Die Definition dessen, was „gute“ Daten ausmacht, scheint zunächst relativ simpel. Bei hochwertigen Daten handelt es sich um aktuelle, relevante und vollständige Informationen – und zwar genau die Informationen, die ein Unternehmen braucht, damit seine Prozesse effizient ablaufen und es Entscheidungen auf einer soliden Datenbasis treffen kann.
Die Datenqualität leidet aber oft deutlich, weil sich in Unternehmen über Jahre hinweg riesige und zum Teil überflüssige Datenmengen aus alltäglichen Geschäftsaktivitäten, personellen und organisatorischen Änderungen sowie Fusionen und Übernahmen ansammeln. Zusätzlich sorgt die Digitalisierung dafür, dass das Datenvolumen in allen Unternehmensbereichen massiv wächst. Eine solche Anhäufung von Daten resultiert schnell in einem steilen Anstieg des Verwaltungs- und Betriebsaufwands. Die Pflege und Wartung der IT-Systeme kostet Zeit und Geld. Mitarbeiter verlieren den Überblick darüber, welche Daten sie wann wofür einsetzen können – und wo sie diese Daten überhaupt finden. Dadurch werden sämtliche laufenden Betriebsprozesse beeinträchtigt.
Minderwertige Datenqualität entsteht nicht nur durch unvollständige, fehlerhafte, veraltete oder falsch formatierte Datensätze, sondern auch durch die Duplizierung von Stammdaten, eine relativ gängige Praxis, die aber zu Verwirrung, Datenmissbrauch und Geschäftsunterbrechungen führen kann. Ein Beispiel sind überzogene Kreditlimits bei einem Kunden, für den zahlreiche unterschiedliche Datensätze vorliegen, die wiederum von verschiedenen Mitarbeitern bearbeitet werden. Ein anderes Beispiel sind Adressdubletten, die unnötige Portokosten verursachen oder sogar dazu führen, dass Waren fehlgeleitet werden.
Bewusstsein wächst
Vor allem Firmen in stark reglementierten Branchen brauchen in Bezug auf ihre Datenqualität eine strikte und strukturierte Vorgehensweise. Aber auch in anderen datensensitiven Bereichen wächst inzwischen das Bewusstsein für das Problempotenzial mangelhafter Daten, und Unternehmen gehen ihre Herausforderungen proaktiver an.
Selbst im Einzelhandel und anderen Branchen mit geringeren Margen wächst die Sensibilität für das Thema. Diese Firmen sehen Daten – auch aus Social Media, E-Mail und anderen unstrukturierten Quellen – verstärkt als einen wichtigen Faktor für ihr Geschäftswachstum an und legen entsprechend viel Wert auf die Qualität ihrer Daten.
Im Allgemeinen fällt es kleineren Unternehmen aufgrund der geringeren Gesamtmenge gespeicherter Daten leichter, Datenfehler zu identifizieren, direkt zu beheben und Problemfälle individuell zu behandeln. Großunternehmen dagegen brauchen einen ganzheitlichen und kosteneffektiven Ansatz für die Verbesserung ihrer Datenqualität, weil für sie die Risiken von Geschäftsunterbrechungen und damit verbundenen Kosten sowie Haftpflichten proportional deutlich höher sind. Dadurch zieht sich die Behebung von Datenproblemen häufig auch länger hin. Eine umfassende Datenbereinigung und anschließende fortlaufende Datenqualitätssicherung ist der beste Weg, die wachsenden Datenmengen in den Griff zu bekommen.
Nachhaltige Datenstrategie
Um eine nachhaltige Strategie für eine bessere Datenqualität zu entwickeln, müssen Unternehmen zunächst einmal im Detail verstehen, wie genau ihre Daten die eigenen Geschäftsziele unterstützen. Ein umfassender Datenaudit geht von den folgenden Fragen aus: Welche Daten sind zentral für die Prozesse im Unternehmen? Welche Anforderungen haben wir an die von uns gesammelten und verarbeiteten Daten sowie an Daten, die von Dritten stammen? Welche Standards müssen die Daten erfüllen, damit wir sie optimal nutzen können?
Auf dieser Basis beinhaltet der Audit eine detaillierte Analyse der vorhandenen Schwächen und Informationslücken und deckt potenzielle Datenprobleme auf. Daraus ergeben sich bereits die prinzipiellen Richtlinien für die künftige Datenverwaltung, auf denen sich die kurz- und langfristigen Taktiken zur Verbesserung der geschäftskritischen Daten und zur Bereinigung des gesamten Datenbestandes aufbauen lassen.
