20091112za Capgemini sd&m Datenqualität

Gute Datenqualität entscheidet mit über den Unternehmenserfolg. Denn fehlerhafte Daten können nicht nur Kunden verärgern, sondern auch das Image des Unternehmens nachhaltig beschädigen. Andererseits muss, wer auf eine makellose Datenbasis zugreifen möchte, Geld und Zeit investieren. Ein Business Case hilft, darüber zu entscheiden, wann und in welchem Umfang sich der Aufwand lohnt.

aten und Informationen sind heute die Grundlage dafür, dass ein Unternehmen erfolgreich auf dem Markt agieren kann. Das ist den meisten Unternehmen bewusst. So steht die Qualität der Daten seit drei Jahren auf der Liste der Top-Themen der IT, wie Capgemini in seiner Studie »IT Trends 2009« [1] feststellt. Darüber hinaus befindet sich die Wirtschaftlichkeit des Datenqualitätsmanagements mehr denn je im Fokus der Verantwortlichen.

Dabei lässt sich die Qualität von Daten nicht absolut beurteilen. Vielmehr hängt sie vom jeweiligen Anwender oder Verwendungskontext ab [2]. So ist beispielsweise für die Rechnungsstellung ein exakter, bis auf den Eurocent genauer Betrag erforderlich. Für strategische Entscheidungen eines Managers jedoch reichen Näherungswerte der monetären Größen völlig aus. Kurzum: Die anzustrebende Qualität von Datenbeständen kann nicht pauschal festgelegt werden, sondern erfordert eine Betrachtung des Nutzens. Hinzu kommt, dass Maßnahmen zur Verbesserung beziehungsweise Sicherung der Datenqualität mit Kosten verbunden sind. Wie bei allen Investitionen ist es daher sinnvoll, die Vorhaben im Rahmen eines Business Cases zu analysieren.

Grundsätzlich gilt: Wer die Qualität von Daten verbessert, kann in drei Kategorien Nutzen generieren.

Bei guter Datenqualität entfallen die Kosten für zusätzliche Analysen oder Informationsbeschaffungen. Denn wer sich auf die Daten verlassen kann, braucht sie nicht zu prüfen oder aus anderen Quellen zu ergänzen. Ebenfalls einsparen lassen sich Kosten für eine erneute Erfassung oder manuelle Korrekturen. Und nicht zuletzt sorgen die verbesserten Abläufe per se für mehr Effizienz. Dies spiegelt sich in verkürzten Prozesslaufzeiten oder direkten Kosteneinsparungen wider. Sind beispielsweise die Adressdaten um sämtliche Dubletten bereinigt, sinken die Druck- und Versandkosten für Werbesendungen. Und nicht zuletzt lassen sich Ressourcen besser planen. So erlaubt ein genauer Überblick über Lagerbestände von Verbrauchsmaterialien eine punktgenaue, auf den tatsächlichen Bedarf abgestimmte Materialplanung.

Effizientere Prozesse können den Erlös erhöhen. Denn mit der Qualität der Daten steigt die Kundenzufriedenheit und damit letztlich auch der Umsatz. So führen Fehler in produktbezogenen Daten, wie etwa mangelhafte Produktbeschreibungen oder Preise, genauso zu unzufriedenen Kunden wie fehlerhafte personenbezogene Daten.

Neben diesem mittelbaren Umsatzeffekt bietet eine hohe Qualität kundenbezogener Daten auch unmittelbar zusätzliches Geschäftspotenzial in Form von Up- und Cross-Selling-Möglichkeiten. Sie können nur dann optimal genutzt werden, wenn die Datenqualität eine ganzheitliche und vollständige Sicht auf den Kunden erlaubt. Nicht zuletzt trägt die Korrektheit rechnungsbezogener Daten dazu bei, die Rechnungsstellung zu optimieren und Zahlungsausfälle zu verringern.

Wer den Nutzen der Datenqualität abschließend beurteilen will, muss auch Risikoaspekte betrachten und diese mit deren Eintrittswahrscheinlichkeit und Schadenausmaß in Euro bewerten. So sind Imageschäden für das Unternehmen eines der wesentlichen Risiken bei mangelhafter Datenqualität. Bereits ein überhöhter Rechnungsbetrag oder eine vom Kunden ausdrücklich unerwünschte und dennoch an ihn gerichtete Werbemaßnahme tragen dazu bei. Gravierenden Schaden aber richtet beispielsweise eine Rückrufaktion an, die erforderlich wird, weil schlechte Datenqualität Produktmängel verursachte.

Datenqualitätsdefizite können sogar zu Rechtsstreitigkeiten und Schadensersatzansprüchen gegen das Unternehmen führen. Ein Schadensfall aufgrund fehlender Allergikerhinweise in einem Webshop beispielsweise fällt in diese Kategorie. Entsprechende Sorgfalt in der Datenpflege und -nutzung hilft, diese Risiken zu senken. Die Qualität der Daten bestimmt also über den Erfolg oder Misserfolg, egal ob bei Entscheidungen im Tagesgeschäft, der Vergabe von Krediten oder strategischen Beschlüssen.

