Umfassendes Data Management bringt Datenmigration in Fluss

Datenmigration – miese Karten bei schlechter Datenqualität

Es gibt zahlreiche Szenarien im Bereich der Kundendaten, aber auch bei anderen Stammdaten, in denen mangelhafte Datenqualität die Datenmigration behindert. Anders als bei fehlerhaften Adressen existieren bei anderen Datendomänen wie Produkt- oder Materialstammdaten keine maschinell zugänglichen Referenzen oder Modelle, auf deren Basis Abweichungen automatisch erkannt und bereinigt werden können. Hier müssen die erforderlichen Maßnahmen vor der Migration erkannt und spezifische Übernahmeregeln definiert werden.

Daten sind im Quellsystem nicht verfügbar

Wenn Daten für das Zielsystem erforderlich sind, aber im Quellsystem gar nicht angelegt waren, sind Probleme bei der Datenmigration vorprogrammiert. Beispielsweise bei der Übernahme einer Supportdatenbank ins neue CRM-System: Ist im neuen System die Angabe einer Anrede Pflicht (zum Beispiel für personalisierte E-Mails oder Briefe) und war dies im Altsystem nicht zwingend erforderlich, müssen die Datensätze ohne Anrede im Zielsystem entsprechend ergänzt werden.

Daten liegen außerhalb des geforderten Wertebereichs

Bleiben wir beim Support-Beispiel: Basiert die Anrede der Kontaktperson im Zielsystem auf klar definierten Werten, die von denen im Quellsystem abweichen und zu denen es auch keine Umsetzung (Transformation) gibt, können diese nicht übernommen werden. Dabei spielt es keine Rolle, ob die Fehler durch inkonsistente Anwendung durch die Mitarbeiter entstanden sind oder ob etwa die Regeln für die Anrede irgendwann geändert, aber im Quellsystem nicht umgesetzt wurden.

Daten liegen nicht im geforderten Format vor

Liegen Daten im Quellsystem nicht im geforderten Format für das Zielsystem vor, kann dies dazu führen, dass die Daten überhaupt nicht übernommen werden können oder bei der späteren Nutzung Probleme bereiten und fehlerhafte Ergebnisse liefern.

Daten enthalten verwaiste Datensätze

Jedes Datenobjekt steht in einer Datenbank immer in Beziehung zu einem übergeordneten Objekt. Beispielsweise ist ein Kontakt immer einer Firma zugeordnet oder eine Angebotsposition einem Angebot. Fehlen im Quellsystem diese Zuordnungen (”verwaiste Daten”), die aber vom Datenmodell des Zielsystems zwingend gefordert werden, kommt es zu Fehlern bei der Datenübernahme. Dies ist besonders problematisch bei der Zusammenführung von Daten aus verschiedenen Systemen z.B. aus ERP- und CRM-Systemen mit unterschiedlichen Datenbankschemata.

Fehlerhafte oder veraltete Stammdaten

Eine Migration ist oft der Startschuss für eine umfassende Analyse und Bereinigung fehlerhafter oder veralteter Daten.

Kundendaten mit unterschiedlich formatierten Adressen

Unterschiedlich formatierte Adressen gibt es vor allem dann, wenn Daten aus mehreren Quellsystemen in ein Zielsystem überführt werden sollen, die Datenformate dort aber unterschiedlich definiert waren. Beispielsweise wurden im Quellsystem Straße und Hausnummer in ein Feld eingegeben, wofür im Zielsystem getrennte Felder vorgesehen sind. Oder wenn im Altsystem bei internationalen Adressen bestimmte Attribute in dafür nicht vorgesehene Felder geschrieben wurden, weil es an den notwendigen Feldern fehlte.

Redundanzen bei Stammdaten

Abhängig vom Datenmodell des Zielsystems müssen eventuell vorhandene Redundanzen im Datenmodell des Altsystems beseitigt werden. In einem einfachen Adressmanagementsystem werden z.B. sämtliche Daten eines Kontakts als eigenständige Einheit erfasst, was dazu führt, dass es für eine Firma mit mehreren Ansprechpartnern eine Vielzahl redundanter Datensätze gibt. Zur Übernahme ins neue CRM-System müssen dann diese Datensätze aufgetrennt und an die Struktur des Zielsystems angepasst werden.

