Datenqualität
Die weltweite Datenmenge wächst explosiv. 2025 wird sie rund 175 Zettabytes betragen. Vierzig Mal mehr als 2013. Ein großer Teil der Daten wird in Unternehmen generiert. Daten über Kunden, Kosten, Konkurrenten. Wer die Informationen am smartesten nutzt, liegt im Wettbewerb vorne. Voraussetzung ist allerdings, dass die Datenqualität stimmt.
Definition
Was ist Datenqualität?
Datenqualität, Englisch Data Quality, beschreibt, wie gut Daten für einen vorgesehenen Einsatzzweck verwendbar sind. Die Qualitätskriterien unterscheiden sich also je nach Verwendungsfall. Zu den häufigsten Datenqualitätskriterien gehören Vollständigkeit, Eindeutigkeit, Korrektheit, Aktualität und Konsistenz der Daten.
Warum ist Datenqualität wichtig?
Auswirkungen schlechter Datenqualität
9,7 Milliarden US-Dollar Schaden entstehen Unternehmen jedes Jahr aufgrund schlechter Datenqualität und die Gesamtproduktivität sinkt um bis zu 20 Prozent, ergaben Analysen des Marktforschungsinstituts Gartner.
Unternehmen müssen ein strategisches Datenqualitätsmanagement einführen und sich um Datenbereinigung bemühen, wenn der wachsende Datenreichtum ihr Geschäft beflügeln und nicht belasten soll.
Hohe Kosten
Bereits bei der Entstehung sollten sie auf eine konsistente Datenbasis achten. Wenn Probleme mit der Datenqualität erst im späteren Prüfprozessen bemerkt werden, können die Kosten zur Behebung um bis zu zehn Mal höher ausfallen als bei einer Eingangskontrolle. Den höchsten Kostenaufwand haben Unternehmen bei schlechter Datenqualität, wenn sich Daten bereits im Zielsystem befinden. Dann haben Kunden zum Beispiel falsche oder irreführende Produktinformationen in einem Online-Shop gelesen, bestellen sie die Ware womöglich in der falschen Größe. Es fallen Retouren an und Beschwerden bei Kundenservice häufen sich.
Schlechte Entscheidungsqualität
Zukunftsorientierte Unternehmen treffen ihre Entscheidungen zunehmend datenbasiert. Falsche oder fehlerhafte Datenbestände führen zu ungenauen oder inkorrekten Analysen. Basieren Unternehmentscheidungen auf Analysen mit schlechter Datenbasis und -qualität, kann ein finanzieller Schaden großen Ausmaßes entstehen.
Vertrauen in Daten
Bei schlechter Datenqualität entsteht auch der Effekt, dass im Unternehmen die Nutzung der Systeme und Verwendung der Daten nachlässt – inklusive einer weniger akkuraten Pflege der Daten, da schlichtweg das Vertrauen in die Richtigkeit der Daten fehlt. Hieraus ergeben sich häufig „Schattensysteme” oder „persönliche Datensilos”, die anstelle der offiziellen Daten genutzt werden. Das sorgt für Inkonsistenzen, Compliance-Probleme und nicht abgestimmte Kennzahlen.
Mangelnde Compliance
Fehlen Daten für aussagekräftige Auswertungen, ist das ärgerlich. Wenn bei der Datenhaltung rechtliche Vorgaben zur Löschung oder Dokumentation nicht eingehalten werden, kann dies aber auch schmerzhafte juristische Folgen nach sich ziehen. Das rechtliche Regelwerk zur Datenintegrität bzw. zum Datenmanagement wird immer komplexer. Zuletzt hat unter anderem die DSGVO für neue Anforderungen gesorgt. Unternehmen sollten eine Data Governance implementieren, um die Daten rechtssicher verwenden zu können.
Umsatzeinbußen
Kundenstammdaten und Verhaltensdaten spielen eine wichtige Rolle in Marketing und Vertrieb. Unternehmen verschenken Umsatz, wenn sie diese Daten nicht oder nicht konsequent erheben, ihre CRM-Datenqualität nicht prüfen oder Daten nicht zur Segmentierung oder Personalisierung von Marketingmaßnahmen verwenden.
Data Leadership For Experts
Danke, liebe Manager. Von hier an wird es langweilig ...
Die Experten unter Ihnen werden es sicher zu schätzen wissen, dass wir hier auch Einblicke geben, die weit über das notwendige Grundverständnis hinausgehen. Also, los geht's!
Datenqualität verbessern – wie geht man vor?
84 Prozent der Geschäftsführer befürchten laut Forbes-Analysen, dass die Datenqualität in ihrem Unternehmen mangelhaft ist. Um die Datenqualität zu erhöhen, sollten Unternehmen ein strategisches Datenqualitätsmanagement (Data Quality Management) implementieren.
Zu Beginn sollte eine Bestandsaufnahme der aktuellen Datenbestände und des Datenmanagements stehen. Anschließend kann das Unternehmen eine Datenstrategie entwickeln, die sich aus der globalen Geschäftsstrategie ableitet. Welche messbaren Ziele sollen mithilfe bestimmter Daten erreicht werden? Wenn Klarheit über den Verwendungszweck besteht, kann überhaupt erst Datenqualität definiert und damit erreicht werden.
Eventuell vorhandene Dateninitiativen einzelner Abteilungen sollten konsolidiert und aufeinander abgestimmt werden, um z.B. Zugriffe zu vereinfachen, technische Silos aufzulösen oder Wartungskosten zu minimieren.
Datenqualität messen – Was sind „gute Daten“?
