammenfassung und Ausblick SF 3 § Reifegradmodell zur Bewertung des datenanalytischen Prozesses § Bewertung anhand des CRISP-DM Wirtschafts- und Betriebswissenschaften Vorgehens § Sechs Reifegradkategorien § Vier Reifegradstufen § Erarbeitung anhand von sechs Fallbeispielen § Weiterer Forschungsbedarf § Auswirkung der Datenmodellierung auf die Datenqualität § Bestimmung der Kosten und des Nutzens der Reifegraderhöhung © WBW, Bernerstätter 28. 05. 2019 Seite 9
Konzeptionierung am Beispiel der Schwachstellenanalyse Dipl. -Ing. Robert Bernerstätter Leoben, 28. 05. 2019 © WBW, Bernerstätter 28. 05. 2019 Seite 10 Wirtschafts- und Betriebswissenschaften Reifegradmodell zur Bewertung der Inputfaktoren von datenanalytischen Anwendungen
Wirtschafts- und Betriebswissenschaften Backup © WBW, Bernerstätter 28. 05. 2019 Seite 11
Literatur § § § § conference in information quality, Bosten MA, 2004. Bosten MA. Lueth, K. L. ; Patsioura, C. ; Williams, Z. D. ; Kermani, Z. Z. (2016): Industrial Analytics 2016/2017. The current state of data analytics usage in industrial companies. Io. T Analytics Gmb. H. 2016. Stodder, D. (2016): Improving Data Preparation for Business Analytics; Applying Technologies and Methods for Establishing Trusted Data Assets for More Productive Users. Renton: tdwi. 2016. Biedermann, H. (2017): Lean Smart Maintenance - Controlling. Die Schwachstellenanalyse als zentrales Element im Führungssystem der Instandhaltung. In: Biedermann, H. (Hrsg. ): Erfolg durch Lean Smart Maintenance: Bausteine und Wege des Wandels. Köln: TÜV Media Gmb. H. ISBN 978 -3 -7406 -0243 -7 (Praxiswissen für Ingenieure - Instandhaltung). , S. 23– 36. Otto, B. (2015): Quality and Value of the Data Resource in Large Enterprises. In: Information Systems Management, Jg. 32, Nr. 3, S. 234– 251. Wirth, R. ; Hipp, J. (2000): CRISP-DM: Towards a standard process model for data mining. Proceedings of Fourth International Conference on the Practical Application of Knowledge Discovery and Data Mining, Manchester, 2000. Manchester: Blackpool. Camm, J. D. ; Cochrane, J. J. ; Fry, M. J. ; Ohlmann, J. W. ; Anderson, D. R. ; Sweeney, D. J. ; Williams, T. A. (2018): Business analytics; Descriptive, Predicitve, Prescriptive. 3 rd edition, Boston: Cengage Learning. ISBN 978 -1 -337 -406420. Rohweder, J. P. ; Kasten, G. ; Malzahn, D. ; Piro, A. ; Schmid, J. (2015): Informationsqualität – Definitionen, Dimensionen und Begriffe. In: Hildebrand, K. ; Gebauer, M. ; Hinrichs, H. ; Mielke, M. (Hrsg. ): Daten- und Informationsqualität. Wiesbaden: Springer Fachmedien Wiesbaden. ISBN 978 -3 -658 -09213 -9, S. 25– 46. © WBW, Bernerstätter 28. 05. 2019 Seite 12 Wirtschafts- und Betriebswissenschaften § Derwisch, S. (2019): Data Monetization - Use Cases, Umsetzung, Merhwerte. Würzburg: BARC Gmb. H. 2019. § Eppler, M. ; Helfert, M. (2004): A classification and analysis of data quality costs. Proceedings of 9 th MIT international
Klassische Datenqualitätsbetrachtung DQ-Dimensionen Kurzbeschreibung Inhärente DQ Zweckabhängige DQ Darstellungsbezogene DQ Systemgestützte DQ Sind die Daten unabhängig ihrer Anwendung vertrauenswürdig? Sind die Daten vollständig und sinnvoll nutzbar? Sind die Daten übersichtlich und verständlich? Sind die Daten leicht zugänglich und bearbeitbar? Glaubwürdigkeit Wertschöpfung Eindeutige Auslegbarkeit Zugänglichkeit Fehlerfreiheit Relevanz Verständlichkeit Bearbeitbarkeit Objektivität Aktualität Einheitliche Darstellung Hohes Ansehen Vollständigkeit Übersichtlichkeit Angemessener Umfang Quelle: in Anlehnung an Rohweder, J. P. et al. (2015) © WBW, Bernerstätter 28. 05. 2019 Seite 13 Wirtschafts- und Betriebswissenschaften DQ Kategorien
Reifegradstufe Datenerfassung Datenbereitstellung Datenformate Datendarstellung Datenumfang Datenkonsistenz Präskriptive. Reife Automatisch, regelmäßig Horizontale und vertikale Integration Definierte Schnittstellen Eindeutige Darstellung Vollständig erfasst Einheitliche IDs Prognostische. Reife Automatische Erfassung Horizontal integrierte Systeme Gesicherte Kompatibilität Metrische Skalierung Großer Aufzeichnungshorizont Konsistenz quellenübergreifend Diagnostische. Reife Digital und manuell Offen jedoch unvernetzt Zugänglich, tlw. inkompatibel Nominale Codes Höher dimensionale Daten Zeitstempel vorhanden Deskriptive. Reife Keine Standards Unzugängliche Systeme Proprietäre Formate Unstrukturiert und Fließtext Excelfähig Keine Zeitstempel © WBW, Bernerstätter 28. 05. 2019 Seite 14 Wirtschafts- und Betriebswissenschaften Zunehmende Reife komplexere Analysen Reifegradmodell
