controller - Haufe.de

64
Effiziente Datenvalidierung mit Profiling
Datenqualität – Effiziente Datenvalidierung
mit Profiling
von Michael Herrmann
Informationen bilden die Grundlage jeder betriebswirtschaftlichen
Entscheidung. So banal
diese Aussage daherkommt, so schwierig ist es
oftmals, die Basis, nämlich Daten, für solche Informationen
optimal bereitzustellen. Weil Daten
und deren Genauigkeit unerlässliche Voraussetzung
für den Geschäftserfolg sind,
sollten Unternehmen der Qualität dieser Daten
besondere Aufmerksamkeit schenken. Der folgende
Artikel zeigt auf, wie das Datenmanagement
und die Verbesserung der Datenqualität
organisiert werden können, und stellt ein Verfahren
vor, das in puncto Kosteneffizienz überzeugt.
Folgen unzureichender
Datenbasis
Unvollständige, widersprüchliche oder schlichtweg
falsche Daten führen dazu, dass Fachabteilungen
und Unternehmensführungen ihre
Aufgaben nicht angemessen erfüllen können
oder falsche Entscheidungen treffen. Ganze
Unternehmensstrategien können ins Leere laufen,
wenn die ihnen zugrunde liegende Informationsbasis
inkorrekt ist. Abwanderungen von
Kunden, Umsatzrückgang, Imageverlust
und verpasste Marktchancen sind die Folgen.
Zudem sind falsche Daten ein entscheidender
Grund für das Scheitern vieler komplexer
Projekte: Einzelne Studien schätzen,
dass schlechte Datenqualität Mehrkosten in
Höhe von bis zu 25 Prozent des Unternehmens-
umsatzes verursacht. Es liegt auf der Hand: Unternehmen
müssen sich mit der Qualität ihrer
Daten auseinandersetzen.
Reality Check: Ein Quell an Fehlern
Ein Datensatz kann schnell zu Datenmüll werden:
Ursachen sind vertauschte Ziffern und
Buchstaben, Verwechslungen von Fax- und
Telefonnummern, missverständliche Ab-
kürzungen und richtige Informationen in
falschen oder falsche Informationen in
richtigen Feldern. Hinzu kommen Mängel, die
durch externe Daten importiert werden, sowie
falsche Kodierungen und das Vermischen von
korrekten und falschen Daten, wodurch ganze
Datensätze wertlos werden können. Der ernüchternden
Tatsache, dass sich Fehler in Daten
kaum vermeiden lassen, kann man mit
transparenten Regeln und Kriterien, wie diese
Fehler behoben werden sollen, begegnen – und
so die Datenqualität erheblich verbessern.
In der Realität wird in Unternehmen jedoch
noch allzu oft nach dem Gi-Go (Garbage-in-
Garbage-out)-Prinzip verfahren, wie es Analysten
weltweit beschreiben. Doch ungültige Eingaben
können nur ungültige Ausgaben produzieren.
Für die Bereinigung unvollständiger oder
fehlerhafter Daten müssen Fach- und IT-Abteilung
Hand in Hand arbeiten. Der Idealfall sieht
so aus: Die Fachabteilung schickt eine An-