Datenqualität mit Methode - Teil 2

Zweiter Teil unserer Artikelserie zu den 6 Schritten zur Datenqualität mit Methode:

Schritt 2: Messgrößen für die Datenqualität bestimmen und Ziele definieren

Als Nächstes müssen Sie die Messgrößen bestimmen, mit denen sich die Qualität der Daten in den Datenfeldern Ihrer wichtigsten Anwendungen messen lässt, und Datenqualitätsziele für die einzelnen Datenfelder definieren. Die Messgrößen sollten auf den folgenden sechs Dimensionen der Datenqualität beruhen:

1. Vollständigkeit: Welche Daten fehlen oder sind unbrauchbar?
2. Konformität: Welche Daten sind in nicht standardisierten Formaten gespeichert?
3. Konsistenz: Welche Datenwerte widersprechen einander?
4. Dubletten: Welche Datensätze oder Attribute kommen mehrfach vor?
5. Integrität: Welche Daten werden nicht referenziert oder sind in anderer Weise fehlerhaft?
6. Genauigkeit: Welche Daten sind falsch oder nicht mehr aktuell?

Sie können für die Datenqualität auch benutzerdefinierte Dimensionen festlegen, die ihren Geschäftsanforderungen entsprechen. So können Sie zum Beispiel Messgrößen definieren, um die Dimension der Zeitgenauigkeit (tatsächliche Verfügbarkeit der Daten im Vergleich zur erwarteten Verfügbarkeit) oder Aktualität (wie aktuell die Informationen sind) abzubilden.

Verknüpfen Sie Ihre Messgrößen direkt mit den geschäftlichen Auswirkungen der Datenqualität. Stellen Sie zum Beispiel eine Korrelation zwischen geschäftlichen Aspekten wie Lagerumschlag und Kundenauslieferungen und Datenqualitätsdimensionen her, die diese beeinflussen können (Konsistenz und Genauigkeit von Bestandsdaten oder doppelt vorhandene Kundendaten).

Wie beim Profiling sollte die Bestimmung der Messgrößen und die Definition von Datenqualitätszielen gemeinsam im Team und regelmäßig erfolgen.

Schritt 3: Geschäftsregeln für Datenqualität entwerfen und implementieren

Der nächste Schritt besteht darin, die Geschäftsregeln für die Datenqualität festzulegen. Dies sollte eine wiederverwendbare Geschäftslogik sein, die steuert, wie die Daten bereinigt und analysiert werden, um die Felder der Zielanwendung zu füllen. Die Geschäftsanwender-Teams und IT-Teams erreichen die besten Ergebnisse, wenn sie beim Entwerfen, Testen, Verfeinern und Implementieren dieser Geschäftsregeln über eine rollenbasierte Funktionalität zusammenarbeiten.

So können Geschäftsanalysten und Datenverwalter beispielsweise Software tools nutzen, um Datenprofile zu erstellen, Daten zu analysieren und Datenqualitätsübersichten zu erstellen. Sie können Tiefenanalysen von bestimmten, qualitativ mangelhaften Datensätzen durchführen, um ihre Auswirkungen auf das Unternehmen zu ermitteln und herauszufinden, wie sie behoben werden können. Das Tool ermöglicht es Geschäftsanwendern, Messgrößen und Berichte zur Datenqualität gemeinsam zu nutzen, indem sie einfach eine URL an ihre IT-Kollegen schicken. Zudem haben sie die Möglichkeit, mit den Entwicklern zusammenzuarbeiten, um Datenqualitätsregeln zu definieren, zu validieren, zu konfigurieren, zu implementieren und zu testen.

IT-Spezialisten nutzen rollenbasierte Funktionalitäten, um die Datenqualitätsregeln zu bewerten und zu verfeinern. Die Lösung umfasst außerdem vorkonfigurierte Regeln, die die Entwickler ausführen oder bearbeiten können, um sie an die jeweiligen Ziele anzupassen, sowie Funktionen zur kompletten Neuerstellung von Regeln.

Schritt 3 kann auch die Entwicklung von Regeln für den Abgleich und die Validierung von Namen und Adressen beinhalten. Alle entwickelten Geschäftsregeln können von den Anwendern in einer Abteilung oder im gesamten Unternehmen über die verschiedenen Datenquellen hinweg problemlos wiederverwendet werden. Durch die Zusammenarbeit und die Wiederverwendung der Geschäftsregeln lassen sich zum einen Zeit- und Kostenaufwand deutlich reduzieren und zum anderen solide und nachhaltige Datenqualitätsprojekte durchführen.

Schritt 4: Datenqualitätsregeln in Datenintegrationsprozesse integrieren

In Schritt 4 wird die Datenqualität umgesetzt, indem die IT-Entwickler die definierten Geschäftsregeln in die Datenqualitäts- und -integrationsprozesse einbinden. Wie, wo und auf welche Anwendungen Ihr Unternehmen diese Datenqualitätsregeln anwendet, hängt vom Umfang Ihres Projekts ab sowie von Ihren Datenqualitätsstrategien.

Das unabhängige Forschungsunternehmen Forrester Research Inc. empfiehlt eine Upstream-Bereitstellung, damit fehlerhafte Daten korrigiert werden können, bevor sie nachgelagerte Systeme "verunreinigen". "Ihr Ziel sollte es sein, Ihre nachgelagerten Stapelverarbeitungsprozesse als Ergänzung zu den vorgelagerten Datenqualitätsregeln und -prozessen zu verwenden, und nicht als Ihre letzte Verteidigungslinie", so Forrester in einem Bericht.

Datenqualitätsdienste bestehen aus wiederverwendbaren Geschäftsregeln, die Sie zentral und anwendungsunabhängig verwalten können, um Vorgänge wie Profiling, Bereinigung, Standardisierung, Namens- und Adressenabgleich und Überwachung auszuführen.

• Weiter zu Teil 3
  
• Zurück zu Teil 1

(Vergleiche “Die Datenqualitätsmethode von Informatica ”, Whitepaper von Informatica, The Data Integration Company)