Data Management Digitalisierung

Datenqualität steigern und Betriebskosten senken

Der Unternehmenserfolg klassischer, wie digitaler Geschäftsmodelle, ist direkt abhängig von der Datenqualität eines Unternehmens. Schlechte Datenqualität betrifft den klassischen Produktionsbetrieb genauso, wie die digitalen Pilotprojekte vieler Unternehmen.

Die positiven Effekte von „aufgeräumtem“ Datenmanagement:

  • weniger manueller Aufwand und Fehler in wiederkehrenden Prozessen
  • genauere Planung und schnellere Reaktionszeiten
  • bessere (und schnellere) daten-basierte Entscheidungen
  • geringere Einstiegsbarrieren bei digitalen Initiativen und datengetriebenen Pilotprojekten

Betriebskosten senken durch gesteigerte Datenqualität

Trotzdem messen nur 40% der Unternehmen die Kosten mangelnder Datenqualität. Bereits 2017 kam eine amerikanische Studie zu dem Ergebnis das schlechte Datenqualität Unternehmen 15-25% des Unternehmensergebnisses kosten. Gleichzeitig zeigten die Verantwortlichen, dass Unternehmen 2/3 der Kosten für schlechte Datenqualität einsparen können.1 Vor allem wiederkehrende Fehler und deren manuelle Korrektur führen zu erheblichen Aufwänden – korrigieren aber die Ursache für die Datenqualitätsprobleme nicht!

Lesen Sie auch: How to: Set up a Data Quality Report (with Python und Pandas)

Welche Ursachen haben Mängel bei der Datenqualität?

Ursache für mangelhafte Datenqualität sind oft 1) schlechte Integration und fragwürdige technische Implementierungen, die 2) nicht selten ihren Ursprung in unklaren oder zu komplexen Business Prozessen (Stichwort: Eier-legende-Wohlmilch-Sau) haben. Häufig sind die Folgen schlechter Datenqualität entkoppelt von den Verursachern. Deshalb werden die Ursachen für Fehler und Mängel bei der Datenqualität nur selten korrigiert – wenn das x-te Mal derselbe Fehler bei Analysen und im Reporting auftritt, ändert man die Werte schnell im Excel.

Die Herausforderung besteht darin die Ursachen zu identifizieren und zu korrigieren. In der Praxis sind es aber keine trivialen, technischen Fehler. Häufig müssen Abhängigkeiten verschiedener Systeme und Prozesse analysiert und eine gemeinsame Lösung erarbeitet werden – ein aufwendiger Prozess, der aus unterschiedlichsten Gründen auf Widerstände trifft.

Maßnahmen zur Verbesserung der Datenqualität

Die offensichtlichste Maßnahme – Aufräumen! Falsche Daten sind stets an der Quelle zu korrigieren, ansonsten werden die Mängel wieder auftreten. Wir dokumentieren die immer wieder falschen Daten, prüfen die Datenflüsse bis in die jeweiligen Quellsysteme und suchen die Fehler. Zugegeben die Idee ist nicht bahnbrechend aber „was muss, das muss“.

Im nächsten Schritt messen wir regelmäßig die Datenqualität. Eine praktikable Methode ist das Definieren der wichtigsten Daten (-attribute) für den fehlerfreien Business Prozess und die regelmäßige manuelle oder automatisierte Überprüfung dieser Daten – wir definieren welche Attribute stets vollständig, fehlerfrei und konsistent sein müssen.2

Was zuerst nach einer aufwendigen und unliebsamen Aufgabe klingt, wird über die Zeit deutlich zur Verbesserung der Datenqualität beitragen und birgt enorme Potenziale Aufwand (und damit Kosten) in den nachgelagerten Prozessen und Analysen einzusparen.

Lesen Sie auch: Maßnahmen zur Steigerung der Datenqualität von Stammdaten

Fazit

Kontinuität und Fokussierung auf die wichtigen Aufgaben im Datenmanagement legen den Grundstein für die Digitalisierung von Geschäftsmodellen und bilden die Basis für daten-getriebene Entscheidungen. Die Qualität von Unternehmensdaten wird nicht erst zum Wettbewerbsvorteil, wenn Unternehmen Daten unmittelbar monetarisieren. Projekte zur Steigerung der Datenqualität reduzieren die Aufwände in der täglichen Arbeit, vermeiden Fehler in kundennahen Prozessen und schaffen die Grundlage für die Digitalisierung von Geschäftsmodellen und Unternehmensprozessen.

  1. Seizing Opportunity in Data Quality (MIT Management Report)
  2. Beispiel: wie man mit Python und Pandas einen DQ Report aufsetzt

1 Kommentar Neues Kommentar hinzufügen

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.