Data Governance - Wie wichtig sind welche Daten für das Unternehmen und was sind sie wert?

Data Governance - Wie wichtig sind welche Daten für das Unternehmen und was sind sie wert? Auch die Finanzbranche hat Nachholbedarf bei der Data Governance. Selten sind sich Marktforscher auf einem Gebiet so einig. Vorhandene Studien zum Thema Datenqualität lassen sich auf einen Nenner bringen: Schlechte Datenqualität in Unternehmen verursacht unnötige Kosten in immenser Höhe. Dabei werden, so eine Studie von Agens Consulting, bis zu 25 Prozent des Unternehmensumsatzes durch den Kamin gejagt, bei 500 Millionen Euro Umsatz sind das stattliche 125 Millionen jährlich. Schon allein das Einsparungspotenzial sollte Entscheider für Data Governance begeistern, richtig eingesetzt gehen die Vorteile aber weit darüber hinaus. Schlechte Datenqualität versenkt Projekte Data-Governance-Experten sind sich einig, dass – so eine generelle „Hausnummer“ – rund 80 Prozent aller Projekte aufgrund von unzureichender Datenqualität scheitern oder zumindest zeitlich und finanziell massiv in Verzug geraten. In der Praxis zeigt sich das durch zeitlich falsch geplante Projekte, unrealistische Kostenpläne oder sogar inhaltliche Fehler. Was sich auf Projektbasis vielleicht noch abfedern lässt, potenziert sich bei der Ausarbeitung von Unternehmensstrategien. Fehler in den Datenbeständen können bei strategischen Entscheidungen einen enormen ökonomischen Schaden verursachen, weil die Entscheidungsgrundlage nicht den tatsächlichen Zuständen entspricht. Nimmt man die verschärfte Wettbewerbssituation im deutschen Bankensektor dazu und berücksichtigt auch den steigenden Kostendruck sowie Eingriffe des Gesetzgebers dann ist eines klar: Kreditinstitute müssen heute effizienter mit ihren Prozessen umgehen, also schneller reagieren und gleichzeitig die Qualität steigern. Brancheninsider berichten, dass der hohe Einfluss der Datenqualität auf das betriebswirtschaftliche Ergebnis den Kreditinstituten durchaus bekannt ist. Trotzdem wird ihr zum Teil zu wenig Beachtung geschenkt, oder oft noch schlimmer falsch reagiert: Derzeit werden nach Einschätzung der Banken etwa fünf Prozent des Jahresbudgets für Maßnahmen zur Aufrechterhaltung der Datenqualität eingesetzt; wohlgemerkt zur Sicherung des Ist-Zustands, denn verbessert wird dabei noch nichts. Bei Gartner heißt es dazu "Bis 2008 werden weniger als 10 Prozent der Unternehmen mit ihren ersten Versuchen Data-Governance-Strukturen zu implementieren erfolgreich sein. Der Grund: Kulturelle Barrieren und mangelnde Unterstützung durch die Unternehmensführung. – Data Governance erfordert die Zusammenarbeit von Menschen, Prozessen und Technologie im gesamten Unternehmen. Software alleine reicht nicht aus Auch einige Kreditinstitute haben bereits versucht dem Datenqualitäts-Problem Herr zu werden und sich mit Software-Lösungen eingedeckt. Doch das ist zu kurz gedacht, denn Programme alleine reichen meist nicht aus um ein nachhaltiges Ergebnis zu erzielen. Wichtig sind begleitende Maßnahmen rund um die Unternehmensprozesse. Nur so kann man Schwachstellen identifizieren, die sich in der Organisation, den Prozessen, der IT und beim Personal verstecken. So findet man im Unternehmen effektive Ansätze zur Entwicklung von Verbesserungsmaßnahmen im Datenqualitätsmanagement. Speziell für Banken besteht ein hohes Risiko, nicht nur bei der Unternehmensstrategie sondern auch im Alltagsgeschäft durch schlecht gepflegte Daten in ernste Probleme zu geraten. Beispiele: Kreditentscheidungen, die auf ungenauen Daten beruhen stehen ebenso auf wackligen Beinen wie Berechnungen nach Basel II, die zu hohe Abweichungen aufweisen. Aus den Kreditinstituten hört man, dass abteilungsübergreifende Abstimmungen für Datenqualitätsmanagement schlicht fehlen. Den Mitarbeitern ist die Problematik meist gar nicht bewusst, und die leitenden Angestellten sensibilisieren nicht ausreichend. Nicht reagieren – agieren So ist Datenqualitätsmanagement zwar ein Thema auf