BridgingIT MDM DQM PIM Datenqualität

Zahlreiche Unternehmen haben in den vergangenen Jahren die Entscheidung getroffen, geschäftsrelevante Stammdaten wie Kunden-, Lieferanten und insbesondere Produktinformationen neu zu definieren und in eine unternehmensweite Strategie zu integrieren. Ein Aspekt, der im Zuge dieser PIM-Projekte (Product Information Management) aber oft noch nicht den nötigen Stellenwert besitzt, ist die Sicherstellung der erforderlichen Datenqualität.

urch schlechte Datenqualität aber verlieren Unternehmen jedes Jahr enorme Summen. Schlechte Stammdaten sind verantwortlich für falsche Bestellungen oder Lieferungen, verhindern die Nutzung von Synergien etwa im Einkauf, führen zu Waren die nicht marktkonform sind und zu falschen Management-Entscheidungen. Qualitativ hochwertige Stammdaten sind also ein wichtiges Unternehmensgut. Strategien, die die Datenqualität verbessern, sind daher die Grundlage erfolgreicher Produktkommunikation.

Die produktbezogenen Stammdaten wie Artikelnummer, Kurztext und technische Merkmale bilden die Basisstrukturen des PIM. Die unter diesem Begriff subsummierten Prozesse und IT-Systeme bündeln neben den Schlüsseldaten der Enterprise-Resource-Planning-Systeme (ERP) zusätzlich Produktbeziehungswissen, Marketinginformationen und verknüpfen diese strukturierten Informationen mit Media-Inhalten wie Bildern und Videos.

Das Ziel einer PIM-Strategie ist, aus einer konsolidierten und zentralen Datenbasis heraus sämtliche Vertriebskanäle mit Produktinformationen zu befüllen (single point of truth). Die darauf aufsetzende Multi-Channel-Kommunikation umfasst dabei nicht nur elektronische Kanäle wie Webshops und Order-Plattformen, sondern punktet auch im klassischen Bereich durch beispielsweise hochautomatisierte Erstellungsprozesse für Printkataloge.

Die Vielzahl der beteiligten Rollen (Einkauf, Marketing, Produktmanagement, externe Agenturen) in Verbindung mit oft internationalen, heterogenen Produktsortimenten stellt besondere Anforderungen an eine durchgängige Prozessdefinition und die unterstützende Systemlandschaft.

Die typischen Fragen, die Data Quality Management (DQM) beantwortet, sind die nach unterschiedlichen Speicherorten von Stammdaten, nach einfachem Zugang zu diesen Daten, deren Dokumentation sowie eindeutigen Qualitätskriterien und darauf abgestimmten Messinstrumenten. Die Herausforderung dabei: Die Datenqualität kann grundsätzlich immer verbessert werden, egal auf welchem Niveau sie sich bereits bewegt. Der erste Schritt zu mehr Qualität ist stets, Datenqualitätsziele als Treiber der Master-Data-Management-Initiative (MDM) zu definieren, eine Vision zu formulieren und einen begründbaren Projekt-Scope auszuwählen.

Ein Vorgehensmodell, das sich in der Praxis bewährt hat, manifestiert die Integration aus Stammdaten- und Qualitätsstrategie mit dem Ziel, sowohl das Raster für dauerhaft nutzbare Stammdaten zu erzeugen (MDM), als auch die messbare »Gebrauchsfertigkeit« eines jeden Datenobjektes sicher zu stellen. Dabei ist Datenqualität definiert als die Übereinstimmung zwischen festgestellten Eigenschaften und zuvor festgelegten Forderungen an die Daten in Bezug auf deren konkrete Anwendungsfälle.

So unterscheiden sich beispielsweise die qualitativen Anforderungen an einen Produktdatensatz im Kontext eines Online-Shops deutlich von jenen Ansprüchen, die an die Präsentation des gleichen Produktes in einem gedruckten Katalog gestellt werden. Für eine DQM-Implementierung bedeutet dies, zunächst die Zielkriterien der konkreten Stammdatenqualität zu erfassen. Dabei spielen externe Anforderungen wie gesetzliche und behördliche Auflagen ebenso eine Rolle wie unternehmensinterne Fragestellungen nach effizientem Lieferantenmanagement, den bereits genannten Multi-Channel-Vertriebsmodellen oder auch der Standardisierung von Berichten und Kennzahlen.

