Datenqualität

Datenqualität hat mehrere Dimensionen, die je nach Szenario unterschiedlich stark ins Gewicht fallen. Gute Daten sind im Idealfall klar, eindeutig, zugänglich, relevant, nachvollziehbar, valide, richtig, aktuell, konsistent, vollständig und compliant.

Schlechte Daten führen zu Fehlentscheidungen und Produktivitätsverlust. Schlechte Daten verursachen nicht nur Folgekosten, sondern auch Zeitverlust, der sich bei Mitarbeitenden in Stress und bei Kunden in Unzufriedenheit äußert. Schlechte Daten können Automatisierung und damit Skalierbarkeit von Geschäftsprozessen erschweren oder unmöglich machen. Schlechte Daten können den Aufwand für das Onboarding neuer Mitarbeitenden erschweren. Schlechte Daten können die Einführung von KI im Unternehmen erheblich verzögern. Schlechte Daten können den Wechsel auf eine moderne Business-Software blockieren. Die Folge: Stillstand. Nicht zuletzt können schlechte Daten erhebliche Compliance-Risiken bergen.

Neben weichen Faktoren wie der Zufriedenheit der Mitarbeitenden lassen sich z. B. Kriterien für die Vollständigkeit von Daten definieren und messen. Wie oft werden Datensätze bearbeitet? Welche Fehlerrate haben automatisierte Workflows? Wie oft müssen Daten in anderen Systemen gesucht und ergänzt werden? Oder auf einem abstrakteren Level: Wie viele Vorgänge kann eine Person bearbeiten? Steigt die Anzahl mit einer verbesserten Datenbasis?

Stammdaten sind grundlegende, meist langfristig gültige Daten über Personen oder Produkte. Beispielsweise Kunden- und Lieferantendaten, Artikelnummern, Adressen oder Materialstammsätze. Sie ändern sich eher selten und bilden die stabile Basis für Geschäftsprozesse. Bewegungsdaten sind dagegen Daten, die im Tagesgeschäft laufend neu entstehen und sich regelmäßig ändern. Typische Beispiele für Bewegungsdaten sind Bestellungen, Rechnungen, Zahlungen oder Lagerbewegungen. Sie sind meist zeitlich befristet, in großen Mengen vorhanden und eng mit Prozessen verknüpft. Fehler in Stammdaten wirken sich dauerhaft aus (z. B. falsche Adresse bei allen Bestellungen). Fehler in Bewegungsdaten verfälschen operative Abläufe und Kennzahlen (z. B. falsche Mengen oder Preise).

KI kann Daten automatisiert prüfen, z. B. Duplikate erkennen, Plausibilitätschecks durchführen und Daten ergänzen. Darüber hinaus kann KI die Arbeit mit der Business-Software vereinfachen und damit die Prozess- und Datenqualität steigern. Beispielsweise indem Mitarbeitende die KI befragen, welche Funktion ein Feld hat oder wie ein bestimmter Prozess durchgeführt werden soll. Ein weiteres wichtiges Einsatzgebiet von KI ist die Beseitigung von Medienbrüche. KI kann (unstrukturierte) Informationen aus technischen Zeichnungen, Fotos, E-Mails, Chatnachrichten oder Telefonanrufen übernehmen und als strukturierte und validierte Daten in das ERP-System oder in die CRM-Lösung übernehmen. Der Einsatz von KI entlastet die Mitarbeitenden, steigert die Datenqualität und sichert die Prozessqualität. Als positiver Nebeneffekt steigt auch die Effizienz.

Künstliche Intelligenz im Business-Umfeld sollte nicht ausschließlich allgemeinen KI-Modellen arbeiten, sondern auch konkret mit den Unternehmensdaten. Eine KI kann nur so gut arbeiten wie ihre Datenbasis. Fehlen Informationen oder sind sie veraltet, entstehen fehlerhafte Ergebnisse. Die Richtigkeit und Nachvollziehbarkeit der Daten müssen sichergestellt sein, denn nur so lassen sich KI-Ergebnisse vertrauenswürdig nutzen. Ganz wichtig: Datenschutz und Compliance müssen jederzeit gewährleistet sein, damit nur berechtigte Personen auf sensible Daten im Unternehmen zugreifen dürfen. Klassifizierung und Zugriffsrechte sind ebenfalls Bestandteil von Datenqualität.

