Master Data Management

Zehn Gebote für mehr Datenqualität

Carsten Kraus ist Gründer und CEO der Omikron Data Quality GmbH (www.fact-finder.de). Zu den Themen Datenqualität und Kundendaten-Management hat er bereits eine Vielzahl von Beiträgen veröffentlicht.
Kommt die Rede auf Datenqualität, haben viele Unternehmen ein schlechtes Gewissen. Das riecht nach einem großen Projekt mit unsicherem Return on Investment. Doch der Einsatz zahlt sich aus, sofern man ein paar Regeln im Auge behält.

So gut wie jeder Geschäftsprozess basiert auf Daten: Kunden- und Interessentendaten, Kreditoren- und Debitorenstammdaten, Artikel- und Materialstammdaten etc. Sind diese schlecht strukturiert, laufen die Prozesse ineffizient. Sind die Daten falsch, liefern auch die Prozesse fehlerhafte Ergebnisse. Datenqualität sollte deshalb selbstverständlich sein, wird aber vielfach unterschätzt und vernachlässigt. Folgen sind steigende Prozesskosten und Umsatzverluste, die letzten Endes zu Ergebniseinbußen führen.

Wer die Qualität seiner Daten systematisch verbessern will, kommt nicht daran vorbei, die Datenbasis zunächst einmal zu harmonisieren und zu konsolidieren. Doppelte oder gar mehrfach angelegte Datensätze gilt es zu finden und zu entfernen, Schreibweisen zu vereinheitlichen, Datenbankfelder aufzuräumen und manches mehr. Wer nach einer solchen Initialbereinigung dann die folgenden 10 Gebote im Datenmanagement befolgt, hat seine Hausaufgaben gemacht und die Weichen im Unternehmen auf Erfolg gestellt:

1. Gebot: Du sollst erkennen, dass du betroffen bist!

Datenbanken sind kein statisches Gebilde. Sie unterliegen ständiger Veränderung. Werden sie nicht gepflegt, schleicht sich Wildwuchs ein - durch falsches oder doppeltes Ablegen von Informationen etwa, durch unterschiedliche Schreibweisen, durch unkontrolliertes Zusammenführen von Datenbanken etc. Jedes Unternehmen ist betroffen. Dublettenquoten von 30 Prozent und mehr sind in gewachsenen Datenbanken keine Seltenheit.

2. Gebot: Du sollst Verantwortliche für Datenqualität benennen!

Foto: alphaspirit, Shutterstock.com

Datenqualität ist nur zu haben, wenn es Mitarbeiter gibt, die ein Bewusstsein für die Wichtigkeit der Datenpflege haben und sich um diese Aufgabe dauerhaft kümmern. Dazu muss ein Hauptverantwortlicher ernannt werden, der in regelmäßigen Zeiträumen einen Blick auf die Datenqualität wirft, die Reports von Data-Quality-Tools auswertet und gegebenenfalls Handlungen einleitet. Zudem sollten alle Mitarbeiter, die mit Datenbanken arbeiten, für das Thema sensibilisiert sein. Erfolgreiches Data-Quality-Management braucht Akzeptanz und eine nahtlose Integration in die Prozesse des Arbeitsalltags. Letztlich wird Datenqualität von der gesamten Firma verantwortet.

3. Gebot: Du sollst Deinen Datenschatz hüten und anreichern!

Die bereinigte Datenbank muss vor neuen Verschmutzungen geschützt werden. Dabei können Data-Quality-Werkzeuge helfen, die jeden neuen Datenbankeintrag prüfen. So lässt sich herausfinden, ob Datensätze schon einmal angelegt wurden (fehlertoleranter Dublettenabgleich), ob Name, Adresse etc. stimmen und die Angaben plausibel sind (Abgleich mit Referenzdatenbanken) oder ob Kunden oder Lieferanten Compliance-Bestimmungen verletzen (Abgleich mit Sanktionslisten).

Datensätze lassen sich aber auch mit wertvollen Zusatzinformationen anreichern (Enrichment), beispielsweise mit Telefonnummern, Mailadressen oder, bei Sachdaten, mit internationalen Begriffen. Existiert eine zentrale bereinigte Datenbank, können alle daran angeschlossenen Systeme (zum Beispiel ERP, CRM oder Webshop) auf die vereinheitlichten Daten ("Golden Copy") zugreifen.

4. Gebot: Du sollst deine Daten zugänglich und leicht auffindbar machen!

Auch die bestgepflegte Datenbank nützt nichts, wenn die in ihr schlummernden Informationen im Bedarfsfall nicht schnell genug gefunden werden. Um das zeitnahe Auffinden von Datensätzen zu gewährleisten - etwa wenn im Call Center der Name eines Anrufers richtig zugeordnet werden soll - bedarf es einer fehlertoleranten Suchfunktion, die in der Lage ist, selbst in riesigen Datenmengen die gewünschten Informationen schnell aufzuspüren.

