Datenqualität: Definition, Bedeutung und Messung

Die Datenqualität ist maßgeblich für den Erfolg einer modernen Unternehmensstrategie. Sie hängt nämlich von der Zuverlässigkeit der Informationen ab, auf deren Grundlage sie umgesetzt werden. Die Gewährleistung der Datenqualität und -konsistenz ist eine gemeinsame Aufgabe verschiedener Unternehmensbereiche und sichert zuverlässige Entscheidungen, effiziente Prozesse und einen Wettbewerbsvorteil.

In diesem Artikel erläutern wir, was Datenqualität ist, warum sie für Unternehmen wichtig ist, welche Standards und Kriterien für ihren Umgang gelten und wie sie gemessen werden kann. Außerdem stellen wir einige bewährte Verfahren vor.

Was versteht man unter Datenqualität?

Unter Datenqualität versteht man das Ausmaß, in dem ein Datensatz die Anforderungen für den Einsatz in der Praxis oder für analytische Zwecke erfüllt. In der Praxis heißt dies, die Richtigkeit und Konsistenz der Daten sicherzustellen, um hochwertige Daten zu erhalten, die im richtigen Format vorliegen und fehlerfrei verarbeitet werden können. Sie ist mehr als nur eine technische Besonderheit, sondern eine Managementdisziplin. Sie gewährleistet, dass Informationen für die Nutzung geeignet sind, minimiert Risiken bei der Ausführung von Prozessen und bietet die notwendige Sicherheit für fundierte Geschäftsentscheidungen.

Die Bedeutung der Informationsqualität gewinnt mit dem Aufkommen der künstlichen Intelligenz und des maschinellen Lernens eine neue Dimension. In solchen Umgebungen ist die Zuverlässigkeit der Informationen von entscheidender Bedeutung, da sich jeder Fehler bei der Dateneingabe auf die automatischen Ergebnisse auswirkt und dort noch verstärkt wird. Daher konzentriert sich das derzeitige Management nicht nur auf die Korrektur manueller Fehler, sondern auch auf die Einführung von Systemen, die große Datenmengen in Echtzeit prüfen und validieren können, um verwertbare Informationen zu gewinnen.

Warum ist die Datenqualität in einem Unternehmen wichtig?

Die Datenqualität ist von entscheidender Bedeutung, da sie für die Aussagekraft von Berichten und die Richtigkeit unternehmerischer Entscheidungen ausschlaggebend ist. Darüber hinaus sind hochwertige Daten unerlässlich für die Einhaltung gesetzlicher und behördlicher Vorschriften in zahlreichen Branchen. Die Rohdaten müssen aufbereitet werden, um ihre Vorteile nutzen zu können:

• Verbesserung der Prozesse. Durch die Verfügbarkeit hochwertiger Daten lassen sich Betriebsfehler reduzieren und Redundanzen in der Wertschöpfungskette beseitigen. In Branchen wie der Logistik oder der Industrie äußert sich dies in einer präzisen Bestandsplanung, kürzeren Kommissionier- und Versandzeiten sowie Kosteneinsparungen aufgrund von Rücksendungen oder Lieferausfällen.
• Entscheidungsfindung. Durch den Zugriff auf qualitativ hochwertige Daten können die Leistungskennzahlen (KPIs) zuverlässig sein und die tatsächliche Betriebssituation getreu widerspiegeln. Dadurch kann die Geschäftsleitung Entscheidungen auf der Grundlage präziser Fakten statt aus dem Bauch heraus treffen, was Unsicherheiten verringert und einen Wettbewerbsvorteil darstellt.
• Kundenzufriedenheit. Durch die Erhebung hochwertiger Kundendaten lässt sich das Produkt- und Dienstleistungsangebot leichter individuell anpassen.
• Geringere Betriebskosten. Eine präzise Datenverwaltung trägt zur Beseitigung von Doppelarbeit und ineffizienten Prozessen bei und senkt so die Betriebskosten.

