Datenqualität und DQM: Dimensionen, Management und die richtigen Werkzeuge
Die Datenqualität ist eine der entscheidenden Herausforderungen für jedes Unternehmen – sowohl für die Entscheidungsfindung als auch für die Finanzen und die tägliche Leistungsfähigkeit. Schlechte Daten sind kostspielig: Eine Studie der MIT Sloan Management Review schätzt, dass die Vernachlässigung der Datenqualität ein Unternehmen zwischen 15 % und 25 % seines Umsatzes kosten kann.
Diese Verluste äußern sich in Form von verpassten Chancen aufgrund schlechter Entscheidungen oder eines geschädigten Rufs, aber auch in Form von behördlichen Sanktionen und dem enormen Zeitaufwand, der für die Suche, Bereinigung und Korrektur fehlerhafter Datensätze anfällt. Das Risiko ist gleichzeitig operativer, finanzieller, rechtlicher und strategischer Natur.
Umgekehrt ermöglichen hochwertige Daten es Unternehmen, ihre operative Leistung zu verbessern, die Kundenzufriedenheit zu sichern und wettbewerbsfähiger zu bleiben – denn ein Unternehmen, das seinen Daten vertraut, kann seine Strategie schnell und sicher neu ausrichten.
Was macht Daten „gut“? Die Dimensionen der Datenqualität
Hier ist die unbequeme Wahrheit: Ein Datenpunkt hat keine inhärente Qualität. Man kann ihn erst beurteilen, wenn man weiß, was man damit vorhat. Was ist das Endziel? Wie wird er verarbeitet? Was bedeutet die Information tatsächlich? Welche Qualitätsanforderungen bestehen, und warum? Mit anderen Worten: Qualität wird durch den Verwendungszweck derjenigen definiert, die sich darauf verlassen – IT, Geschäftsteams, Management.
Dies erfordert wiederum sowohl ein umfassendes als auch ein detailliertes Verständnis der unternehmensweiten Geschäftsprozesse sowie der Standards, die den Datenaustausch intern und mit Dritten regeln.
Auch die Regulierung zieht klare Grenzen. Rahmenwerke wie die DSGVO legen fest, wie personenbezogene Daten über ihren gesamten Lebenszyklus hinweg verarbeitet werden dürfen. Ein Datensatz, der außerhalb der gesetzlichen Grenzen gespeichert oder genutzt wird, kann nicht als qualitativ hochwertig angesehen werden – so nützlich er ansonsten auch sein mag. (Die Einhaltung dieser Grenzen ist genau das, was die Datenhoheit schützen soll.)
Sobald diese Voraussetzungen gegeben sind, lässt sich die Datenqualität anhand einer Reihe von Qualitätskriterien messen: Genauigkeit, Vollständigkeit, Konformität, Integrität, Konsistenz, Verfügbarkeit, Aktualität, Verständlichkeit, Vergleichbarkeit und mehr. Auch Kriterien der Servicequalität spielen eine Rolle – wie verständlich, wie zugänglich und wie aktuell die Daten zum Zeitpunkt der Nutzung sind.
Schaffen Sie eine vertrauenswürdige Datenbasis, um KI-gestützte Automatisierung und zuverlässige Entscheidungsfindung zu ermöglichen. Laden Sie das Whitepaper herunter und erfahren Sie, wie Sie Data Governance als strategische Kompetenz etablieren – und so skalierbare Automatisierung und KI nutzen können.
Warum und wie man ein Datenqualitätsmanagement (DQM) einrichtet
Bei einer Initiative zur Datenqualität geht es nicht nur darum, korrekte Datensätze in Ihre Systeme zu laden. Es bedeutet auch, fehlerhafte, beschädigte oder doppelte Daten zu beseitigen und Ihre Daten präzise zu beschreiben – beispielsweise mithilfe eines Datenwörterbuchs –, damit sie tatsächlich genutzt werden können. Wenn Sie sich einen Überblick über diesen durchgängigen Prozess aus betrieblicher Sicht verschaffen möchten, führen wir Sie im Rahmen der Durchführung eines Datenqualitätsprozesses detailliert durch die einzelnen Schritte.
Erstens: Wie misst man überhaupt die Qualität seiner Daten?
