Data Governance

So geht Stammdaten-Management

Stefan Hinssen ist Principal IT Solution Manager der Microsoft Corpora-tion. Als Mitglied des globalen Teams für Data Governance & Compli-ancy betreut er die Microsoft-Niederlassungen in EMEA beim Aufbau langfristig agierender Data Governance-Instanzen.
Monika Pürsing ist Chief Executive Officer der auf die Softwareentwicklung für Stammdaten- und Beteiligungsmanagement spezialisierten zetVisions AG in Heidelberg.
Unternehmerische Entscheidungen und Prozesse werden heute maßgeblich von Daten und Informationen bestimmt. Häufig übersehen wird, dass Daten einen Lebenszyklus haben und dieser geordnet, gestaltet und dokumentiert sein muss, damit sie ihren betrieblichen Nutzen erfüllen.

Daten benötigen also eine vorgelagerte Steuerung, eine "Governance". Data Governance handelt von der Konvergenz von Datenqualität, Datenmanagement, Datenrichtlinien, Geschäftsprozessmanagement und Risikomanagement rund um den Umgang mit Daten in einer Organisation.

"Data Governance legt einen Ordnungsrahmen mit Regeln für das strategische Informationsmanagement fest und stellt die Werkzeuge zur Überwachung und Steuerung der Vorschriften, internen Regeln sowie gesetzlicher Vorgaben und Compliance-Anforderungen bereit", heißt es im Beitrag "Sieben Regeln für bessere Datenqualität". Data Governance kann über den gesamten Daten-Lebenszyklus hinweg helfen, zum einen Risiken zu erkennen und zu vermeiden und zum anderen unternehmerische Potentiale zu nutzen und Kosten zu senken.

Zu den Kernargumenten für den Einsatz von Data Governance gehören Themen wie Data Quality, Data Privacy, Data Maintenance und Master Data Management.
Zu den Kernargumenten für den Einsatz von Data Governance gehören Themen wie Data Quality, Data Privacy, Data Maintenance und Master Data Management.
Foto: zetVisions AG

Datenqualität - Grundlage der Verlässlichkeit

Um Datenqualität aufrechtzuerhalten und zu verbessern, müssen Kriterien wie etwa Richtigkeit, Vollständigkeit und Aktualität berücksichtigt werden; je nach Informationsbedarf kommen Aspekte der Weiterverarbeitung und des Zugangs hinzu. Der Grad der Datenqualität lässt sich überwiegend am "Point of Data Entry" bestimmen:

  • So wird eine Marketingabteilung über schlechte Datenqualität klagen, wenn keine ausreichenden Kundenkontaktinformationen - wie Anrede, E-Mail-Adresse, Funktion - im CRM-System erfasst sind (Aspekt der Vollständigkeit).

  • Der Vertrieb wiederum leidet unter schlechter Datenqualität, wenn aufgrund individueller Schreibweisen der Kunden-Firmennamen eine eindeutige Identifizierung und Verknüpfung von Kunden über Marketing-, Vertriebs- und Rechnungswesen-Systeme hinweg unmöglich ist (Aspekt der Richtigkeit).

Whitepaper: Der Nutzen des Chief Data Officers

Der Chief Data Officer (CDO) wird immer öfter zu einer zentralen Führungkraft in Unternehmen auf der ganzen Welt. Der Grund ist die zunehmende Relevanz von Daten. Denn Daten sind überall und allgegenwärtig; sie untermauern jede Transaktion, jeden Betrieb und jegliche Interaktion innerhalb und außerhalb von Organisationen. Daten sind aber auf eine Infrastruktur angewiesen, sie müssen gespeichert, archiviert, analysiert und gesichert werden. Dafür braucht es den CDO. In dieser IBM-Studie wird die Rolle des CDO durchleuchtet und gezeigt, welche Vorteile Unternehmen konkret von ihm haben.

Um in solchen Fällen die Datenqualität zu verbessern, sind Standards und Richtlinien die Mittel der Wahl. Naturgemäß bringt ein Mitarbeiter nämlich nur die Datenqualität ein, die ihm zur Erreichung seiner Ziele zweckdienlich ist. Jeglicher Nutzen darüber hinaus muss plausibel gemacht werden. Welche Daten wann und wie zu erfassen oder nachträglich zu optimieren sind, lässt sich nur im Gesamtkontext erkennen. Die Darstellung der Abhängigkeiten und die anschließende Gestaltung der notwendigen Standards und Richtlinien übernimmt die Data Governance.

