Data Quality

Woran lässt sich Data Quality festmachen?

Anhand der folgenden Kriterien können Unternehmen die Qualität ihrer Daten individuell definieren und bewerten:

• Konsistenz: Die Daten müssen widerspruchs- und doublettenfrei sein.
• Vollständigkeit: Die Datenmenge muss exakt stimmen.
• Validität: Die Daten müssen aus glaubwürdigen Quellen stammen.
• Genauigkeit: Die Daten müssen im geeigneten Format mit der erforderlichen Zahl an Nachkommastellen vorliegen
• Aktualität: Die Daten müssen entsprechend der Anforderung pünktlich bereitgestellt werden.

Je nach Branche und Geschäftsprozess sind bestimmte Kriterien wichtiger als andere. Beispielsweise sind in der Gewinn- und Verlustrechnung exakte Daten unverzichtbar. Für eine bedürfnisbezogene Kundenansprache müssen die Daten indes vollkommen widerspruchsfrei sein. Daher können sich die Prioritäten mit wechselnden Geschäftsanforderungen auch verschieben.

Wie erziele ich eine hohe Data Quality?

Rund um die genannten Kriterien können Unternehmen konkrete Maßnahmen zur Qualitätsprüfung und -sicherung ihrer Daten festlegen. Dabei sollte es sich nicht nur um „Einmal-Aktionen“ handeln. Vielmehr bedarf es laufender Prozesse, um sich dauerhaft auf eine hohe Datenqualität verlassen zu können. In diesem Zusammenhang wird auch häufig vom „Data Quality Circle“ gesprochen, nachdem Qualitätskriterien in regelmäßigen Abständen zu definieren und zu prüfen sind (Abb.).

Folgende Maßnahmen bieten sich zur Steigerung der Datenqualität an – idealerweise in Kombination:

• Automatisierte Software-Tools, die die Daten laufend auf Widersprüche, Redundanzen und Vollständigkeit prüfen.
• Vordefinierte Prozesse und Regeln, um Maßnahmen zu automatisieren und manuelle Fehler zu reduzieren
• Feedback von Fachanwendern, das Informationen zur täglichen Arbeit mit den Daten liefert.
• Beratung durch externe Experten, die spezielle Best Practices und langjährige Projekterfahrung einbringen.
• Regelmäßiger Expertenaustausch, der einen Abgleich von fachlichen und technischen Anforderungen ermöglicht
• Einführung intelligenter Eingabemasken, die Fehler bei der manuellen Datenerfassung vermeiden
• Auflösen von Datensilos, um inkonsistente Datenbestände in einer einheitlichen Datenbasis zusammenzuführen

Wollen auch Sie den digitalen Wandel Ihres Unternehmens mit qualitativ hochwertige Daten sicherstellen? Dann schauen Sie auf der Big Data Engineering vorbei oder informieren Sie sich über unser Training Microsoft BI: Grundlagen zur Planung und Umsetzung von Business Intelligence-Projekten.

turn your data into value.