Die richtige Datenqualität für richtige Entscheidungen - 3 Schritte in Richtung einer effizienten Datenanalyse

von Jens Siebertz
Quelle: Lightspring - shutterstock.com

Laut einer aktuellen Studie der Unternehmensberatung Sopra Steria Consulting in Zusammenarbeit mit dem Business Application Research Center (BARC) nutzen viele Unternehmen in der DACH Region das Potenzial ihrer Daten nicht ausreichend und häufig fehlt es noch an Reife im Bereich Data Analytics. Auf der für die Studie entwickelten Data-Analytics-Reifeskala von 1 (individuell aufbereitete Daten) bis 5 (automatisierte, daten-getriebene Geschäftsprozesse) erreichten die Studienteilnehmer gerade einmal einen durchschnittlichen Wert von 2,91. Ein Reifegrad, der dem weit verbreiteten Anspruch vieler Unternehmen an Data Analytics nicht annähernd gerecht wird. Fast die Hälfte der befragten Unternehmen gibt an, dass ihre Datenauswertungen widersprüchlich, unvollständig oder veraltet sind. Nur jedes vierte Unternehmen bestätigt, kein Datenqualitätsproblem zu haben.

Diese Zweifel an den eigenen Daten führen auch zu Misstrauen an den daraus abgeleiteten Analysen und Entscheidungen. Die Grundlage für die Digitalisierung steht damit auf wackeligen Beinen. Diese Ergebnisse kann ich aus meiner Projekterfahrung als Business Intelligence Projektmanager bestätigen. Eine Vielzahl von Projekten im Bereich Data Analytics beginnt meiner Erfahrung nach stets mit einer ausgiebigen Datenaufbereitung – der Startpunkt und die Basis für die spätere Nutzung einer effizienten Datenanalyse. In drei Schritten habe ich zusammengefasst, was aus meiner Sicht nötig ist, um die richtigen Daten in der richtigen Qualität auswerten zu können.

1) Die richtigen Daten auswerten

Zunächst einmal einen Schritt zurück. Im ersten Schritt gilt tatsächlich ausnahmsweise Quantität vor Qualität. Bevor man die Datenqualität eines Unternehmens beurteilen kann, sollte man identifizieren, welche Daten aussagekräftig für bestimmte Entscheidungen im Unternehmen sind. Benötige ich als Produktionsleiter nicht auch Daten aus dem Einkauf, um termintreu zu planen? Sind für mich als Vertriebsmitarbeiter nicht auch geografische Auswertungen der Sales-Aktivitäten von Bedeutung? Erst, wenn solche oder ähnliche Fragen in Bezug auf die Anzahl der Datenquellen geklärt sind, sollte die Qualität der ausgewählten Daten beurteilt und dementsprechend bereinigt werden. Gerade die Kombination verschiedener Datenquellen, wie beispielsweise des CRMs mit den Daten der Unternehmenswebseite, können unbekannte Chancen und Erkenntnisse aufzeigen.

2) Die Reinigung kann beginnen

Um im Unternehmen aussagekräftige Analysen umsetzen und Entscheidungen sicher begründen zu können, bedarf es bereinigter Daten. Werfen wir einen Blick auf ein Beispiel aus der Produktionsplanung im Maschinenbau, um die Auswirkungen „falscher“ Daten zu verdeutlichen. Die Qualität von Wiederbeschaffungszeiten ist in dieser Branche häufig schlichtweg unrealistisch. Oft werden seit mehreren Jahren die falschen Werte, wie zum Beispiel zwanzig Tage genutzt, obwohl die Wiederbeschaffung in der Realität nur zehn Tage beträgt. Dementsprechend werden unrealistische Termine an den Kunden weitergegeben und Terminverschiebungen sind vorprogrammiert. Durch eine Bereinigung solcher Daten können intelligente Planungssysteme wesentlich präziser und entsprechend den realen Gegebenheiten in der Produktion steuern.

3) Auch die Einstellung zählt: Positiv denken!

Gerade im Zusammenhang mit Big Data klingt der Reinigungsakt erstmal sehr langwierig und beschwerlich. Doch lassen Sie sich an dieser Stelle nicht entmutigen: In den meisten Fällen können die Daten mit modernen Lösungen bereits innerhalb einer Woche nach der Datenbereitstellung aufbereitet und analysiert werden. Daraufhin kann man unter anderem einen Ergebnisbericht über die Datenqualität erstellen und die Notwendigkeit zur Korrektur fehlerhafter Daten bewerten.

Fazit

Um Unternehmensdaten zielgerichtet und effizient nutzen zu können, bedarf es „richtiger“ Daten. Viele Systeme und Maschinen geben heute noch fehlerhafte Daten aus, was zu fehlerhaften Prozessen führt. Deshalb müssen die Daten bereinigt werden. Dazu sollten erst alle relevanten Datenquellen identifiziert und deren Datenqualität geprüft werden. Und Unternehmen sollten die Reinigung nicht grundlos scheuen: In den meisten Fällen ist sie wesentlich einfacher und schneller umsetzbar als erwartet. Die Folge ist eine richtige Nutzung des gesamten Potenzials von Big Data. Basierend auf dieser stabilen Datenanalyse können dann die richtigen Entscheidungen für das Unternehmen getroffen und wichtige Informationen ausgewertet werden. Und der digitalen Transformation steht nichts mehr im Wege.

Wie nutzen Sie Ihre Daten im Unternehmen? Kennen Sie die Problematik fehlerhafter Datenbestände?



Diese Beiträge könnten Sie auch interessieren

20 Jahre Google und welche Branchen außerdem mit der Datenflut zurechtkommen müssen

Lesen

Sackgasse Priorisierung: Was, wenn Prio A++ für eine reibungslose Produktionsplanung nicht mehr ausreicht?

Lesen

Automatisches Einkaufscontrolling – ein Must-have für eine effiziente Beschaffung

Lesen

Über den Autor

  • Jens Siebertz

    Jens Siebertz arbeitet seit 2003 bei der INFORM und beschäftigt sich hauptsächlich mit den Themenschwerpunkten Business Intelligence, Management Reporting, Data Analysis und Produktionscontrolling.

    Alle Beiträge dieses Autors

    Mehr über diesen Autor unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben