Enterprise Data Management - 5 Schritte gegen das Bauchgefühl

Enterprise Data Management - Fünf Schritte gegen das Bauchgefühl Geschäftsentscheidungen sollten stets auf Basis korrekter und aktueller Daten getroffen werden. Doch dazu ist zunächst ein konsistentes Qualitätsniveau besagter Daten nötig – und zwar unternehmensweit. Von Eric Ecker Besonders bei erfolgreichen Unternehmern scheint es oft so, also ob sie wichtige Entscheidungen aus dem Bauch heraus treffen. Das mag in Einzelfällen stimmen, in der Praxis basieren Geschäftsentscheidungen aber auf harten Fakten. Und das ist gut so, denn ganz gleich ob betrieblich, analytisch oder strategisch – jede unternehmerische Entscheidung sollte gut überlegt sein, denn schließlich zieht sie fast immer Konsequenzen für das jeweilige Unternehmen nach sich. So ist es für strategische Entscheidungen beispielsweise sehr wichtig, welche Kunden welche Produkte wie lange einsetzen oder wie viele Kunden den Kauf eines höherwertigen Produkts in Betracht ziehen. Zuverlässige Daten verraten dies bereits im Vorfeld. Falsche Daten wiederum führen dazu, dass in der Firma Fehler gemacht bzw. falsche Entscheidungen getroffen werden. So führen dann etwa Marketing-Aktionen ins Leere, Umstrukturierungen haben nicht den gewünschten Effekt, kurz, alle Beteiligten stochern im Nebel. Das kostet Zeit, Geld und im harten Wettbewerb oft auch Kunden. Und im schlimmsten Fall wird aus dem Branchen-Primus, der nur auf sein Bauchgefühl setzt, dann schnell ein Auslaufmodell. Dieser Artikel gibt einen Überblick darüber, wie Unternehmen am Besten mit ihren Daten verfahren, um so die Grundlage für gute Entscheidungen treffen zu können. Jedes Unternehmen hat Datenqualitätsprobleme Die schlechte Nachricht vorweg: Es gibt keinen Unternehmenstyp, der besonders anfällig ist für Datenqualitätsprobleme. Im Gegenteil: Alle Firmen haben damit zu kämpfen. Das zeigt sich natürlich besonders stark bei datenbezogenen Initiativen wie Enterprise Resource Planning (ERP) oder Customer Relationship Management (CRM). Die gute Nachricht: Es gibt erprobte Wege um diese Qualitätsprobleme in den Griff zu kriegen. Gute Daten schlechte Daten Es gibt viele Gründe für die explosionsartige Zunahme inkonsistenter oder nutzloser Daten. Angefangen von einfachen menschlichen Fehlern bis hin zu ungenügenden oder gar nicht vorhandenen unternehmensweiten Datenstandards, die alle Systeme, Geschäftsbereiche und gegebenenfalls Konzerngesellschaften erfassen. Um die Datenprobleme zu überwinden, benötigen Unternehmen eine technologische Grundlage mit der sie die Datenqualitäts- probleme aufdecken und beheben können. Doch Vorsicht: Datenqualitäts-probleme können nicht allein durch Technologie gelöst werden. Ebenso wichtig ist die Einbindung der richtigen Personen und Prozesse. "Datenqualität und Data Governance erfordern die Einbindung von Menschen, Prozessen und Technologie." Technologie ist nur ein Teil der Lösung, die zu konsolidierten, hochwertigen Unternehmensinformationen führt. Vergleichbar ist dabei etwa das Thema IT-Security. Auch in diesem Bereich schützen die besten technischen Systeme alleine nicht, wenn nicht auch Menschen und Prozesse dahinter stehen. Eine robuste Technologie, die jede Datenqualitätsinitiative unterstützt, ist also nur ein wichtiger Stützpfeiler. Noch wichtiger für den Erfolg ist jedoch die richtige Methodik für den Einsatz dieser Technologie. Das Unternehmen DataFlux, das als Lösungsanbieter für Datenqualität und -integrität seit Jahren Unternehmen zu diesem Thema berät, hat vor diesem Hintergrund eine eigene Methodik für Datenqualität und Data Governance in Unternehmen entwickelt. Diese besteht aus fünf Komponenten oder Teilverfahren: • Data Profiling • Datenqualität • Datenintegration • Datenanreicherung • Datenkontrolle Diese Komponenten bieten eine Systematik, mit der sich der gesamte Prozess für eine verbesserte Datenqualität erfolgreich managen lässt. Nutzt man sie konsequent, profitiert das Unternehmen unter dem Strich von einem ganzheitlichen Überblick über alle relevanten Daten im gesamten Unternehmen, also z.B. in Bezug auf Daten zu Kunden, Produkten oder Lieferanten. Data Profiling Der erste Schritt ist das Data Profiling. Dieser Begriff steht für eine Ist-Analyse der vorhandenen Datenquellen. Ziel ist es, ein genaues Bild vom aktuellen Zustand der Daten zu erhalten. Dabei werden im Einzelnen die folgenden drei Aspekte genauer betrachtet: • Datenstruktur: Entspricht die Strukturierung der Daten den vorgesehenen Strukturen im Unternehmen? Passen die vorhandenen Daten zu den korrespondierenden Metadaten? • Dateneinträge: Sind die Datenwerte vollständig, genau und eindeutig? Sind die Daten entsprechend der geltenden Regeln standardisiert? • Datenbeziehungen: Weisen die Daten in allen Datensätzen die erforderliche Zuordnung der spezifizierten Schlüsselbeziehung auf? Bestehen abgeleitete Relationen über Tabellen und Datenbanken hinweg? Gibt es redundante Daten? Ein Beispiel für die Ermittlung von Daten: Ergeben Stichproben bei einigen Einträgen in einer Datenbank, dass bestimmte Werte fehlen, dann ist das ein sicheres Indiz für die generelle Unvollständigkeit der Datenbank – und dahinter könnte System stecken. So könnte das bei einer Kundenadress-Datenbank darauf hindeuten, dass etwa die Postadressen nicht vollständig erfasst werden, etwa weil das Formular missverständlich oder fehlerhaft angelegt ist. Nach dem Data Profiling erhalten Unternehmen auf diese Weise detaillierte und vor allem analytische Informationen über die Stärken und Schwächen ihrer Unternehmensdaten. Aus diesen Kenntnissen lassen sich die weiteren Maßnahmen für eine Verbesserung der Datenqualität ableiten. Die gewonnenen Informationen bilden den Ausgangspunkt für den zweiten Teil der Methodik, die Verbesserung der Datenqualität In diesem Schritt beginnt schon der Aufbau der Qualitätsdaten. Es werden hauptsächlich Fehler korrigiert, Informationen standardisiert und Daten unternehmensweit validiert. Dabei empfehlen sich insbesondere die folgenden drei häufig angewandten Taktiken: • Datenstandardisierung – Diese dient dazu, vielfältige „Permutationen“ von Daten herauszufiltern und zu korrigieren. Ein Beispiel: „ACME Manufacturing Corporation“ kann in derselben Datenquelle als „Acme Mftg Corp“, „ACME“ und„ACME Manufacturing“ auftauchen. Intelligentes Fuzzy Matching findet diese Varianten und macht eine einheitliche Nomenklatur daraus. • Musterstandardisierung – Diese ermöglicht die Erstellung eines für alle Tabellen geltenden Datenmusters. Manche Datenbestandteile wie Telefonnummern oder Sozialversicherungs- nummern sind in Musterabweichungen leicht zu finden. Spezielle Branchendaten, wie Produkt- oder Teilenummern können in Unternehmen jedoch unterschiedlichen Standards folgen. Die Musterstandardisierung bringt die Informationen aus nicht standardisierten Formaten in ein gewünschtes Standardformat. • Adressverifizierung: Dieser Vorgang stellt sicher, dass Adressen gültig und nutzbar sind. So erkennt zum Beispiel die Software von DataFlux, wenn die angegebene Stadt nicht mit der Postleitzahl übereinstimmt. Die Software sucht dann selbständig nach postalischen Daten, findet die richtige Postleitzahl und ändert den Eintrag in eine korrekte Adresse. Generell sollte die Entscheidung für eine der genannten Vorgehensweisen den jeweiligen Fachbereichen im Unternehmen überlassen bleiben, die für die spezifischen Daten verantwortlich sind. Wichtig ist dabei aber: Das Datenqualitätsverfahren verbessert die Qualität vorhandener Daten, es schafft jedoch nicht die Ursache des Datenproblems aus der Welt. Für eine nachhaltige Verbesserung der Datenqualität muss ein Unternehmen auch die Wurzel des Datenübels aufspüren, die erst zu den Fehlern führt. Danach gilt es, dass geeignete Gegenmaßnahmen ergriffen werden, um die Daten kontinuierlich auf einem höheren Qualitätsniveau zu halten. Das können beispielsweise Veränderungen in den Geschäftsprozessen sein. Ist der Datenqualitätsprozess abgeschlossen, verfügt die Firma bereits über die geeigneten Mittel, um die Daten aus jeder Quelle auf das angestrebte Qualitätsniveau zu bringen. Der nächste notwendige Schritt besteht in der Zusammenführung der unterschiedlichen Quellen – in der Datenintegration. Datenintegration Steht eine Kundenadresse in mehreren Firmendatenbanken gleichzeitig, dann ist die Gefahr groß, dass sich dabei irgendwo ein Fehler eingeschlichen hat. Experten sprechen dabei von verschiedenen Datensätzen, die dasselbe Objekt repräsentieren. Die Datenintegration dient dazu, diese Daten aus verschiedenen Quellen zu optimieren. Abweichende Einträge in verschiedenen Datenbanken werden in diesem Schritt zu einem einzigen Stammdatensatz zusammengefasst. Beispielsweise könnte eine Firma zwei Datenquellen für ihre Produkte pflegen: die Originalproduktdatenbank, extrahiert aus ihrem ERP-System in den USA, und eine Produktdatenbank in Europa. Die Firma verkauft das gleiche Produkt in beiden Regionen, die Produktbezeichnungen in den Datenbanken sind jedoch unterschiedlich. Zusätzlich wurden die Produktnamen, Fabrikatsbezeichnungen und Produktbeschreibungen in jeder der Datenquellen von verschiedenen Mitarbeitern eingegeben. Die erste Aufgabe der Datenintegration besteht jetzt darin, ein Produkt zu finden, das in beiden Quellen vorkommt (Linking). Die zweite Aufgabe: die Daten müssen in eine einheitliche Sicht gebracht werden. Beim Finden dieser mehrfach vorkommenden Objekte helfen Alleinstellungsmerkmale wie Produktidentifikationsnummern oder Steuernummern bei Kundendaten. Intelligentes Fuzzy Matching geht aber noch deutlich weiter und findet die Datensätze auch anhand von ähnlichen Produktbeschreibungen. Geht man zurück zum obigen Beispiel, dann wies die Datenbank in den USA eine Beschreibung, das Fabrikat und den Produktnamen aus. Zusätzlich gab es noch ein Feld mit verschiedenen Mustern. Die Datenbank in Europa enthielt nur die Produktbeschreibungen, diese aber in unterschiedlichen Mustern und Abkürzungen.