Datenqualität in der Praxis - In fünf Schritten zu besseren Daten

WHITE PAPER IN Fünf Schritten zu besseren Unternehmensdaten Datenqualität in der Praxis in Fünf Schritten zu besseren Unternehmensdaten 2 WHITE PAPER Inhaltsverzeichnis Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Die fünf Schritte zu wertvolleren Unternehmensdaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Data Profiling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 Datenqualität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Datenintegration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 Datenanreicherung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 Datenkontrolle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3 in Fünf Schritten zu besseren Unternehmensdaten Einführung Jede gute Geschäftsentscheidung basiert auf einer guten Qualität der Daten. Gleich ob betriebliche, analytische oder strategische Entscheidungen, jede Abteilung in einem Unternehmen, von der Vorstandsetage bis zur Vertriebsabteilung, braucht zu- verlässige, präzise Informationen, um solche Entscheidungen korrekt zu treffen. Die genaue Kenntnis darüber, welche Kunden welche Produkte haben, oder welche Datenqualität und Data Govern­ Kunden potenzielle Chancen für den Kauf eines höherwertigen Produkts bieten ance erfordern die Einbindung (Up-Selling), basiert auf korrekten Daten. Wahr ist aber auch, dass eine schlechte von Menschen, Prozessen und Datenqualität unabwendbar zu ungesicherten Geschäftsentscheidungen, falschen Technologie. Strategien und mangelhaftem Kundenservice führt. Wenn Unternehmen datenbezogene Initiativen wie Enterprise Resource Planning (ERP) oder Customer Relationship Management (CRM) ergreifen oder ein Programm zu umfassender Data Governance implementieren wollen, sollten sie daran denken, dass jedes Unternehmen grundsätzlich Datenqualitätsprobleme hat. Die erfolgreiche Lösung dieser Datenqualitätsprobleme – und die Etablierung von Kontrollen zur dauer­ aften Sicherung der erreichten Datenqualität – ist für den Erfolg jeder dieser h Ini­tia­tiven entscheidende Voraussetzung. Es gibt viele Gründe für die explosionsartige Zunahme inkonsistenter oder nutzloser Daten, angefangen von einfachen Fehlern, verursacht durch Menschen, 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 Datenqualitätsprobleme aufdecken und beheben können. Datenqualitätsprobleme können jedoch nicht durch Technologie allein gelöst werden. Ebenso essentiell ist die Einbindung der richtigen Personen und Prozesse. Dieses White Paper erläutert anhand einer erprobten Datenqualitätsmethodik, bestehend aus fünf aufeinander folgenden Abschnitten, wie Menschen, Prozesse und Technologie in ein effektives Datenmanagement für die Analyse, Verbesserung und Kontrolle der Geschäftsdaten eingebunden werden können. 4 WHITE PAPER Die fünf Schritte zu wertvolleren Unternehmensdaten Technologie ist nur ein Teil der Lösung, die zu konsolidierten, hochwertigen Unter- nehmensinformationen führt. Eine robuste Technologie, die jede Datenqualitätsinitia­ tive unterstützt, ist von zentraler Bedeutung. Noch wichtiger für den Erfolg der Initia­ tive ist jedoch die richtige Methodik für den Einsatz dieser Technologie. Data Profiling, Datenqualität, Daten­integration, Datenan­ DataFlux hat eine Methodik für Datenqualität und Data Governance in Unternehmen reicherung und Datenkontrolle entwickelt, die aus fünf Komponenten oder Teilverfahren besteht. Sie resultiert aus sind die fünf Prozesskompo­ der Erfahrung mit Tausenden von Implementierungen, die in mehr als einem Jahrzehnt nenten eines Datenmanage­- gesammelt wurden. Die fünf