Datenqualitätsmanagement: Eine Einführung

Immer mehr Geschäftsleiter werden sich der enormen Auswirkungen von Big Data auf die Entwicklung der Unternehmensorganisation bewusst, insbesondere in Bezug darauf:

• Vorhersagen der Kundenerwartungen;
• Unterstützung bei effektivem Produktmanagement;
• Auf Abruf verfügbar zu sein, um Top-down-Entscheidungen zu beeinflussen;
• Anpassung von Kundenservice-Innovationen durch Untersuchung der Einkaufsgewohnheiten der Kunden; und
• Bereitstellung von Informationen zu Wettbewerbern

Es gibt jedoch einen großen Vorbehalt: Wenn Ihre Daten nicht korrekt, vollständig und konsistent sind, kann das zu erheblichen Fehlschritten bei Geschäftsentscheidungen führen. Tatsächlich schätzt Gartner die durchschnittliche finanzielle Auswirkung schlechter Datenqualität auf Unternehmen auf 15 Millionen Dollar pro Jahr¹, was bedeutet, dass Sie es sich nicht leisten können, das Datenqualitätsmanagement ab jetzt nicht zur Priorität zu machen.

Was ist Data Quality Management?

Data Quality Management (DQM) bezieht sich auf ein Geschäftsprinzip, das eine Kombination der richtigen Menschen, Prozesse und Technologien erfordert, mit dem gemeinsamen Ziel, die für ein Unternehmen am wichtigsten Datenqualitätsmaß zu verbessern. Dieser letzte Teil ist wichtig: Der letztendliche Zweck von DQM ist nicht nur, die Datenqualität zu verbessern, um hochwertige Daten zu erhalten, sondern vielmehr die Geschäftsergebnisse zu erzielen, die von hochwertigen Daten abhängen. Das wichtigste ist Customer Relationship Management oder CRM. Wie oft erwähnt wird: "CRM-Systeme sind nur so gut wie die Informationen, die sie enthalten."

Eine Grundlage für hochwertige Daten

Ein effektives Qualitätsmanagement von Daten erfordert einen strukturellen Kern, der Datenoperationen unterstützen kann. Hier sind fünf grundlegende Prinzipien zur Implementierung hochwertiger Big Data in Ihrer Dateninfrastruktur:

#1 Organisationsstruktur

Die IT-Leitung sollte bei der Implementierung von DQM-Praktiken im gesamten Unternehmen folgende Rollen berücksichtigen: DQM-Programmmanager: Diese Rolle gibt den Ton hinsichtlich der Datenqualität an und hilft, Anforderungen an die Datenqualität festzulegen. Er oder sie ist außerdem dafür verantwortlich, die täglichen Aufgaben des Datenqualitätsmanagements im Griff zu behalten, sicherzustellen, dass das Team im Zeitplan, im Budget und bei der Einhaltung vorgegebener Datenqualitätsstandards liegt. Organization Change Manager: Diese Person ist maßgeblich an der Change-Management-Veränderung beteiligt, die eintritt, wenn Daten effektiv genutzt werden und Entscheidungen über die Dateninfrastruktur und -prozesse treffen. Data Analyst I oder Business Analyst: Diese Person interpretiert und berichtet über Daten. Data Steward: Der Data Steward ist mit der Verwaltung der Daten als Unternehmensvermögen beauftragt.

#2 Definition der Datenqualität

Ganz einfach: Wenn Sie keinen definierten Standard für Qualitätsdaten haben, wie können Sie dann wissen, ob Sie diesen erfüllen oder übertreffen? Während die Definitionen von Datenqualität, was Datenqualität bedeutet, von Organisation zu Organisation variieren. Die wichtigsten Punkte bei der Definition von Datenqualität können je nach Branche und von Organisation zu Organisation unterschiedlich sein. Aber die Definition dieser Regeln ist für den erfolgreichen Einsatz von Business-Intelligence-Software unerlässlich. Ihre Organisation sollte bei der Erstellung Ihrer Datenqualitätsdefinitionen die folgenden Eigenschaften hochwertiger Daten berücksichtigen:

• Integrität: Wie schneiden die Daten im Vergleich zu bereits festgelegten Qualitätsstandards ab?
• Vollständigkeit: Wie viel der Daten wurde bereits erhoben?
• Validität: Entsprechen die Daten den Werten eines gegebenen Datensatzes?
• Einzigartigkeit: Wie oft taucht ein Datensatz in einem Set auf?
• Genauigkeit: Wie genau sind die Daten?
• Konsistenz: Haben in verschiedenen Datensätzen die gleichen Daten denselben Wert?

