So bewerten Sie Ihre Datenqualität

Erwägen Sie eine Migration in eine neue IT-Landschaft als Teil Ihrer Strategie für die digitale Transformation? Oder erwerben Sie ein neues Unternehmen, entfernen Daten aus regulatorischen Gründen oder implementieren eine Stammdaten-Governance? Dies sind nur einige Initiativen für Data Quality-Projekte. Diese werden jedoch oft als schwierig empfunden und liegen meistens in den Händen von IT-Abteilungen.

Durchführung einer Datenqualitätsbewertung

Eine Datenqualitätsbewertung kann erforderlich sein, um eine Reihe von Projekten wie Datenmigration, Stammdatenverwaltung, Data Warehousing, Archivierung und erweiterte Analyseprojekte zu unterstützen. Letztendlich können jedoch dieselben Dimensionen verwendet werden, um die damit verbundenen Risiken und den damit verbundenen Aufwand zu bewerten. Im Folgenden finden Sie eine Übersicht über eine Auswahl typischer Messungen, die verwendet werden können.

Genauigkeit: Der Grad, in dem Daten „reale“ Entitäten darstellen, die sie implementieren.

In vielen Fällen wird die Genauigkeit daran gemessen, wie die Werte eines Datensatzes mit den Informationen aus dem „echten Leben“ übereinstimmen. So kann eine Quelle für gültige Postleitzahlen verwendet werden, um Zuordnungen für in der Schweiz adressierbare Daten zu prüfen. Manchmal kann die Genauigkeit jedoch nur durch manuelle Vorgänge überprüft werden, zum Beispiel durch physische Überprüfung der Seriennummern eines Objekts oder eines Motors oder eines Eisenbahnsignals.

Währung: Der Grad, in dem Informationen mit der von ihr modellierten Umgebung aktuell sind.

Eng an der Genauigkeit ausgerichtet ist die Währung, die misst, wie „frisch“ die Daten sind und wie wichtig sie für den Datenschutz und sogar für einfache Prozesse wie das Schuldenmanagement sein können. Beispielsweise wenn die Adressdaten des Anbieters nicht regelmässig überprüft werden, können Rechnungen, Mahnungen und Gerichtsverfahren letztendlich an den falschen Ort geschickt werden, was sich auf den Cashflow auswirkt.

Eindeutigkeit/Vervielfältigung: Gibt an, dass eine Entität nur einmal vorhanden ist.

Dies ist wahrscheinlich das häufigste Problem, das bei der Migration oder Konvertierung sehr alter ERP-Legacy-Systeme auftritt. Aufgrund der fehlenden Datenverwaltung und der damit verbundenen Kontrollen haben viele Unternehmen doppelte Stammdaten, was häufig zu Konsolidierungsproblemen bei Geschäftspartnern (Kunden und Lieferanten) und doppelten Materialstammsätzen führt.

Vollständigkeit: Die Erwartung, dass ein oder mehrere Attribute bewertet werden.

So ist beispielsweise zu erwarten, dass alle Materialsätze eine Mengeneinheit haben. Die Vollständigkeit kann jedoch auch die Erwartung widerspiegeln, dass in einem Datensatz eine Reihe von abhängigen Zeilen vorhanden sein werden. Bei Materialstammdaten ist zum Beispiel zu erwarten, dass diese immer mit den Attributen Beschaffung und Finanzen verbunden sein werden.

Präzision: Der Detaillierungsgrad eines Datenattributs.

Die Darstellung der Richtigkeit von Finanzzahlen mit/ohne Rundung und mit einigen signifikanten Ziffern kann sich auf Prognosen, Gewinn- und Verlustrechnungen usw. auswirken.

Datenschutz: Die Notwendigkeit von Zugriffskontrollen zur Überwachung der Verwendung von personenbezogenen Daten.

Der Datenschutz hat in den letzten Jahren eine völlig neue Dimension erhalten. Diese Dimension muss sorgfältig geprüft und angemessen kontrolliert werden.

Referenz- und Unternehmensintegrität: Die Beziehungen zwischen Daten, die durch Einschränkungen erzwungen werden.

Viele Anwendungen erzwingen die referenzielle Integrität durch physikalische Einschränkungen oder Anwendungscodierung. Eine Kundenauftragsposition hat beispielsweise immer einen Kundenauftragskopf. Aber auch die Entitätsintegrität muss in vielen Tabellen wie in SAP ECC aufrechterhalten werden, um sicherzustellen, dass die Daten in Tabellen konsistent bleiben, z.B. alle Materialstammtabellen wie MARA, MAST, MARC sind konsistent und es gibt keine verwaisten Datensätze.

Die obige Liste erhebt keinen Anspruch auf Vollständigkeit, und es gibt noch weitere Analysedimensionen. Es ist jedoch wichtig, den Geschäftsnutzen und den Return on Investment (ROI) für Datenqualitätsprojekte im Auge zu behalten.

Fokus, Fokus, Fokus

Wie oft haben wir Zeit damit verbracht, im Internet zu surfen, nur um festzustellen, dass wir dabei etwas ganz anderes gefunden haben? Einige Stunden später haben wir vergessen, wofür wir ursprünglich mit dem Surfen angefangen haben.

Laufende Datenqualitätsbewertungen können ähnlich sein und uns in Kaninchenlöcher führen, wo wir nie beabsichtigt hatten, unterzugehen. Projekte müssen mit gutem Projektmanagement geführt werden (Manager, die datenbezogene Projekte verstehen), um den Analysten auf Kurs zu halten und sich auf die Aufgaben zu konzentrieren.

Technologie zum Einsatz bringen

Im SAP-Portfolio gibt es eine Vielzahl von Technologien, die je nach Umfang der durchgeführten Programme eingesetzt werden können. Typischerweise verwenden wir bei itelligence die folgenden Produkte:

  • Traditionelle SAP-Transaktionen zur Datenextraktion und Analyse in Excel;
  • SQVI;
  • SAP-Archivierung & ILM;
  • SAP Information Steward;
  • SAP Data Services;
  • SAP Master Data Governance; und
  • SAP Data Management Suite

Ebenso verfügt itelligence über eigene Produkte und Beschleuniger, die Lösungsarchitekturen, zum Beispiel it.mds (Master Data Simplified) unterstützen können. Gerne stehen Ihnen unsere Experten bei den Planungen eines Datenqualitätsprojektes zur Seite. Sprechen Sie uns hierzu einfach jederzeit an.

Ähnliche Beiträge

Lesen Sie mehr
Lesen Sie mehr
Lesen Sie mehr
Lesen Sie mehr

Kontakt
Kontakt

Sie haben Fragen? Kontaktieren Sie uns gerne.