Leitfaden zum Data Quality Management #2 – Herausforderungen und Risiken der Datenqualität

Datenqualität, besser bekannt unter dem englischen Begriff Data Quality, bezieht sich auf die Fähigkeit eines Unternehmens, seine Daten dauerhaft und im Laufe der Zeit zu erhalten. Zum Thema Datenqualität hört man von Fachleuten immer wieder, dass deren Verbesserung die Lösung für alle geschäftlichen Probleme ist und daher oberste Priorität haben sollte.

Die Realität sieht unserer Meinung nach jedoch anders aus: Datenqualität sollte nur als ein Mittel unter vielen betrachtet werden, um die Unsicherheit beim Erreichen der Unternehmensziele zu verringern.

In dieser Serie erfahren Sie alles, was Sie über Datenqualitätsmanagement (DQM) wissen müssen:

1. Die neun Dimensionen der Datenqualität
2. Die Herausforderungen und Risiken der Datenqualität
3. Die wichtigsten Funktionen eines DQM-Tools
4. Der Beitrag des Datenkatalogs zum DQM

Unternehmen und die Herausforderung der Datenqualität

Initiativen zur Verbesserung der Datenqualität werden von Unternehmen traditionell eingeführt, um Compliance-Anforderungen zu erfüllen und Risiken zu verringern. Sie sollen außerdem eine zuverlässige Entscheidungsfindung sicherstellen.

Leider gibt es viele Reibungspunkte, die das Erreichen dieser Ziele zur Verbesserung der Datenqualität verhindern können. Hier einige Beispiele:

• Das exponentielle Wachstum von Datenvolumen, -geschwindigkeit und -vielfalt macht das Umfeld komplex und unsicher;
• Teams werden zunehmend dezentralisiert, wobei jedes Team seinen eigenen Kompetenzbereich hat;
• IT- und Datenteams sind überlastet und haben keine Zeit, sich mit dem Thema Data Quality zu befassen;
• Dieselben Teams drücken sich gerne vor diesen oft als undankbar empfundenen Aufgaben;
• Die Prozesse zur Aggregation von Daten sind komplex und langwierig;
• Es kann schwierig sein, Daten zwischen verschiedenen Quellen zu standardisieren;
• Die Prüfung von Änderungen zwischen Systemen ist komplex;
• Governance-Richtlinien sind schwer zu implementieren.

Auf der anderen Seite bieten sich aber auch zahlreiche Chancen. Die Sicherstellung qualitativ hochwertiger Daten ermöglicht es Unternehmen, Innovationen mithilfe von Künstlicher Intelligenz zu fördern und so ein individuelles Kundenerlebnis zu schaffen. Allerdings müssen sie auch über genügend qualitativ hochwertige Daten verfügen.

Gartner prognostiziert, dass bis 2022 85 % der KI-Projekte aufgrund von Verzerrungen in den Daten, Algorithmen oder den Teams, die sie verwalten, falsche Ergebnisse liefern.

Senkung von Risiken durch Verbesserung der Datenqualität

Schlechte Datenqualität sollte als Risiko betrachtet werden, und Software zur Verbesserung der Qualität als mögliche Behandlungsmethode, um das Risikoniveau zu senken.

Der Prozess der Behebungs eines Qualitätsproblems:

Ausgehend von der vorherigen Annahme müsste dann jedes Qualitätsproblem in mehreren Phasen angegangen werden:

1. Identifizierung der Risiken: In dieser Phase werden diejenigen Risiken gesucht, erkannt und beschrieben, die dem Unternehmen daran hindern können, seine Ziele zu erreichen – und zwar insbesondere aufgrund mangelnder Datenqualität.

2. Risikoanalyse: Ziel dieser Phase ist es, die Natur des Risikos und dessen Ausprägungen zu verstehen. Sie umfasst Wahrscheinlichkeitsfaktoren für Ereignisse und deren Folgen, die Art und das Ausmaß dieser Folgen, die Wirksamkeit der vorhandenen Kontrollmittel usw.

Hier soll also herausgefunden werden, was die schlechte Qualität der Marketingdaten verursacht hat. Als Beispiele könnten genannt werden:

• Eine schlechte User Experience auf dem Quellsystem, die zu Eingabefehlern führt;
• Eine fehlende Überprüfung der Vollständigkeit, Genauigkeit, Validität, Eindeutigkeit, Konsistenz oder Aktualität der Daten;
• Ein Mangel an einfachen Mitteln, um die Nachvollziehbarkeit, Klarheit und Verfügbarkeit der Daten zu gewährleisten;
• Das Fehlen von Governance-Prozessen und die fehlende Einbeziehung der Business-Teams.

3. Risikobewertung: In dieser Phase geht es darum, die Ergebnisse der Risikoanalyse mit den festgelegten Risikokriterien zu vergleichen. Hier soll festgestellt werden, ob für die Entscheidungsfindung weitere Maßnahmen erforderlich sind – sollen die vorhandenen Mittel beibehalten werden, welche Optionen zur Behebung gibt es, müssen weitere Analysen durchgeführt werden usw.

Konzentrieren wir uns auf die neun Dimensionen der Datenqualität und versuchen wir, die Auswirkungen schlechter Qualität auf jede von ihnen für Arthurs Ziel mithilfe einer Risikomatrix zu bewerten:

Die Bewertungen für Wahrscheinlichkeit und Auswirkung müssen mit den Hauptbeteiligten vorgenommen werden, d. h. mit den Mitarbeitern auf operativer Ebene, die mit den betreffenden Daten am besten vertraut sind.

4. Behebung des Risikos: In der Phase der Behebung werden Optionen und Maßnahmen zur Verringerung des Risikos bestimmt. Dies beinhaltet auch eine Beurteilung der Wirksamkeit der durchgeführten Maßnahmen, und festzustellen, ob das Restrisiko akzeptabel ist oder nicht und – im letzteren Fall – eventuell eine weitere Behandlung in Betracht zu ziehen.

Die Verbesserung der Datenqualität ist kein Selbstläufer:

• Ihre Kosten müssen im Hinblick auf die Ziele des Unternehmens bewertet werden;
• Die Maßnahmen zur Behebung von Risiken müssen anhand jeder der Qualitätsdimensionen bewertet werden.