SChWERPUNKT - Midrange Magazin

48
MARKTÜbERSIChT LöSuNgEN FÜR BI uND DATAWAREHOuSE
Schlechte Datenqualität als Kostentreiber
garbage in = garbage out
Daten von niedriger Güte sind allgegenwärtig in den Unternehmen. Falsche Artikelnummern,
fehlende Werte, unterschiedliche Schreibweisen und Abkürzungen, fehlerhafte Kundendaten
und vieles mehr mindern die Datenqualität und führen auf diese Weise zu negativen
wirtschaftlichen Folgen, denn das Garbage-in-Garbage-out-Prinzip greift.
Fehler in den vorgehaltenen Daten
führen zu falschen Entscheidungen,
hohen Kosten und unzuverlässigen
Prozessen – ein gefährlicher Cocktail,
nicht zuletzt auch angesichts der Auswirkungen
der globalen Finanzkrise,
die vielerorts in der Realwirtschaft bereits
spürbar sind. Hilfe aus der Misere
bieten Data-Profiling- und -Analysis-
Systeme.
Mehr und mehr wächst in den Unternehmen
die Einsicht, dass qualitativ
hochwertige Informationen einen
zentralen Wettbewerbsfaktor und den
Grundbestandteil vieler IT-Aktivitäten
und Geschäftsprozesse darstellen –
dies gilt für Kundendaten, im Risikomanagement
und bei BI-Initiativen
genauso wie bei der Umsetzung von
Compliance-Vorgaben. Nur über bestmögliches
Datenmaterial lassen sich
optimale Ergebnisse, hohe Profita-
MIDRANGE MAgAZIN · 09/2009
bilität, Kostenreduzierung sowie die
Erschließung neuer Umsatz- und Gewinnpotenziale
erzielen. Angesichts
der ständig wachsenden Fülle an Daten
können klassische IT-Systeme die gewünschte
Qualität jedoch nicht ohne
weiteres gewährleisten. Die Folgen sind
schwerwiegend: Durch die Interpretation
falscher, irreführender oder nicht
aktueller Daten und Informationen,
weil Anwender und Nutzer zum
richtigen Zeitpunkt nicht auf
die richtigen Informationen zugreifen
können oder der Kontext
zu anderen Daten schlichtweg
fehlt, entstehen beispielsweise
hohe Zusatzkosten durch vermeidbare
Postrückläufer oder
Mehrfachaussendungen. Kundenbeziehungenverschlechtern
sich aufgrund veralteter,
unvollständiger, missverständlicher
oder gänzlich falscher
Informationen, die gleichzeitig
auch nicht mehr als korrekte
Grundlage für strategische Entscheidungen
unter anderem auf
Berichtsebene dienen können. Zu den
im Tagesgeschäft aktuell feststellbaren
Problemen kommen so möglicherweise
langfristige Konsequenzen wie der
Verlust der Kundenbeziehung oder gescheiterte
Projekte und daraus resultierend
bleibende Imageschäden hinzu.
Unpräzise Ergebnisse
Traditionelle, manuell durchgeführte
Analysen, um die gewünschte Qualität
der vorgehaltenen Customer- und Non-
Customer-Daten sicherzustellen, sind
zeitaufwändig und unpräzise, denn sie
basieren nicht selten auf Subjektivität
und Vermutungen sowie auf unvollständigen
oder unkorrekten Daten; vielfach
geht die Suche auch nur in Richtung
erwarteter Mängel und Inkonsistenzen.
Hinzu kommt, dass nur bedingt Spezialisten
vor Ort verfügbar sind, die die
entscheidende Bedeutung der Daten für
die täglichen Prozesse überhaupt kennen,
und dass ganz prinzipiell auch ein
unterschiedliches Verständnis bei der
Geschäftsführung, den Fachbereichen
und Technikern darüber besteht, welche
Wertigkeit die Datenqualität per se
überhaupt im Unternehmen hat.
Daten-Inventur via Data Profiling
Die Erkenntnis, dass im Unternehmen
Probleme hinsichtlich der Datenqualität
gegeben sind, ist bereits der erste
Schritt – der nächste ist es dann, mit
Data Profiling eine „Inventur“ der unternehmensweit
verfügbaren Daten
vorzunehmen, indem die Struktur, die
Beziehungen und der Inhalt der vorhandenen
Datenquellen und -strukturen
intensiv analysiert werden. Am Ende
steht dann ein genauer Ist-Zustand
mit verbindlichen Informationen zu
Qualität und Beschaffenheit. So leistet
Data Profiling auch in der Vorbereitung
von Projekten zur Datenmigration, Datenintegration
oder im Master Data Management
wertvolle Dienste. Auf dieser
Basis lassen sich dann realistische
Projektpläne entwickeln, die entsprechende
Vorkehrungen zur Bereinigung