Ein effektives, kosteneffizientes und qualitätsorientiertes Datenmanagement erfordert eine Vorgehensweise, die mit Blick auf die Ableitung von Maßnahmen und die Einbindung von Werkzeugen offen und flexibel ist. Vor diesem Hintergrund hat die TIQ Solutions GmbH 10 Hin-und-Weg-Thesen aufgestellt, in denen wir die Abwendung von herkömmlichen Methoden anregen. Diese Ansätze prägen unser Alleinstellungsmerkmal im Bereich des qualitätsorientierten Datenmanagements.
Klicken Sie auf die orangenen Pfeile und erfahren Sie mehr!
1. Ursachenorientierung statt Symptombehandlung
Hin zur Ursachenorientierung! Weg von der ausschließlichen Symptombehandlung! Weil bei einem Datenqualitätsmanagement, das sich auf die Bereinigung fehlerhafter Datensätze beschränkt, organisatorische, kulturelle, technische und prozessinhärente Ursachen bestehen bleiben. Folglich wird die Datenbereinigung zur Daueraufgabe, da immer wieder neue fehlerhafte Datensätze „nachrücken“. Ein ursachenorientiertes und somit nachhaltiges Datenqualitätsmanagement hingegen senkt die Kosten für Bereinigungsmaßnahmen kontinuierlich und sorgt langfristig für hochwertige Daten.
2. Proaktiv statt reaktiv
Hin zu einem proaktiven Datenqualitätsmanagement, das den gesamten „Lebenszyklus“ von Daten abdeckt! Weg vom reaktiven Datenqualitätsmanagement! Weil ein Qualitätsmanagement, das erst bei der Beseitigung bereits aufgetretener Qualitätsmängel ansetzt, nicht auf Dauer kosteneffektiv arbeiten kann. Vorbeugende Maßnahmen zur Vermeidung der Entstehung von Qualitätsproblemen (z.B. Sensibilisierung von datenerfassenden Personen, zusätzliche Eingabekontrollen und Eliminierung von Medienbrüchen) erfordern zwar kurzfristig zusätzliche Investitionen, rentieren sich aber bereits mittelfristig durch eine massive Reduzierung des Aufwands zur Datenbereinigung.
3. Lebendig statt mechanistisch
Hin zur Etablierung eines adäquaten Veränderungsmanagements. Weg von einer mechanistischen Strategie, die nur Prozesse, Organisationsstrukturen sowie IT-Systeme und Datenmodelle im Blick hat und die spezifische Unternehmenskultur ignoriert. Weil die primäre Ursache für mangelnde Datenqualität wir Menschen in unserem Umgang mit den bereichsinternen und -fremden Aufgaben und Mitarbeitern sind. Die Vernachlässigung des Faktors Mensch sowie seiner Fähigkeiten und seiner Bereitschaft, sich den fachlichen, technischen und kulturellen Herausforderungen des Datenqualitätsmanagements zu stellen, verhindert letztlich eine nachhaltige Perspektive.
4. Tool-Mix statt „Allroundlösung“
Hin zu individuellen, auf den konkreten Bedarf zugeschnittenen Lösungen! Weg von monolithischen, funktional überfrachteten Pauschallösungen! Weil sich erst nach einer individuellen Problemanalyse sagen lässt, welche Gegenmaßnahmen einzuleiten sind und welche Werkzeuge diese adäquat unterstützen könnten. Ein bedarfsorientierter Werkzeugeinsatz setzt dabei eine modulare Systemarchitektur voraus, in der einzelne Dienste separat genutzt werden können.
5. „Built In“- statt „Add On“-Lösung
Hin zu „Built In“-Lösungen! Weg von “Add On”-Lösungen! Weil ansonsten „unter der Oberfläche“, d.h. in den einzelnen Geschäftsprozessen, weiterhin vieles schief laufen würde. Es reicht z.B. nicht aus, ein Datenqualitätswerkzeug auf ein ERP-System „aufzusetzen“ und lediglich die von letzterem „produzierten“ Datensätze zu bereinigen. Vielmehr muss das Datenqualitätsmanagement unmittelbar in den „Produktionsprozess“ der Daten integriert sein. Dies erfordert offene Schnittstellen, sowohl auf Seiten des ERP-Systems als auch auf Seiten des Werkzeugs. Nur so lässt sich ein ganzheitliches Datenqualitätsmanagement etablieren.