Verknüpfung von Daten unterschiedlicher Systeme

Objekte werden in unterschiedlichen Systemen oft mit abweichenden Namen gespeichert, so dass eine automatische Zusammenführung per Vergleich von Zeichenketten nicht ausreicht. Dies kann an unterschiedlichen Normen zur Speicherung von Stammdaten liegen oder an abweichenden Datenstrukturen von Quell- und Zielsystem. Wurden etwa Kontakte in der Datenbank des Vertriebs in der Hierarchie Firma und Ansprechpartner abgelegt, in der Support-Datenbank Firma und Ansprechpartner in einem Record als eine Einheit erfasst, müssen die Supportdaten bei der Übernahme in ein CRM-System neu gruppiert und mit denen der Vertriebsdatenbank zusammengeführt werden.

Aktuellen Zustand der Datenqualität ermitteln

Bevor man an die Verbesserung der Datenqualität geht, sollte man sich erst mal ein Bild der ursächlichen Probleme machen. Um geeignete Maßnahmen zu ergreifen, ist es unabdingbar zu verstehen, wo die Ursachen der Probleme versteckt sind. Wir bieten Ihnen einen Data Quality Audit an, der konkrete Aussagen zum aktuellen Zustand der Datenqualität ermöglicht.

Die Ergebnisse des Audits sind eine fundierte Basis für eine solide Planung von Folgeprojekten. Gerade bei anstehenden Migrationsprojekten ist eine ausführliche IST-Analyse direkt abhängig vom Erfolg des Gesamtprojektes.

Erfahren Sie hier mehr über den Data Quality Audit.

Uniserv Data Quality Lösungen zur Datenmigration – analysieren, überführen, bereinigen

Die modularen Data Quality Lösungen von Uniserv helfen Ihnen dabei, Ihre Migrationsdaten reibungslos in neue Systeme Ihrer IT-Infrastruktur zu überführen. Sie halten Ihre operativen Aktivitäten in Gang und können dank optimierter Datenqualität Ihre neuen Applikationen schneller produktiv nutzen. Und Sie sind in der Lage, die Zeit- und Budgetvorgaben Ihres Datenmigrationsprojektes punktgenau einzuhalten.

Data Quality Explorer: Mit dem Explorer erkunden Sie den Ist-Zustand Ihrer Daten vor der Überführung, insbesondere wenn die Dokumentation der Altsysteme unzureichend ist. Daraus können Sie die Transformationsregeln für den Migrationsprozess ableiten.

Data Integration Services: Die umfassende Lösung zur Übernahme von Daten aus unterschiedlichen Quellen, Transformation von Record-Strukturen und Feldinhalten und zur flexiblen Bereitstellung der Daten in beliebigem Format für die Zielsysteme

Data Quality Batch Suite: Die komplette Produkt-Suite zur Validierung, Bereinigung, Konsolidierung und Anreicherung von Daten

Data Quality Monitor: Damit können Sie die Verletzung festgelegter Business-Regeln überwachen bzw. zählen. Dies ist insbesondere dann sinnvoll, wenn die Bereinigung von fehlerhaften Daten im Altsystem erfolgen muss, dort aber keine entsprechende Prüfung integriert ist.

Profitieren Sie bei allen Uniserv Data Quality Solutions zur Datenmigration u.a. von:

• umfassenden Analysen der bestehenden Daten und Datenstrukturen (Data Profiling)
• schnell implementierbarer Transformation von Record-Strukturen und Feldinhalten (Data Integration Services)
• Überwachung der Datenqualität in Quell- und Zielsystemen (Data Quality Monitor)
• sicherer Bereinigung der Daten von Fehlern, Dubletten sowie unzulässigen Feldeinträgen nach definierten Regeln und durch Abgleich gegen Referenzdaten (Data Cleansing) und damit
• schneller Nutzung leistungsfähigerer Systeme durch reibungslose Überführung von Daten aus unterschiedlichen Systemen in höchster Qualität