5/201532 www.isreport.de

IT-STraTegIe

VerläSSlIche Daten stellen für Unternehmen eine elementare Res-source dar. Sie sind die Grundlagen für operative, taktische und strate-gische Entscheidungen und bilden zudem das Fundament für automa-tisierte IT-Prozesse. Schlechte Da-tenqualität beruht meist auf einem ganzen Bündel von Problemen. Punk-tuelle Datenbereinigungen erzielen meist nur kurzfristige Effekte. Wenn

Daten sich häufig ändern, werden zudem die erzielten Verbesserungen schnell obsolet.

Datenpflegemaßnahmen erfordern eine Strategie sowie ein Bewusstsein für die Bedeutung der Datenqualität. Grundlage ist ein Datenqualitätskon-zept in Verbindung mit Vorgaben zur Data Governance. Um die Qualität nachhaltig zu steigern, empfiehlt es sich, Datenqualitätsmanagement als

ganzheitlichen und kontinuierlichen Verbesserungsprozess anzusehen. Dafür ist eine Verzahnung von meh-reren Maßnahmen notwendig. An erster Stelle stehen dabei das Test-management sowie interne Kont-rollsysteme. Wie in anderen Unter-nehmensprozessen gilt auch hier das Prinzip „Plan, Do, Check, Act“, also ein ständiger Kreislauf von Definition, Maßnahme, Prüfung und Reaktion.

anforderungsmanagement, ständige Tests, ein Datenqualitätsmanagement sowie interne Kontrollsysteme – all diese Maßnahmen dienen der Datenpflege. erfolg haben sie nur als Teil einer umfassenden Strategie.

Datenqualitätsmanagement

Die Datenpflege braucht Strategie und Organisation

Sechs grundprinzipien hat das Datenqualitätsmanagement. In erfolgreichen Initiativen werden sie eng miteinander verzahnt.

Quelle: Mayato

33www.isreport.de 5/2015

IT-STraTegIe

Datenqualitätsmanagement verfolgt das Ziel, die Qualität von Daten über den gesamten Lebenszyklus hinweg zu planen, zu steuern und zu kontrol-lieren.

Datenprobleme sind alltag in sämtlichen UnternehmenBusiness-Intelligence-Lösungen haben vielerorts die Datenqualitäts-schwächen ans Licht gebracht und die Notwendigkeit zum Handeln of-fengelegt. Das Problembewusstsein ist also in den Unternehmen durchaus vorhanden. Vielfach wurde bereits in Teillösungen zur Verbesserung der Datenqualität investiert. So finden sich beispielsweise bei Finanzdienst-leistern interne Kontrollsysteme. Meist handelt es sich hierbei um in-dividuell programmierte Code-Bau-steine zur punktuellen Prüfung der Datenqualität. Mit den anderen Dis-ziplinen des Datenqualitätsmanage-ments sind diese Kontrollsysteme allerdings nur selten verzahnt. Die Organisation sowie die eingesetzte Technologien blieben weitgehend unverändert.

In landesübergreifenden Konzern-strukturen lassen sich Datenverant-wortlichkeiten teilweise nur schwer in die Praxis umsetzen. Oft kommt das daher, dass die Werkzeuge für das Da-tenqualitätsmanagement fehlen. All dies führt dazu, dass sich trotz des Pro-blembewusstseins und trotz vieler Ein-zelmaßnahmen und teilweise großer Investitionen die Gesamtsituation in Sachen Datenqualität verschärft. Die Kosten für das Beheben von Fehlern und deren Konsequenzen steigen.

Datenqualität ist ein Prozess kontinuierlicher VerbesserungNur selten verfügen die Business-Intelligence-Organisationen über ein durchgängiges Konzept für die Datenpflege. Sie setzen Datenqua-litätsmaßnahmen oft erst dann um, wenn ein monetär relevanter Busi-ness Case vorliegt. Angesichts relativ hoher Kosten für Pflegemaßnahmen kann dies recht lange dauern. In der Zwischenzeit verschärfen sich oft die Probleme, so dass der Aufwand weiter steigt. Aus diesem Teufelskreis aus-zubrechen, erfordert noch genauere Kosten-Nutzen-Rechnungen, vor al-lem aber mutige Entscheidungen im Top-Management.