6. Methodischer Tooleinsatz statt Toolgläubigkeit
Hin zu einem methodengetriebenen Werkzeugeinsatz! Weg von einer blinden Technik- bzw. Toolgläubigkeit! Weil gerade ein ursachenorientiertes Datenqualitätsmanagement (vgl. These 1) nur teilweise automatisierbar ist, da es vor allem auf einer systematischen Analyse von Organisationsstrukturen und Geschäftsprozessen beruht, die nun einmal nicht ohne den Faktor „Mensch“ zu bewerkstelligen ist. Der Einkauf eines teuren Datenqualitätswerkzeugs allein wird kein einziges Datenqualitätsproblem in den Unternehmen lösen. Entscheidend ist die Methodik zur schrittweisen Einführung des Datenqualitätsmanagementsystems. Im Rahmen dieser Methodik ist zu entscheiden an welchen Stellen welche Werkzeuge sinnvoll eingesetzt werden können.
7. Unternehmensweites Datenmanagement statt Business Intelligence-Fokus
Hin zu einer Einbeziehung aller kritischen datenverarbeitenden Prozesse im Unternehmen! Weg vom Fokus auf Data Warehousing und Business Intelligence! Weil Datenqualitätsprobleme auf taktischer und operativer Ebene, also z. B. im Bereich der Anwendungsintegration und im Tagesgeschäft, genauso erfolgskritisch sein können, auch wenn sie vielleicht nicht so offensichtlich zu Tage treten wie bei der strategischen Entscheidungsunterstützung. Zumal die Ursachen für Datenqualitätsdefizite oft im OLTP-Bereich liegen (ineffektive Geschäftsprozesse, Medienbrüche, mangelnde Eingabekontrollen, mangelnde Verantwortlichkeiten etc.), der ja seinerseits die wichtigste Datenquelle für Data Warehouse-Systeme darstellt.
Hin zur Einbeziehung von semi- und unstrukturierten Daten! Weg vom alleinigen Fokus auf (strukturierte) ERP-Daten! Weil Inhalte von E-Mails, Textdokumenten, Spreadsheets, Zeichnungen, Webseiten etc. ebenfalls erfolgskritisch sein können, nur dass ihre Qualität, also ihre Eignung für ihren vorgesehenen Verwendungszweck („fitness for use“), weitaus schwieriger zu bestimmen ist als die strukturierter Daten. Diese Herausforderung gilt es anzunehmen und mit innovativen Konzepten zu begegnen.
Hin zur Einbeziehung von anwendungsspezifischen Datenqualitätsindikatoren! Weg von der Beschränkung auf rein anwendungsunabhängige Datenqualitätsmetriken! Weil es in vielen Anwendungsbereichen einfach nicht ausreichend ist, ausschließlich allgemeine Merkmale wie Vollständigkeit oder Redundanzfreiheit zu betrachten. Vielmehr lassen sich oft anwendungs- oder branchenbezogene Zusammenhänge zwischen Datenfeldern ausmachen, die ganz bestimmte Aussagen über die Qualität des betrachteten Datenbestandes zulassen, z.B. im Bankenbereich bei der Bewertung eines Verfahrens zur Bestimmung der Kreditwürdigkeit von Kunden.
10. Dynamisch statt statisch
Hin zu dynamischen, Reifegraddifferenzierenden operativen Prozessen und strategischen Strukturen. Weg von einem statischen Konzept mit unveränderlichen Strukturen. Weil je nach Entwicklungsstand Ihres Unternehmens ganz unterschiedliche Datenqualitätsmaßnahmen erforderlich sind. Operatives und strategisches Datenqualitätsmanagement gemeinsam werden Ihr Unternehmen Stufe um Stufe des Reifegradmodells erklimmen lassen.
Jan Hüfner