Organisationsstruktur schaffen
Die genaue Vorgehensweise bei der Festlegung der neuen Datenstrategie ist abhängig von der Größe des Unternehmens, seinen strategischen Geschäftsprioritäten und dem Wert, den es verschiedenen Datenaspekten zuweist. Je nachdem, was ein Prozess oder Geschäftsbereich von den betreffenden Daten benötigt, lässt sich „Datenqualität“ zudem unterschiedlich definieren. Selbst von Team zu Team können die Qualitätsvorstellungen hier erheblich voneinander abweichen.
Bei der Festlegung der Datenqualitätsziele hilft es aber oft schon, sich an etablierten Vorgehensweisen vergleichbarer Unternehmen sowie an Branchenstandards anzulehnen. Meist sind Compliance-Anforderungen zu beachten. Die Datenqualität ist auch eine Schnittstellenfrage, denn Daten sollten sich reibungslos zwischen Systemen und Unternehmensbereichen sowie mit Lieferanten und Kunden austauschen lassen.
Sobald das Fundament gelegt ist und die Qualitätsziele feststehen, sollte das Unternehmen eine entsprechende Organisationsstruktur schaffen, um die neue Datenstrategie wirksam voranzutreiben. In diesem Zusammenhang ernennen Firmen häufig einen Chief Data Officer oder designieren interne „Daten-Champions“, die dabei helfen sollen, Best Practices für den Umgang mit Daten im Unternehmen zu etablieren.
Diese Best Practices beruhen grundsätzlich auf drei Säulen: Mitarbeiter, Prozesse und Technologie. Nur eine Lösung, die alle drei Bereiche umfasst, kann sinnvoll zu einer kontinuierlichen Verbesserung des Daten-Managements führen. Alle Entscheidungen in Bezug auf Technologie, Prozesse und Personal sollten dabei wohlüberlegt sein und nicht nur im Rahmen der aktuellen Situation getroffen werden, sondern auch in Hinsicht auf eine langfristige Unterstützung der Geschäftsvision. Vorausschauend handeln lohnt sich, weil die Datenmengen im digitalen Zeitalter mit Sicherheit weiter wachsen werden.
Gezielt investieren
Bei der Auswahl einer geeigneten Technologie für Datentransformation, Datenbereinigung und Datenmanagement ist zu beachten, dass billiger nicht unbedingt besser ist. Je nach den zu bewältigenden Herausforderungen rangieren die erforderlichen Investitionen im Bereich von einigen Tausend bis zu mehreren Millionen Euro – abhängig von der aktuellen Datensituation, Datenvolumen, Komplexität und angestrebter Aufbewahrungsdauer.
High-End-Tools bieten heute schon zahlreiche flexible Optionen zur Definition der Datenqualitätsrichtlinien, zur Datenvalidierung, der Behebung von Datenfehlern und der Behandlung von Ausnahmefällen. Detaillierte Reporting-Funktionen und automatische Warnmeldungen, wenn Mindestanforderungen nicht eingehalten sind, schaffen jederzeit einen transparenten Überblick über den aktuellen Zustand der Daten. Eine solche Plattform ermöglicht eine kontinuierliche Qualitätssicherung auch bei wachsenden Datenmengen.
Einsparungen und Wettbewerbsvorteile
Die erste Investition sollte jedoch unbedingt einer qualifizierten und gründlichen Datenanalyse gelten, denn diese zeigt den potenziellen Return on Investment auf, der sich mit einer Verbesserung der Datenqualität erreichen lässt. In modernen Datenumgebungen sind solche Bewertungen in Kombination mit strategischer Datenbereitstellung für die meisten Unternehmen inzwischen unverzichtbar.
Hochwertige Daten reduzieren nicht nur unmittelbar den Zeit- und Kostenaufwand für manuelle Fehlerbehebungen oder ein manuelles Aufbereiten von Daten. Unternehmen, die ihre Datenqualität deutlich verbessern, profitieren auch von reibungsloseren Prozessen und wertvollen Einblicken dank zuverlässiger Datenanalysen. Und eine umfassende Datenstrategie bringt noch einen weiteren und längerfristigen Vorteil mit sich: Saubere Daten können sich positiv auf den Ruf des Unternehmens auswirken. Die Kunden sind zufrieden, das Markenimage bleibt erhalten, und empfindliche Strafen wegen potenzieller DSGVO-Verstöße bleiben ebenfalls aus.