DATEN

Daniel Frei (Autor), Thomas Hartmann (Co-Autor), Roger Sutter (Co-Autor)

Je nach Betrachtungsperspektive werden Daten in einem anderen Kontext interpretiert. Gemeinsam ist ihnen, dass die Daten von Bedeutung sind, Chancen und Gefahren nahe beieinander liegen. Die Interpretation und Selektion spielen nicht nur bei Big Data eine Rolle. Daten können mit unterschiedlichen Verfahren bewertet, ausgewertet und aufbereitet werden. Trotz vieler möglicher Sichten; Daten haben einen gemeinsamen Nenner. Sie sind ein äusserst wichtiges Element der Digitalisierung. Digitale Dienstleistungen benötigen Daten als Grundlage. Heutzutage wird jede Sekunde Unmengen von diesen benötigten Daten erzeugt. Diese zu verstehen, zu interpretieren und letztendlich auch sinnvoll zu nutzen ist dabei eine der grossen Herausforderungen. 

Daten und Datenmanagement

Viele Geschäftsmodelle basieren auf Daten. Dabei ist die Qualität dieser Daten viel mehr als ein paar Pausengespräche wert. Sie sind kritisch für Geschäftsprozesse, Entscheidungsgrundlagen, Berichte, für die Compliance, die Produktion, den Verkauf, die Finanzen, das Personal und, ganz wichtig, für die operative Exzellenz. Dieser ganze Umgang mit Daten bezeichnen wir hier als Datenmanagement.

Datenmanagement Grundsätze

Die Nutzung von Best Practices auf Basis gemeinsamer Geschäftsprozesse, die Einführung standardnaher Business Software Lösungen und ERP / CRM / PPS / GEVER / … Systeme setzen ein leistungsfähiges Datenmanagement voraus. Für die effiziente und einheitliche Erfassung und Verwaltung der Stammdaten sind verbindliche Vorgaben Voraussetzung. Von der Grösse des Unternehmens abhängig ist zu klären, wie die Daten in das System kommen und mit welchen nachträglichen Aufwendungen diese bereinigt und/oder ergänzt werden sollen. Die korrekte und umfassende Erfassung der Daten von Anfang an (first time right Ansatz) setzt sich zunehmends durch. Dies würde durch eine Datenerfassung an der Quelle vereinfacht, was in der Praxis nicht immer möglich ist. Schon gar nicht bei grösseren Unternehmen. Hier wird der Grundsatz dann zu "möglichst nahe an der Datenquelle" gebogen. Zentral ist beim Datenmanagement das strikte Verhindern von isolierten Datensilos. Alle Geschäftsbereiche, Abteilungen, Einheiten, Teams, Prozesse … benötigen eine integrierte Datenbasis. "Meine Daten" gehören aus dem Vokabular gestrichen, es gibt nur noch "unsere Daten".

Compliance - die andere Seite der Daten Medaille?

Datenschutz, Regulierung, Weisungen, Verordnungen, … sind Bestandteile fast jeder Diskussion über Daten. Dabei übernimmt das Datenmanagement eine wesentliche Rolle. Die Daten selbst, wie auch die Metadaten, müssen über alle vorgängig erwähnten Business Software Lösungen, Systeme, Geschäftsprozesse und Funktionen hinweg konsistent sein. Der ganze Lebenszyklus (oft auch als Lauf- und Löschfristen bekannt) muss definiert sein. Dazu gehört auch die Archivierung und teilweise in Abhängigkeit der Anforderungen die Langzeitarchivierung. Und nicht zuletzt ist hierzu das Wort der Data Governance zu nennen. Es ist eindeutig und nachvollziehbar zu definieren, wer wann und wie Zugriff auf die Daten hat.

Vertrauenswürdige Entscheidungsgrundlagen

Das Datenmodell und dessen Umsetzung sind zentral für vertrauenswürdige Entscheidungsgrundlagen. Wenn Berichte auf fehlenden, falschen oder falsch interpretierten Daten basieren, dann kann dies schwerwiegende Folgen haben. Grundlage dieser Fehlerquelle ist oft die fehlende Single Source of Truth. Diese entsteht, wenn einzelne Unternehmenseinheiten sich über den Verlauf der Zeit ihre eigenen Datenbilder entwickeln. Selbstverständlich sind hier auch fehlende Integrationen, Datensilos und nicht nach dem Ansatz "first time right" geführte Daten zu nennen. Alle Datenobjekte sind eindeutig und unternehmensweit zu organisieren. Die Datennutzung für Entscheidungsgrundlagen hat hohe Anforderungen an die Datenqualität. Die Datenqualität kann mit Aktualität, Vollständigkeit und Konsistenz zusammengefasst werden.