Probleme aufgrund schlechter Datenqualität

Manchmal verwenden Unternehmen Daten von schlechter Qualität, was ihre Pläne durch falsche oder verzerrte Informationen durcheinanderbringen kann. Laut dem Beratungsunternehmen McKinsey geben 72 % der führenden Unternehmen an, dass das Datenmanagement eine der größten Herausforderungen für die Ausweitung von KI-Anwendungsfällen darstellt. Dies hat verschiedene Ursachen, wie beispielsweise eine mangelhafte Erfassung der Eingabedaten, Fehler bei Datenübertragungen in Systeme oder Migrationen, ohne vorherige Datenbereinigung. Wenn man bei der Datenerfassung nicht sorgfältig genug vorgeht, kann dies zu verschiedenen Komplikationen führen:

• Doppelte Daten. Sie entstehen durch die mehrfache Erfassung desselben Ereignisses, was die Kennzahlen verfälscht und unnötige Speicherkosten verursacht.
• Unvollständige Daten. Sie treten dann auf, wenn bestimmte Felder ausgelassen werden oder die Angaben nicht vollständig erfasst werden.
• Widersprüchliche Daten. Sie entstehen durch unterschiedliche Informationen in verschiedenen Systemen oder Datenbanken. Dies führt zu widersprüchlichen Darstellungen derselben Sachverhalte und erschwert die Zusammenstellung von Berichten.
• Ungenaue Daten. Sie können durch eine fehlerhafte Datenerhebung entstehen und zu verzerrten Ergebnissen führen.
• Veraltete Daten. Überholte Daten können die Zuverlässigkeit von Projekten und die Genauigkeit von Prognosen beeinträchtigen.

 

Standards und Kriterien für die Datenqualität

Zur Gewährleistung der Zuverlässigkeit der Datenqualität müssen anerkannte internationale Rahmenwerke herangezogen werden. Dazu zählt beispielsweise die Norm ISO/IEC 25012, die ein solides Modell vorgibt, in dem die Datenqualität in etwa fünfzehn Hauptkriterien unterteilt wird. Dies sind einige der Kriterien:

Aktualität

Die Daten müssen aktuell sein, um nützlich zu sein. Darüber hinaus hängt die Qualität auch von dem Zeitraum ab, auf den sich die Daten beziehen. Das heißt, Daten können zwar korrekt und gültig sein, doch wenn sie veraltet sind, verlieren sie ihren Wert als Entscheidungsgrundlage. Das Ziel dabei ist, dass Prognosen und Analysen auf dem erforderlichen Zusammenhang basieren.

Konsistenz

Die in den verschiedenen Systemen oder Datenbanken der Organisation verfügbaren Informationen dürfen keine Widersprüche aufweisen. So wird beispielsweise verhindert, dass die Abteilungen eines Unternehmens nach unterschiedlichen Vorstellungen arbeiten, und die Zusammenarbeit zwischen den verschiedenen Unternehmensbereichen wird gefördert.

Genauigkeit

Die Daten müssen die Realität widerspiegeln und die Geschehnisse getreu wiedergeben. Damit sollen Daten ohne Übertragungs- oder Messfehler erfasst werden, um zu verhindern, dass Ungenauigkeiten zu Fehldiagnosen führen.

Vollständigkeit

Durch die Verfügbarkeit vollständiger Daten erhält man einen vollständigen Überblick über das Geschäft, was die Umsetzung operativer oder analytischer Strategien ermöglicht. Damit die Daten vollständig sind, sollten die Datensätze möglichst wenige Nullwerte, leere Felder oder fehlende Datensätze enthalten.

Gültigkeit

Für die Sicherstellung hochwertiger Daten muss überprüft werden, ob die Informationen den Geschäftsregeln und den von der Organisation verwendeten technischen Formaten entsprechen. Dazu gehören Muster, die von der Struktur der E-Mails bis hin zu zulässigen Bereichen und Werten reichen können. Dadurch verringert sich der Bedarf an Datenbereinigungen, und die Anwendungen können die Daten automatisch verarbeiten.