Darüber hinaus empfehlen Experten im Datenschutz, um sicherzustellen, dass diese Eigenschaften jedes Mal erfüllt sind, bei der Umsetzung Ihrer DQM-Strategie folgende Leitprinzipien der Governance:

• Verantwortlichkeit: Wer ist dafür verantwortlich, DQM sicherzustellen?
• Transparenz: Wie wird DQM dokumentiert und wo sind diese Dokumente verfügbar?
• Schutz: Welche Maßnahmen werden ergriffen, um Daten zu schützen?
• Compliance: Welche Compliance-Behörden stellen sicher, dass die Governance-Prinzipien eingehalten werden?

#3 Datenprofilierungs-Audits

Datenprofilierung ist ein Auditprozess, der die Datenqualität sicherstellt. Während dieses Prozesses prüfen Prüfer die Validierung der Daten im Vergleich zu Metadaten und bestehenden Messwerten. Anschließend berichten sie über die Qualität der Daten. Die routinemäßige Durchführung von Datenprofiling-Aktivitäten ist ein sicherer Weg, um sicherzustellen, dass Ihre Daten die nötige Qualität haben, um Ihr Unternehmen der Konkurrenz voraus zu halten.

#4 Datenberichterstattung und -überwachung

Für die meisten Organisationen bezieht sich dies auf den Prozess der Überwachung, Berichterstattung und Aufzeichnung von Ausnahmen. Diese Ausnahmen können von Business-Intelligence-(BI)-Software für automatisierte Lösungen erfasst werden, die schlechte Daten erfassen, bevor sie nutzbar werden.

#5 Fehler korrigieren

Sobald potenziell fehlerhafte oder unvollständige Daten von BI-Systemen beseitigt wurden, ist es Zeit, entsprechende Datenkorrekturen vorzunehmen, wie zum Beispiel die Daten zu vervollständigen, Duplikate zu entfernen oder andere Datenprobleme zu beheben.

Fünf Best Practices für das Management der Datenqualität

Für Unternehmen, die mit dem Prozess des Datenqualitätsmanagements beginnen, finden Sie hier fünf Best Practices, die Sie beachten sollten:

#1 Überprüfung aktueller Daten

Wahrscheinlich hast du von Anfang an viele Kundendaten. Du willst sie nicht wegwerfen und von vorne anfangen, aber wie man in der Tech-Welt sagt: "Garbage in, garbage out." Das Letzte, was du brauchst, ist, deine neue Dateninfrastruktur mit schlechten Erkenntnissen zu füllen. Deshalb solltest du, wenn du mit dem Datenqualitätsmanagement anfängst, eine Prüfung deiner aktuellen Daten durchführen. Das beinhaltet die Bestandsaufnahme von Inkonsistenzen, Fehlern und Duplikaten; und das Aufzeichnen und Beheben von Problemen, auf die du stößt, um sicherzustellen, dass die Daten, die in deine Infrastruktur einfließen, so hochwertig wie möglich sind.

#2 Datenqualitäts-Firewalls

Eine Firewall ist ein automatisierter Prozess, der ein bildliches Feuer verhindert und blockiert. In diesem Fall handelt es sich um schlechte Daten. Die Installation einer Firewall zum Schutz Ihrer Organisation vor fehlerhaften Daten hilft, das System fehlerfrei zu halten. Benutzerfehler sind einfach, und Firewalls helfen, diesen Prozess zu verhindern, indem sie schlechte Daten am Eintrittspunkt blockieren. Die Anzahl der Personen, die Daten in die Infrastruktur einspeisen dürfen, beeinflusst die Qualität der Daten maßgeblich. In vielen großen Unternehmen ist es jedoch unerlässlich, mehrere Zugangspunkte zu haben. Eine Firewall hilft, die Daten fehlerfrei zu halten, selbst wenn mehrere Personen Zugriff auf Daten haben.

