Fünf Schritte zu hochwertigeren Unternehmensdaten

A DataFlux White Paper Fünf Schritte zu hochwertigeren Unternehmensdaten Leader in Data Quality www.dataflux.com International and Data Integration 877–846–FLUX +44 (0) 1753 272 020 Einführung Datenqualität und Jede gute Geschäftsentscheidung basiert auf einer guten Qualität der Daten. Gleich ob Data Governance betriebliche, analytische oder strategische Entscheidungen, jede Abteilung in einem erfordern die Unternehmen, von der Vorstandsetage bis zur Vertriebsabteilung, braucht zuverlässige, Einbindung von präzise Informationen, um solche Entscheidungen korrekt zu treffen. Die genaue Kenntnis Menschen, Prozessen darüber, welche Kunden welche Produkte haben, oder welche Kunden potenzielle Chancen und Technologie für den Kauf eines höherwertigen Produkts bieten (Up-Selling), basiert auf korrekten Daten. Wahr ist aber auch, dass eine schlechte Datenqualität unabwendbar zu ungesicherten Geschäftsentscheidungen, falschen 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 dauerhaften Sicherung der erreichten Datenqualität – sind für den Erfolg jeder dieser 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 Whitepaper 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. 1 Die fünf Schritte zu wertvolleren Unternehmensdaten Data Profiling, Technologie ist nur ein Teil der Lösung, die zu konsolidierten, hochwertigen Datenqualität, Unternehmensinformationen führt. Eine robuste Technologie, die jede Datenintegration, Datenqualitätsinitiative unterstützt, ist von zentraler Bedeutung. Noch wichtiger für den Datenanreicherung Erfolg der Initiative ist jedoch die richtige Methodik für den Einsatz dieser Technologie. und Datenkontrolle sind die fünf Prozesskomponenten DataFlux hat eine Methodik für Datenqualität und Data Governance in Unternehmen eines entwickelt, die aus fünf Komponenten oder Teilverfahren besteht. Sie resultiert aus der Datenmanagementpr ogramms. Erfahrung mit Tausenden von Implementierungen, die in mehr als einem Jahrzehnt gesammelt wurden. Die fünf Verfahren erfassen Data Profiling, Datenqualität, Datenintegration, Datenanreicherung und Datenkontrolle. Zusammen bilden sie einen bewährten, praktischen Ansatz für Data Governance – hin zu umfassendem, kontrolliertem Datenmanagement, das Unternehmen ermöglicht, ihre Daten zu analysieren, zu verbessern und zu kontrollieren. Abbildung 1 – Die fünf Komponenten eines Datenmanagementprogramms 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. 2 Data Profiling Der erste Schritt in diesem Ansatz, das Data Profiling, untersucht die Struktur, die Datenanalyse bietet Beziehungen und den Inhalt vorhandener Datenquellen, um ein genaues Bild vom Zustand ein genaues Bild des der Daten zu ermöglichen. Die Einschätzung des gegenwärtigen Datenzustands als gegenwärtigen Ergebnis der Datenanalyse bildet die Grundlage für die Planung der sinnvollsten Wege zur Zustands der Korrektur und Harmonisierung der Informationsbestände. 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 Profling besteht im Wesentlichen in dem Prozess, 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 der geltenden Regeln standardisiert? • Datenbeziehungen: Weisen die Daten in allen Spalten und Tabellen die erforderliche Zuordnung 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 Geschäftsprozessanalytiker sofort das Ausmaß und die Art der Datenqualitätsprobleme erkennen. 3 Abbildung 2: Die Grafik zeigt eine Vertriebstabelle mit einem hohen Anteil an Nullwerten. Data Profiling liefert quantifizierbare, detaillierte Informationen über die Stärken und Schwächen der Unternehmensdaten. Aus diesen Kenntnissen lassen sich die weiteren 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 Das Datenqualitätsverfahren nutzt die Resultate der Datenanalyse, um mit dem Aufbau Datenqualitätsverfah hochwertigerer Daten zu beginnen. In diesem Schritt werden Fehler korrigiert, ren nutzt die Informationen standardisiert und Daten unternehmensweit validiert. Es können Erkenntnisse aus der verschiedene Taktiken verfolgt werden. Die am häufigsten verwendeten Methoden sind: Datenanalyse zur Lösung der Datenprobleme und • Die Datenstandardisierung, um vielfältige Permutationen von Daten beginnt mit dem herauszufiltern und zu korrigieren. Ein Beispiel: „ACME Manufacturing Aufbau einer Corporation“ kann in derselben Datenquelle als „Acme Mftg Corp“, „ACME“ und besseren Datenqualität. „ACME Manufacturing“ repräsentiert sein. Intelligentes Fuzzy Matching dient dazu, diese Varianten zu standardisieren und eine einheitliche Nomenklatur zu schaffen. • Die Musterstandardisierung, um für alle Tabellen und Spalten geltende Datenmuster zu erstellen. Manche Datenbestandteile wie Telefonnummern oder Sozialversicherungsnummern sind in Musterabweichungen leicht zu finden. 4 Andere, wie Produkt- oder Teiledaten können in Unternehmen oder Branchen unterschiedlichen Standards folgen. Die Musterstandardisierung kann Informationen aus nicht standardisierten Formaten in ein gewünschtes Standardformat umwandeln.