Verfahren erfassen Data Profiling, Datenqualität, Daten- ment­progra­mms. integration, Datenanreicherung und Datenkontrolle. Zusammen bilden sie einen be- währten, praktischen Ansatz für Data Governance – hin zu umfassendem, kontrollier­ tem Datenmanagement, das Unternehmen ermöglicht, ihre Daten zu analysieren, zu verbessern und zu kontrollieren. Abbildung 1: die fünf Komponenten eines Datenmanagement-Programms Diese Komponenten bieten eine Systematik, mit der sich der gesamte Prozess für eine verbesserte Datenqualität erfolgreich managen lässt. Nutzt man sie konsequent, resultiert diese Methodik in einer einheitlichen Sicht jeder Art von Daten im gesamten Unternehmen, darunter die zentralen Daten zu Kunden, Produkten und Lieferanten. 5 in Fünf Schritten zu besseren Unternehmensdaten Data Profiling Der erste Schritt in diesem Ansatz, das Data Profiling, untersucht die Struktur, die Beziehungen und den Inhalt vorhandener Datenquellen, um ein genaues Bild vom Zustand der Daten zu ermöglichen. Die Einschätzung des gegenwärtigen Daten­ zustands als Ergebnis der Datenanalyse bildet die Grundlage für die Planung der sinnvollsten Wege zur Korrektur und Harmonisierung der Informationsbestände. Datenanalyse bietet ein genaues Bild des gegenwärtigen Zustands der Unternehmensdaten. Das Data Profiling erfasst drei verschiedene Aspekte der Daten und analysiert sie jeweils auf eigene Weise. Zusammen ergeben sie ein klares Bild von der Art und dem Ausmaß der Datenqualitätsprobleme. Data Profiling besteht im Wesentlichen aus dem Prozess, die Kernfragen zu den Daten für jeden der folgenden Aspekte zu beantworten: • Datenstruktur: Entsprechen die Datenmuster den vorgesehenen Mustern? Entsprechen die Daten den korrespondierenden Metadaten? • Dateneinträge: Sind die Datenwerte vollständig, genau und eindeutig? Sind die Daten entsprechend den geltenden Regeln standardisiert? • Datenbeziehungen: Weisen die Daten in allen Spalten und Tabellen die erforder- liche Zuordnung zu der spezifizierten Schlüsselbeziehung auf? Bestehen abgeleitete Relationen über Spalten, Tabellen und Datenbanken hinweg? Gibt es redundante Daten? Abbildung 2 zeigt die Art der Berichte, die während der Datenanalyse erzeugt werden. Diese Analyse ist ein Beispiel für die Ermittlung von Daten. Sie zeigt für einige Felder in der Datenbank Nullwerte an. Es fällt auf, dass die Gesamtzahl von 5.000 Einträgen konstant bleibt, während einige Felder eine hohe Zahl von Nullwerten aufweisen. Aus der Information, dass hier in einigen Schlüsselfeldern ein hoher Anteil an Werten fehlt – Adresse, Stadt, Staat und besonders Geschlecht –, können Geschäftsprozess­ analytiker sofort das Ausmaß und die Art der Datenqualitätsprobleme erkennen. Abbildung 2: Die Grafik zeigt eine Kundenstammtabelle mit einem hohen Anteil an Nullwerten 6 WHITE PAPER Data Profiling liefert quantifizierbare, detaillierte Informationen über die Stärken und Schwächen der Unternehmensdaten. Aus diesen Kenntnissen lassen sich die weite- ren Maßnahmen für eine Verbesserung der Datenqualität ableiten. Die durch die Datenanalyse gewonnenen Informationen bilden zudem den Ausgangspunkt für das nächste Verfahren, die Datenqualität. Datenqualität Das Datenqualitätsverfahren nutzt die Resultate der Datenanalyse, um mit dem Auf- bau hochwertigerer Daten zu beginnen. In diesem Schritt werden Fehler korrigiert, Informationen standardisiert und Daten unternehmensweit validiert. Es können ver- schiedene Taktiken verfolgt werden. Die am häufigsten verwendeten Methoden sind: • Die Datenstandardisierung, um vielfältige Permutationen von Daten herauszufiltern und zu korrigieren.