Datenqualitätsprobleme im Geschäftsleben

WMDC Datenqualität

Schlechte Datenqualität: Probleme und Lösungen

Die Herausforderungen der Datenqualität

  • Die Datenqualität ist ein echtes Problem, das häufig nur unzureichend angegangen wird.
  • Qualitätsdaten sind für die Rentabilität eines Unternehmens entscheidend.
  • In großen Unternehmen handelt es sich jedoch um ein wiederkehrendes tiefgreifes Problem, das schlecht verstanden und unterschätzt wird.
  • Für Manager ist es sicher, dass Datenbearbeiter gute Daten erstellen (Sonst, setzen Sie einfach die Mitarbeiter unter Druck).
  • Die Mitarbeiter sind sich der mangelnden Datenqualität bewusst.
  • Sie geben bereits ihr Bestes. Um die Qualität der Daten zu verbessern, können sie auf ihrer Ebene die Verbesserungsmaßnahmen nicht antreiben.
  • Kontinuierliche Verbesserungs- und Qualitätssicherungsmethoden sind bei Datenerstellungsprozessen unwirksam.
  • Indikatoren und Dashboards sind erforderlich, aber sind nur bei einigen nicht standardmäßigen Mitarbeitern wirksam.
  • Die Kriterien für die Datenqualität zu kennen ist nützlich, aber theoretisch.
  • Die Verwendung des Begriffs "Datenqualität" zeigt eine sich abzeichnende Reife in Bezug auf das eigentliche Thema: Enterprise Data Management.

Albert Einstein über Datenqualität

  • Probleme kann man niemals mit derselben Denkweise lösen, durch die sie entstanden sind.
  • Die Definition von Wahnsinn ist, immer wieder das Gleiche zu tun und andere Ergebnisse zu erwarten.
  • Ein kluger Mensch löst ein Problem, ein weiser Mensch vermeidet es.

Zusammenfassung

  • Datenqualität ist entscheidend für die Rentabilität und Nachhaltigkeit eines Unternehmens.
  • In großen Unternehmen ist dies ein wiederkehrendes und komplexes Problem.
  • Für Manager ist es selbstverständlich, dass Teams gute Daten produzieren (wenn nicht, üben Sie einfach Druck auf sie aus).
  • Jeder ist für eine "Verbesserung der Datenqualität", aber es sind andere, die sich ändern müssen.
  • Die Datenqualität ist kein Problem. Es ist nur ein Symptom für ein größeres Problem.

Gute Daten sind unerlässlich

Beispiel der "Produkt" -Daten

Früher hatten Datenfehler im traditionellen Vertrieb keine direkten Auswirkungen, da sie von den Mitarbeitern des Unternehmens während der Interaktion mit Kunden (vor und nach dem Verkauf) korrigiert wurden. -Verkauf). Bei E-Commerce und computergestützten Ausschreibungen sind Interaktionen zwischen Kunden und Verkäufern selten. Weil diese Kontakte für Kunden zu langweilig und zu langsam sind (und für Unternehmen zu teuer). Heutzutage können nur gute Daten die Produkte verkaufen. Wenn Kunden mit schlechten Daten konfrontiert werden, können sie das Produkt nicht finden oder den Kauf aufgeben. Mit E-Commerce und computergestützten Ausschreibungen gibt es bei schlechten Daten keine zweite Chance mehr, kein negatives Feedback, nur verpasste, unsichtbare und nicht quantifizierbare Umsätze. In diesem hart umkämpften Umfeld erhalten Unternehmen, die gute Daten produzieren, einen wachsenden und endgültigen Vorteil gegenüber ihren weniger dynamischen Wettbewerbern.

Beispiel der "Kundendaten"

Mit E-Commerce stellen Kunden einfach und sofort mehrere Händler in Konkurrenz. Jede Kaufentscheidung ist einzeln, es gibt keine echte Treue mehr zu einer Marke oder einem Verkäufer. Im Internet, hinterlassene Bewertungen können verheerend sein und außer Kontrolle geraten. Jeder Fehler des Unternehmens vor oder nach dem Verkauf zahlt sich aus. Um im Spiel zu bleiben, müssen Unternehmen verstehen, was mit Kunden geschehen ist. Um schnell und effektiv Kundenerlebnisse zu analysieren, müssen Kundendaten gut strukturiert, vollständig und genau erfasst sein (in Übereinstimmung mit den Texten und im Sinne der DSGVO). Unter diesen Bedingungen können Unternehmen Scoring und Profiling entwickeln, um Rabatte, Sonderangebote, das Management von Retouren und Streitigkeiten zu optimieren.

