Was ist Datenqualitätsmanagement?

Tatsache: Datenqualitätsmanagement erhöht den ROI

Entscheidungsfindung und Problemlösung basieren auf Daten, die Sie erhalten und interpretieren, um Ihre Unternehmensvision zu erreichen, Mitarbeitern oder Kunden zu helfen oder ein Problem zu lösen. Gartner schätzt die jährlichen finanziellen Auswirkungen einer schlechten Datenqualität auf ca. 13 Millionen US-Dollar, wobei Finanzdienstleistungsunternehmen aufgrund von Sanktionen und Marktschwankungen mit noch höheren Risiken konfrontiert sind.

Datenqualitätsmanagement (DQM) wirkt sich auf die Fähigkeit aus, eine Strategie für das Datenmanagement (MDM) zu entwickeln. Gartner und ISACA sind der Meinung, dass Datenqualität ein immer wiederkehrendes Thema und Anliegen auf Vorstandsebene sein muss. Nur die oberste Führungsebene, die von Datenqualitätsmanagement-Tools und Dashboards profitiert, kann eine Kultur und Verhaltensweisen schaffen, die Daten von einem strategischen Aktivposten in eine gefährliche Belastung verwandeln.

Was ist Datenqualitätsmanagement?

Unter Datenqualitätsmanagement versteht man ausgereifte Prozesse, Tools und ein tiefgreifendes Verständnis der Daten, die Sie benötigen, um Entscheidungen zu treffen oder Probleme zu lösen, um Risiken und Auswirkungen auf Ihr Unternehmen oder Ihre Kunden zu minimieren. Sie können über Daten von hoher Qualität verfügen und dennoch schlechte Geschäftsergebnisse erzielen. DQM ist die Praxis, diese Daten flexibel und flexibel für Ihre Zwecke zu nutzen. Dazu müssen Sie die vorhandenen Daten sowie die Prozesse und Tools, die die Daten nutzen oder unterstützen, anhand von Kriterien wie Genauigkeit, Vollständigkeit, Beständigkeit und Aktualität bewerten.

DQM- und MDM-Praktiken zur Datenerfassung, -nutzung und -speicherung sind Teil der Aufgaben aller Beteiligten, einschließlich der Anbieter. Dies macht Daten zu einem ganzheitlichen Vermögenswert, d. h. Daten sind der Input und Output jeder Aufgabe und Transaktion Ihres Unternehmens. Daher wird die Qualität Ihrer Daten durch die Einhaltung bewährter Branchenpraktiken (DQM) verbessert, die mit der Entwicklung einer Sicht auf den Datenfluss und die Datennutzung (MDM) beginnen.

Fundierte DQM- und MDM-Praktiken helfen bei der Bewältigung:

• Mangelndes Vertrauen in die Daten führt dazu, dass die Mitarbeiter ihre eigenen Datenversionen erstellen (nicht standardisierte Excel-Tabellen und Datentabellen).
• Unzureichende Daten als Grundlage für schlechte Entscheidungen.
• Die gestiegenen Kosten für Datenmanagement und -speicherung.
• Mangelnde Einheitlichkeit bei der Verwendung von Daten oder der Handhabung, was zu einer komplizierten Nutzung von Anwendungen führt.
• Schaffung eines inakzeptablen Risikos oder potenzieller Rufschädigung, da die Daten nicht ordnungsgemäß verwaltet werden.
• Kommunikations- und Kollaborationssilos, die durch unzureichende oder missverstandene Daten verursacht werden.
• Unfähigkeit, auf volatile Marktveränderungen oder -krisen zu reagieren (z. B. COVID-19).
• Die fehlende Einführung digitaler Verfahren verhindert die abteilungsübergreifende Nutzung nicht strukturierter Daten.

Einfach gesagt: Datenmanagement ist eine ganzheitliche Praxis, die jeden Aspekt Ihres Unternehmens betrifft. Ihre Datenmanagement und -Modelle werden reifen, wenn Sie ein Data Quality Management Framework einführen.