#3 Integration von DQM mit BI

In der heutigen Geschäftskultur dreht sich der Hype ganz um Integration. Und warum sollte das nicht so sein? Wenn Systeme zusammenarbeiten, funktionieren sie besser. Die Idee ist, dass kein Unternehmen die Ressourcen rechtfertigen kann, die nötig sind, jeden Datensatz ständig auf Genauigkeit zu durchsuchen. Aber die Integration des DQM-Prozesses mit BI-Software kann helfen, ihn zu automatisieren. Basierend auf vorgegebenen Parametern können bestimmte Datensätze zur Überprüfung isoliert werden; zum Beispiel können neue Datensätze, die wahrscheinlich häufig abgerufen werden, im Rahmen des DQM-Zyklus geprüft werden.

#4 Die richtigen Leute einsetzen

Wie oben beschrieben, gibt es mehrere Positionen innerhalb Ihrer Organisation, die für den Datenqualitätsprozess verantwortlich sind. Sicherzustellen, dass diese Positionen für die Aufgabe festgelegt und dem Job gewidmet sind, bedeutet, dass Governance-Standards konsistent erfüllt werden können.

#5 Sicherstellung der Datenverwaltung mit einem Vorstand

Die Einrichtung eines Data Governance Board hilft, Unternehmen vor dem Risiko datenbasierter Entscheidungen zu schützen. Das Gremium sollte aus Geschäfts- und IT-Nutzern sowie Führungskräften bestehen. Die Gruppe wird die Richtlinien und Standards festlegen, die das Fundament der Data Governance bilden. Darüber hinaus sollte das Data Governance Board regelmäßig zusammenkommen, um neue Ziele für die Datenqualität festzulegen und den Erfolg der DQB-Initiativen (DQM) über die verschiedenen LOBs hinweg zu überwachen. Hier ist die Entwicklung einer objektiven Messskala hilfreich, denn um die Datenqualität zu verbessern, muss es eine Möglichkeit geben, sie zu messen.

Datenqualitätsmanagement ist ein Marathon, kein Sprint

Big Data ist ein wichtiger Bestandteil des heutigen Geschäftsbetriebs in der digitalen Welt. Es bietet Kunden- und Wettbewerber-Einblicke, die mit keinem anderen Werkzeug oder Ressourcen erreicht werden können. Aufgrund seiner hohen Geschwindigkeit ist Big Data für Geschäftsleiter zugänglich, die es nutzen können, um Entscheidungen in Echtzeit zu treffen. Aus diesem Grund ist es jedoch auch mit Geschäftsrisiken verbunden, die richtig gemanagt werden müssen. Und DQM ist ein effektives Werkzeug, um genau das zu erreichen. Insgesamt bietet DQM viele Vorteile für Ihre Organisation:

• Geschäftsprozesse laufen effizienter – weil man beim ersten Mal die richtigen Daten erhält.
• Bessere Geschäftsergebnisse – DQM bietet Ihnen einen besseren Überblick darüber, was bei Ihren Kunden, Lieferanten, Marketern usw. passiert.
• Mehr Selbstvertrauen – DQM hilft, fundiertere Geschäftsentscheidungen zu treffen.

Vor diesem Hintergrund ist es auch wichtig zu bedenken, dass DQM ein fortlaufender Prozess ist, der kontinuierliche Datenüberwachung und -berichterstattung erfordert. ¹ Wie erstellt man einen Business Case mit Datenqualitätsverbesserung von Susan Moore, Smarter with Gartner, 19. Juni 2018? https://www.gartner.com/smarterwithgartner/how-to-create-a-business-case-for-data-quality-improvement/

Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.