Was sind die Kriterien der Datenqualität?

Es gibt unzählige Meinungen und Versionen zu den Dimensionen der Datenqualität. Hier ist eine Zusammenfassung basierend auf Erfahrungen.

Konformität mit der Realität

  • Die Daten sind ein digitaler Avatar einer Realität (Beispiel: ein Kunde, ein Produkt).
  • Dieser Avatar muss der Realität so treu wie möglich sein.
  • Die verwendete Terminologie, Syntax und Semantik muss ein identisches Verständnis der Daten durch alle Benutzerkategorien gewährleisten.
  • Das Aktualisieren von Daten ist ebenfalls von grundlegender Bedeutung.
  • Die Relevanz des Formats der Daten und ihre Genauigkeit sind ebenfalls sehr wichtig.

Einhaltung von Standards und Datenaustauschstandards

  • Im Engineering wie im E-Commerce gibt es mehrere konkurrierende Datenaustauschstandards.
  • Jedes Unternehmen muss daher die Entscheidungen seiner Partner einhalten und Daten gemäß den erwarteten Standards bereitstellen.
  • Da jeder Standard anders ist, gibt es zwei Alternativen: Manuelle Pflege jedes Standards oder halbautomatische Umwandlung der Originaldaten in jeden Standard durch Zuordnung.
  • Unabhängig von der gewählten Option müssen die verschiedenen Instanzen sowohl dem Standard (per Definition starr) als auch dem Objekt (immateriell) entsprechen, das sie darstellen, was immer zu Problemen führt.

Datenkonsistenz zwischen Systemen

  • Dieselben Daten können zu Recht in verschiedenen Computersystemen mit unterschiedlichen Zwecken verwaltet werden.
  • Diese verschiedenen Instanzen von Daten müssen jedoch konsistent miteinander sein, wenn sie nicht identisch sind.
  • Unter dieser Bedingung ist Duplizieren kein Problem.

Vollständigkeit, Vollständigkeit der Daten

  • Dies ist oft die erste analysierte Dimension, weil sie anscheinend die einfachste und kritischste ist.
  • Natürlich sollten alle Daten dort gepflegt werden, wo das Feld zugeordet ist.
  • Es gibt jedoch immer Sonderfälle, in denen Daten nicht sinnvoll sind und nicht gepflegt werden können.
  • Dies ist die Grenze aller quantitativen Dashboards, deren Gültigkeit häufig aufgrund bestimmter Sonderfälle in Frage gestellt wird.
  • Im Allgemeinen lässt die Software eine feinere Zuordnung von Attributen nicht einfach zu.
  • Die Abschiebung dieses Goldschmiedswerk in Datenqualitätsberichten ist riskant (wegen Komplexität) und öffnet die Tür zu endlosen Ausnahmen.

Technische Konsistenz der Daten

  • Um Daten zu analysieren, müssen Sie sie mit etwas Vergleichbarem vergleichen (andere Werte oder Regeln).
  • Der Vergleich aufeinanderfolgender Versionen von Daten (im selben System und im selben Feld) ist häufig sehr informativ.
  • Wenn Daten von einem anderen System geerbt werden, wird dringend empfohlen, diese Vererbung (Herkunft) zu überwachen.

Subjektive Wahrnehmung und Vertrauen

  • Wie das Sprichwort sagt: Eine Unze guten Rufs ist tausend Pfund Gold wert
  • Wenn perfekte Daten einen schlechten Ruf bekommen, werden sie nicht verwendet.
  • Es ist daher sehr wichtig, die Kundenzufriedenheit mit Ihren Daten zu messen, insbesondere wenn diese nicht auf Ihren objektiven Kriterien basieren.

Was sind die typischen Probleme mit der Datenqualität?

Datenprobleme, die Herstellern und Händlern gemeinsam sind

  • Datenvolumeneffekt: [Anzahl der Produkte] x [Anzahl der Merkmale] x [Sprachen] x [Datenstandards / Medien]

Hersteller: Spezifische Datenprobleme

  • Arbeitsaufwand und Komplexität bei der Erstellung von Daten: Vielzahl und Vielfalt der Datenformate, die Kunden und Partnern zur Verfügung gestellt werden sollen
  • Umständlich die Koordination der Erstellung und Pflege von Daten während des gesamten "Produkt" -Prozesses: Produktanforderungen, Entwicklung, Industrialisierung, Lieferkette, Marketing und Vertrieb, Technische Unterstützung.
  • Verhältnis zur Zeit: sehr lange Zyklen, begrenzte Reaktivität aufgrund industrieller Zwänge.

