Datenqualitätsmanagement wird unumgänglich
Vor allem hoher Automatisierungsgrad fordert Datenqualität
Seit Jahren investieren Unternehmen in Qualitätsmanagementsysteme, um ihre Prozesse an den Kundenwünschen auszurichten. Trotz aller Erfahrungen und Weiterentwicklungen auf diesem Gebiet wurde die Qualität der Daten bisher nahezu vernachlässigt.
Die ISO 9001 berücksichtigt verstärkt den risikobasierten Ansatz. Er zielt darauf ab, frühzeitig unternehmensgefährdende Risiken zu berücksichtigen, zu bewerten und zu vermeiden. Dabei gibt es erste Anzeichen in Richtung Daten- und Informationsqualität.
Vom Faktor Mensch zur Industrie 4.0
Bei genauer Betrachtung der Prozesse wird deutlich, dass mangelnde Datenqualität lange nicht als problematisch erkannt wurde, da sich hinter vielen Schnittstellen immer noch der Mensch verbirgt. Er kann ständig korrigierend eingreifen. Diese kleinen Korrekturen tauchen meist in keiner Kostenrechnung auf. Erst wenn die Prozesse stetig ineffizienter werden, fallen die permanenten Korrekturmaßnahmen auf.
Mit der Automatisierung der Geschäftsprozesse durch entsprechende Internet-Technologien kommt die Ineffizienz sofort zur Geltung. Denn der korrigierende Mensch tritt in den Hintergrund. Wenn in Zukunft Maschinen miteinander „sprechen“ (M2M Communication), steht der Mensch nicht mehr als Korrektor zur Verfügung. Maßnahmen, die die Datenqualität sichern, müssen dann bereits berücksichtigt und integriert sein.
Leitfäden zur Implementierung
Bei der Einführung eines Datenqualitätsmanagements ist es sinnvoll, sich bereits bestehender Normen für Qualitätsmanagement (QM) zu bedienen und das Datenqualitätsmanagement in eine TQM-Strategie (TQM = Total Quality Management) zu integrieren. Voraussetzung dafür sind Grundsätze wie Kundenorientierung, Prozess- und Ergebnisorientierung, ständige Verbesserung im Sinne von Prävention und Einbeziehung aller am Prozess beteiligten Interessenspartner.
Die im deutschsprachigen Raum bereits etablierte Norm DIN EN ISO 9001 und die Datenqualitätsnorm ISO 8000 bringen einige Basisstandards mit. Darüber hinaus können Best-Practice-Ansätze aus erfolgreich umgesetzten Datenqualitätsmanagement-Projekten weiterhelfen.
Mit abgegrenztem Projekt beginnen
Zu Anfang ist es nicht sinnvoll, sofort ein ganzheitliches Datenqualitätsmanagement unternehmensweit zu etablieren. Zunächst sollte ein abgegrenztes Projekt geplant und durchgeführt werden. Das Ziel ist, möglichst früh erste Erfolge zur Verbesserung der Datenqualität zu erreichen und Sicherheit in der Implementierung eines Datenqualitätsmanagement zu erlangen. Der ideale Zeitraum für ein solches Projekt sind drei, höchstens sechs Monate. Unternehmen sollten dort ansetzen, wo mangelhafte Datenqualität offensichtlich hohe negative Auswirkungen auf Prozesse, beziehungsweise Prozesseffizienz, Servicequalität und Kosten hat.
Nachhaltiges Datenqualitätsmanagement
Vor der Einführung eines Datenqualitätsmanagements sollte eine detaillierte Anforderungsaufnahme durchgeführt werden, um Ergebnisse, Rahmenbedingungen und Verantwortlichkeiten aus der Geschäftsführung zu definieren. Die Ergebnisse müssen in einer Data Governance dokumentiert sein (Bild 1). Das heißt, es sollten strukturierte Prozesse eingeführt und eingehalten werden, um Daten dauerhaft in wertvolle und nutzbare Informationen zu verwandeln.
Idealerweise werden die Ergebnisse der Anforderungsaufnahme für alle Projektbeteiligten und Projektinteressierten (Stakeholder) öffentlich zugänglich gemacht. Es empfiehlt sich, entsprechende Projektmanagement-Methoden (z.B. Prince2, Critical Chain Projektmanagement CCPM) umzusetzen sowie einen Change-Prozess zu implementieren. Nur, wenn sich alle Beteiligten im Unternehmen der hohen Bedeutung der Datenqualität bewusst sind, wird das Datenqualitätsmanagement langfristig überleben können.

Bild 1. Der Aufbau und Inhalt einer Data Governance in Anlehnung an Ausführungen von Dalton Cervo. Quelle: http://www.dcervo.com.
Inhaltsverzeichnis
- 1: Datenqualitätsmanagement wird unumgänglich
- 2: Für wen ist Datenqualitätsmanagement sinnvoll?
Detlef Apel, Wolfgang Behme, Rüdiger Eberlein, Christian Merighi: Datenqualität erfolgreich steuern Praxislösungen für Business-Intelligence-Projekte , Carl Hanser Verlag, München, 11/2010
Deutsche Gesellschaft für Qualität:
Expertenwissen für DGQ-Mitglieder, Aktuelle Informationen aus der Normung – Revision DIN EN ISO 9001/14001:2015 und Struktur für neue Systemnormen
Deutsche Gesellschaft für Informations- und Datenqualität: IQ Dimensionen definieren
Daten- und Informationsqualität: Auf dem Weg zur Information Excellence, Vieweg+Teubner Verlag; Auflage: 2., akt. und erw. Aufl. 2011 (10. Februar 2011), ISBN-13: 978-3834814531
-
25.09.2020 Lean Thinking im Lean Project Management
Serie zum Thema Prozesse, veröffentlicht von QM-Experten deutscher Unternehmen gemeinsam mit der N5 GmbH und der Fachzeitschrift QZ