Know How

Hohe Datenqualität zahlt sich aus

19.12.2011

Bei fehlerhaftem Input stimmt auch der Output nicht: Im günstigsten Fall behindern inkorrekte Daten unternehmenskritische Geschäftsprozesse, oft aber verursachen sie beträchtliche Kosten. Eine hohe Datenqualität ist ein kontinuierlicher Prozess, einmalige Aktionen kurieren kaum mehr als Symptome.

Die Auswirkungen mangelhafter Datenqualität sind weithin bekannt. Marketingaktionen mit fehlerhaften Daten führen zu Frust, Angebote müssen nachkalkuliert werden, weil die Datenbasis nicht stimmt und Rechnungen werden nicht gezahlt, weil der Empfänger angeblich verzogen ist. In Unternehmen, die kein explizites Datenmanagement betreiben, gibt es in jedem vierten Kundendatensatz gravierende Fehler. Treten die Fehler geballt auf, kann dies ein Unternehmen zwischen acht und zwölf Prozent des Umsatzes kosten, schätzen Marktforscher.

Eine ungenügende Datenqualität kann die unterschiedlichsten Ursachen haben. An einer Vielzahl von Stellen in einem Unternehmen werden Daten erfasst und gespeichert. Aufgrund unterschiedlicher Kontaktkanäle zu Kunden und wild wuchernder Applikationsarchitekturen liegen Kundendaten in mehreren Applikationen vor. Die Daten werden jedoch oft nur an einer Stelle aktualisiert und nicht auch an allen anderen. So entstehen Unstimmigkeiten, die zu unterschiedlichen Versionen der Daten führen.

Bestandsaufname liefert die Basisdaten

Eine gute Datenqualität ist nichts Abstraktes, es gibt dafür allgemein akzeptierte Kriterien. Dazu zählen: Aktualität, Eindeutigkeit, Einheitlichkeit, Genauigkeit, Konsistenz, Korrektheit, Redundanzfreiheit, Relevanz, Verständlichkeit, Vollständigkeit und Zuverlässigkeit. Für einen Qualitätscheck in konkreten Szenarien sind diese Kriterien unentbehrlich. Er beginnt mit einer Ist-Analyse, bei der festgestellt wird, welche Daten in welcher Güte im Unternehmen vorliegen.

Datenqualitätsmanagement erfolgt in mehreren Schritten, die immer wieder durchlaufen werden: Analysieren, bereinigen, zusammenführen, kontrollieren und überwachen. (Quelle: Information Builders)

Dies ist auch eine Aufgabe der Fachabteilungen, denn sie haben durch die alltägliche Arbeit mit den Daten einen guten Einblick in die Auftrags-, Finanz-, Kunden-, Material-, Produktions- sowie Rechnungsdaten etc. und die hier immer wieder auftretenden Problemfälle. Anzustreben ist, dass sich das gesamte Unternehmen der Daten- und Informationshaltung mit dem übergeordneten Thema Data Governance annimmt. Unternehmen, die sich bereits sehr intensiv mit dem Thema befassen, haben Data Governance einer Person zugewiesen, die sich beispielsweise "Data Steward" nennt und in der Regel direkt an den CIO berichtet.

Datenmanagement muss frühzeitig ansetzen, damit nicht aus kleinsten Qualitätsproblemen große werden. Die Fachabteilungen leisten dazu einen wichtigen Beitrag, aber sie finden meist nur das allzu Offensichtliche. Wichtig ist ergänzend dazu ein grundsätzliches Durchleuchten der Unternehmensdaten. Dies ist die Aufgabe von Data Profiling, oft auch als Data Discovery bezeichnet.