Großhändler, Einzelhändler: typische Probleme mit der Datenqualität

Es ist das Gegenteil der Hersteller!

  • Große Datenvielfalt der verschiedenen Hersteller im Vergleich zu dem Wunsch, die Präsentation der Produkte für alle Marken zu harmonisieren.
  • Fokus auf die Produktsuche (Standardisierung von Filtern und Bezeichnungen) im Vergleich zum Interesse von Kunden (und Herstellern) an Unterscheidungsmerkmalen.
  • Riesige Datenmengen, hohe Kostensensitivität. Ein großer Teil der Daten wird von Kunden nicht verbraucht.
  • Begrenztes Fachwissen zur Bewertung der Qualität und Relevanz von Daten, Unfähigkeit, sie zu beheben (Datenmenge).
  • Hohe Reaktivität, Dringlichkeit (von den Herstellern als Instabilität wahrgenommen).

Große oder komplexe Unternehmen haben mehr Datenprobleme!

  • Unternehmen sind in Abteilungen organisiert, die in vertikalen Silos arbeiten.
  • Jedes Silo konzentriert sich auf seine internen Ziele und verwaltet seine eigenen Verfahren und IT-Systeme.
  • Einige Prozesse sind jedoch auf mehrere Silos (Abteilungen) übergreifend.
  • Die Schnittstellen zwischen Silos, die Probleme verursachen, weil jede Abteilung eine bestimmte Perspektive und Einschränkungen hat.

Natürlich braucht ein Unternehmen nicht unbedingt überall perfekte Daten ...

  • Solange interne Prozesse ungefähr das liefern, was erwartet wird, kann das Unternehmen mit Unvollkommenheit leben.
  • Andererseits muss das Unternehmen bei Prozessen, die sich auf externe Partner oder Kunden auswirken, aufrütteln.
  • Es ist keine gute Idee zu warten, bis das Problem akut wird: Wenn die Zeit gekommen ist, wird das Unternehmen nicht genug Zeit haben, sich anzupassen.

Was ist der richtige Ansatz für Qualitätsdaten?

Berücksichtigung der durch die Digitalisierung verursachten Zeitbeschleunigung

Unternehmen befinden sich im Projektmodus, in dem die Bemühungen ein Anfangs- und ein Enddatum mit definierten Zielen und Ressourcen haben. Um im Digitalisierungswettlauf zu bleiben, muss die Anpassung durchgängig werden, die Aktivität muss dauerhaft sein. Die "Versuch-Irrtum" -Schleifen stellen eine große Gefahr für das Unternehmen dar, da sie jetzt zu langsam, zu zufällig und unzureichend sind. Um keine Zeit und Ressourcen zu verschwenden und zu beschleunigen, müssen die Unternehmen von der kontinuierlichen Verbesserung zur Transformation übergehen.

Mitarbeiterausbildung

Der Begriff Ausbildung mag hart klingen, ist aber in der Tat eine gründliche Arbeit, die zu einer Verhaltensänderung führen muss (nicht nur zur internen Kommunikation).

Einrichtung einer echten kollektiven Verwaltung (Governance)

Koordinierungsorgane sind recht einfach einzurichten. Es dauert jedoch lang, bis diese Koordinierungsorgane das Allgemeinwohl gegen die spezifischen Interessen der Abteilungen durchgesetzen.

Diagnose, Ziele und ausgerichtete Mittel

Meistens ist das Problem nicht einmal klar angegeben, aber jeder hat bereits seine Vorstellung, was zu tun ist (sehr oft, eine Software zu kaufen). Die Projekte werden gestartet, noch bevor sich die Akteure auf die Diagnose und die möglichen Lösungen einigen. Die Abfolge reaktiver Projekte trägt mehr zum Problem als zur Lösung bei. Oft werden Manager vom Unternehmen dazu aufgefordert: Durchlaufen von Einwegprojekten bietet eine gewisse Sichtbarkeit und einen Ruf für ihre Tatkraft. Alle sind für die digitale Transformation, aber nur wenige beteiligen sich aktiv daran.
Wie lange wird Ihr Unternehmen ohne Transformation profitabel sein?

Weitere Informationen:

Leistungen Angebot  Email Anfrage

Tag-Liste:

Daten

,

Qualität

,

Probleme

,

Dimensionen

,

Vollständigkeit

,

Konformität

,

Konsistenz

,

Kunde

,

Produkt

,

E-Commerce