Die 10 Gebote für mehr Datenqualität
So gut wie jeder Geschäftsprozess basiert auf Daten: Kunden- und Interessentendaten, Kreditoren- und Debitorenstammdaten, Artikel- und Materialstammdaten usw. Sind diese schlecht strukturiert, laufen die Prozesse ineffizient. Sind die Daten falsch, liefern auch die Prozesse fehlerhafte Ergebnisse. Tatsache ist: Datenqualität sollte selbstverständlich sein, wird aber vielfach unterschätzt und oft vernachlässigt. Die Folgen: steigende Prozesskosten und Umsatzverluste, die sich letzten Endes in Ergebniseinbußen summieren.
Diese hausgemachten Nachteile sind vermeidbar. Wer die Qualität seiner Daten systematisch verbessern will, kommt nicht daran vorbei, die Datenbasis zunächst einmal initial zu harmonisieren und zu konsolidieren. Das heißt: Doppelte oder gar mehrfach angelegte Datensätze finden und entfernen, Schreibweisen vereinheitlichen, Datenbankfelder aufräumen usw. Wer nach einer solchen Initialbereinigung dann die folgenden 10 Gebote im Datenmanagement befolgt, hat eine der wichtigsten Weichen im Unternehmen auf Erfolg gestellt:
1. Gebot: Du sollst erkennen, dass du betroffen bist!
Datenbanken sind kein statisches Gebilde, sondern unterliegen oft ständiger Veränderung. Werden sie nicht gepflegt, schleicht sich Wildwuchs ein: durch falsches oder doppeltes Ablegen von Informationen, durch unterschiedliche Schreibweisen, durch unkontrolliertes Zusammenführen von Datenbanken usw. Jedes Unternehmen ist betroffen. Dublettenquoten von 30 % und mehr in gewachsenen Datenbanken sind keine Seltenheit.
2. Gebot: Du sollst Verantwortlichkeiten für Datenqualität festlegen!
Datenqualität entsteht nicht von allein. Daten brauchen verantwortliche Mitarbeiter, die ein Bewusstsein für die Wichtigkeit der Datenpflege entwickelt 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 ggf. Handlungen einleitet. Zudem sollten alle Mitarbeiter, die mit und in Datenbanken arbeiten, für das Thema sensibilisiert sein. Erfolgreiches Data-Quality-Management braucht Akzeptanz und eine nahtlose Integration in die Prozesse des Arbeitsalltags. Letztlich steht Datenqualität in der Verantwortung der gesamten Firma.
3. Gebot: Du sollst Deinen Datenschatz hüten und mehren!
Die bereinigte Datenbank muss vor neuen Verschmutzungen geschützt werden. Dabei helfen Data-Quality-Werkzeuge, die jeden neuen Datenbankeintrag prüfen: Ob er schon einmal angelegt wurde (fehlertoleranter Dublettenabgleich), ob z.B. Name und Adresse stimmen und die Angaben real sind (Abgleich mit Referenzdatenbanken), 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 (z.B. 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 ist unprofitabel, wenn die in ihr schlummernden digitalen Informationen im Bedarfsfall nicht schnell gefunden werden. Um das schnelle Auffinden von Datensätzen zu gewährleisten, wenn etwa 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 blitzschnell aufzuspüren.
5. Gebot: Du sollst Datenqualitätsprozesse automatisieren!
Datenbanken beinhalten oft Hundertausende oder sogar Millionen von Datensätzen. Es wäre völlig 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. Diese Software sollte sich aber nicht nur recht bis schlecht, sprich: nachträglich an SOA anpassen lassen, sondern eigens dafür konzipiert sein. Webservices unterstützen beispielsweise beim Neuanlegen von Daten den Abgleich mit Bestands- oder Referenzdatenbanken.
6. Gebot: Du sollst Datenqualität als internationale Aufgabe begreifen!
Datenqualität wird mehr und mehr zur grenzüberschreitenden Herausforderung. Bei Fusionen und Übernahmen müssen internationale Stammdaten miteinander verheiratet werden. Darüber hinaus weiten immer mehr Unternehmen ihren Einkauf auf weltweite Märkte aus. Der Abgleich internationaler Daten stellt Unternehmen vor allem dann vor ganz besondere 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 und professionelle Erfahrung stützen!