Um die Qualität der unternehmerischen Daten(ströme) zu gewährleisten, sollten Standards definiert werden.
Um die Qualität der unternehmerischen Daten(ströme) zu gewährleisten, sollten Standards definiert werden.
Foto: W.Ihlenfeld_Fotolia

Data Privacy - ein Spannungsfeld

Unter Data Privacy versteht man den angemessenen Umgang mit persönlichen Daten, wo immer diese gesammelt und verarbeitet werden. Sofern gesetzlich vertretbar, soll jeder die Möglichkeit haben, Informationen über seine Person abrufen oder Veränderungen und Löschungen einfordern zu können. Die Privatsphäre muss zu jeder Zeit geschützt und dem Datenmissbrauch vorgebeugt werden. Je leichter eine einzelne Person identifizierbar ist, desto größer werden die Anforderungen an den Datenschutz - sowohl in Bezug auf die Speicherung als auch auf den Umgang mit den Daten.

Oftmals stehen unternehmerische Interessen dem Recht auf Privatsphäre entgegen, etwa wenn Daten zu Werbezwecken weiterverarbeitet oder gar veräußert werden. Es kann aber auch zu Konflikten innerhalb unternehmerischer Prozesse kommen - wenn beispielsweise im Rahmen einer Befragung zur Kundenzufriedenheit zwar persönliches Feedback der Kunden erwünscht ist, das aber von Seiten des Vertriebs dann nicht für Werbezwecke weiterverwendet werden darf.

Werden betriebliche Prozesse im Umgang mit persönlichen Daten definiert, helfen Vorgaben aus der Data Governance gerade in den Bereichen der Sicherheit, der potenziellen Risiken und des ökonomischen Nutzens solcher Daten. Entsprechende Direktiven sind vor allem in der globalen Datennutzung wichtig, denn jede Kultur hat ihre Besonderheiten, jedes Land individuelle Regularien. Daher erfordern unternehmerische Privacy-Normen landesabhängige Herangehensweisen. Eine zentrale Governance-Steuerung kann helfen, das Vorgehen zu koordinieren.

Data Maintenance - eigene Aspekte abbilden

Data Maintenance beinhaltet die Anreicherung, Aktualisierung oder Korrektur von Daten über den gesamten Daten-Lebenszyklus hinweg. Hier werden unter anderem solche Kundeninformationen aktualisiert, die Einfluss auf die Sales- oder Marketing-Strategie haben können (zum Beispiel M&A, Beteiligungsstrukturen, Gesellschaftsformen, Anzahl Mitarbeiter, Umsatzgröße, Kontaktinformationen, Privacy). Es können aber auch Anpassungen zur Weiterverarbeitung erforderlich sein - beispielsweise die Synchronisation über mehrere Datenbanken hinweg. Mit einer professionellen Standardlösung für das Stammdaten-Management implementieren Unternehmen einen einheitlichen und kontrollierten Ablauf für die Pflege ihrer Stammdaten und können unternehmenseigene Data Governance-Aspekte abbilden.

Branchenunabhängig empfiehlt es sich, die Stammdatenpflege softwareseitig mithilfe so genannter Anfragen ("Requests") zu realisieren. Sie beinhalten Freigabeschritte, die zuvor auf Basis definierter Prozesse und Verantwortlichkeiten festgelegt wurden. Im Hintergrund findet eine Aufgabenzuordnung mit E-Mail-Benachrichtigung an die entsprechenden Benutzer statt, wie das folgende, real existierende Beispiel einer Firmierungsänderung zeigt:

  1. Der bestehende Kunde (Debitor) wird im Stammdaten-Management-System ausgewählt, geändert und gespeichert. Zuvor wählt beispielsweise eine definierte Finance-Rolle als Stichtag das Datum aus, ab dem die neue Firmierung gültig sein soll. Falls es für diese Änderungen ein Dokument gibt, wird es im System hochgeladen.

  2. Im Sinne des Vier-Augen-Prinzips validiert anschließend eine weitere Finance-Rolle, die per E-Mail informiert wird, die geänderten Stammdaten und gibt diese innerhalb des Freigabeprozesses frei.

  3. Danach werden die Daten an die Zielsysteme wie zum Beispiel das CRM-System oder das ERP verteilt. Ergebnis: Es liegt ein einheitlicher, aktueller Datenbestand vor.

