Datenqualität mit Methode - Teil 1

Wir haben für Sie eine kurze Artikelserie zu den 6 Schritten zur Datenqualität mit Methode vorbereitet!

Um das Datenqualitätsproblem in Angriff zu nehmen, müssen die Unternehmen in die Mitarbeiter, Prozesse und Technologien investieren, die erforderlich sind, um fehlerhafte Daten in vertrauenswürdige, verwertbare Geschäftsinformationen zu verwandeln, die allen Beteiligten zur Verfügung stehen, wann und wo immer sie gebraucht werden. Die besten Datenqualitätsinitiativen zeichnen sich durch die folgenden vier Merkmale aus:

• Kooperativ: Die Geschäftseinheiten und die IT-Abteilung tragen gemeinsam die Verantwortung für die Datenqualität. Ihre Rollen müssen klar definiert sein. Außerdem sollte die Technologie an die jeweiligen Fähigkeiten und Perspektiven von Geschäftsanalysten, Datenverwaltern sowie IT-Entwicklern und -Administratoren angepasst sein.
• Proaktiv: Sowohl von geschäftlicher Seite als auch von der IT wird gemeinhin anerkannt, dass es in jedem Unternehmen gewisse Defizite bei der Datenqualität gibt. Deshalb führen sie ein proaktives Daten-Profiling durch und beheben die gefundenen Probleme, bevor diese größere Auswirkungen auf die Unternehmensleistung haben.
• Wiederverwendbar: Geschäftsregeln für das Daten-Profiling und die Datenbereinigung können für beliebig viele Anwendungen wiederverwendet werden. So werden die Prozesse gestrafft und beschleunigt, und es kann ein hoher Qualitätsstandard für die Daten sichergestellt werden.
• Umfassend: Die Datenqualitätsumgebung erstreckt sich auf alle Beteiligten, Datendomänen, Projekte und Anwendungen, unabhängig davon, wo sich die Daten befinden – ob vor Ort, bei den Partnern oder in der Cloud.

Um eine höchstmögliche Datenqualität zu gewährleisten, wird eine Methodik benötigt, in der die oben genannten Merkmale fester Bestandteil sind. Idealerweise sollte die Methodik von einem Gremium für Data Governance betreut und implementiert werden. Sie kann aber auch in einem Center of Excellence verwaltet werden.

Die nachfolgend beschriebene, aus sechs Schritten bestehende Methode, bietet bei der Umsetzung von Datenqualität Hilfestellung, und zwar vom ersten Schritt des Profiling bis hin zur kontinuierlichen Überwachung und Optimierung.

Schritt 1: Profile der Daten bezüglich Inhalt, Struktur und Anomalien erstellen

Der erste Schritt besteht darin, Datenprofile zu erstellen, um den Inhalt, die Struktur sowie etwaige Anomalien Ihrer Daten festzustellen und zu bewerten. Über das Profiling werden die Stärken und Schwächen der Daten identifiziert. Darüber hinaus unterstützt es Sie bei der Ausarbeitung ihres Projektplans. Ein wesentliches Ziel dabei ist es, Datenfehler und -probleme aufzuzeigen, wie z. B. Inkonsistenzen und Redundanzen, die für Geschäftsprozesse eine Gefährdung darstellen können.

Wenn Sie ein gründliches Daten-Profiling durchführen, legen Sie damit den Grundstein für den Erfolg Ihrer Datenqualitätsinitiative. Indem Sie die Probleme schon im Vorhinein erkennen, vermeiden Sie eine kostspielige und zeitaufwändige spätere Problembehebung. Sobald die Probleme identifiziert sind, werden die Datenattribute von den IT-Mitarbeitern und den Geschäftsanwendern untersucht, die daraufhin Metadaten zur Beschreibung der Attribute erstellen. Diese Metadaten – bzw. Daten über Daten – werden verwendet, um die Daten in nachgelagerten Prozessen oder während der Transformationsprozesse zu bereinigen.

Beim Daten-Profiling können und sollten Geschäftsanalysten, Datenverwalter und IT-Entwickler zusammenarbeiten. Software unterstützt Sie mit rollenbasierter Daten-Profiling- Technologie dabei, Lücken bei der Zusammenarbeit zu schließen, die Datenqualität zu bewerten, Anomalien zu identifizieren sowie Geschäftsregeln und Übersichten zu erstellen:

• Erstellung, Bereitstellung und zentrale Verwaltung wiederverwendbarer Datenqualitätsregeln
• Physische oder virtuelle Bereitstellung von Daten mit beliebiger Latenz
• Verwendung vordefinierter Regeln für den Adressenabgleich und die Adressenbereinigung
• Anwendungsübergreifende Wiederverwendung von Profiling- und Regelspezifikationen
• Schneller Zugriff auf alle Daten, um Datenqualitätsprojekte zu beschleunigen

• Weiter zu Teil 2

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