Data Profiling erstellt Auswertungen zum Einsatz von Unternehmensdaten: Wie und von wem wurden sie erstellt? Welche Benutzer greifen am häufigsten zu? Für welche Zwecke werden sie eingesetzt? Hier kommen beispielsweise Tools wie iWay Data Profiler von Information Builders zum Einsatz. Profiling erleichtert es, den Status der Daten einzuschätzen, Fehler zu ermitteln, zu priorisieren, zu korrigieren und die Ursachen von Qualitätsproblemen zu beheben. Ist erst einmal ein Profil erstellt, kann ein Unternehmen durch die laufende Überwachung profilbezogener Parameter frühzeitiger auf Qualitätsprobleme reagieren.

Daten gelangen aus den unterschiedlichsten externen Quellen in die unternehmensinternen ERP-, CRM- und Finanzsysteme. (Quelle: Information Builders)

Qualitätsmanagement ist eine Daueraufgabe

Die technologische Grundlage einer hohen Datenqualität muss durch die IT-Abteilung gewährleistet werden. Sie benötigt dazu die notwendigen Tools wie sie etwa das iWay Data Quality Center von Information Builders bereitstellt. Damit lässt sich das leistungsstarke Fundament einer verbesserten Datenqualität in den Quellsystemen und eines nachhaltigen Datenqualitätsmanagements aufbauen.

Um auf die unterschiedlichsten internen und externen, strukturiert und unstrukturiert vorliegenden Daten zugreifen zu können, wird flexible Integrationstechnologie benötigt. Native Adapter für die einzelnen Datenquellen bieten einen reibungslosen und einfachen Zugang zu jedem Informationssystem. Dies ist eine wichtige Voraussetzung dafür, dass in den unternehmenskritischen Geschäftsprozessen tatsächlich ein aktueller und konsistenter Datenbestand verwendet werden kann. Bislang wurden die operativen Systeme meist vernachlässigt oder gar vergessen, aktuell gehalten wurden nur "Daten-Zwischenlager" wie Data-Warehouses, Data-Marts oder Cubes. Der Fokus auf die Quell-systeme ist von entscheidender Bedeutung.

Daten aus Stücklisten, Versanddokumenten, Aufträgen, Rechnungen, Zahlungseingängen, Empfangsbescheinigungen etc. fließen in Data-Warehouses, Data-Marts und andere "Datenzwischenlager" wie Cubes ein. (Quelle: Information Builders)

Zusammenfassend bleibt festzuhalten: Die Einhaltung und Absicherung einer hohen Datenqualität lässt sich nicht mit einem einmaligen Projekt erreichen. Wo immer möglich, sollte eine automatische und kontinuierliche Überprüfung bereits bei der Dateneingabe (Syntax und Semantik) erfolgen. Ist kein permanenter automatischer Check möglich, muss zumindest alle zwei bis drei Monate eine manuelle Kontrolle erfolgen. Im Idealfall folgen das Datenqualitätsmanagement und die Einhaltung der Datenqualität (Data Governance) einem Kreislaufmodell. Notwendig sind eine systematische Analyse inklusive Datenbereinigung, die Datenkonsolidierung, die Überwachung der Datenintegration sowie eine permanente Überprüfung der Datenqualität im Hinblick darauf, ob die internen und externen Regeln und Vorschriften zur Einhaltung der Datenqualität befolgt wurden. Mit diesem Vorgehen wird das Datenmanagement zu einem Grundpfeiler aller Business-Intelligence (BI)-Aktivitäten eines Unternehmens und damit die Basis für jedes "Management-Informationssystem".

Eine dauerhaft hohe Datenqualität lässt sich nur durch ein systematisches, unternehmensweites Vorgehen erzielen. Dazu gehört auch eine enge Zusammenarbeit zwischen den Fachabteilungen und der IT. Eine der Möglichkeiten besteht darin, dass ein fest etabliertes Team bestehend aus Mitarbeitern der IT und Fachabteilungen von der Geschäftsleitung mit dieser Aufgabe betraut wird. Dieses Team ist dann auch für die Beachtung der Datenqualität verantwortlich.

Für eine dauerhaft hohe Datenqualität ist eine enge Zusammenarbeit nach dem Kreislaufmodell zwischen den Fachabteilungen und der IT unabdingbar. (Quelle: Information Builders)