DQM ist dabei als Regelsystem definiert, das aufbauend auf ein abgestimmtes MDM-Metadatenmodell zunächst aus der Zieldefinition von Qualität die notwendigen Anforderungen an den Verbesserungsprozess ableitet. Um diesen Prozess adäquat zu begleiten, sind geeignete Messmethoden und -instrumente zu implementieren. Denn es gilt für DQM im Besonderen der Grundsatz: was nicht gemessen werden kann, kann nicht gemanagt werden. Daher sind auf Basis geeigneter Reports und Kennzahlen sowohl prozessuale wie technische Lösungsansätze wie zum Beispiel geeignete Datenhaltungsarchitekturen abzuleiten. Deren erfolgreiche Implementierung wird im Zeitverlauf stets im Kontext der DQM-Zielsetzung bewertet.

Das DQM-Regelsystem kennt dazu etablierte Werkzeuge, die die Umsetzung einer DQM-Implementierung konkret begleiten und das Messen und Bewerten von Fortschritten sichern. Die Anwendbarkeit und vor allem die systemseitige Implementierung sind dabei auf die individuellen Gegebenheiten hin zu prüfen und anzupassen.

o Definierte Qualitätsstandards an Übergängen von Systemen und/oder Prozessen

o Rollen und Rechtekonzepte mit Objektsichten und definierten Content-Verantwortlichkeiten

o Verknüpfung mit ergänzenden Datenquellen wie Customer Relationship Management (CRM), ERP oder Commerce im Sinne von Business Intelligence (BI)

Da sich unternehmerische Rahmenparameter durch Innovation, Veränderungen der Zielmärkte und gesetzliche Bestimmungen permanent ändern, ist auch eine DQM-Strategie nicht statisch angelegt. Zur konzernweiten Koordination der DQM-Aufgaben sind daher notwendige Verantwortlichkeiten bereichsübergreifend zuzuordnen.

Data Governance als Organisationskonzept benennt hier die (Führungs-)Aufgaben, die für einen andauernden DQM-Prozess zu erfüllen sind. Dazu gehören beispielsweise die Festlegung von Datenqualitätsstrategie und -prinzipien, die Definition von Datenpflegeprozessen und -standards, die Vereinbarung von Datenqualitätszielgrößen und deren Integration in die Anreizsysteme des Unternehmens. Daneben identifiziert Data Governance die an der Ausführung der Aufgaben beteiligten Unternehmensrollen.

Als stellvertretendes Beispiel hierfür soll der Data Steward als gesamtverantwortliche Rolle für DQM-Strategie und -Umsetzung beleuchtet werden. Oft als Stabsstelle aufgesetzt, übernimmt er die Koordination der liefernden und empfangenen Konzerneinheiten, trägt die DQM-Kultur in die jeweiligen Bereiche und setzt dort Standards und Prinzipien durch. Auf der anderen Seite leitet der Data Steward die bereichsspezifischen DQM-Anforderungen weiter und bewertet diese im Sinne der Gesamtstrategie. Ein Data Quality Board entscheidet unter Beteiligung der Unternehmensführung in Streitfällen bereichsübergreifende Themenstellungen und überwacht das Data Quality Management konzernweit.

Oft wird dazu ein DQM-Maturitätsmodell zur Reifegradmessungen implementiert. Es erlaubt, auch die organisatorische Verankerung des Datenqualitätsmanagements zu bestimmen. Ein Reifegradmodell hilft einzuschätzen, inwieweit Datenverantwortliche, Datenmanager und Prozessverantwortliche ihre Verantwortung für Datenqualität wahrnehmen und inwieweit gemeinsame Standards und Richtlinien bereits im Tagesgeschäft verankert sind.

Warum eine Institutionalisierung von DQM-Strukturen sinnvoll ist, liegt auf der Hand: Datenqualitätsmanagement definiert zum einen wiederkehrende Aktivitäten, deren Datenqualitätszielsetzungen im Zeitverlauf nicht statisch sind, und beschreibt zum anderen die Notwendigkeit, die individuelle Erfahrungskurve des Unternehmens zu nutzen. Daher gilt für eine kombinierte MDM- und DQM-Strategie im Besonderen der Grundsatz, Datenqualität als Aufgabe für das gesamte Unternehmen zu begreifen und nicht als singuläre Aufgabe der IT.

Begriffsdefinitionen

Stammdatenmanagement (MDM)

Technologiegestützte Disziplin von Fachbereich und IT zur Sicherstellung einheitlicher, korrekter und verantworteter Datenobjekte eines Systems.

Datenqualitätsmanagment (DQM)

Beschreibt die Sicherstellung der »Gebrauchsfertigkeit« eines Datenobjektes innerhalb eines Prozesses und/oder einer IT-Applikation.

Product Information Management (PIM)

Sämtliche relevanten Prozesse und IT-Komponenten zur Datenübernahme, Datenverwaltung und des Output Managements produktbezogener Informationen.

Copyright © 2003-2012 ap Verlag GmbH