Datenqualitätsmanagement erfasst sämtliche Phasen des Lebenszyklus von Daten, von der Erzeugung über Verarbeitung, Speicherung, Pflege und Darstellung bis hin zu deren Lö-schung. Fehler sollen vermieden und alle funktionalen, nicht-funktionalen und übergreifenden Anforderungen erfüllt werden. Damit die Datenqua-lität nachhaltig steigt, muss die Pflege als kontinuierlicher Verbesserungs-prozess auf allen Ebenen im Unter-nehmen und in allen Phasen des Pro-duktlebenszyklus angelegt sein.

Das Testmanagement dient als Baustein der DatenpflegeDie Kosten für den Test neuer Ap-plikationen übersteigen oft die Entwicklungskosten. Eine weitere Schwierigkeit ist die Auswahl der Tests. Das Richtige zu testen ist ein wesentlicher Hebel, um effizient mit den vorhandenen Ressourcen für den

Test umzugehen. Tests der Daten-qualität sind typischerweise Teil des Testmanagements. Unternehmen, die Testmanagement zum Nachweis und zur Sicherstellung der Anforderungen und der einhergehenden Datenquali-tät betreiben, setzen grundsätzlich für jedes Projekt ein separates Test-management auf, das die Entwick-lung der Anwendungssoftware von der Anforderungsanalyse bis hin zur Inbetriebnahme begleitet. Die dazu-gehörigen Tests basieren auf festge-legten Kriterien und Abnahmebedin-gungen.

Das Testmanagement deckt Fehler auf, liefert Informationen zur Fehler-behebung und schafft Vertrauen in die Daten. Es beinhaltet die Planung des Testvorgehens und wird in einzelne Teststufen unterteilt. Diese werden den jeweiligen Zielen mit ihren quali-tativen Anforderungen und Methoden zugeordnet. Weitere Aufgaben beste-hen im Schaffen und Nutzen benötig-ter Ressourcen und in der Messung der Datenqualität. Testmanagement und Qualitätssicherung stellen Qua-lität der Anwendungssoftware über alle Testphasen sicher.

Fachbereich und IT-Abteilung müssen bei der Datenpflege eng ko-operieren. Werden Fehler im Test rechtzeitig bemerkt und technisch wie fachlich analysiert sowie deren Auswirkungen bewertet, lässt sich eine mangelhafte Datenqualität be-reits im Ansatz vermeiden. In der Praxis ist die Kommunikation zwi-schen IT und Fachbereich oft nur schwach ausgeprägt. Zu Beginn wer-den die fachlichen Anforderungen in

Mehr DazU IM weB • Betriebsdaten brauchen Pflege

http://tiny.cc/Datenpflege• Datenqualität in der Logistik http://tiny.cc/DQ-logistik

Das Testmanagement sowie das interne Kontrollsystem (IKS) stellen die tragenden Säulen für ein umfassendes Datenquali-tätsmanagement dar. Quelle: Mayato

5/201534 www.isreport.de

IT-STraTegIe

ein Konzept gegossen. In gut funktio-nierenden Unternehmen erstellt der Fachbereich relevante Testfälle. Da-nach allerdings gehen die Dokumen-te an die IT, ohne dass während der Entwicklung ein Austausch erfolgt. Selbst wenn die IT dann vollumfäng-liche Entwicklertests macht, kommen beide Seiten erst spät wieder zusam-men. Die fachlichen Tests führen nur wenige Unternehmen gewissenhaft genug durch. Meist werden Fehler nicht kritisch genug geprüft und Test-vorgehen und Testfälle nicht neuen Erkenntnissen angepasst. Am Ende wird die Software implementiert und vielfach erst im produktiven Betrieb festgestellt, dass die Lösung nicht wie gewünscht funktioniert. Die daraus resultierenden Anpassungen gehen mit einem erhöhten Aufwand einher und müssen im laufenden Betrieb umgesetzt werden. Sind Anwendun-gen hingegen richtig getestet, steigen Qualität und Stabilität der Software und die Verlässlichkeit der Daten.