Es bringt nichts, Daten einfach durch ein Analyse-Tool laufen zu lassen. Im Umgang mit Stammdaten ist Expertise 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 allerdings selbsttätig funktionieren und einfach zu bedienen sein.
8. Gebot: Laste Dir nicht zu viel auf einmal auf, sondern verbessere die Qualität deiner Daten schrittweise!
Datenqualitäts-Prozesse werden am besten in nur einem Bereich gestartet: und zwar dort, wo es am meisten Nutzen bringt – diese Strategie hat sich in der Praxis vielfach bewährt. Denn erstens ergeben sich so schon in kurzer Zeit messbare Erfolge „im Kleinen“, z.B. im CRM-System, zweitens sorgt dieser Weg der kleinen Schritte für Planungssicherheit und drittens gewährleistet solch ein „schlankes“ Master Data Management („LeanMDM“), dass der Aufwand und die Kosten überschaubar bleiben – im Unterschied zu klassischen MDM-Projekten, die oft langwierig und kostspielig sind, ohne dass sich am Horizont ein ROI abzeichnet. Multi Domain Capability ist der Schlüssel zum (Schritt-für-Schritt-) Erfolg.
9. Gebot: Du sollst die Ziele deiner Datenqualitäts-Aktivitäten immer vor Augen haben!
Datenqualität ist kein Selbstzweck, sondern 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 Datenqualitäts-Standards (KPIs) zu definieren und deren Einhaltung kontinuierlich zu überwachen. Denn: 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 erzeugt keine unnötig hohen Prozesskosten. Wer saubere Kreditoren- und Materialstammdaten hat, verringert den Verwaltungsaufwand und ist in der Lage, Einkaufsprozesse zu optimieren, etwa Mengenvorteile konsequent auszuschöpfen. Auch die Vorteile des E-Procurement können nur dann zum Tragen kommen, wenn die Prozesse auf nachhaltig sauberen Lieferantenstammdaten basieren. Investitionen in Data Quality amortisieren sich in der Regel rasch.
Autor:
Carsten Kraus
Geschäftsführer und Inhaber
Omikron Data Quality GmbH
http://www.omikron.net
Diese hausgemachten Nachteile sind vermeidbar. Wer die Qualität seiner Daten systematisch verbessern will, kommt nicht daran vorbei, die Datenbasis zunächst einmal initial zu harmonisieren und zu konsolidieren. Das heißt: Doppelte oder gar mehrfach angelegte Datensätze finden und entfernen, Schreibweisen vereinheitlichen, Datenbankfelder aufräumen usw. Wer nach einer solchen Initialbereinigung dann die folgenden 10 Gebote im Datenmanagement befolgt, hat eine der wichtigsten Weichen im Unternehmen auf Erfolg gestellt:
1. Gebot: Du sollst erkennen, dass du betroffen bist!
Datenbanken sind kein statisches Gebilde, sondern unterliegen oft ständiger Veränderung. Werden sie nicht gepflegt, schleicht sich Wildwuchs ein: durch falsches oder doppeltes Ablegen von Informationen, durch unterschiedliche Schreibweisen, durch unkontrolliertes Zusammenführen von Datenbanken usw. Jedes Unternehmen ist betroffen. Dublettenquoten von 30 % und mehr in gewachsenen Datenbanken sind keine Seltenheit.
2. Gebot: Du sollst Verantwortlichkeiten für Datenqualität festlegen!
Datenqualität entsteht nicht von allein. Daten brauchen verantwortliche Mitarbeiter, die ein Bewusstsein für die Wichtigkeit der Datenpflege entwickelt 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 ggf. Handlungen einleitet. Zudem sollten alle Mitarbeiter, die mit und in Datenbanken arbeiten, für das Thema sensibilisiert sein. Erfolgreiches Data-Quality-Management braucht Akzeptanz und eine nahtlose Integration in die Prozesse des Arbeitsalltags. Letztlich steht Datenqualität in der Verantwortung der gesamten Firma.
