guest ::
Improving the quality of enterprise architecture models : processes and techniques
2019
Dissertation, RWTH Aachen University, 2019
Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak01
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2019-09-12
Online
DOI: 10.18154/RWTH-2019-10156
URL: https://publications.rwth-aachen.de/record/771427/files/771427.pdf
Einrichtungen
- Lehr- und Forschungsgebiet Informatik 3 (Softwarekonstruktion) (121620)
- Fachgruppe Informatik (120000)
Inhaltliche Beschreibung (Schlagwörter)
EA model quality (frei) ; Enterprise Architecture (frei) ; Enterprise Architecture Management (frei)
Thematische Einordnung (Klassifikation)
DDC: 004
Kurzfassung
Information Technology (IT) durchdringt Organisationen immer mehr und wird immer wichtiger für deren Geschäftsmodelle. Dabei hat sich die IT von einer rein unterstützenden Rolle, hin zu einer wichtigen strategischen Säule in vielen Organisationen entwickelt. Umso wichtiger ist es, dass die IT die Anforderungen der Organisation umsetzt. Ansätze, die dies realisieren sollen, werden in der Forschung häufig unter dem Begriff „business-IT-alignment“ subsummiert. Ein Instrument, mit dem ein „business-IT-alignment“ erreicht werden soll, ist die Unternehmensarchitektur (engl.: „Enterprise Architecture“). Unternehmensarchitekturen erlauben eine holistische Perspektive auf die Struktur der Organisation und bieten eine Sammlung von Techniken, um die Entwicklung der Organisation zu einem gewünschten Zielzustand zu begleiten und zu lenken. Ein zentrales Artefakt der Unternehmensarchitektur ist das Unternehmensarchitekturmodel. Es abstrahiert die Elemente und deren Beziehungen der Organisation auf ein verständliches und steuerbares Maß. Dabei werden üblicherweise von Geschäftsprozessen über Applikationen bis zu Hardwarekomponenten, auch Datenmodelle und Kundenbeziehungen modelliert. Basierend auf den im Unternehmensarchitekturmodel gespeicherten Informationen, trifft das Management der Organisation wichtige Entscheidungen, betreffend der zukünftigen Ausrichtung. Aber auch auf der operationalen Ebene, kann das Modell wichtige Informationen liefern, zum Beispiel welche Applikation in welchem Geschäftsumfeld eingesetzt wird und dabei mit anderen Applikationen Daten austauscht. Um sinnvolle Entscheidungen aus dem Unternehmensarchitekturmodel ableiten zu können, ist deren Qualität von entscheidender Bedeutung. Daher beschäftigt sich diese Arbeit damit verschiedene Prozesse und Techniken zu entwickeln, die die Qualität des Unternehmensarchitekturmodells sicherstellen. Zuerst wird ein Prozess präsentiert, der die Qualität des Unternehmensarchitekturmodels sicherstellen sollen, in dem die Modelpflege als eine kontinuierliche Evolution verstanden wird. Dafür werden verschiedene Schritte definiert, die in einem solchen Prozess durchgeführt werden müssen. Dieser Prozess dient im Folgenden als Grundlage für eine Continuous Delivery Pipeline, die dabei helfen soll möglichst viele dieser Schritte zu automatisieren. Im Anschluss daran wird ein Ansatz vorgestellt, der ermöglicht auch widersprüchliche Angabe in Unternehmensarchitekturmodellen zu speichern. Neben den Prozessen, die die Qualität von Unternehmensarchitekturmodellen verbessern sollen, enthält diese Arbeit auch verschiedene Techniken zu diesem Zweck. Um die Qualität des Models zu verbessern, wird allerdings eine Methode benötigt, um die Qualität zu bewerten, die ebenfalls innerhalb dieser Arbeit eingeführt wird. Im Anschluss, werden Techniken des Maschinenlernens genutzt, um den Modellierenden dabei zu unterstützen, existierende Elemente des Models wiederzuverwenden. Zusätzlich wird die Performanz verschiedener Algorithmen verglichen, um den besten in einer bestimmten Situation bestimmen zu können. Darüber hinaus wird eine Methode vorgestellt, mit der unnötige Elemente im Model identifiziert werden können.Information technology (IT) pervades organizations more and more and becomes increasingly important for their business models. It has evolved from a purely supportive role to an important strategic pillar in many organizations. Even more, it is important that IT is aligned to the needs of the organization. Approaches that realize this are often subsumed under the term ``business-IT-alignment''. One instrument for achieving business-IT-alignment is Enterprise Architecture (EA). EAs provide a holistic perspective on the structure of the organization and provide a set of techniques to guide and steer the evolution of the organization to a desired goal state. A key artifact of EA is the EA model. It abstracts the elements and their relationships to an understandable and manageable measure. Usually enterprise architects model business processes, applications, hardware components, data models and customer relationships. Based on the information stored in the EA model, the organization's management makes important decisions regarding future focus. Contrary, also on the operational level, the model can provide important information, for example which application is used in which business environment and exchanges data with other applications. In order to be able to derive meaningful decisions from the EA model, their quality is of crucial importance. Therefore, this work is elaborates on developing different processes and techniques that ensure the quality of the EA model. First, we present a process to ensure the quality of the EA model, where model maintenance is understood as a continuous evolution. For this purpose, we define different steps, which have to be considered in such a process. This process will serve as foundation for a continuous delivery pipeline that will help automate as many of these steps as possible. Next, we present an approach that allows storing contrary information in EA models. In addition to the aforementioned processes, we developed also several techniques to improve the quality of EA models. However, for improvement, we need a method to evaluate the quality, which we also introduce within this work. Subsequently, we facilitate machine-learning techniques to support the modeler reuse existing elements of the model. In addition, we compare the performance of different algorithms to determine the best on in a certain situation. Additionally, we present a method to identify unnecessary elements in the model.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online, print
Sprache
English
Externe Identnummern
HBZ: HT020277723
Interne Identnummern
RWTH-2019-10156
Datensatz-ID: 771427
Beteiligte Länder
Germany
|
The record appears in these collections: |