Datenqualitätsmanagement

13.01.2020

< Zurück zur Übersicht

Wie Sie Datenqualitätsmanagement implementieren und welchen Nutzen Sie daraus ziehen werden

Woran merkt man, dass die Datenqualität im Unternehmen nicht stimmt? Hinweise können sein: Kampagnen erzielen zu geringe Rücklaufquoten, man steckt zu viele Ressourcen in die manuelle Datennachbearbeitung oder man kann gesetzliche Vorgaben nicht erfüllen. Wo die Leistung eines Unternehmens aus Service besteht, zum Beispiel im Handel oder im Bereich Finanzdienstleistungen, muss die Datenqualität aber stimmen.
Lesen Sie hier, wie Sie Ihr Datenqualitätsmanagement aufbauen, wie Datenprobleme zu lösen sind und wie Datenqualitäts-Monitoring Ihnen dabei hilft.

 

Inhalte der Publikation

  • Einordnung
  • Treiber des Themas Datenqualiät
  • Vorgehensweise zum Aufbau eines Datenqualitätsmanagements
  • Voraussetzungen für ein funktionierendes Management von Datenqualitätsproblemen
  • Datenqualitätssicherung mit Hilfe eines Data Quality Reporting Dashboards
  • Fazit

 

Einordnung

Datenqualitätsmanagement ist eine der Data Governance Säulen – neben der Einhaltung von Datenschutzregeln (Data Privacy), dem Stammdatenmanagement (Master Data Management) und der Pflege des Datenbestands (Data Maintenance).
Datenqualitätsmanagement heißt: Wir stellen sicher, dass die richtigen Daten in einer so hohen Qualität vorliegen, dass wir sie sinnvoll, nutzbringend und gesetzeskonform verwenden können. Wenn es mit Daten Probleme gibt, müssen diese gelöst werden. Der ganze Prozess des Datenqualitätsmanagements, inklusive dem Management von Datenqualitätsproblemen (Issue Management) und dem Monitoring über ein Data Quality Reporting Dashboard, ist idealerweise strukturiert und nachvollziehbar organisiert

Wie definiert sich Datenqualität?

Dafür gibt es eine große Zahl von Bewertungskriterien, unter anderem diese: Korrektheit, Konsistenz, Zuverlässigkeit, Nachvollziehbarkeit, Vollständigkeit, Genauigkeit (z.B. Rundungsgenauigkeit), Aktualität, Redundanzfreiheit, Relevanz, Einheitlichkeit, Eindeutigkeit und Verständlichkeit (für den Nutzer/Daten-Konsumenten). Viele Kriterien – da kann viel schiefgehen.
Welche Kriterien für die Datenqualität herangezogen werden, ist Teil der Datenstrategie im Unternehmen. Die Kriterien werden messbar und damit managebar, wenn sie in KPIs (Key Performance Indicators, meist übergeordnet strategisch) oder KQIs (Key Quality Indicators, eher operativ) formuliert werde.

Warum ist Datenqualität wichtig?

Kundendaten sind ein sensibles Gut. Mangelhafte Datenqualität kostet Geld, wenn zum Beispiel Marketinggelder verpuffen oder wenn manuelle Datennachbearbeitung Ressourcen verschlingt. Sie führt zu Imageschäden, wenn die Unternehmenskommunikation, etwa in Form von Mailings, an fehlerhafte oder falsche Adressen geschickt wird oder irrelevant ist. Sie kann sogar ernste rechtliche Konsequenzen haben, wenn Regulierungen des Gesetzgebers nicht eingehalten werden. Auf die vielzitierte DSGVO kommen wir noch zu sprechen.

Warum achten manche Unternehmen trotzdem nicht genug auf ihre Datenqualität?

