7 Maßnahmen zur Verbesserung Ihrer Datenqualität


Bedeutung der Datenqualität im digitalen Zeitalter

Das Thema “Datenqualität” hat in den letzten Jahren stark an Bedeutung gewonnen. Insbesondere die Digitalisierung, Big Data und datengetriebene Geschäftsmodelle haben diese Entwicklung befeuert, da immer mehr Systeme entstehen, die regelmäßig Daten produzieren, wodurch die Datenlandschaft in den Unternehmen immer größer und  komplexer wird.  Eine effiziente Verwaltung, Verarbeitung und Auswertung dieser Datenmassen stellt für viele Unternehmen eine große Herausforderung dar, da häufig das Know-how und die Technologie fehlen.

Eine kürzlich durchgeführte weltweite Umfrage von Hewlett Packard Enterprise unter mehr als 8.600 Führungskräften zeigt, dass der durchschnittliche Datenreifegrad eines Unternehmens – oder die Fähigkeit, aus Daten einen Mehrwert zu schaffen – nur 2,6 auf einer Fünf-Punkte-Skala beträgt. Dieser Wert bedeutet, dass die meisten Unternehmen nicht nur weit davon entfernt sind, ihre Daten in vollem Umfang als strategische Ressource zu nutzen, sondern dass es ihnen auch an den grundlegenden Fähigkeiten fehlt.

Wie wird Datenqualität definiert?

Eine hohe Datenqualität ist die Grundlage für die Genauigkeit, Verlässlichkeit und Aussagekraft der aus Daten gewonnenen Erkenntnisse und bildet die Grundlage für die Analyse, Strategieformulierung und fundierte Entscheidungsfindung. Die Qualität von Daten wird anhand von sechs Kerndimensionen beurteilt, anhand derer beurteilt werden kann, ob die Daten für den vorgesehenen Zweck geeignet sind.

Korrektheit: Die Daten müssen mit tatsächlichen, realen Szenarien übereinstimmen und reale Objekte und Ereignisse widerspiegeln.

Vollständigkeit: Die Vollständigkeit gibt an, inwieweit die benötigten Datenpunkte existieren. Diese kann vertikal (Zeilenebene) oder horizontal (Spaltenebene) ermittelt werden.

Konsistenz: Daten in einer Datenbank sind konsistent, wenn sie logisch korrekt bzw. widerspruchsfrei sind. Verschiedene Instanzen derselben Daten müssen in allen Systemen, in denen diese Daten gespeichert und verwendet werden, übereinstimmend sein. Konsistenz bedeutet allerdings nicht, dass die zwangsläufig korrekt sein müssen.

Aktualität: Veraltete Daten führen in der Regel zu einer niedrigeren Bewertung der Datenqualität. Wenn etwa alte Marktdaten für Forecasts verwendet werden, kann dies unter anderem erhebliche Auswirkungen auf Marketingkampagnen und Verkaufsinitiativen haben.

Einzigartigkeit: Der Datenbestand ist frei von Duplikaten oder redundanten Informationen.

Relevanz:  So sind unter anderem Kundendaten für den Vertrieb relevant, nicht aber im Personalbereich. Grundsätzlich sollten nur berechtigte Personen Zugang zu den Daten haben, die für Ihre Arbeit relevant sind.

Welche Probleme können durch schlechte Datenqualität entstehen?

Eine schlechte Datenqualität kann für Unternehmen zahlreiche Probleme mit sich bringen. Einige davon sind:

Ungenaue oder falsche Analysen: Schlechte Datenqualität kann zu ungenauen Analysen und irreführenden Erkenntnissen führen. Wenn die Daten unvollständig oder fehlerhaft sind, sind auch die auf diesen Daten basierende Analysen von entsprechender Qualität.

Operative Ineffizienzen: Schlechte Daten können zu Ineffizienzen, Fehlern und Verzögerungen im operativen Betrieb führen, was wiederum die Betriebskosten in die Höhe treibt und zu Produktivitätseinbußen sowie Reibungsverlusten führt.

Hohe Kosten: Schlechte Datenqualität kann hohe Kosten verursachen, personelle Ressourcen für nicht wertschöpfende Arbeiten wie die Datenkollektion, -Bereinigung und -Validierung allokiert werden müssen. Nicht selten verbringen Mitarbeiter im Rechnungswesen über 80% der Zeit im Reporting-Prozess für die Aufbereitung Ihrer Daten, wodurch wenig Zeit für wertschöpfende Tätigkeiten, wie z.B. die Verbesserung der Analysen, verbleibt.

Verpasste Chancen: Schlechte Datenqualität kann zu verpassten Chancen führen, da Unternehmen möglicherweise nicht in der Lage sind, neue Trends, Chancen oder potenzielle Probleme zu erkennen, und diese frühzeitig zu adressieren.

Geringere Kundenzufriedenheit: Schlechte Datenqualität kann zu falschen Markt- und Kundeninformationen führen, was wiederum zu Fehlern in der (Kunden-)Kommunikation oder bei der Rechnungsstellung zur Folge haben kann. Dies kann insgesamt zu einer geringeren Kundenzufriedenheit und zu Umsatzeinbußen führen.