3. Gebot: Du sollst Deinen Datenschatz hüten und mehren!
Die bereinigte Datenbank muss vor neuen Verschmutzungen geschützt werden. Dabei helfen Data-Quality-Werkzeuge, die jeden neuen Datenbankeintrag prüfen: Ob er schon einmal angelegt wurde (fehlertoleranter Dublettenabgleich), ob z.B. Name und Adresse stimmen und die Angaben real sind (Abgleich mit Referenzdatenbanken), 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 (z.B. 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 ist unprofitabel, wenn die in ihr schlummernden digitalen Informationen im Bedarfsfall nicht schnell gefunden werden. Um das schnelle Auffinden von Datensätzen zu gewährleisten, wenn etwa 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 blitzschnell aufzuspüren.
5. Gebot: Du sollst Datenqualitätsprozesse automatisieren!
Datenbanken beinhalten oft Hundertausende oder sogar Millionen von Datensätzen. Es wäre völlig 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. Diese Software sollte sich aber nicht nur recht bis schlecht, sprich: nachträglich an SOA anpassen lassen, sondern eigens dafür konzipiert sein. Webservices unterstützen beispielsweise beim Neuanlegen von Daten den Abgleich mit Bestands- oder Referenzdatenbanken.
6. Gebot: Du sollst Datenqualität als internationale Aufgabe begreifen!
Datenqualität wird mehr und mehr zur grenzüberschreitenden Herausforderung. Bei Fusionen und Übernahmen müssen internationale Stammdaten miteinander verheiratet werden. Darüber hinaus weiten immer mehr Unternehmen ihren Einkauf auf weltweite Märkte aus. Der Abgleich internationaler Daten stellt Unternehmen vor allem dann vor ganz besondere 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 und professionelle Erfahrung stützen!
Es bringt nichts, Daten einfach durch ein Analyse-Tool laufen zu lassen. Im Umgang mit Stammdaten ist Expertise 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 allerdings selbsttätig funktionieren und einfach zu bedienen sein.
8. Gebot: Laste Dir nicht zu viel auf einmal auf, sondern verbessere die Qualität deiner Daten schrittweise!
Datenqualitäts-Prozesse werden am besten in nur einem Bereich gestartet: und zwar dort, wo es am meisten Nutzen bringt – diese Strategie hat sich in der Praxis vielfach bewährt. Denn erstens ergeben sich so schon in kurzer Zeit messbare Erfolge „im Kleinen“, z.B. im CRM-System, zweitens sorgt dieser Weg der kleinen Schritte für Planungssicherheit und drittens gewährleistet solch ein „schlankes“ Master Data Management („LeanMDM“), dass der Aufwand und die Kosten überschaubar bleiben – im Unterschied zu klassischen MDM-Projekten, die oft langwierig und kostspielig sind, ohne dass sich am Horizont ein ROI abzeichnet. Multi Domain Capability ist der Schlüssel zum (Schritt-für-Schritt-) Erfolg.
9. Gebot: Du sollst die Ziele deiner Datenqualitäts-Aktivitäten immer vor Augen haben!
Datenqualität ist kein Selbstzweck, sondern 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 Datenqualitäts-Standards (KPIs) zu definieren und deren Einhaltung kontinuierlich zu überwachen. Denn: 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 erzeugt keine unnötig hohen Prozesskosten. Wer saubere Kreditoren- und Materialstammdaten hat, verringert den Verwaltungsaufwand und ist in der Lage, Einkaufsprozesse zu optimieren, etwa Mengenvorteile konsequent auszuschöpfen. Auch die Vorteile des E-Procurement können nur dann zum Tragen kommen, wenn die Prozesse auf nachhaltig sauberen Lieferantenstammdaten basieren. Investitionen in Data Quality amortisieren sich in der Regel rasch.
Autor:
Carsten Kraus
Geschäftsführer und Inhaber
Omikron Data Quality GmbH
http://www.omikron.net