Der erste Schritt besteht darin, eine Bestandsaufnahme Ihres gesamten Datenbestands vorzunehmen, diesen anschließend zu klassifizieren und jeden Datensatz anhand seiner Verwendung zu identifizieren. Erst dann können Sie die Qualität über den gesamten Datenlebenszyklus hinweg analysieren – anhand der Dimensionen, die Sie für Ihren Kontext priorisiert haben, und im Hinblick auf Ihre Geschäftsregeln. Die Erfassung und Katalogisierung Ihrer Daten bilden daher die Grundlage des gesamten Vorhabens – Sie können die Qualität eines Datenbestands nicht messen, den Sie nie inventarisiert haben. Die Erstellung dieses Bestandsverzeichnisses ist genau das Ziel der „Data Catalog“-Challenge.
Fehler können technischer Natur sein, weitaus häufiger sind sie jedoch auf menschliches oder organisatorisches Versagen zurückzuführen und schleichen sich in verschiedenen Phasen des Lebenszyklus und an verschiedenen Stellen des Informationssystems ein:
- Bei der Erfassung – durch fehlerhafte Dateneingabe, sei sie nun absichtlich oder unabsichtlich.
- Beim Teilen – wenn mehrere Versionen desselben Datensatzes in Umlauf kommen.
- Beim Export – aufgrund von vorgelagert schlecht definierten Regeln oder eines Kompatibilitätsproblems.
- Bei der Wartung – aufgrund einer fehlerhaften Kodierung.
Die Folgen „mangelnder Qualität“ sind Datensätze, die ungenau, veraltet, nicht konform – oder einfach nur ungenutzt – sind. Ein Datensatz kann vollkommen korrekt sein und dennoch von geringer Qualität sein, wenn ihn niemand mehr nutzt und er keinen Mehrwert mehr bietet.
Qualitätsprüfungen über den gesamten Datenlebenszyklus hinweg sind unerlässlich. Ist ein Datensatz an der Quelle mangelhaft, wird er auch am Ende mangelhaft sein – das ist das Prinzip „Garbage in, garbage out“. Damit eine Strategie zur Datenqualität nachhaltig greift, lohnt es sich, Workshops mit den Fachabteilungen durchzuführen und Qualitätsregeln direkt in die Anwendungen zu integrieren, mit denen die Mitarbeiter täglich arbeiten.
— ZITATENTWURF, Quellenangabe vorbehaltlich der Freigabe (Leiter Data Governance bei SoftProject)
Der Ansatz des Datenqualitätsmanagements
Datenqualitätsmanagement (DQM) ist das Fachgebiet, das sich mit der Bereitstellung zuverlässiger Daten befasst, die den geschäftlichen und technischen Anforderungen der Nutzer gerecht werden. Es umfasst alle Prozesse, Werkzeuge, Governance-Methoden und internen Richtlinien, die eingeführt wurden, um die Qualität über den gesamten Datenlebenszyklus hinweg zu gewährleisten – und letztendlich gute Daten in nützliche Erkenntnisse umzuwandeln.
Ein Programm zur kontinuierlichen Verbesserung (wie beispielsweise TDQM) kann sich auf die vier Phasen des Deming-Zyklus stützen – Planen, Ausführen, Überprüfen, Handeln. Konkret wiederholen sich nach Abschluss der anfänglichen Bestandsaufnahme sechs Schritte:
- Datenprofilierung – Untersuchung von Tabellenstrukturen, den Beziehungen zwischen Tabellen, der Relevanz der Daten und der Gültigkeit der Formate.
- Datenbereinigung – Erkennen von fehlerhaften Daten und deren Korrektur an der Quelle (Entfernen von Duplikaten, Ergänzen fehlender Werte). Dieser Prozess ist von Natur aus iterativ.
- Standardisierung – die Harmonisierung von Daten in ein einheitliches Format, das Interoperabilität und ein gemeinsames Verständnis für alle ermöglicht. Dies ist dieselbe Grundlage, die den Datenfluss zwischen Systemen im Rahmen der Herausforderung „Interoperabilität und Datenflüsse“ ermöglicht.
