Stammdaten sind ein hohes Gut für Unternehmen und ein entscheidender Erfolgsfaktor im Customer Relationship Management. in ihre Gewinnung werden beträchtliche Summen investiert. Doch in vielen Unternehmen stören fehlerhafte Stammdaten den Ablauf von Geschäftsprozessen, was die Produkt- und Servicequalität mindert und eine effektive Kundenbindung verhindert.
Konsolidierte Sicht auf zentrale Unternehmensdaten
Der Grund dafür sind gewachsene heterogene IT-Landschaften, wie sie etwa bei der Zusammenführung von Firmen entstehen. Spätestens, wenn ein Unternehmen nicht mehr in der Lage ist, eine konsolidierte Sicht auf seine zentralen Unternehmensdaten zu liefern, entsteht Handlungsbedarf. Nur ein alle Daten einschließendes Stammdatenmanagement kann dann aus der Masse an inkongruenten Daten eine qualitativ hochwertige Basis an Grunddaten erzeugen.
Marktübersicht anhand von 45 Kriterien
Für die Wahl der passenden Software zur Datenharmonisierung hat das Fraunhofer-Institut für Arbeitswirtschaft und Organisation (IAO) nun eine Marktübersicht erstellt. Die Untersuchung vergleicht die Produkte der sechs am deutschen Markt vertretenen Anbieter Oracle, SAP, IBM, Stibo Systems, Sun Microsystems und Tibco Software anhand von 45 Kriterien.
Datenharmonisierung in sechs Schritten
Stammdatenprojekte verfolgen in der Regel zwei wichtige Ziele: Zum einen streben sie eine harmonisierte Sicht auf alle unternehmerischen Stammdaten an. Zum anderen bezwecken sie die bestmögliche Aktualität der Daten. Um beide Ziele gleichermaßen im Rahmen eines Harmonisierungsprojektes zu erreichen, empfehlen die Experten des Fraunhofer IAO folgendes Vorgehen:
1. Schaffung eines einheitlichen Verständnisses von Stammdaten: In diesem ersten Schritt werden zunächst die Datenstrukturen aller Systeme analysiert, die Stammdaten enthalten. Auf diese Weise entsteht eine Metadatenstruktur - das Istkonzept des Datenmodells. Es deckt zahlreiche Fallstricke auf, etwa Attribute, die gleich heißen, aber unterschiedliche Bedeutung haben oder Attribute mit unterschiedlichen Namen, die aber dasselbe bedeuten.
2. Integration der Schemata: Die in Schritt eins erkannten Schemata werden angeglichen, um zu einem globalen Schema zu gelangen. Dazu können noch weitere Umstrukturierungen erforderlich sein.
3. Analyse der Daten, um die Qualität der Daten selbst zu erhöhen: Dieser Schritt deckt beispielsweise Permutationen in Datensätzen auf, also ob etwa der Datensatz "Horst Müller" nochmals als "Müller Horst" abgespeichert ist. Die so bereinigten Daten können anschließend mit externen Adressdatenbanken verglichen werden. Eine Plausibilitätsprüfung kontrolliert die Übereinstimmung etwa der Adresse mit der Postleitzahl. Daten eine qualitativ hochwertige Basis an Grunddaten erzeugen.
Schleichende Verschlechterung der Datenqualität verhindern
4. Integration der Daten, um die Datensätze aus verschiedenen Systemen mit dem Ziel einer zentralen Verwaltung zusammenzuführen: Wichtig bei diesem Schritt ist es, Kriterien für die Erkennung von Datensätzen aufzustellen. Geeignet sind etwa Attribute wie Steueridentifikationsnummer oder der EAN-Produktcode. Es gilt aber auch grundsätzliche Fragen zu klären, etwa ob identische Produkte unterschiedlicher Lieferanten zusammengezogen werden sollen. Als Ergebnis dieses Schrittes liegen nun alle Daten in der zentralen Strammdatenverwaltung.
5. Erhöhung der Datenqualität durch Anreicherung: Erfolgte bereits in Schritt vier die Integration mehrerer Datenquellen, werden nun weitere externe Listen für den Abgleich einbezogen. Die Gründe für diesen Schritt hängen meist mit gesetzlichen oder unternehmerischen Regelungen zusammen, etwa im Zusammenhang mit Betrugsbekämpfung, den Anforderungen des Geldwäschegesetzes oder bestimmten Exportrestriktionen. Aber auch Schufaauskünfte finden so Eingang in den Datenpool.
6. Verankerung der Datenqualität im Prozess der Datenänderungen: Nach Abschluss der aufwändigen Datenharmonisierung muss eine schleichende Verschlechterung der Datenqualität für die Zukunft vermieden werden. Das heißt, dass jeder Schreibzugriff eine zuvor definierte Datenkontrollschleife durchläuft..
Das Fazit der Fraunhofer Experten: Ein objektiv bestes System für alle Anforderungen gibt es nicht - dafür sind die Anforderungen und der Markt zu heterogen. Eine beste Lösung für ein gegebenes Einsatzumfeld gibt es indes schon. Unternehmen sollten dazu eine genaue Zielvorstellung entwickeln und diese in einem Lasten- und Pflichtenheft manifestieren, bevor sie sich für ein Stammdaten-Management-System entscheiden
Cross-Selling-Potenziale und abgangsgefährdete Kunden zuverlässig erkennen
Auf diese Weise, so die Fraunhofer Experten, lässt sich im Zuge der Datenharmonisierung auch ein vorausschauendes Kundenmanagement etablieren, das Cross-Selling-Potenziale wie auch abgangsgefährdete Kunden zuverlässig erkennt. Eine Aufschlüsselung der Produkte anhand der Kriterien steht kostenlos als Download zur Verfügung.