Ein Beispiel für die direkten Auswirkungen schlechter Datenqualität ist ein Vorfall bei Hawaiian Airlines aus dem Jahr 2019:

Als Urlaubsreisende im Frühjahr 2019 Flüge bei Hawaiian Airlines buchten, mussten sie überrascht feststellen, dass ihre Tickets – die eigentlich als kostenlose “Prämienflüge” gedacht waren – teilweise Zehntausende von Dollar kosteten. Schuld daran waren fehlerhafte Daten innerhalb einer Buchungsanwendung der Fluggesellschaft, die dazu führte, dass Kundenkonten versehentlich in Dollar statt in Flugmeilen belastet wurden. Ein Ticket, das eigentlich gegen 674.000 Meilen eingelöst werden sollte, wurde zu einem Preis von 674.000 USD dem Kunden in Rechnung gestellt!*

Fehlerhafte Entscheidungen, die auf der Grundlage schlechter Daten getroffen werden, sind nicht nur unangenehm wie in diesem Beispiel, sondern können auch äußerst kostspielig sein. Eine Untersuchung* der Firma IBM fand heraus, dass eine niedrige Datenqualität direkte Kosten i.H.v. etwa 3 Milliarden US-Dollar pro Jahr in den USA alleine verursacht. Die indirekten Kosten seinen, laut der Untersuchung, deutlich höher einzuschätzen.

 

7 Best Practices um eine hohe Datenqualität zu gewährleisten

Es gibt viele bewährte Maßnahmen die zur Sicherstellung einer guten Datenqualität führen können. Nachfolgend haben wir 7 Maßnahmen aufgelistet, die aus unserer Sicht am wichtigsten sind:

Anforderungen an die Datenqualität definieren: Definieren Sie klar, was eine gute Datenqualität für Ihr Unternehmen ausmacht, und berücksichtigen Sie dabei die spezifischen Bedürfnisse und Anforderungen Ihrer Interessengruppen.

Datengesteuerte Kultur: Fördern Sie eine datengesteuerte Kultur innerhalb des Unternehmens, in der die Datenqualität geschätzt und als strategisches Gut behandelt wird.

Datenkompetenz und Datenverwaltung: Fördern Sie Datenkompetenz und Datenverantwortung bei Mitarbeitern und Interessengruppen, um die Datenqualität zu verbessern und einen verantwortungsvollen Umgang mit den Daten zu fördern.

Investieren Sie in Softwarelösungen zur Standardisierung und Automatisierung Ihrer Datenprozesse: Investieren Sie in Datenqualitätstools zur standardisierten Überprüfung und Pflege Ihrer Daten, um ihre Datenqualität konstant auf einem hohen Niveau zu halten.

Data-Governance einführen: Richten Sie eine Data-Governance-Struktur zur Verwaltung der Datenqualität ein, einschließlich Rollen und Verantwortlichkeiten, Richtlinien und Verfahren sowie Datenstandards.

Implementieren Sie Regeln zur Datenvalidierung: Stellen Sie sicher, dass die Daten in den verschiedenen Phasen der Datenerfassung, -verarbeitung und -speicherung validiert werden, um ihre Qualität und Genauigkeit zu gewährleisten.

Regelmäßige Überwachung der Datenqualität: Überwachen Sie regelmäßig Datenqualitätsmetriken und Kennzahlen, um Probleme rechtzeitig zu erkennen und zu beheben.

 

Fazit

Die Sicherstellung der Datenqualität ist ein fortlaufender Prozess, der unternehmensweit gelebt werden muss, um mittel- bis langfristig eine stabile Datengrundlage zu entwickeln. Aus unserer Sicht ist es aber vor allem wichtig, die Bedeutung einer hohen Datenqualität im Bewusstsein der Unternehmensführung zu verankern und die Datenkompetenz zu fördern. Die Entwicklung hin zu einer stark datengetriebenen Unternehmenskultur scheitert meist nicht an der Technologie selbst, sondern an kulturellen Hindernissen. Die Rolle der Daten muss in den Kern der Organisation, Kultur und Strategie eingebettet sein. Neben der Einführung von neuen Unternehmenssoftware, ist insbesondere ein Umdenken des Managements und aller Mitarbeiter Voraussetzung.

 

Quellen:
Oops: Hawaiian Airlines Accidentally Charged Customers Up To $674,000 For Award Tickets
https://hbr.org/2016/09/bad-data-costs-the-u-s-3-trillion-per-year

Wenn Sie Fragen zu diesem Thema haben, kommen Sie auf uns zu.

Wir helfen Ihnen gerne weiter!

Kommentar verfassen

Kontaktieren Sie uns!

Noch kein Kunde?
+49 (0)211 5420 4540
info@bion-analytics.com

Online-Call buchen:

Demo anfragen

Links

Kontakt

Blog

Pricing

Über uns

Presse

Datenschutzerklärung

Allgemeine Geschäftsbedingungen

Impressum

Follow Us

Copyright © 2021 by Bion Analytics