Die Verbesserung der Datenqualität ist kein einmaliger Vorgang, sondern ein kontinuierlicher Prozess. Unternehmen sollten dauerhaft personelle und finanzielle Ressourcen für die Optimierung der Datenqualität einplanen?

Datenqualität geht oft im Tagesgeschäft unter, niemand fühlt sich zuständig. Der erste Schritt für Sie als Entscheider besteht darum, im Unternehmen deutlich zu machen, dass Datenqualität kein IT-Thema, sondern ein geschäftskritischer Vorgang ist.

Unterstreichen Sie durch klare Botschaften und Handlungen, dass Datenqualität Chefsache ist.

Bennen Sie verantwortliche Personen für das Thema Datenqualität, idealerweise Menschen, die sowohl mit der Prozesslandschaft als auch mit dem Datenmodell der Business-Software bestens vertraut sind.

Schaffen Sie organisatorische Strukturen für das Anlegen und Aktualisieren von Daten.

Schulen Sie Mitarbeitende und schaffen Sie unternehmensweit ein Bewusstsein für das Thema.

Überprüfen Sie, wie Sie die Verbesserung der Datenqualität messen, um Fortschritte und Hindernisse transparent zu machen.

Stellen Sie ausreichend personelle und finanzielle Ressourcen für die Pflege der Daten und der Datenqualität bereit.

Achten Sie darauf, dass Datenqualität bereits in den täglichen Workflows verankert wird und nicht erst bei der Kontrolle am Ende.

Organisatorische Aspekte

• Klare Verantwortlichkeiten: Bestimmen Sie Data Owner und Data Stewards, die für die Pflege und Qualität der Stammdaten zuständig sind.
• Governance-Regeln: Definieren Sie verbindliche Standards für Erfassung, Nutzung und Pflege der Stammdaten.
• Prozesse und Schulungen: Stellen Sie sicher, dass Mitarbeitende wissen, wie Stammdaten korrekt erfasst und gepflegt werden – und warum das wichtig ist.
• Unternehmensweite Sichtbarkeit: Stammdaten sind kein Abteilungsprojekt, sondern betreffen Vertrieb, Einkauf, Produktion, Service und Controlling gleichermaßen.

Technische Aspekte

• Zentrale Datenhaltung: Statt vieler Insellösungen eine gemeinsame Datenbasis, etwa über ein ERP-System wie Microsoft Dynamics 365.
• Dubletten- und Plausibilitätsprüfungen: Automatische Erkennung von Mehrfacheinträgen und fehlerhaften Angaben.
• Integrationen und Schnittstellen: Stammdaten müssen konsistent über alle Systeme hinweg verfügbar sein – ohne Medienbrüche.
• Automatisierung und KI: Unterstützung durch intelligente Tools, die Daten bereinigen, ergänzen und aktuell halten.
• Versionierung und Historisierung: Nachvollziehbarkeit von Änderungen für Compliance und Revision.

Wir befähigen Sie mit unseren Lösungen und Services zu besseren Daten und damit zu besseren Prozessen und besseren Entscheidungen. Unsere Kunden profitieren dabei beispielsweise von branchenorientierten Best‑Practice-Prozessen, smarten und sicheren Cloud-Migrationsmethoden, KI‑gestützter Datenpflege/Datenerfassung und unseren integrierten Microsoft-Plattformlösungen. Wir vermeiden Probleme mit Datensilos und Schnittstellen und legen dafür die Grundlage für Automatisierung, Skalierbarkeit und Wachstum. Dazu kommt die umfassende Erfahrung und Expertise unserer Consultants, die gemeinsam mit Ihnen die für Sie optimale Roadmap für mehr Datenqualität erstellen.