Datenmanagement als Enabler und Herausforderungen im Umgang mit Daten

Standardisierung und Automatisierung von Geschäftsprozessen ist ohne ein einheitliches Datenverständnis über alle Bereiche und Systeme hinweg nicht möglich. Ein mangelhaftes Datenmanagement verhindert die Nutzung von Skaleneffekten und erhöht gleichzeitig die Komplexität der Prozesse. Folgende Herausforderungen im Umgang mit Daten werden oft aufgeführt (vergleiche dazu auch die Studie der Universität St. Gallen und dem Fraunhofer Institut vom April 2013):

1. Die Verbesserung und die Sicherung der Datenqualität gelten mit Abstand als die grösste Herausforderung. Datenqualität ist ein Mass dafür, in welchem Umfang die Daten geeignet sind, die Anforderungen der Geschäftsprozesse zu erfüllen, in denen sie verwendet werden.
2. Als zweitgrösste Herausforderung wird die Transparenz über die Datennutzung betrachtet. Insbesondere in grossen Unternehmen mit komplexen Anwendungssystemlandschaften ist oftmals unklar, wo und wie Daten ins Unternehmen gelangen, in welchem System sie federführend gespeichert sind und was nach ihrer Verteilung in lokale Anwendungssysteme mit ihnen geschieht.
3. Redundante Datenpflege gilt als drittgrösste Herausforderung.
4. Die vierte Herausforderung ist die manuelle Datenpflege, die bei Medienbrüchen in der Datenverarbeitung auftritt. Manuelle Datenpflege ist anfälliger für Fehler und gefährdet damit die Datenqualität.
5. Als fünfte grosse Herausforderung gelten die Limitationen zentraler Datenarchitekturen. Denn zukünftig werden immer mehr Daten von externen Quellen beschafft und zur Zeit des Bedarfs im Geschäftsprozess zur Verfügung gestellt.
6. Semantische Integration
7. Trennung zwischen „strukturierten“ und „unstrukturierten“ Daten
8. Datenschutz

Aktuell dürfte die Rangfolge etwas anders aussehen, doch die wesentlichen Themen scheinen weiterhin Gültigkeit zu besitzen.

Datenmanagement in die Praxis umgesetzt - Auf was ist zu achten

Aus unser eigenen Projekterfahrung ist u.a. folgenden Punkten frühzeitig die nötige Aufmerksamkeit zu schenken: 

• Das Datenmanagement muss festlegen, welche Datenqualität die Geschäftsprozesse für einen reibungslosen Ablauf benötigen. Dabei gilt: Nur was gemessen wird, lässt sich managen. Die Datenqualität muss deshalb kontinuierlich gemessen werden und bei Abweichung vom Sollwert muss das Datenqualitätsmanagement Massnahmen zur Erhöhung der Datenqualität einleiten.
• Der Lebenszyklus der Daten, beginnend mit ihrer Entstehung im Unternehmen und erstmaligen Erfassung in einer Business Software und ERP / CRM / PPS / GEVER / … System über ihre Nutzung bis zur Archivierung und Löschung, muss bekannt und gemäss den Anforderungen der Geschäftsprozesse definiert sein. Das Datenqualitätsmanagement muss diesen Lebenszyklus steuern und überwachen. Unternehmen müssen die Definition von Daten sowie ihre Nutzung klar regeln. Dafür müssen Verantwortlichkeiten im Unternehmen geschaffen und zugeordnet sein.
• Datenqualitätsmanagement darf nicht erst dann beginnen, wenn die Daten bereits defekt sind, sondern muss vorbeugend wirken.
• Die Daten, ihre Vielfalt und ihre Änderungsrate steigen. Um der daraus resultierenden Komplexität gerecht zu werden, müssen Datenverarbeitungsaufgaben so weit wie möglich automatisiert werden.
• Datenarchitekturen definieren ein unternehmensweit einheitliches Modell der Daten und bestimmen die Datenverteilungs- und Datenhaltungsarchitektur. Sie haben traditionell den Nachteil, dass sie nur mit hohem administrativem Aufwand erstellt werden können und selten aktuell gehalten werden. Moderne Datenarchitekturen müssen hinreichend flexibel an neue Anforderungen angepasst werden können und sowohl klassische unternehmensinterne als auch externe Datenobjekte enthalten. Die Herausforderung besteht darin, diese Flexibilität zu ermöglichen, aber gleichzeitig für die Kerngeschäftsobjekte weiterhin unternehmensweit massgebend zu sein. Für verschiedene Kontexte bestehen heute bereits gute Referenzarchitekturen, die beigezogen werden können.