Datenqualität ist wichtiges Erfolgskriterium im Data Management

Wir zeigen dir wie du Datenqualität und Datenintegrität sicherstellst, fehlerhafte Daten vermeidest und was zur Verwaltung und Verantwortung im Data Management gehört.

 

Es ist nun schon eine Weile her, dass Thorsten Dirks als damaliger CEO der Telefónica Deutschland AG sehr deftig formulierte, wie er zum Thema Qualität in Zeiten der Digitalisierung steht: „Wenn Sie einen Scheißprozess digitalisieren, dann haben Sie einen scheiß digitalen Prozess.“ Die Digitalisierung hat seitdem noch mehr Fahrt aufgenommen, automatisierte Datenverarbeitung spielt eine immer größere Rolle bei der Ausspielung  kundenzentrischer Kommunikation in datengetriebenen Unternehmen – der flapsige Spruch stimmt mehr denn je! Wenn das Fundament wackelt, dann ist die cleverste Daten- und Systemarchitektur nicht mehr viel wert. Und das Fundament in deinem Data Management, das sind nun mal die Kundendaten.

 

Die Datenqualität definiert, wie gut sich deine Datenbestände für deine Anforderungen eignen. Dabei kommen zahlreiche Kriterien ins Spiel, wie diese Eignung zu bemessen ist – etwa Exaktheit, Aktualität, Vollständigkeit, Konsistenz oder die Relevanz für deine Aufgaben und Anwendungen. Heißt im Umkehrschluss: Wenn die Qualität nicht stimmt, dann kannst du nicht mit deinen Daten arbeiten. Wenn du es trotzdem tust, dann wirst du falsche Entscheidungen treffen, womöglich viel Budget verbrennen und auch noch Kunden enttäuschen. Wie du Datenqualität und Datenintegrität sicherstellst und was zur Verwaltung und Verantwortung im Data Management gehört, das wollen wir hier und heute mal genauer ansehen …

1. Was definiert Qualität deiner Daten- und Systemarchitektur?

Ich gehe ja stark davon aus, dass es bei dir – wie in jedem datengetriebenen Unternehmen – ein generelles Bewusstsein für die Bedeutung der Datenqualität gibt. Es ist jedoch ein essentiell wichtiger Schritt, dieses Bewusstsein in konkrete Kriterien zu übersetzen. Welche Anforderungen hast du genau? Was bedeuten Qualität und Datenintegrität in deinem Kontext? Das beinhaltet auch die Definition von Standards und angemessenen Qualitätsmerkmalen und mündet schließlich in einer Strategie für Datenqualität in deinem Data Management. Diese Strategie zu formulieren, ist der erste Schritt in Richtung einer hohen Datenqualität.

 

 

2. Wie wird dein Data Management deinen eigenen Standards gerecht?

Spätestens bei der automatisierten Datenverarbeitung fallen die ganz großen Defizite sowieso auf. Anhand deiner Strategie mit ihren klar definierten Anforderungen kannst du aber nun Schritt für Schritt deinen Status quo überprüfen und so auch kleineren Problemen auf die Spur kommen. Die addieren sich langsam und fast unmerklich auf. Sie führen etwa in der Datenveredelung zu Kundenprofilen oder Scorings, die dann ihr Ziel verfehlen. Und letztlich zu fehlgesteuerten Marketingmaßnahmen, die schlecht performen und Budget verschwenden. Nach einer systematischen und kritischen Evaluation deiner bestehenden Daten- und Systemarchitektur im Hinblick auf die Datenqualitätssicherung weißt du, inwieweit deine Kundendaten korrekt, komplett und konsistent sind. Ein erfahrener Data Architect oder Engineer kennt Knackpunkte und Sollbruchstellen – was vielleicht in jetzigen Anwendungen noch zu funktionieren scheint, kann bei Weiterentwicklungen zum Verhängnis werden.