ein Teil der Qualitätskontrolle findet im laufenden Betrieb stattZur Sicherstellung der Datenqualität im laufenden Betrieb setzen viele Un-ternehmen ein internes Kontrollsys-tem ein. Anders als das Testmanage-ment ist es zeitlich nicht begrenzt. Es bezieht sich stets auf aktuelle, pro-duktive Daten und deren unmittel-bare Veränderungen. Der Mehrwert eines solchen Systems ergibt sich aus der permanenten Identifizierung von Schwachstellen. Das System beinhal-tet prozessintegrierte (organisatori-sche Sicherungsmaßnahmen) und prozessunabhängige Überwachungs-maßnahmen (interne Revision). Die Prozesse und Prüfmethoden unter-scheiden sich in Struktur, Funktion und Ausgabe. Der Datenumfang spielt dabei eine wesentliche Rolle. Ein in-ternes Kontrollsystem kann sich auf einen Vollbestand, auf Datenbestände zu bestimmten Stichtagen oder auf einzelne Änderungslieferungen be-ziehen. Die Messung erfolgt durch An-zahl und Summe der Abweichungen

schnell erkannt und behandelt. Total Data Quality Management erhebt die Datenqualität zum obersten Un-ternehmensziel und erleichtert das Ausrollen von Pflegemaßnahmen. Als Erweiterung zum Datenqualitätsma-nagement richtet es alle unternehme-rischen Strukturen auf Qualität aus.

Um die Zielqualität von Daten zu definieren, die Ist-Qualität zu messen und Maßnahmen zu einer kontinuier-lichen und nachhaltigen Annäherung an das Ziel zu entwickeln, sind viel-fältige Aktivitäten erforderlich. Vor allem die Nachhaltigkeit erweist sich dabei als Herausforderung. Daten-qualitätsmanagement muss die Qua-lität von Daten über deren gesamten Anwendungslebenszyklus hinweg planen, steuern und kontrollieren sowie die Aktivitäten der Qualitäts-sicherung verzahnen. Eine zentrale Rolle spielen dabei das Testmanage-ment und die internen Kontrollsyste-me. Das Testmanagement greift beim Aufbau und der Weiterentwicklung von Software und stellt bereits in der Projektphase sicher, dass die später generierten und verarbeiteten Daten der Zielqualität entsprechen. Zusätz-lich kann dies auch bei der Identifi-kation und Bereinigung kritischer Datenbestände wertvolle Dienste leisten. Im laufenden Betrieb über-wacht eher das interne Kontrollsys-tem die Daten. Die diesbezüglichen Anwendungen sollten automatisiert und effizient ablaufen.

Das anforderungsmanagement ist oft der ausgangspunktAuch das Anforderungsmanagement sollte mit dem Datenqualitätsma-nagement verzahnt werden. Teil des Anforderungsmanagements sollte die Beschreibung der Ist-Situation der Daten sein, beispielsweise in Form eines Datensteckbriefs. Hierzu sind toolgestützte Analysen unverzicht-bar, da das theoretische Wissen über die Daten oft nicht die Realität wider-spiegelt. Die manuelle Analyse von Stichproben übersieht leicht seltene, aber kritische Konstellationen. Der

in einer Statistik. Das diesbezügliche Reporting stellt die Datenqualität dar, erlaubt aber auch die Steuerung von Korrekturmaßnahmen. Ein umfas-sendes Reporting ist nur dann mög-lich, wenn sämtliche Bestandteile der Anwendungssoftware berücksichtigt und geprüft werden.

Bei einem ganzheitlichen Ansatz für das Datenqualitätsmanagement sollte ein standardisierter Rahmen für das Vorgehen erstellt werden, der es erlaubt, Pflegemaßnahmen auch für große Mengen von Problemen ef-fizient durchzuführen. Meist sind die Qualitätsprobleme vielfältig, was das Management der verfügbaren Res-sourcen zu einer Herausforderung macht. Ein hoher Automatisierungs-grad beim Durchlauf von Tests schafft Freiräume für die Fehleranalyse. Da-bei, aber auch schon bei der initialen Sichtung von Daten und Bewertung von Risiken in Sachen Datenqualität empfiehlt sich der Einsatz von Daten-analysewerkzeugen. Heutige Tools für Self-Service BI erlauben es auch fachlichen Anwendern ohne tiefge-hende technische Kenntnisse, sich schnell mit den Zusammenhängen in den Daten vertraut zu machen. Eine sinnvolle Ergänzung dazu stellen Da-ta-Profiling-Werkzeuge dar, die eine Übersicht über Inhalte von Datenfel-dern und Häufigkeiten bestimmter Konstellationen herstellen.