Da durch den Einsatz einer solchen Lösung die Datenpflege nur einmalig anfällt, lassen sich zeitaufwendige und redundante Pflegeaktionen vermeiden.

Master Data Management

Wenngleich Stammdaten das Rückgrat eines Unternehmens bilden und daher in der notwendigen Güte verfügbar sein und gepflegt werden müssen, sieht die Realität in den Unternehmen häufig anders aus. Eine typische Situation bei Kunden der Fertigungsbranche ist beispielsweise, dass eine fehlerfreie Auswertung von Material- und Artikeldaten in einem Business Information Warehouse nicht möglich ist. Ziel der Implementierung einer Stammdatenlösung ist es daher, die vorhandenen Material- und Artikel- sowie Kunden- und Lieferantenstammdaten zu harmonisieren und zu konsolidieren, um eine einheitliche Datenbasis zu schaffen, die nicht zuletzt verlässliche Analysen und Reports ermöglicht. Master Data Management ist damit das Zusammenfügen aller im Unternehmen befindlichen Informationen/Daten zu einem schlüssigen Ganzen, dem "Golden Record Master" (oder auch "Single Point of Truth").

Data Governance schafft den erforderlichen Ordnungs- und Steuerungsrahmen als organisatorische Grundlage, um ein Stammdaten-Management im Unternehmen einführen zu können. Hierbei sind die relevanten Rollen, Verantwortlichkeiten und Prozesse zu definieren. Beispielsweise sollte in den entsprechenden Policies festgelegt werden,

  • wer für bestimmte Daten und die Einhaltung von Qualitätsstandards verantwortlich ist;

  • welche Rollen die Mitarbeiter haben, die mit Daten hantieren, und wie diese mit Daten umzugehen haben;

  • nach welchen Standards Daten erfasst werden. Hier sollte definiert werden, welche Mindestanforderungen an Daten einzuhalten sind;

  • welche Sicherheitsregeln zu beachten sind.

Die IT-Kosten lassen sich unter anderem durch den Wegfall regelmäßig notwendiger Harmonisierungsprojekte deutlich senken. Im Außenverhältnis kann etwa der Einkauf die konsolidierten Lieferantenstammdaten für Preisverhandlungen nutzen, da es künftig möglich ist, das Gesamteinkaufsvolumen bei einem Lieferanten und dessen Töchtern zu ermitteln und so Rabatte zu erzielen.

Die vier Säulen der Data Governance.
Die vier Säulen der Data Governance.
Foto: zetVisions AG

Data Governance Offices

Um Data Governance wirkungsvoll in die Tat umzusetzen, können Unternehmen über ein eigenes Data Governance Office als institutionalisierte Daten-Autorität nachdenken, die die Nutzung von Daten innerhalb der Organisation festlegt. Das Office besteht aus Vertretern der relevanten Geschäftsbereiche; dabei lässt sich nach fachlichem Fokus (zentrale/dezentrale Vertriebsfunktionen, Finance, HR, IT) oder geographischem Fokus (alle Funktionen einer Landesvertretung) unterscheiden.

Die Tätigkeit des Data Governance Office beschränkt sich vorrangig auf Felder, die das Unternehmen bei der Erreichung von Geschäftszielen unterstützen:

  • Schaffung von Konsistenz über den Daten-Lebenszyklus hinweg;

  • funktionsübergreifende Zusammenarbeit, um Best Practices auszutauschen und Konflikte, Kannibalisierungseffekte oder Synergien zu identifizieren;

  • Begründung von Daten-Betriebsbereitschaft und Vertrauen in Daten;

  • Konstituierung einer unternehmensweiten "Data Quality Culture".

Fazit

Data Governance ist kein Projekt, keine Einzelmaßnahme - und kein reines IT-Thema. Die funktionsübergreifende Zusammenarbeit ist erfolgskritisch, um Silos aufzubrechen und Gemeinsamkeiten oder gar Konflikte im Gebrauch mit Daten aufzuzeigen.

Messbare Kriterien für "Erfolg" sind in erster Linie die erhöhte Qualität der Dateninhalte und Datenformate sowie eine verbesserte Transparenz durch optimierte Prozesse - beispielsweise in der Synchronisation von Daten oder der Aggregation von Informationen. Im Idealfall schafft die Kombination der beiden Punkte unternehmerische Potenziale, erleichtert die Entscheidungsfindung, verbessert Kundenzufriedenheit sowie operative Effizienz und reduziert Kosten und Risiken. (sh)