Weil man glaubt, der Aufwand, eine hohe Datenqualität sicherzustellen, stehe in keinem vernünftigen Verhältnis zum Ertrag. Diese Einschätzung lässt sich heute widerlegen. Die wirtschaftliche Bedeutung, die Daten heute haben und die gleichzeitige Sensibilität hinsichtlich der Nutzung einerseits sowie die weitgehend automatisierten Prozesse und intelligenten Tools andererseits sind der Kontext, in dem Datenqualitätsmanagement heute steht. Datenqualität zu managen ist auf der Basis von praxiserprobten Prozessen einfacher und effizienter möglich als je zuvor.

 

Treiber des Themas Datenqualität

Warum der Fokus auf Datenqualität? Da sind zum einen die externen Anforderungen an Unternehmen. Bei Banken sind dies zum Beispiel regulatorische Anforderungen wie die Grundsätze für die effektive Aggregation von Risikodaten und die Risikoberichterstattung (BCBS 239) als Folge der globalen Finanzkrise 2008/2009.
Ein anderes Beispiel: Wer gegen die Datenschutzgrundverordnung (DSGVO) verstößt und Kunden werblich anspricht, die dem nicht zugestimmt haben, muss mit empfindlichen Strafen rechnen. Das muss kein böser Wille sein – ein unzureichendes Datenqualitätsmanagement reicht. Und dann wird’s richtig teuer.
Und schließlich sind es auch interne, betriebswirtschaftlich motivierte Gründe, die für mehr Datenqualität sprechen: Erst qualitativ hochwertige Daten ermöglichen den Erfolg von Folgeprozessen. Ein Beispiel: Nur wenn man die richtigen Kunden für eine Marketing-Kampagne selektiert, stimmt der Rücklauf. Datenqualitätsmanagement bedarf der Weisung von „oben“. Was nicht passieren darf, ist, dass jeder Unternehmensbereich seine eigene Datenqualitäts-Strategie hat. Nur wenn es ein Datenqualitätsmanagement für alle Daten im Unternehmen gibt, ist dieses wichtige Thema zu managen. Nur dann ist sichergestellt, dass, wenn es irgendwo im Unternehmen Fehlerquellen im Datenhaushalt gibt, die Auswirkungen auf andere Bereiche haben, diese zügig identifiziert und eliminiert werden können.

 

Vorgehensweise zum Aufbau eines Datenqualitätsmanagement

Datenqualitätsmanagement ist immer ein Teil der unternehmensweiten Datenstrategie. Von dieser Datenstrategie und damit auch vom Datenqualitätsmanagement verspricht man sich unter anderem Kosteneinsparungen und die Risikominimierung im Hinblick auf zu erfüllende gesetzliche Vorgaben. Und schließlich ermöglicht erst das Datenqualitätsmanagement die sinnvolle, zielführende Nutzung der Kundendaten im Sinne des Unternehmenszwecks.
In der Praxis setzt man eine Datenstrategie über Vorgehensmodelle um: Hier werden Strukturen geschaffen und Prozesse aufgesetzt. Rollen und Verantwortlichkeiten werden definiert. Und man sollte immer sicherstellen, dass alle „Stakeholder“, das heißt, alle, die im weitesten Sinn mit dem Thema Daten zu tun haben, vom Management über die IT bis in alle Fachbereiche, involviert sind.

Wie könnte ein Vorgehensmodell für Datenqualitätsmanagement aussehen?