Was eine hohe Datenqualität auszeichnet, hängt vom Verwendungszweck ab. Unternehmen sollten festlegen, welche Gütekriterien ihre Datenbestände erfüllen sollen, um ihre Datenqualität messen und den Erfolg von Maßnahmen einschätzen zu können. Zu den am häufigsten verwendeten Dimensionen für Datenqualität gehören:
- Korrektheit: Stimmen die Daten mit der Realität überein?
- Konsistenz: Sind die Daten in sich und zu anderen Datensätzen widerspruchsfrei?
- Genauigkeit: Liegen die Daten in der definierten Exaktheit vor?
- Aktualität: Entsprechen die Daten dem aktuellen Zustand der abgebildeten Realität?
- Vollständigkeit: Sind alle als notwendig definierten Attribute in den Daten enthalten?
- Redundanzfreiheit: Sind die Daten frei von Dubletten?
- Zuverlässigkeit: Ist die Entstehung der Daten nachvollziehbar?
- Zugänglichkeit: Sind die Daten abrufbar?
- Relevanz: Erfüllt der Informationsgehalt der Daten einen Informationsbedarf?
- Prozessqualität: Ist ein Datenpflegeprozess definiert und effizient?
Datenqualitätsmanagement
41 Prozent der erfolgreichsten Unternehmen betrachten laut Marktforschung von Gartner ein gutes Datenqualitätsmanagement als entscheidenden Wettbewerbsvorteil. Eine hohe Datenqualität sicherzustellen, sehen sie als strategisch wichtige Unternehmensaufgabe: Sie lässt IT-Kosten sinken, Projekte kommen schneller zum Abschluss und auf Marktänderungen kann flexibler reagiert werden. Falsche Entscheidungen aufgrund mangelhafter Daten verhindern die Maßnahmen.
Haben Unternehmen Kennzahlen zur Messung der Datenqualität für sich definiert, gilt es ein Datenqualitätsmanagement einzuführen. Es müssen Rollen, Verantwortlichkeiten, Standards und Prozesse etabliert werden, damit Daten in der definierten Qualität erhoben werden, sie zur Verfügung stehen, wo sie benötigt werden, und ihre Qualität auch über die Zeit erhalten bleibt. Abhängig von der Ausgangssituation im Unternehmen kann es notwendig sein, technische Systeme anzupassen, Schnittstellen einzurichten oder Daten zu migrieren.
In mittleren und größeren Unternehmen ist es aufgrund der immer komplexeren Datenstrukturen zudem empfehlenswert, ein zentrales Data Governance Gremium zu etablieren. In ihm diskutieren und entscheiden Experten verschiedener Fachbereiche regelmäßig Datenmodelle, -hoheiten und -pflegeprozesse. So wird sichergestellt, dass die Datenqualität kontinuierlich zunimmt und mit Unternehmensveränderungen Schritt hält.
Während die Überarbeitung technischer und prozessualer Datenqualitätsmaßnahmen schnell sichtbare Erfolge erzielt, wirkt die Einführung eines Data Governance Gremiums langfristiger – ist zur Sicherung des Erfolgs aber unerlässlich.
Häufige Fragen rund um Datenqualität
Was sind Beispiele der schlechten Datenqualität?
Was als gute oder schlechte Datenqualität betrachtet wird, hängt von Einsatzzweck der Daten ab. Schlechte Datenqualität liegt zum Beispiel immer vor, wenn Daten inkonsistent, ungenau, veraltet, redundant und unvollständig sind. Wird ein Online-Shop mit einem ERP-System verknüpft, muss zum Beispiel sichergestellt sein, dass die Produktpreise in einem für den Online-Shop lesbaren Format übermittelt werden. Sonst können falsche Informationen im Shop angezeigt werden und zu Retouren und Reputationsverlust führen.
Was bedeutet Datenintegrität?
Datenintegrität meint die Konsistenz, Korrektheit und Genauigkeit von Daten über ihren gesamten Lebenszyklus hinweg. Datenintegrität ist ein wichtiger Faktor mit Blick auf Compliance und rechtliche Anforderungen. Es sollten technische Maßnahmen, Prozesse und Verantwortlichkeiten eingerichtet werden, um die Integrität aller verarbeitete Daten in Unternehmen zu sichern.
Was sind die führenden Datenqualität-Tools?
Der Markt der Software für Datenqualität ist konstant in Bewegung. Der Wettbewerb ist hart, die Anbieter werben mit innovativen Funktionen um Kunden. Führende Lösungen kommen von SAP und Informatica, aber je nach Unternehmensgröße und Branche sind andere Schwerpunkte relevant. Einen Überblick über aktuelle Datenqualität-Tools mit Filteroptionen und Bewertungen finden Unternehmen im Gartner Anbieter-Vergleich. Allerdings kann auch die beste Technologie allein die Datenqualität nicht erhöhen. Organisation, Prozesse und Technologie müssen ineinandergreifen und einer ganzheitlichen Datenstrategie folgen.
Schneller zur Datenexzellenz
Wir bieten verschiedene Beratungs- und Implementierungsangebote, um Unternehmen auf ihrem Weg zur data-driven Company zu unterstützen.
Datenqualitäts-Healthcheck
Wir prüfen die wesentlichen Datendomänen auf relevante Qualitätskriterien, führen ein Benchmarking durch und geben Ihnen Empfehlungen für das weitere Vorgehen.
Datenqualitäts-Consulting
Profitieren Sie von individuellen Beratungs- und Umsetzungsleistungen – unternehmensweit oder auch sehr speziell auf konkrete Fragestellungen fokussiert.
Einführung von Datenqualitäts-Tools und -Regeln
Mit unserer bewährten Methodik führen wir die Prozesse und Software-Lösungen für Data Governance und Data Quality ein, die Ihr Unternehmen benötigt.