1. Problemstellung: Die Informationstechnologie ist für den wirtschaftlichen Erfolg eines Handelsunternehmens
von zentraler Bedeutung. Hochkomplexe IT-Systeme steuern die gesamte Warenwirtschaft.
Die dazu notwendige Verwaltung der Artikeldaten stellt für die meisten Unternehmen
aus folgenden Gründen jedoch eine große Herausforderung dar:

• Typische Handelsunternehmen arbeiten mit Millionen von Artikelstammdaten.
• Artikelstammdatensätze können Hunderte hochkomplex verknüpfte Attribute beinhalten.
• Manuelle Spezifizierung aller notwendigen Qualitätsregeln ist sehr aufwendig.
• Gesetzliche Vorgaben und unternehmensinterne Geschäftsregeln führen zu einer hohen Anzahl an Datenqualitätsregeln.

Dies führt zu einer oftmals sehr schlechten Qualität der Daten im zentralen Warenwirtschaftssystem.
Die Folgen sind ein erhöhter Korrekturaufwand und entgangene Umsätze und damit ein hoher
wirtschaftlicher Schaden. Handelsunternehmen sind bemüht durch ein Datenqualitätsmanagement
diesen Schaden zu begrenzen. Die Inbetriebnahme und Nutzung von Datenqualitätswerkzeugen ist
derzeit mit einem erheblichen manuellen Aufwand verbunden. Die heterogene Systemlandschaft
und die hohe Dynamik und Flexibilität bei der Ausgestaltung der Geschäftsprozesse erfordern regelmäßige
Konfigurationsänderungen. Die Implementierungs- und Betriebskosten sind entsprechend
hoch. Aufgrund der immensen Datenmengen sind automatisierte Datenqualitätswerkzeuge
in Zukunft daher unverzichtbar.

2. Projektziel: Zielsetzung ist die Entwicklung eines intelligenten, lernfähigen Assistenten IMQAA
(Intelligent Master Data Quality Assurance Assistant), der mittels Verfahren des maschinellen Lernens
unter anderem Datenqualitätsregeln bestimmt, diese kontinuierlich aktualisiert und optimiert
und das Wissen den Benutzern zur Verfügung stellt (Abb. A).
Ziel ist es so den Automatisierungsgrad bei zentralen Aufgaben der Datenqualitätssicherung im
Warenwirtschaftssystem signifikant zu erhöhen und die Kosten erheblich zu reduzieren.
IMQAA wird in inkrementellen Ausbaustufen mit erweitertem Funktionsumfang entwickelt (Abb. 1):

• Automatische Fehleridentifikation für spezielle Attributsklassen
• Korrekturvorschläge bei identifizierten Fehlern
• Autonome Ableitung von Prüfregeln durch Maschinelles Lernen
• Autonome Vorbelegung von Feldern schon bei der Artikelanlage

Es sollen Vorschläge für scharfe als auch unscharfe Regeln zur Sicherstellung der Datenqualität
automatisch berechnet werden. Eine Analyse von Log-Daten und externen Datenquellen soll unbekannte
Zusammenhänge zwischen fehlerhaften Transaktionen und Stammdatenattributen aufdecken.
Der Assistent soll eine semi-automatische Fehlerkorrektur zur Verfügung stellen. Wenn
bestimmte Fehler erkannt wurden, schlägt der Assistent einen Workflow mit Vorschlagswerten zur
Korrektur des Fehlers vor.
Optional soll der Assistent die Fehlerkorrektur autonom ohne Nutzeraufsicht ausführen. In der Dialogverarbeitung
der Artikelpflege sollen über einen Service auf Basis der bisherigen Eingaben
und Regeln Vorschlagswerte abgefragt werden können. IMQAA soll als Prototyp realisiert und in
eine Testumgebung zur Evaluation integriert werden.

Projektkoordinator: retailsolutions GmbH, Saarbrücken
Projektpartner: Hochschule Trier, Umwelt-Campus Birkenfeld
Projektlaufzeit: 01.09.2018 -31.08.2020