Das ist in jedem Unternehmen anders. In jedem Fall wird das Datenqualitätsmanagement in der Praxis auf viele Schultern verteilt. Jeder übernimmt einen Teil der Verantwortung, einen Teil der vielfältigen Aufgaben, die im Zusammenhang mit dem Datenqualitätsmanagement zu bewältigen sind. Daten sind immer auch Chefsache. Auf der obersten Führungsebene liegt die Verantwortung für die unternehmensweite Data Governance.
Die Umsetzung der Datenstrategie kann eine Ebene tiefer erfolgen. Hier geht es um die Definition von Prozessen, die Bereitstellung und Zusammenführung von technologischen Hilfsmitteln (Tools), die Organisation von Change Management und Schulungsmaterial im Zusammenhang mit der Datenwelt im Unternehmen sowie um koordinierende, zwischen Geschäftsbereichen vermittelnde Aufgaben.
Für jeden Bereich, in dem es um Daten geht, ist sinnvollerweise ein Entscheidungsgremium für Datenqualitätsmanagement eingesetzt. Die Aufgaben: Der Austausch über alle Geschäftsbereiche und Büros in anderen Ländern hinweg, um das Datenqualitätsmanagement voranzutreiben. Hier werden Foren für Diskussionen und der Austausch zu allen Datenthemen gefördert, man teilt Erfahrungen und arbeitet so gemeinsam daran, im Unternehmen eine verbindliche Haltung und Herangehensweise zum Thema Datenqualität zu entwickeln.
Arbeitsgruppen unterstützen die Entscheidungsgremien für Datenqualitätsmanagement in der operativen Umsetzung von Initiativen. Weitere Stakeholder, die eingebunden werden, können diejenigen sein, die mit den Daten businessseitig zu tun haben (Data Content Owner), die täglich administrativ mit Daten arbeiten (Data Stewards) und die IT, wo Daten liegen und aufbereitet werden (Data Platform Owner). Bei internationalen Unternehmen bietet es sich an, für die Region zuständige Datenmanager (Data Officer) einzusetzen, weil externe Anforderungen (Gesetzgebung) von Land zu Land unterschiedlich sein können.

 

Voraussetzungen für ein funktionierendes Management von Datenqualitätsproblemen

Wo man mit Daten arbeitet, tauchen auch Probleme mit den Daten auf. Diese Probleme adressiert das Management von Datenqualitätsproblemen (Data Quality Issue Management). Die erste Voraussetzung dafür, solche Probleme managebar zu machen: Es muss ein zentrales Tool (Ticketing-Tool) geben, in dem alle Datenqualitätsprobleme erfasst werden. Jedem in der Organisation muss dieses Tool bekannt sein, da jeder Mitarbeiter Datenqualitätsprobleme erfassen darf und auch soll, die ihn in seiner täglichen Arbeit behindern. Wichtig ist, dass das Unternehmen Budgets für die Lösung von Datenqualitätsproblemen zur Verfügung stellt.

Wann liegt eigentlich ein Datenqualitätsproblem vor?

Ein Problem liegt dann vor, wenn mindestens ein Kriterium für Datenqualität verletzt ist. Wird ein solcher Fehler im Datenhaushalt entdeckt, eröffnet man ein sogenanntes „Ticket“. Das ist sozusagen der Fahrschein, mit dem das Problem durch den Lösungsprozess reist.
Welche Datenqualitätsprobleme tauchen in der Praxis auf? Es können ganz kleine Dinge sein, die jedoch große Auswirkungen haben:

  • Man stellt bei der Selektion fest, dass ein Kunde 120 Jahre alt ist – gibt es den Kunden noch? Ist das Geburtsdatum vielleicht falsch eingetragen?
  • Das Datum der Kundenkontoeröffnung liegt hinter dem Datum des ersten Einkaufs im Onlineshop
  • Die Postleitzahl passt nicht zum Ort
  • Anrede Herr Anna Müller
  • und viele andere mehr

(…)

 

Das vollständige Whitepaper zum Datenqualitätsmanagement können Sie nachfolgend herunterladen.

    Download-Anforderung

    FrauHerr

    Ja, ich erteile meine ausdrückliche Einwilligung in die Verarbeitung meiner personenbezogenen Daten und stimme der Datenschutzerklärung zu. Mit meiner Anforderung erkläre ich mich damit einverstanden, dass die Cintellic GmbH mir zum Zwecke des Downloads eine automatisierte E-Mail mit dem Downloadlink zusendet und weiterhin über Angebote (werbliche Ansprache) mittels E-Mail informiert. Ich kann die Einwilligung jederzeit mit Wirkung für die Zukunft widerrufen.

    Unsere Datenschutzerklärung sowie Widerrufsmöglichkeiten finden Sie hier.

    Publikation Datenqualitätsmanagement
    CINTELLIC Consulting - Social Media