Vorstandsebene, es wird aber meist nur reaktiv betrieben. Ein proaktives Datenqualitätsmanagement ist die Ausnahme – hier ist Umdenken gefordert. In den meisten Instituten gibt es keine Instrumentarien zur Messung der Datenqualität, so dass eine wichtige Grundlage zur korrekten Einschätzung fehlt. Banken müssen die tatsächliche Datenqualität und die Kosten der Datenhaltung sichtbar machen. Bei der Trendanalyse "Banksteuerung der Zukunft" fand die Beratungsfirma agens consulting heraus, dass einer der wichtigsten Aspekte "Datenqualität als Basis für Business Intelligence" ist. Trotzdem konnte in der gleichen Studie auch nachgewiesen werden, dass die Datenqualität von den meisten Instituten zu positiv bewertet wird, weil die direkten und indirekten Kosten nur unzureichend bekannt sind. Damit fehlt auch die Datenbasis, um mit einem proaktiven und strategischen Management die Qualität der Daten nachhaltig zu verbessern und Kostensparpotenziale zu erschließen. Verstärkt wird dies durch gleichzeitig komplexere Strukturen bei den Dienstleistungsangeboten der Banken und erhöhten Anforderungen durch gesetzliche und aufsichtsrechtliche Vorgaben. Für die Erfüllung dieser Anforderungen ist eine einwandfreie Datenbasis zwingend erforderlich. So einleuchtend die Notwendigkeit einer guten Datenbasis ist, so weit gehen die Meinungen über Data Governance in Firmen auseinander (Definition siehe Kasten). Dabei gibt es standardisierte Vorgehensweisen. Der erste Schritt muss immer eine Analyse sein. Was sind die Geschäftsziele und in welchen Bereichen gibt es Probleme? Erst wenn diese Fragen beantwortet sind, ist der Weg zu den verwendeten Daten nicht weit. Anschließend muss untersucht werden, welche Mechanismen für Datenmanagement bereits im Unternehmen vorhanden sind – und falls möglich auch gleich aufzudecken wo es Nachholbedarf gibt. Längst haben Lösungsanbieter für Datenqualität eigene Vorgehensmodelle entwickelt, die den Unternehmen zeigen wo sie beim Thema Datenqualität stehen. Unsere internen Studien zeichnen zum Beispiel ein ernüchterndes Bild: Demnach pflegen heute noch etwa 80% Prozent der Firmen einen »undisziplinierten« bzw. »reaktiven« Umgang mit Daten. Nach der Standortbestimmung empfiehlt es sich, einen Aktionsplan zu entwickeln. Am besten teilt man diesen in mehrere Phasen ein. So kann man schon frühzeitig von den Änderungen profitieren ohne das Tagesgeschäft durcheinander zu bringen. Wichtig sind gute Zusammenarbeit verschiedener Abteilungen, vorausschauende Planung, klare Formulierung der Ziele sowie die Rückendeckung durch die Geschäftsleitung. Zu beachten ist, dass nicht nur Datenfehler bei der Qualität eine Rolle spielen, sondern auch die Eignung der Daten für einen bestimmten Zweck. Gerade diese Anforderungen sind in den letzten Jahren im Finanzbereich exponentiell angewachsen. So werden immer weitere Berichts-, Planungs- und Analyseinstrumente entwickelt, getrieben durch gesetzliche aber auch interne und externe Vorgaben, um die regulatorische und ökonomische Steuerung von Geschäft und Risiken zu bewerkstelligen. Klassische Beispiele sind Basel II, IFRS oder Solvency II. Aufwandseinsparungen bei der Datenbereinigung und –aufbereitung schaffen mehr Zeit für die Kernaufgaben. Eric Ecker, Leiter Operations DataFlux Deutschland Data Governance Ein Entscheidungs- und Überblicks-Prozess, der Investitionen priorisiert, Ressourcen bemisst und Ergebnisse überwacht, um hochwertige Daten für Projekte bereitzustellen, die bestens auf Unternehmensziele abgestimmt sind. (Quelle: Baseline Consulting) 6 Schritte zu besserer Datenqualität 1. Bestimmen Sie die Unternehmensziele 2. Identifizieren Sie die Datenquellen die für Geschäftsentscheidungen, aber auch bei auftretenden Problemen zugrunde gelegt werden (sollen) 3. Finden Sie heraus, wo die Firma bei Datenqualitätsmanagement steht 4. Bestimmen Sie Spezialisten, die den Qualitäts-Prozess begleiten 5. Sichern Sie sich die Unterstützung der Unternehmensführung 6. Denken Sie global, handeln Sie lokal