 

3. Was musst du jetzt tun, um die Datenqualität dauerhaft sicherzustellen?

Sobald du deine Defizite identifiziert hast, kannst du

a) sie beheben und

b) eine dauerhafte Datenqualitätssicherung einrichten.

Den ersten Punkt würden wir mit Data Cleansing überschreiben. Er umfasst neben der Bereinigung bestehender Datensätze auch die Einrichtung bzw. Korrektur von Prozessen für eine saubere Datenverarbeitung. Beim zweiten Punkt sprechen wir von Data Profiling, vereinfacht das Installieren von Kontrollmechanismen, welche die Datenqualität permanent monitoren.

 

Die Daten- und Systemarchitektur auf Vordermann bringen

Wenn die Datenbasis nicht passt, ist der Output aus deinem Data Management sch…, äh: unter den Möglichkeiten. Und das ist schade. Einerseits um die ganze Mühe, die ganze Intelligenz, die du in automatisierte Datenverarbeitung und clevere Use Cases steckst. Vom Budget ganz zu schweigen. Andererseits um die Potentiale, die du bei mangelnder Datenqualität verschenkst. Datenqualität und Datenintegrität sind Voraussetzung für nachhaltigen Erfolg im kundenzentrisch ausgerichteten Marketing. Die Verwaltung der Daten, und damit die Verantwortung, liegt im Data Management.

 

Du willst die Qualität deiner Daten verbessern? Wir sagen dir wie!

Hol dir jetzt die Unterstützung unserer Data Architects und Engineers. Sie helfen dir mit ihrer Expertise und Erfahrung bei allen notwendigen Schritten zur Datenqualitätssicherung, bei Strategie, Evaluation, Monitoring im Data Management. Vereinbare einen unverbindlichen Gesprächstermin mit uns.

Was bedeutet Datenintegrität?

Datenintegrität bezeichnet die Qualität und Zuverlässigkeit von Daten innerhalb einer Daten- und Systemarchitektur. Datenintegrität erfordert, dass Daten korrekt, komplett und konsistent sind. Der Begriff beinhaltet auch die Sicherheit von Daten hinsichtlich regulatorischer Anforderungen (z. B. DSGVO) sowie den Schutz der Daten. Für die Datenintegrität werden schon in der sogenannten Designphase, also beim initialen Aufbau einer Datenbank, verschiedene Prozesse, Regeln und Standards angewandt. Bei gewährleisteter Integrität bleiben die gespeicherten Daten dauerhaft vertrauenswürdig und widerspruchsfrei – unabhängig von der Häufigkeit der Zugriffe – und werden zudem vor externen Einflüssen geschützt. Man unterscheidet zwischen physikalischer und logischer Datenintegrität. Die physikalische Datenintegrität beschreibt die Korrektheit und Vollständigkeit der Daten während ihrer Speicherung und Nutzung. Naturkatastrophen, Hackerangriffe, Stromausfälle oder auch Anwenderfehler können die physikalische Integrität stören. Die logische Datenintegrität verlangt dagegen, dass Daten im Betrieb einer relationalen Datenbank unverändert bleiben. Auch sie schützt Daten vor Hackern und Anwenderfehlern, jedoch auf eine andere Art und Weise. Zur logischen Datenintegrität zählen die Entitätenintegrität, die referentielle Integrität, die Domainintegrität sowie die anwenderdefinierte Integrität. Datenintegrität ist nicht mit Datensicherheit und mit reiner Datenqualität gleichzusetzen.

Wenn du mehr News mehr zu Digitalisierung, CRM und Data Management erhalten möchtest, dann melde dich zu unserem Newsletter an.

NEWSLETTER ANMELDUNG

Frau  Herr 

Bitte senden Sie mir Ihren Newsletter zu. In die Verarbeitung meiner Daten zu diesem Zweck willige ich ein. 

Autor

 

Thomas PlennertThomas Plennert
Executive Director Data Intelligence

DEFACTO GmbH
Tel. +49 151 1205 2965
thomas.plennert@defacto.de