- Deduplizierung – das Entfernen von Duplikaten innerhalb einer einzelnen Datei und das Identifizieren von Datensätzen, die in mehreren Unternehmensdateien vorkommen, sodass nur eine Version erhalten bleibt.
- Anreicherung – Verbesserung der Vollständigkeit korrigierter, validierter Daten entsprechend ihrer vorgesehenen Verwendung. Ebenfalls ein fortlaufender Prozess.
- Berichterstattung und Überwachung – Verfolgung der Qualitätsentwicklung im Zeitverlauf mithilfe von Dashboards und KPIs.
Um ein Datenqualitätsprogramm erfolgreich umzusetzen, kann eine im Vorfeld durchgeführte Sensibilisierungskampagne – die von der Unternehmensleitung unterstützt wird – einen entscheidenden Unterschied machen. Erstellen Sie einen geeigneten Kommunikationsplan mit Schulungen und klaren, ansprechenden Materialien, damit die Mitarbeiter verstehen, worum es geht, und bewährte Vorgehensweisen anwenden.
— ZITATENTWURF, Quellenangabe vorbehaltlich der Freigabe (Leiter Data Governance bei SoftProject)
Die Rolle von Metadaten in Ihrer Datenqualitätsstrategie
Die Datenqualität kann nicht mehr losgelöst von der Qualität der Metadaten betrachtet werden, die diese beschreiben. Metadaten liefern den Kontext, die Rückverfolgbarkeit und die Interpretierbarkeit, die Sie benötigen, um Daten in anspruchsvollen Szenarien zu nutzen – künstliche Intelligenz, regulatorische Governance, teamübergreifende Zusammenarbeit. Ohne zuverlässige, aussagekräftige und standardisierte Metadaten lassen sich Daten nur schwer wiederverwenden, können leicht falsch interpretiert werden und sind anfällig für Verzerrungen. Mit Metadaten bleiben Informationen auffindbar, KI-Modelle lassen sich schneller trainieren und erklären sich besser, und technische sowie geschäftliche Teams sprechen dieselbe Sprache. Genau aus diesem Grund steht das Metadatenmanagement im Mittelpunkt der Data-Governance-Ebene von SoftProject.
In der Praxis ist es schwierig, KI außer Acht zu lassen – und KI ist ein anspruchsvoller Verbraucher hochwertiger Daten. Ein „KI-fähiger“ Datensatz ist ein hochwertiger Datensatz, der mit hochwertigen Metadaten verknüpft ist, wie in einer Studie der Weltbank zu KI-fähigen Daten hervorgehoben wird. Metadaten aus einem Datenqualitätsprogramm auszuschließen, ist keine vertretbare Option mehr.
Daten für KI → KI für Daten: der positive Kreislauf
Ein moderner Ansatz zur Datenqualität ist zirkulär. Zuverlässige, gut strukturierte Daten und Metadaten ermöglichen die Entwicklung leistungsstarker KI-Modelle (Daten für KI). Sind diese Modelle erst einmal trainiert, können sie wiederum die kontinuierliche Verbesserung der Daten- und Metadatenqualität vorantreiben – indem sie Fehler automatisch erkennen, Duplikate kennzeichnen und Beschreibungen anreichern (KI für Daten). Die Daten speisen die KI; die KI wiederum stärkt die Zuverlässigkeit, Klarheit und den Wert der Daten.
Ein Programm zur Datenqualität ist ohne Metadatenmanagement nicht denkbar. Metadaten liefern den Kontext, der eine bestimmte Datenangabe erklärt. Seit dem rasanten Aufkommen generativer KI ist uns allen bewusst geworden, wie wichtig der Kontext ist, wenn man gute Antworten erhalten möchte.
— Zitatentwurf, Quellenangabe vorbehaltlich der Freigabe (SoftProject Innovation).
Welche Tools und Rollen tragen zur Verbesserung der Qualität Ihrer Stammdaten bei?
Die Menschen, die für die Datenqualität sorgen
Da Unternehmen zunehmend Wert auf Datenqualität und die Kontrolle ihrer Stammdaten legen, haben sich verschiedene Rollen herausgebildet. Der Stammdatenmanager, der in der Regel mit einer MDM-Lösung verbunden ist; der Datenverwalter, der den Zugriff auf Daten für das Unternehmen erleichtert; und der Datenverantwortliche, der für die endgültige Datenqualität verantwortlich ist. Führungspositionen wie der CDO (Chief Data Officer) sind in der Regel die ersten Förderer dieser Transformationen.