Wirtschafts- und Betriebswissenschaften CRISP-DM © WBW, Bernerstätter 28. 05. 2019 Seite 15
House of Data Quality Wirtschafts- und Betriebswissenschaften Bestimmung der Zusammenhänge © WBW, Bernerstätter 28. 05. 2019 Seite 16
Wirtschafts- und Betriebswissenschaften House of Data Quality für Schwachstellenanalyse © WBW, Bernerstätter 28. 05. 2019 Seite 17
Reifegradbewertungen 6‑ 2 6‑ 3 6‑ 4 Wirtschafts- und Betriebswissenschaften 6‑ 5 6‑ 6 6‑ 7 © WBW, Bernerstätter 28. 05. 2019 Seite 18
Wirtschafts- und Betriebswissenschaften Assoziationsanalyse und datengestütztes Ishikawa Diagramm © WBW, Bernerstätter 28. 05. 2019 Seite 19
Wirtschafts- und Betriebswissenschaften Beispielhafte Bewertung eines Use Cases © WBW, Bernerstätter 28. 05. 2019 Seite 20
Wirtschafts- und Betriebswissenschaften Kosten und Wert von Daten(qualität) © WBW, Bernerstätter 28. 05. 2019 Seite 21
Wirtschafts- und Betriebswissenschaften Kosten und Wert von Daten(qualität) Neueingabekosten Quelle: aus dem Englischen übersetzt: Eppler, M. ; Helfert, M. (2004) © WBW, Bernerstätter Quelle: aus dem Englischen übersetzt: Otto, B. (2015) 28. 05. 2019 Seite 22
Reifegradmodell mehrere Interessenbereiche enthält und einen evolutionären Verbesserungspfad von ad hoc, unreifen Prozessen zu disziplinierten, reifen Prozessen mit verbesserter Qualität und Effektivität beschreibt. § Alle Punkte, die einen Reifegrad ausmachen, müssen erfüllt sein, damit dieser als erreicht gilt. § In der Arbeit wird der datenanalytische Prozess anhand von greifbaren Bereichen – den Kategorien – bewertet. Es existiert ein Konnex zwischen den Bewertungskategorien und der Bewertungsskala welcher eine kontinuierliche Verbesserung des Prozesses beiträgt und die Qualität des Outputs verbessert. § Beschreibungsmodell: Beschreibung von Elementen und deren Beziehungen untereinander. § Referenzmodell: Ein Modell, das als Maßstab für die Messung eines Attributs verwendet wird. © WBW, Bernerstätter 28. 05. 2019 Seite 23 Wirtschafts- und Betriebswissenschaften § Ein Modell, das die wesentlichen Elemente effektiver Prozesse für einen oder
Schwachstellenanalyse physischen(abstrakten) Messstelle feststellbare Wirkung die zu einer negativen Abweichung vom Sollzustand führt, welche durch zeitlich vorgelagerte Einflüsse (Ursachen) ausgelöst wurde. Die Ursachen sind dabei nicht zwingend örtlich – physisch wie organisatorisch – an die Messstelle gebunden. © WBW, Bernerstätter 28. 05. 2019 Seite 24 Wirtschafts- und Betriebswissenschaften § Eine Schwachstelle ist eine an einer physischen oder nicht
Methoden zur Schwachstellenanalyse § Datenmenge begrenzt aufgrund § Erhöhte Datenmange in der Attributanzahl mangelnder Vernetzung und Automatisierung der Datenerfassung. § Auswertungen dienen zur Identifikation möglicher Schwachstellen durch Visualisierung, Kennzahlenvergleiche und ABC-Analyse (Paretodiagramm) und Aufzeichnungsdauer. § Möglichkeit von Ursache-Wirkungsanalysen ergeben sich durch die Anwendung von Big. Data Analytics Methoden. § Beispiel ist die datengestützte Schwachstellenanalyse mittels Assoziationsanalyse. © WBW, Bernerstätter 28. 05. 2019 Seite 25 Wirtschafts- und Betriebswissenschaften § Deskriptive Schwachstellenanalyse § Diagnostische Schwachstellenanalyse
Aufbau der Arbeit und methodische Vorgehensweise Design. Zyklus Sechs Fallbeispiele zur Ausarbeitung des Reifegradmodells (RGM): § Automobilhersteller § Initiale Idee und grobe Abgrenzung der Reifegradkategorien § Stahlerzeuger Relevanz. Zyklus § § § Verfeinerung der Reifegradkategorien Textilunternehmen § Erste Bewertung mit dem RGM Automobilzulieferer § Ableitung von Handlungsempfehlungen aufgrund der Bewertung § Hausgerätehersteller § § Weitere Ableitung von Handlungsempfehlungen Holzverarbeiter § Anwendung des Fragebogens und durchgängige Anwendung © WBW, Bernerstätter 28. 05. 2019 Seite 26 Wirtschafts- und Betriebswissenschaften Rigor. Zyklus
Wirtschafts- und Betriebswissenschaften Diverse Umfragen Quelle: Stodder (2016) © WBW, Bernerstätter 28. 05. 2019 Seite 27
- Slides: 27