Data Quality Scorecard

Data Quality Scorecard

Messbare Datenqualität

Stammdaten sind zum Unternehmensgut geworden. Ihr hoher Wert wird von den Unternehmen erkannt und es besteht der Wunsch die Datenqualität (engl. Data Quality) in Form eines Key Performance Indicator in der Unternehmensstrategie zu verankern. Eine Herausforderung dabei ist, die Datenqualität zu messen, zu bewerten und kontinuierlich zu überwachen.

Wie aber bewertet man die Qualität der Daten konkret? Und wie identifiziert man die Bereiche, in denen es Optimierungsbedarf gibt? Der Schlüssel dazu: die Data Quality Scorecard von Uniserv. Sie gibt Auskunft darüber, wie gut die Unternehmensdaten tatsächlich die analytischen und operativen Prozesse und datengetriebenen Projekte unterstützen. Regelmäßig werden die Unternehmensstammdaten auf die Einhaltung individuell festgelegter Geschäftsregeln überprüft. Das Resultat dieser Prüfung: Ein Data Quality Score. Auf dessen Basis werden dann ganz individuell und geschäftsregelbasiert Optimierungsmaßnahmen beschlossen und durchgeführt. Negative Trends bei der Datenqualität erkennen Sie so frühzeitig. Gegenmaßnahmen können dann schnell implementiert werden – bevor ein Schaden entsteht.

Um Ihr Unternehmen zu einem erfolgreichen Datenqualitätsmanagement zu führen, ist die Data Quality Scorecard von Uniserv ein grundlegendes Hilfsmittel. Sie liefert Ihnen KPIs, mit denen Sie die Qualität Ihrer Daten über eine gewisse Zeitspanne hinweg und regelmäßig an definierten Geschäftsregeln messen können.

Leistungen der DQ Scorecard

Im Gegensatz zu einem einfachen Monitoring auf Daten­satzebene wird mit der Data Quality Scorecard der Gesamtdatenbestand gegen selbst definierte Geschäftsregeln geprüft. Das System ist dabei je nach Szenario individuell konfigurierbar: Es können unterschiedlichste Datenquellen angebunden werden. Zudem herrscht bei der Durchführung des automatisierten Prüfvorgangs ein minimaler manueller Aufwand, sodass eine geringe Fehleranfälligkeit besteht.

Die Prüfergebnisse werden auf verschiedenen Ebenen aggregiert und können nach individuellen Regeln gewichtet sowie analysiert werden. Die Regeln beziehen sich auf einzelne Felder, sie können aber auch feldübergreifend sein. Zudem werden die Scores auf Feldebene und je nach Bedarf auf Datensatzebene erstellt. Durch die Aggregation können die Scores auch über eine Gruppe von Feldern, zum Beispiel Namens- und Adresselemente, hinweg generiert werden, um festzustellen, ob diese Datensätze eindeutig sind.

Am Ende steht der Data Quality Score, ein KPI, mit dem die Datenqualität der gesamten Unternehmensstammdaten bewertet werden kann. Dieser kann ohne Aufwand innerhalb weniger Klicks auf einer browserbasierten Oberfläche ausgelesen werden. Möglich ist auch, dass einzelne Geschäftsbereiche oder -prozesse (Konfigurationen) mit der DQ Scorecard abgebildet werden. Somit hat jedes Szenario – z.B. eine E-Mail-Kampagne im Marketing – einen eigenen DQ Score und kann gesondert unter die Lupe genommen werden. Diese Szenarien-basierten DQ Scores können in einem weiteren Aggregationsschritt zu einer übergeordneten Kollektion verrechnet werden, somit erhält man einen übergeordneten DQ Score, der die Datenqualität über verschiedene Bereiche abbildet.

Per Drilldown-Funktionalität ist ganz genau nachvollziehbar, welche Konfigurationen und Regeln beziehungsweise welche Entitäten zu einem schwächeren Data Quality Score geführt haben – also wo sich Probleme und Schwachstellen verbergen. So können gezielte Maßnahmen zur Optimierung der Datenqualität festgelegt werden. Der Effekt der Maßnahme spiegelt sich dann beim nächsten DQ-Scorecard-Lauf wieder.

Die IDs der Datensätze, die durch Regeln gefallen sind und optimiert werden müssen, stehen nun auch über eine einfache Export-Funktion zur Verfügung. Somit schließt sich der Kreis, da nun zielgerichtete operative Maßnahmen durchgeführt werden können, um die Qualität der Daten zu optimieren und den DQ Score zu verbessern. Datenqualität wird somit transparent und steuerbar.

Ohne Überblick über die Qualität Ihrer Daten, gibt es folgende Herausforderungen

  • fehlende Key Performance Indicators für Datenqualität
  • keine Festlegung von automatisiert prüfbaren Geschäftsregeln
  • mangelhafte Überwachung der Datenqualität im strategischen Bereich
  • fehlende Erfolgskontrolle von eingeleiteten Data-Quality-Maßnahmen

Die Einführung der Data Quality Scorecard bietet viele Vorteile

  • operative Unterstützung bei der Umsetzung der Data Governance Strategie
  • Abbildung der Datenqualität auf System- und Prozess-Ebene
  • Möglichkeiten der Bildung eines DQ Scores, der einzelne Szenarien-DQ Scores enthält
  • kontrollier- & dokumentierbare Datenqualitätsmaßnahmen, die falls notwendig nachjustiert werden können
  • zielgerichtete Steuerung von Optimierungsmaßnahmen anhand Drilldown-Funktionalität bis auf Feldebene
  • möglicher Export der IDs der betroffenen Datensätze
  • Darstellung der DQ Scores in einem browserbasierten Dashboard
  • Fokus auf Business Cases durch individuelle Regelgewichtung
  • nutzerbasiertes Berechtigungskonzept
  • technische Kombination mit anderen Data-Quality-Lösungen

Haben Sie Fragen?

Wir beraten Sie gerne!

Kontaktieren Sie uns jetzt