Shopping tomorrow presentatie datakwaliteit w griffiioen
0 likes634 views
Presentation (in Dutch) from the PIM Expertgroup on Product Data Quality held on the annual ShoppingTomorrow event in Utrecht Jan 2016
Shopping tomorrow presentatie datakwaliteit w griffiioen
- 1. Product datakwaliteit, geen moetje maar een bewuste keuze Wim Griffioen Voorzi-er PIM Expertgroep Partner bij Qhuba MDM
- 2. 2 2 PIM Expertgroep mede mogelijk gemaakt door Gastheren Voorzitter / Kennispartner PIM Experts van : GS1, Technische Unie, BOL, Jongeneel, Saint Gobain, Mediq, Econosto, JeWeRet, Fabory, DMG, Landal, Walraven, B&S
- 3. 3 PIM Expertgroep onderwerpen 2014 : PIM in brede context 2015 : Product datakwaliteit 2016 : Ketenintegra+e in de prak+jk
- 4. SituaXe voor en na een PIM implementaXe : PUBLISH DATA & IMAGES MANAGE DATA & IMAGES Catalogues Brochures ERP Marketing Publishing Supplier Supplier Supplier Supplier Buyers CD Web Call centre Supplier Supplier Supplier Supplier Supplier Product Managers Merchandiser Translation agency Core Product data ERPs Price, Stock, etc PIM Database Call Centre CD Catalogues Web Brochures Retail shop ONBOARD DATA & IMAGES PUBLISH DATA & IMAGES MANAGE DATA & IMAGES ONBOARD DATA & IMAGES 4 © ShoppingTomorrow
- 5. Het totale PIM plaatje Systemen Data Processen Organisa;e Raci Eigenaarschap Gebruik
- 6. 6 Wat zijn de voordelen van een PIM :
- 7. Business context product datakwaliteit • eCommerce/omnichannel is ook volledige, correcte product informaXe • Dit geldt voor alle parXjen in de waardeketen !! • De druk komt van rechts waardoor retailers dit eerder voelen dan producenten Product InformaXon Goods Orders Financial Manufacturers Distributors & resellers Retailers Customers (B2B or B2C) 7 © ShoppingTomorrow
- 8. Waarom is product datakwaliteit belangrijk ? 0% 10% 20% 30% 40% 50% 60% 70% 80% Juiste, accurate berekeningen Efficiëntere zoekopdrachten en minder correcXes noodzakelijk Minder (onvoorziene) kosten Eenduidige processen Snellere Xme to market Minder coördinerende inspanningen nodig Hogere conversie en hogere omzet Minder retouren Minder Klachten, Claims en reputaXeschade 2015 2014
- 9. Blauw
- 10. Groen
- 11. Vanillegeel
- 14. 1 2
- 15. 1 2 3
- 16. 1 2 Glossy Black Kraan?
- 17. Uitdagingen bij product datakwaliteit 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% Product specificaXes Product referenXes (cross sell, alternaXeven) MarkeXng teksten Product foto's / video's Zoek gerelateerde data / keywords Product idenXficaXe gegevens Product toepassingsmogelijkheden Anders 2015 2014
- 18. DefiniXe van datakwaliteit Data is van hoge kwaliteit indien ze geschikt is voor het beoogde gebruik (in de bedrijfsac;viteiten, besluitvorming en planning) Bron : JM Juran Fit for purpose
- 19. PIM Data Quality Framework 1. Vision and Strategy 2. Data Model 3. Process and Controls 4. OrganizaXon and Governance 5. Metrics 6. Systems Data Quality Framework -‐ Taxonomy -‐ Industry standards -‐ A-ribute definiXon -‐ QA controls -‐ first Xme right -‐ Procedures -‐ RACI -‐ QA organisaXon -‐ owners / stakeholders -‐ Workflow -‐ QA tools -‐ Reports / dashboard -‐ Define KPI’s factors , weight -‐ Data profiling -‐ KPI’s Vision, mission, strategy, policy with respect to PIM QA 19 © ShoppingTomorrow
- 20. Visie en Strategie Visie : beschrijf / onderken het belang van goede productdata voor toekomst van het bedrijf. Strategie : stel doelen voor niveau van datakwaliteit (bijv om onderscheidend te zijn tov referenXe bedrijven) en de manier om dit te bereiken.
- 21. Datamodel Is het fundament van product datakwaliteit Meta datamodel vanaf begin goed documenteren / borgen Zoveel mogelijk in a-ribuut definiXes afdwingen (verplichte velden / formats / standaardwaarden) Bepaal de nodige validaXeregels (als dit / dan dat)
- 22. Stel interne standaards op (LOV’s)
- 23. Datamodel is basis voor website navigaXe 23 © ShoppingTomorrow
- 24. Sluit aan bij externe standaarden / datapools
- 25. 25 Vele standaarden : vele combinaXes mogelijk !!
- 26. PIM Data Quality Framework 1. Vision and Strategy 2. Data Model 3. Process and Controls 4. OrganizaXon and Governance 5. Metrics 6. Systems Data Quality Framework -‐ Taxonomy -‐ Industry standards -‐ A-ribute definiXon -‐ QA controls -‐ first Xme right -‐ Procedures -‐ RACI -‐ QA organisaXon -‐ owners / stakeholders -‐ Workflow -‐ QA tools -‐ Reports / dashboard -‐ Define KPI’s factors , weight -‐ Data profiling -‐ KPI’s Vision, mission, strategy, policy with respect to PIM QA 26 © ShoppingTomorrow
- 27. Processen en controls Datakwaliteit start bij onboarding proces Workflows kunnen helpen om datakwaliteit te verbeteren Maak gebruik van feedback loops met bijv leveranciers, customer service, web analyXcs Ook uilaseren van producten is belangrijk proces
- 28. OrganisaXe en Governance Wie is de eigenaar mag geen vraag meer zijn, Commitment van de hele organisaXe gewenst Heldere rollen en verantwoordelijkheden vaststellen (RACI) Koppel Datakwaliteitsdoelen aan beoordeling medewerkers
- 29. Metrics : 6 Dimensies van datakwaliteit
- 30. © Qhuba MDM Relevant Tijdig Interpreteerbaar Consistent Correct Compleet Business Impact Complexiteit om te bepalen/meten
- 31. 31 Systems : Dashboard voorbeelden
- 32. 32 Periodiek je data schoonmaken met het juiste middel !!
- 33. En ondanks al deze wijsheden . . . . . . . . . . “Business case las;g: kosten niet kwan;ficeerbaar” “Richt de procedures gewoon beter in” “Niet mijn probleem, dat is jouw verantwoordelijkheid” “Doe het dan zelf, commercieel nu echt prioriteit” “Zo gedaan, heb alles al voorbewerkt” 33 © ShoppingTomorrow Tip : Maak het inzichtelijk , bijv door een assessment
- 34. Vb Datakwaliteit assessment tool
- 36. Dank voor jullie aandacht !!