Unternehmen, die zur datengetriebenen Organisation werden wollen, müssen vier Dimensionen meistern: (1) Datenstrategie, (2) Datenkultur, (3) Technologie und (4) Data Governance. Grundlage dafür sind Daten von hoher Qualität. Wann diese vorliegt, sagt euch mein Blog-Beitrag.
 |
| Dieses Bild erstellte das KI-Tool Craiyon anhand des Prompts „gold“. |
Digitale Transformation: Warum ist die Datenqualität entscheidend?
Die Autoren Appelfeller und Feldmann („Die digitale Transformation des Unternehmens“, Springer Gabler, 2023) zeigen anhand alltäglicher Beispiele, wie bedeutsam die Datenqualität für Prozesse in Unternehmen ist:
➤ Eine Bestellung mit falschen Preisen führt zu abweichenden Rechnungen, die
zusätzlich geprüft werden müssen.
➤ Eine an eine falsche Adresse gelieferte Ware muss rückabgewickelt werden.
➤ Falsche Bestände im IT-System können Lieferungen unmöglich machen und
Lagerkapazität verschwenden.
➤ Stichwort Smart Factory / Industrie 4.0: Die sich selbst steuernde Fabrik wird nur mit einer hohen Datenqualität möglich sein.
Euer Blogger musste in früheren Jobs leidvoll bezeugen, wie schadhaft sich mangelhafte Daten auswirken können: Wer sich für eine Jahreslizenz von 70.000
Euro eine performante, KI-basierte CRM-Suite zulegt, um dann Kundendaten
unvollständig, fehlerhaft und inkonsistent bzw. überhaupt nicht zu pflegen, …
… der darf sich nicht wundern, wenn dieses CRM-Tool zu einem ineffizienten
Geldgrab wird, dessen Data-Analytics-Aussagekraft gen Null tendiert (burning
the money and wrecking the tool).
Hohe Datenqualität sicherstellen: Die 6-Punkte-Checkliste
Appelfeller und Feldmann definieren 6 Qualitätskriterien für Daten in
Unternehmen:
1. Relevanz: Daten sind relevant, wenn Anwender*innen die Inhalte einzelner Datensatz-Felder als nützlich empfinden.
2. Eindeutigkeit: Daten sind eindeutig, wenn die einzelnen Datensatz-Felder unmissverständlich ein Objekt in der Realität identifizieren.
3. Richtigkeit: Daten sind richtig, wenn die einzelnen Datensatz-Felder korrekt sind.
4. Aktualität: Daten sind aktuell, wenn die einzelnen Datensatz-Felder auf dem neuesten Stand sind.
5. Vollständigkeit: Daten sind vollständig, wenn alle für einen Datensatz definierten Felder gepflegt sind.
6. Konsistenz/Integrität: Wird ein Datensatz in mehreren Systemen redundant (mehrfach, wiederholt) gespeichert, müssen in jedem System alle Datensatz-Felder gleich ausgeprägt sein. Problematisch wird es, wenn die Systeme die Datensatz-Veränderungen nicht in die anderen Systeme übertragen (via Schnittstelle).
Datenqualität: Die Rolle von Prozessoptimierung & Data Governance
Vor der Digitalisierung steht die Prozessoptimierung. Ein mittlerweile fast schon legendäres Zitat des ehemaligen Telefónica- und Lufthansa-Vorstands Thorsten Dirks bringt das auf den Punkt:
➤ „Wenn Sie einen Sch**ß-Prozess digitalisieren, dann haben Sie einen digitalen Sch**ß-Prozess.“
Sind die Prozesse optimiert, kann die digitale Transformation fokussiert werden. Data Governance (wörtlich „Datenführung und -kontrolle“) legt dabei fest, wie ein Unternehmen seine Daten verwaltet – von der Datenerfassung über die Nutzung bis zur Datenvernichtung.
Vollumfänglich und fundiert umgesetzt, stellt Data Governance sicher, dass die internen Daten eines Unternehmens sicher, korrekt sowie für legitimierte Stakeholder verfügbar und nutzbar sind.
Bezogen auf Daten gilt:
- Daten sind dreckig. Immer.
- Wer viel misst, misst viel Mist.
- Wird vorne Schrott reingesteckt, kann hinten kein Gold rauskommen.
Am Anfang steht also stets die menschliche QS: Es sind die Datenverantwortlichen des Unternehmens, die sicherstellen müssen, dass die Datenbasis relevant, eindeutig, richtig, aktuell, vollständig und konsistent ist
Quelle:
- Wieland Appelfeller, Carsten Feldmann: Die digitale Transformation des Unternehmens
Link-Tipps:
Schreibe einen Kommentar