Informationen und daraus gewonnenes Wissen sind das Gold unseres Zeitalters. Daten bilden hierfür die Grundlage und werden immer komplexer. Mehr als zuvor benötigen Unternehmen deshalb einen Ansatz für zielgerichtetes Datenqualitätsmanagement.

Was bedeutet Datenqualität und Datenqualitätsmanagement?

Abgeleitet von der DIN EN ISO 8402, wird Datenqualität (engl. data quality) als "die Eignung von Daten für unterschiedliche Verwendungszwecke bezüglich des Grads ihrer Erfassung und Generierung" angesehen. In anderen Worten ist sie ein Maß für die Tauglichkeit von Daten, um einen bestimmten Informationsbedarf abzudecken. Für Unternehmen stellt sich die Frage, wie mangelnder Datenqualität vorgebeugt und langfristig eine hohe Datenqualität erzielt werden kann. An diesem Punkt setzt das Datenqualitätsmanagement (engl. data quality management) an. Dieser Bereich des Managements bezeichnet die Planung, Steuerung und Kontrolle sämtlicher Maßnahmen, welche auf die Erhaltung und Verbesserung der Qualität von Daten in Organisationen abzielen.

Die Begriffe Datenmanagement, Data Governance und Datenqualitätsmanagement werden häufig gleichgesetzt und verwechselt. Data Governance stellt jedoch nur eine Teildisziplin einer übergeordneten Strategie zum unternehmensweiten Management von Daten dar. Das Datenqualitätsmanagement ist wiederum ein Bestandteil der Data Governance-Strategie.

Die Wichtigkeit eines vorausschauenden Datenqualitätsmanagements

Vor dem Hintergrund der stetigen digitalen Transformation von Prozessen in Unternehmen steigt die Relevanz der Datenqualität rapide. IT-Systeme jedes Fachbereichs generieren und benötigen permanent Daten. Haben diese eine geringe Qualität, können entstehende Fehler den wirtschaftlichen Erfolg einer Organisation entscheidend mindern. Im schlimmsten Fall werden auf einer fehlerhaften Datengrundlage falsche Entscheidungen im Management getroffen. Vielen Unternehmen entgehen so Geschäfts- und Entwicklungschancen.

Liegen zum Beispiel dem Sales-Team des Vertriebsbereichs unzureichend qualitative Informationen vor, sind durchgeführte Analysen von Märkten und Branchen ungenau und weniger aussagekräftig. Infolgedessen werden die falschen Partner (wie Lieferanten oder Abnehmer im Einzelhandel) ausgewählt und angesprochen sowie spezifische Marktpotenziale übersehen. Die Aufarbeitung und Korrektur derartiger Fehler kostet viel Zeit sowie personelle und finanzielle Ressourcen. Aus diesem Grund müssen Maßnahmen ergriffen werden, um einer schlechten Datenqualität vorzubeugen. Ein umfassender, unternehmensübergreifender Ansatz zum zielgerichteten Datenqualitätsmanagement ist folglich auf lange Sicht unabdingbar.

Herausforderungen bei der Integration eines Datenqualitätsmanagement-Systems

Der Prozess des Managements der Qualität von Daten steht vor einer Vielzahl an Herausforderungen. Die ersten Hindernisse für erfolgreiche Integration eines Apparates zur Qualitätssicherung müssen bereits im Top-Management eines Unternehmens genommen werden. Die hier festgelegten Ziele und Strategien müssen beim Thema Datenqualität bestmöglich unternehmensweit gesetzt werden und klar definiert sein. Eine Orientierungslosigkeit des Umsetzungsteams führt langfristig zu strukturellen und schwer zu behebenden Problemen im Management-System. Weiterhin müssen alle relevanten Bereiche eines Unternehmens hinsichtlich ihrer Anforderungen an die Datenqualität spezifisch betrachtet werden. Es existiert im Regelfall keine standardisierte Lösung, die übergreifend jede Abteilung abdecken kann. Die Unternehmensführung muss sich dieser Tatsache bereits im Vorfeld der Implementierung bewusst sein. Auf operativer Ebene muss auf dieser Grundlage die Auswahl der Management-Tools angepasst werden.

Die Diversität der Datenstrukturen und -quellen ist ein weiterer aufmerksam zu betrachtender Faktor. Viele unterschiedliche Quellsysteme bergen die Gefahr von Inkompatibilitäten. Zudem ist die Datenmenge auch hinsichtlich ihres Umfangs im Regelfall kritisch. Die etablierten systemischen Strukturen und Prozesse zur Akkumulation von Daten, deren Selektion sowie Speicherung (Data Warehousing) müssen deshalb exakt auf die der Datenquellen abgestimmt sein. Wie zielgerichtet und effektiv diese Aktivitäten im Unternehmen ablaufen ist zudem von der Qualifikation und vom Commitment der Mitarbeiter abhängig. Erst wenn jedes Glied der Kette zur Sicherung der Datenqualität deren Relevanz verinnerlicht hat, kann eine erfolgreiche Implementierung eines Systems zum Datenqualitätsmanagement gelingen.

Methoden zur Realisierung

Um das Ziel einer nachhaltigen Steigerung der Datenqualität zu erreichen, ist der folgende Prozessablauf zu berücksichtigen:

1. Klare Definition der Ziele der Implementierung

2. Festlegen der Anforderungen an die Datenqualität je Unternehmensbereich

3. Etablierung eines abteilungsübergreifenden Projektteams zur Realisierung

4. Aktuelle systemische Unternehmensumwelt und Datenqualität evaluieren - Einsatz von Datenqualitätskriterien

• Korrektheit: Daten bilden Realität ab
• Aktualität: Daten bilde aktuelle Realität ab
• Zuverlässigkeit: nachvollziehbare Erhebung
• Konsistenz: Datensatz frei von Widersprüchen
• Redundanzfreiheit: keine doppelten Datensätze
• Genauigkeit: geforderte Exaktheit erfüllt
• Vollständigkeit: Daten liegen lückenlos vor
• Einheitlichkeit: einheitliche Struktur der Datensätze
• Eindeutigkeit: eindeutige Interpretierbarkeit
• Relevanz: Daten erfüllen geforderten Bedarf an Informationen
• Zugänglichkeit: jeder Bereich des Unternehmens hat Zugriff

5. Erkennen von Schwachstellen, Risiken aber auch Potenzialen

6. Entwicklung und Umsetzung von Lösungsansätzen

• Experten hinzuziehen, Know-how anreichern
• Geschäftsprozesse anpassen
• Mitarbeiter sensibilisieren und schulen
• Management-Tools austauschen oder anpassen

7. Kontinuierliche Kontrolle und Wissensaufbau

• Datenqualitäts-Monitoring
• KPIs definieren zur stetigen Evaluation
• KAIZEN etablieren