Verzahnung von mehreren Maßnahmen zur DatenpflegeDie Ergebnisse von Analysen der Da-tenqualität sollten in eine zentrale Datenhaltung einfließen, welche die Basis für ein konsolidiertes und revi-sionssicheres Reporting nach Innen und Außen ist. Der einfache Zugang zu aggregierten Ergebnissen und detaillierten Fehlerdaten erleichtert das fortwährende Monitoring und die Fehleranalyse. Für ein ganzheit-liches Management der Datenqua-lität müssen Verantwortlichkeiten geregelt sein, ebenso Schwellwerte, Schweregrade und andere Bewer-tungskriterien. Nur so werden Fehler

35www.isreport.de 5/2015

IT-STraTegIe

Tests auf, sollten die Erkenntnisse daraus immer auch hinsichtlich ihrer Auswirkungen auf die Konzeption hin untersucht werden. Da die Fachkon-zeption später einen wesentlichen Teil der Dokumentation für den lau-fenden Betrieb darstellt, muss diese dann auf eventuell nötige Anpassun-gen geprüft werden.

Die Data Stewards agieren als anwälte der DatenDatenqualitätsmanagement und sei-ne Hilfsprozesse sorgen dafür, dass Daten über ihren kompletten An-wendungslebenszyklus analysiert und die sie produzierenden oder ver-arbeitenden Prozesse schon vorab getestet werden. Damit lässt sich eine hohe Qualität von Daten gewährleis-ten, welche die Grundlage für das Vertrauen in die darauf basierenden Entscheidungen darstellt.

Begleitende Maßnahmen fördern das Datenqualitätsmanagement. Hilfreich ist Unterstützung auf obers-ter Führungsebene. Selbst dann muss vielfach Überzeugungsarbeit geleistet werden, damit alle Bereiche und lo-kalen Entscheidungsträger mitzie-hen und zentrale Vorgaben nicht un-terwandert werden. Praxisbeispiele, welche die Auswirkungen schlechter und das Potenzial guter Datenquali-

tät den Kosten entgegenhalten, sowie der Aufbau interner Referenzprojek-te fördern die Bereitschaft zur Un-terstützung. Helfen können zudem kleine Pilotanalysen, die ohne großen Aufwand an konkreten Beispielen den Ist-Zustand und Handlungsbe-darfe ermitteln und aufzeigen, dass Datenqualitätsmanagement auch mit geringem Aufwand möglich ist. Das Problembewusstsein wächst, weil viele Mitarbeiter über das Anforde-rungs- und Testmanagement und die internen Kontrollsysteme mit den Mechanismen der Datenpflege in Be-rührung kommen.

Datenqualitätsmanagement hat nur dann Erfolg, wenn das gesamte Unternehmen mitzieht. Die Über-zeugungs- und Koordinationsarbeit hierfür sowie entsprechende Initia-tiven erfordern eine zentrale Orga-nisationseinheit für Datenqualität. Deren Mitarbeiter sind Anwälte der Datenqualität. Sie koordinieren die Aktivitäten dezentral handelnder Data Stewards, die im Rahmen einer Data Governance festgelegt werden. Anfänglich kann auch ein Business Intelligence Competence Center die Datenqualität sicherstellen. Lang-fristig empfiehlt sich der Aufbau einer eigenen Data-Governance-Organisa-tion. jf

detaillierte Blick auf umfassende Da-tenbestände führt oft zu überraschen-den Erkenntnissen.

Früh identifiziert können proble-matische Aspekte bereits in Fachkon-zepten und anderen Anforderungs-dokumenten berücksichtigt werden, beispielsweise durch Definition von Regeln zum Bereinigen von Fehlern. In der Praxis führt dies zu massiven Einsparungen dank eines geringeren Fehleraufkommens. Die vorgezogene Datenanalyse bildet eine wesentliche Grundlage für das Verständnis der fachlichen Abhängigkeiten und für die Definition fachlicher Integritäts-bedingungen zur Testfallerstellung und Prüfung des internen Kontrollsys-tems. Sie erleichtert auch die Definiti-on von Zielzuständen, Schwellwerten und Reaktionen im Fehlerfall. Idea-lerweise werden diese Steuergrößen und -maßnahmen des Datenqualitäts-managements bereits im Stadium der Anforderung an Software-Anwendun-gen und softwaregestützte Prozesse abgefragt. Hierfür müssen Vorlagen des Anforderungsmanagements Pas-sagen zum Datenqualitätsmanage-ment beinhalten.

Kein noch so gründliches Anforde-rungsmanagement schützt vor un-erwarteten Störfällen. Treten diese während der Entwicklung oder in

Die autoren

Foto

s: M

ayat

o

Marcus Dill (links) ist geschäftsführer des analysten- und Beraterhauses Mayato. Stefan gruhn (Mitte) fungiert dort als Senior Project Manager,

Thomas weiler als Senior Business Intelligence architect.