Fehler und unverknüpfte Daten sind eine Gefahr für die Stabilität des Unternehmens-Systems – bessere Qualitätssicherung und Wissensbündelung können helfen!

Bild: iStock, wildpixel

Gegen (Daten-) Chaos vorgehen So bleibt das ERP-System zuverlässig

19.05.2022

Probleme, verärgerte Kunden und höhere Kosten: Schlechte Datenqualität ist schlecht fürs Geschäft. Doch wie kommt es dazu und was können Firmen dagegen tun?

Korrekte Daten und Informationen bilden die Grundlage für Produktions- und Logistikprozesse. Und ohne korrekte Daten laufen Vertriebs- und Marketingaktionen ins Leere. Es gibt zahlreiche Gründe für Unternehmen, sich eingehender mit der Qualität ihrer Daten zu beschäftigen.

Schlechte Datenqualität in Unternehmen ist teuer

So genügt schon ein Zahlendreher in der Anschrift, um die pünktliche Zustellung einer Kundenbestellung zu verhindern. Das kann die Beziehung mit den Kundinnen und Kunden genauso belasten, wie falsche Schreibweisen eines Namens. Denn zum einen wirkt das nicht professionell und kann zum anderen auch zu echten Problemen im Produktionsablauf führen, wenn gewisse Teile nicht zum vereinbarten Zeitpunkt ankommen.

Korrekte Stammdaten bilden somit die Grundlage für zuverlässige Betriebsabläufe und gute Kundenbeziehungen. Und dann gilt es auch noch, die Compliance zu berücksichtigen: Nur mit korrekten Daten spiegeln Finanzreportings oder Risikoanalysen die Realität wider und können beispielsweise Embargochecks zuverlässig durchgeführt werden.

Die Auswirkungen falscher oder unzureichender Daten in Unternehmen sind also zahlreich und in jedem Fall mit Kosten und Unannehmlichkeiten verbunden.

Datenqualität lässt sich messen

Eine unzureichende Datenqualität hat somit stets spürbare Folgen für ein Unternehmen. Wie kann es aber sicher gehen, dass die bestehenden Daten „vertrauenswürdig“ sind?

Firmen können anhand einer ganzen Reihe von Kriterien die Qualität der gespeicherten Informationen bewerten. Die Daten sollten auf folgende Aspekte hin geprüft werden:

  • Vollständigkeit: Der Begriff der Vollständigkeit hat verschiedene Dimensionen. Wann ein Datensatz als „vollständig“ gilt, bestimmen die Geschäftsregeln eines Unternehmens.

  • Korrektheit: Vereinfacht ist ein Datensatz dann korrekt, wenn er mit der Realität übereinstimmt, also dieses Objekt richtig beschreibt.

  • Konsistenz: Die Eigenschaften eines Datensatzes dürfen keine logischen Widersprüche zu anderen Datensätzen in einer Datenbank besitzen.

  • Konformität: Die Daten müssen dem definierten Format entsprechen.

  • Gültigkeit: Daten entsprechen den definierten Wertebereichen.

  • Eindeutigkeit: Ein Datensatz ist dann eindeutig, wenn die damit beschriebenen realen Objekte nur einmal dargestellt werden.

Wer nicht misst, kann auch nicht beurteilen, ob er sich verbessert oder verschlechtert. Deshalb ist es für Unternehmen sinnvoll, gemeinsam mit DatenexpertInnen bestimmte Qualitätszielgrößen, wie etwa einen Datenqualitätsscore, zu ermitteln und festzulegen, um Abweichungen vom gewünschten Standard feststellen zu können. Gleichzeitig sind entsprechende Gegenmaßnahmen, wie beispielsweise Dublettenprüfungen oder Quartalsbereinigungen, zu definieren, um die Abweichungen zu lösen.