Ein interdisziplinäres Team – bestehend aus Datenqualitätsmanager, Datenarchitekt, Datenwissenschaftlern, Datenverwalter und Datenschutzbeauftragter – ist für die Durchführung der Arbeit unerlässlich. Doch es kommt nicht nur auf die Menschen an: Die Auswahl der richtigen Werkzeuge ist ebenso wichtig.
Datenqualität ist ein bereichsübergreifendes Thema – sie darf nicht allein Sache der Daten- oder IT-Teams sein. Man muss die Fachabteilungen wieder einbeziehen und sie direkt in ihren eigenen Anwendungen unterstützen, damit sie die Konsistenz ihrer Daten überprüfen und validieren können. Die dafür erforderlichen Tools gibt es mittlerweile.
— ZITATENTWURF, Quellenangabe vorbehaltlich der Freigabe (Leiter Data Governance bei SoftProject)
Ein Werkzeugkasten, der mehrere Funktionsbereiche abdeckt
Für eine optimale Datenqualität braucht man die richtigen Tools – doch wir empfehlen Ihnen, zunächst einen Schritt zurückzutreten und sich zunächst Ihre Anforderungen sowie den Funktionsumfang der einzelnen Phasen anzusehen, anstatt sich direkt auf „Tools und Abkürzungen“ zu stürzen. Die wichtigsten Funktionsbereiche der Datenqualität sehen wie folgt aus:
- Datenqualitätsanalyse (DQ)
- Datensicherheit
- Einhaltung der Vorschriften
- Überwachung und Analyse
- Datenermittlung
- Datenkatalog (Metadaten)
- Datenherkunft
- Stammdaten- und Referenzdatenmanagement (MDM)
- Datentransformation und -übertragung (ETL, ELT, ESB)
- Datenaustausch und -bereitstellung (API-Management)
- Visualisierung und Berichterstellung (Business Intelligence)
Diese Bereiche unter einem Dach zu vereinen – anstatt einzelne Punktlösungen miteinander zu verknüpfen – ist der Gedanke hinter der Herausforderung „Choosing your Data Platform“.
Unsere Überzeugung: Die Daten- und Prozesssicht miteinander verknüpfen, um die Datenqualität zu verbessern
Wir bei SoftProject sind davon überzeugt, dass Daten und Prozesse untrennbar miteinander verbunden sind. Deshalb ermöglicht Ihnen das Geschäftsprozessmanagement auf der SoftProject-Plattform – basierend auf X4 BPMS und durchgängig mit Phoenix koordiniert – ein umfassendes Verständnis Ihrer Geschäftsprozesse und der damit verbundenen Datennutzung.
Zur Verwaltung Ihrer Stammdaten – Kunden, Lieferanten, Produkte, Finanzdaten – ermöglichen Ihnen die Funktionen für Stammdatenmanagement und Daten-Governance der Plattform in Verbindung mit MyDataCatalogue und „dataspot.“ – ermöglichen es Ihnen, alle Aspekte rund um Ihre Daten zu überwachen und zu automatisieren: Erfassen, Übertragen, Anreichern und Bereitstellen. Sie können Ihre Referenzdaten modellieren, eigene Kennzahlen erstellen und die Relevanz, Eindeutigkeit sowie Rückverfolgbarkeit von Informationen über deren gesamten Lebenszyklus hinweg gewährleisten – alles auf einer einzigen Plattform.
Möchten Sie Ihre eigenen Herausforderungen im Bereich der Datenqualität gemeinsam mit einem SoftProject-Experten auf Herz und Nieren prüfen?
Edouard Cante ist als Chief Product Officer für die strategische Ausrichtung und Weiterentwicklung des Produktportfolios von SoftProject verantwortlich. Mit seinem fundierten Marktverständnis und seiner hohen Innovationskraft treibt er kundenorientierte Lösungen voran und sichert die langfristige Wettbewerbsfähigkeit des Unternehmens.