5. Gebot: Du sollst Datenqualitätsprozesse automatisieren!

Datenbanken beinhalten oft Hundertausende oder sogar Millionen von Datensätzen. Es wäre ineffizient, Aufgaben der Datenbereinigung und der laufenden Qualitätspflege manuell steuern zu wollen. Viele der genannten Prozesse und Aufgaben können mit entsprechender Software in serviceorientierten Architekturen (SOA) automatisiert ablaufen. Web Services unterstützen beispielsweise beim Neuanlegen von Daten den Abgleich mit Bestands- oder Referenzdatenbanken.

6. Gebot: Du sollst Datenqualität als internationale Aufgabe begreifen!

Foto: Sarunyu_foto, Shutterstock.com

Datenqualität wird mehr und mehr zur grenzüberschreitenden Herausforderung. Im Falle von Fusionen und Übernahmen müssen internationale Stammdaten miteinander in Beziehung gesetzt werden. Darüber hinaus weiten immer mehr Unternehmen ihren Einkauf auf weltweite Märkte aus. Der Abgleich internationaler Daten stellt Unternehmen vor allem dann vor Herausforderungen, wenn die Daten aus verschiedenen Alphabeten und Kulturkreisen stammen und beispielsweise optische Ähnlichkeiten in chinesischen oder japanischen Schriftzeichen erkannt werden müssen.

7. Gebot: Du sollst dich auf Expertenwissen stützen!

Es bringt nichts, Daten einfach durch ein Analysetool laufen zu lassen. Im Umgang mit Stammdaten ist Know-how gefragt. Das betrifft die grundsätzliche Zielstellung und Herangehensweise, die Parametrierung der operativen Prozesse, die Bewertung der Ergebnisse und das Installieren von Automatismen zur nachhaltigen Qualitätspflege. Im Betrieb sollte das System dann allerdings selbsttätig funktionieren und einfach zu bedienen sein.

8. Gebot: Verbessere die Qualität deiner Daten schrittweise!

Datenqualitäts-Prozesse werden am besten erstmal in nur einem Bereich gestartet, und zwar dort, wo der Nutzen am größten ist. Dieses Vorgehen hat sich in der Praxis vielfach bewährt. So ergeben sich schon in kurzer Zeit messbare Erfolge im Kleinen, etwa im CRM-System. Zudem sorgt die Strategie der kleinen Schritte für Planungssicherheit. Und schließlich gewährleistet ein schlankes Master Data Management (Lean MDM), dass der Aufwand und die Kosten überschaubar bleiben. Das ist in vielen klassischen MDM-Projekten nicht der Fall, sie sind oft langwierig und kostspielig, ohne dass sich ein Return on Investment einstellt. Multi Domain Capability ist der Schlüssel zum (Schritt-für-Schritt-) Erfolg.

9. Gebot: Du sollst die Ziele deiner Datenqualitäts-Aktivitäten immer vor Augen haben!

Foto: Kiselev Andrey Valerevich, Shutterstock.com

Datenqualität dient letztlich dem einen großen Ziel, alle Prozesse im Unternehmen effizienter zu gestalten, um den Gewinn zu maximieren. Damit dieses große Ziel im kleinen Datenqualitäts-Alltag nicht aus den Augen gerät, empfiehlt es sich, unternehmensspezifische Messgrößen (Key Performance Indicators = KPIs) zu definieren. Deren Einhaltung ist kontinuierlich zu überwachen. Hier gilt die alte Regel: Man kann nur verbessern, was man auch messen kann.

10. Gebot: Du sollst die Früchte hoher Datenqualität ernten!

Wer seine Kunden fehlerfrei anspricht, vermittelt Professionalität und Kompetenz, vermeidet Reklamationen oder gar Kündigungen und sorgt für überschaubare Prozesskosten. Wer saubere Kreditoren- und Materialstammdaten hat, verringert den Verwaltungsaufwand und ist in der Lage, Einkaufsprozesse zu optimieren und etwa Mengenvorteile konsequent auszuschöpfen. Auch die Vorteile des E-Procurement können nur dann zum Tragen kommen, wenn die Prozesse auf nachhaltig sauberen Lieferanten-Stammdaten basieren. Investitionen in Data Quality amortisieren sich in der Regel rasch. (hv).

»

Der Autor

Carsten Kraus, Geschäftsführer und Inhaber der Omikron Data Quality GmbH, E-Mail: carsten.kraus@omikron.net