Geringe Datenqualität hat viele Ursachen

Die Gründe für eine schlechte Datenqualität sind vielschichtig, die Probleme in der Regel hausgemacht. Eines der größten Probleme stellen nach wie vor Daten-Silos in Unternehmen dar. Die Daten liegen also verteilt, etwa im CRM- und im ERP-System, ohne Verknüpfung vor. So kommt es dann nicht nur schnell zu Dubletten, sondern auch zu Inkonsistenzen bei den Informationen – und dies erschwert wiederum die sichere Planung und Arbeit.

Ebenfalls nicht zu unterschätzen ist die Fehlerquelle Mensch bei der Erfassung der Daten. Zahlendreher oder unterschiedliche Schreibweisen gehören zu den Klassikern. Dies kann auch direkt auf der Seite von Kundinnen und Kunden passieren, wenn diese etwa ein neues Kundenkonto anlegen, aber eine andere E-Mail-Adresse als zuvor verwenden. Inkonsistente oder mehrfach vorhandene Datensätze entstehen darüber hinaus aus ganz „natürlichen“ Alterungsgründen, wie etwa einem Adresswechsel durch Umzug, einer Namensänderung bei Heirat oder Scheidung oder einer neuen Kontoverbindung bei Bankwechsel.

Unterschiede in den Datenformaten sind für international agierende Unternehmen eine weitere potenzielle Fehlerquelle. Auch differierende Release-Stände von unternehmenskritischen Anwendungen können etwa in größeren Unternehmen die Datenqualität negativ beeinflussen. So hat sich das Datenmodell etwa in SAP S/4HANA deutlich gegenüber R/3 verändert. Operieren die Firmen mit den unterschiedlichen Releases, sind Probleme vorprogrammiert.

Maßnahmen zur Verbesserung der Datenqualität

Unternehmen, die die Datenqualität verbessern wollen, müssen eine zweigeteilte Strategie fahren. Zum einen gilt es, die bereits vorhandenen Daten zu verbessern. Zum anderen braucht es Richtlinien, die dazu beitragen, die erreichte Datenqualität zukünftig abzusichern, gerade auch wenn neue Daten in das Unternehmen gelangen, also eine „Data Governance“.

Eine Data Governance kann beispielsweise auf konkreten Hinweisen für die korrekte Erfassung von Daten und Informationen basieren, aber auch die softwareseitige Unterstützung umfassen. Dies sind dann etwa Pflichtfelder oder verschiedene Eingabemasken für Stammdaten, je nach Herkunftsland der Kunden und Kundinnen. Die softwareseitige Hilfe kann beispielsweise eine Adressvalidierung beinhalten, oder eine Autovervollständigung sowie auch Plausibilitätsprüfungen, beispielsweise bei der Eingabe internationaler Bankkontonummern.

Etwas komplexer, aber intelligent gemanagt auch nachhaltig lösbar, ist die Optimierung des bestehenden Datenhaushalts. Dazu werden etwa Dubletten in den Stammdaten gesucht oder Daten postalisch validiert. Bevor ein vermeintlich überflüssiger Datensatz entfernt wird, sollte jedoch eine Konsolidierung erfolgen, weil dieser Datensatz möglicherweise Informationen enthält, die dem anderen fehlen.

Auch das Setzen von Default-Werten kann Probleme lösen, wenn für ein Attribut aus einer anderen Quelle kein sinnvoller Wert vorliegt. Entscheidend sind in jedem Fall länderspezifische Wissensbasen. Sie bündeln das postalische Know-how je Land als Referenz und sorgen so bei Abgleich und Validierung für die erforderliche Qualität.

Aufwand, der sich lohnt

Je nachdem, wie gut oder schlecht die Datenqualität innerhalb eines Unternehmens ist, wartet zu Beginn mehr oder weniger Arbeit auf die Verantwortlichen. Mit der richtigen Data Governance und Unterstützung von Software lässt sich das schnell lösen. Angesichts möglicher Folgen fehlerhafter Daten ist dies ein Aufwand, der sich unmittelbar auszahlt.

Verwandte Artikel