Wer in die Qualität seiner Daten investieren möchte, muss neben dem Nutzen die Kosten betrachten, die sich in der Regel einfacher beziffern lassen. Sinnvoll ist es, die Kosten in Präventions-, Bereinigungs- sowie Entdeckungskosten zu differenzieren [3]. Zudem unterscheidet man einmalig und laufend anfallende Kosten.

Zu den Präventionskosten zählen alle Kosten, die dazu dienen, künftige Datenqualitätsdefizite zu vermeiden. Dies können Kosten für Schulungen sein, die den Umgang mit Eingabemasken zur Datenerfassung vermitteln. Ebenfalls in diese Kategorie fallen Kosten zur Standardisierung von Arbeitsabläufen oder Datenerfassungsmöglichkeiten. Diese Maßnahmen tragen wesentlich dazu bei, bereits bei der Entstehung und Erfassung von Daten eine gute Qualität sicherzustellen.

Bereinigungskosten sind sämtliche Kosten für die initiale oder laufende Bereinigung von Datenbeständen, die im Rahmen eines automatisierten oder manuellen Verfahrens oder einer Kombination daraus erfolgen kann. Zu den entsprechenden Kosten zählen Werkzeug- und Lizenzkosten sowie der Aufwand für die Einführung, den Betrieb und die händische Bereinigung.

Entdeckungskosten sind Kosten, die im Rahmen einer Analyse der bestehenden Datenqualität entstehen. Zu dieser Kostenkategorie rechnet man das Messen und Analysieren der Datenqualität sowie die Bereitstellung von Datenqualitätsberichten. Analog zur Bereinigung können auch hier sowohl werkzeuggestützte als auch manuelle Verfahren eingesetzt werden.

Wird das Datenqualitätsvorhaben als Projekt aufgesetzt, sind zusätzliche Projektkosten, wie beispielsweise für die Projektleitung oder das Berichtswesen, zu berücksichtigen.

Wie bei jeder Investitionsbetrachtung reicht es aber nicht, Nutzen, Aufwand und Risiko zu erfassen. Ein vollständiger Business Case erfordert, die monetären Größen periodisch zuzuordnen. Abschließend summiert man die »abgezinsten« Periodensalden und erhält den Net Present Value (NPV) als Kennzahl für das Gesamtvorhaben.

Dabei sind die unternehmensspezifischen Vorgaben des Controllings, beispielsweise zum Kalkulationszinssatz, zu berücksichtigen. Zusätzlich betrachten sollte man auch solche qualitativen Aspekte, die nicht quantifizierbar sind.

Auf dieser Basis lassen sich nun die Alternativen zur Verbesserung der Datenqualität miteinander vergleichen und eine Entscheidung unter wirtschaftlichen Gesichtspunkten treffen, in welchem Umfang Maßnahmen durchgeführt werden sollten.

[2] Apel, Behme, Eberlein, Merighi: »Datenqualität erfolgreich steuern«, 2009

[3] Eppler, Helfert: »A Framework for the Classification of Data Quality Costs and an Analysis of their Progression«, 2004

Beispiel Möbelhaus: Die Adressdaten der Endkunden verbessern

Die Anforderung: Das Möbelhaus besitzt einen umfangreichen Bestand an Endkundenadressen, den es bereinigen will. Ziel ist es, den Datenbestand von Dubletten zu befreien und fehlerhafte Adressdaten zu korrigieren. Künftig sollen auf dieser Basis Werbematerialien versendet werden.

Der Nutzen: Der Nutzen der Adressbereinigung wird vorwiegend über zwei Aspekte quantifiziert. Zum einen will das Möbelhaus seine Kunden nicht mit Mehrfachsendungen verärgern. Zum anderen sollen Druck- und Versandkosten minimiert werden, indem an jeden Haushalt jeweils nur eine Sendung erfolgt und der Versand an fehlerhafte beziehungsweise nicht existierende Adressen weitgehend vermieden wird. Stichproben des Datenbestands ergeben, dass 15 Prozent der Adressen fehlerhaft und etwa 30 Prozent Dubletten vorhanden sind.

Mögliche Maßnahmen: Zur Bereinigung stehen verschiedene Alternativen zur Auswahl. Die Dublettenbereinigung kann mittels einfacher Vergleichsfilter oder mithilfe von spezialisierten Werkzeugen erfolgen, die zusätzlich phonetische Abgleiche durchführen. Auch für die Adressdatenbereinigung gibt es spezielle Werkzeuge, die einen Abgleich mit Adressverzeichnissen durchführen. Alternativ könnten nicht zustellbare Briefe ausgewertet werden.

Ergebnis: Die Analyse ergibt, dass die Bereinigung mittels Werkzeuge in diesem Fall die kostengünstigere Maßnahme ist. Die Rücksendung von nicht zustellbaren Briefen verdreifacht die Versandkosten pro Brief und erfordert einen hohen manuellen Korrekturaufwand.

Das Möbelhaus hat sich daher für die weitestgehend automatisierte Bereinigung der Endkundenadressen entschieden. Allein durch die Reduktion der Versandkosten amortisieren sich die Kosten nach drei Werbekampagnen. Darüber hinaus wurde kein Haushalt mehrfach oder mit falschen Adressdaten angeschrieben.

Copyright © 2003-2012 ap Verlag GmbH