Wie lässt sich die Datenqualität messen?

Für den Erfolg eines datengestützten Projekts müssen verschiedene Bereiche zusammenarbeiten, um objektive Kennzahlen zu ermitteln. Dieser Messprozess ist keine einmalige Aufgabe, sondern eine systematische Methode mit folgenden Schritten:

• Festlegung von KPIs und Schwellenwerten. Zunächst werden für jede Dimension oder jedes Kriterium der Datenqualität Leistungskennzahlen (KPI) definiert. Diese Schwellenwerte können je nach Tätigkeit und Branche des jeweiligen Unternehmens variieren. So kann beispielsweise ein Logistikdienstleister eine Genauigkeit von über 99 % bei der Lagerplatzbestimmung seiner Produkte verlangen.
• Erstellung von Datenprofilen. Das Data Profiling ist die wichtigste Messmethode. Dabei werden die Datensätze eingehend untersucht, mit Metadaten abgeglichen und anhand statistischer Kennzahlen analysiert. Durch diesen Prozess lassen sich fehlerhafte Muster, Nullwerte oder Anomalien automatisch erkennen, bevor sie die Entscheidungsfindung beeinträchtigen.
• Durchführung von Qualitätsaudits und Erstellung von Qualitätsberichten. Es müssen regelmäßige Bewertungen durchgeführt werden, bei denen die Ist-Daten mit den zuvor festgelegten Standards verglichen werden.

Bewährte Verfahren für das Datenqualitätsmanagement

Zur Aufrechterhaltung einer hohen Datenqualität sind eine kontinuierliche Überwachung, die Förderung von Maßnahmen sowie bewährten Verfahren, die zu deren Zuverlässigkeit beitragen, sowie die Ausweitung dieses Ansatzes auf die verschiedenen Abteilungen des Unternehmens erforderlich. Hier sind einige von ihnen:

• Digitalisierung von Prozessen. Die Digitalisierung erhöht die Geschwindigkeit und Genauigkeit von Prozessen, auch in Branchen wie der Logistik. Dort ermöglicht sie die Erfassung hochwertiger Daten mithilfe eines Lagerverwaltungssystems wie Easy WMS von Mecalux. Mit der Funktion Supply Chain Analytics lassen sich wichtige Informationen leicht abrufen.
• Vereinheitlichung von Formaten. Es müssen einheitliche Datenformate verwendet werden. Dadurch wird das Fehlerrisiko minimiert und die Interoperabilität gefördert.
• Implementierung von Validierungsregeln. Durch die Festlegung von Validierungsregeln wird sichergestellt, dass nur qualitativ hochwertige Daten in das System gelangen. Sie dienen als erste Schutzmaßnahme gegen fehlerhafte Eingaben.
• Sicherstellung der Rückverfolgbarkeit. Dabei werden Tools und Prozesse zur Verfolgung der Datenveränderungen während ihres gesamten Lebenszyklus eingesetzt.

Die Datenqualität ist entscheidend für die Zuverlässigkeit

Das Datenqualitätsmanagement ist ein strategischer Prozess, der die Zuverlässigkeit der Projekte im gesamten Unternehmen beeinflussen kann. Durch die Anwendung internationaler Standards wie ISO/IEC 25012 werden Rohdaten in wertvolle Informationen umgewandelt. Die Messung von Kriterien wie Genauigkeit, Vollständigkeit oder Aktualität sowie der Einsatz fortschrittlicher Tools fördern Unternehmen bei der Förderung zuverlässiger Entscheidungen und effizienter Abläufe. Die Förderung einer Datenorientierten Unternehmenskultur ist letztlich die unverzichtbare Grundlage für technologische Innovation und Wettbewerbserfolg in der heutigen digitalen Welt.