Quelle: Beyond Accuracy: Was Datenqualität für Datenkonsumenten bedeutetEin weitererVorschlag wäre, die von Cloud bereitgestellten Frameworks und Tools wie Azure Purview zu prüfen. Dieses Tool zeigt die Herkunft Ihrer Daten von der Entstehung bis zur Archivierung oder Löschung auf. Auf diese Weise bauen Sie eine Reihe von vertrauenswürdigen Datenquellen (Data Warehouses, Data Lakes) auf, die alle Ihre Governance- und Audit-Szenarien unterstützen. Am besten lassen Sie sich von Datenmanagement und Integrationsberatern beraten, die Ihnen bei der Einführung von Tools und Prozessen zur Integration, Überwachung, Überprüfung, Archivierung und Löschung Ihrer Daten über Ihre definierten Master- und Datenmanagement helfen können.

Attribute des Datenqualitätsmanagements

Qualitatives Datenmanagement ist das, was Ihr Unternehmen gesund macht. Wie bereits erwähnt, hat DQM die folgenden Eigenschaften:

• Unvollständigkeit: Gibt es fehlende Felder oder fehlende Informationen?
• Gültigkeit: Erfüllen die Daten den beabsichtigten Zweck und die beabsichtigte Verwendung?
• Einzigartigkeit: Stützen Sie sich auf den richtigen Datensatz und nicht auf eine Sammlung redundanter, aber veralteter Informationen?
• Beständigkeit: Stehen allen Beteiligten die gleichen Informationen zur Verfügung und variieren sie nicht je nach Anwendung des Geschäftsbereichs?
• Aktualität oder Alter: Repräsentieren die Daten die genauesten und verfügbaren Informationen, die zum Zeitpunkt der Verwendung verfügbar waren?
• Genauigkeit: Entsprechen die Datenwerte den Erwartungen?
• Integrität: Entsprechen die Daten Ihren Standards für die Datenqualität?

Framework Datenqualitätsmanagement und bewährte Praktiken

Wenn Sie sich die Attribute der Datenqualität und ihre Formulierung in einem Stammdatensystem vor Augen halten, können Sie die Struktur Ihres Framework erstellen. DQM- und MDM-Rahmenwerke unterstützen die Regeln und Maßnahmen zur Datenqualität, die Ihr Vertrauen in die Entscheidungen zur Dateneinspeisung sicherstellen und dafür sorgen, dass die Probleme solide sind.

Ein Framework dient als Leitfaden für Ihre Richtlinien und Prozesse zur Steuerung der Datenqualität sowie für die Leitplankenmetriken und Regeln, die Mitarbeitern, IT-Mitarbeitern und Anbietern dabei helfen, Ihre Daten sicher und nutzbar zu halten. Berücksichtigen Sie bei der Erstellung des Framework:

• Rechenschaftspflicht: Wer wird der führende Verantwortliche für Ihre Datenstrategie und -verwaltung sein? Viele schaffen die neue Funktion des Chief Data Officer (CDO), um diese Aufgabe zu erfüllen.
• Transparenz: Wie werden die Regeln für die Datenweitergabe aussehen? Welche Rückmeldungen werden Sie einholen, um Änderungen an der Politik zu beeinflussen?
• Einhaltung: Wie werden Sie wissen, dass die Richtlinien und Standards eingehalten werden? Welche Strafe droht bei einem Verstoß gegen eine Datenrichtlinie? Wie werden Sie sicherstellen, dass Ihre Richtlinien den gesetzlichen Vorgaben entsprechen?
• Schutz: Was werden Sie tun, um Daten zu archivieren, zu bereinigen, zu ändern, zu sichern, zu backup, wiederherzustellen und zu löschen? Woher wissen Sie, dass Sie Datenprobleme haben? Welche Überwachungs- und Warnsysteme müssen Sie für eingehende Datenquellen (z. B. aus dem Internet) oder ausgehende Daten (werden Daten illegal übertragen oder wurden Sie gehackt) haben?

Ein hervorragendes Modell zur Übernahme und Anpassung stammt von den Professoren Richard Wang und Diane Strong Jenseits der Genauigkeit: Was Datenqualität für wirtschaftliche Verbraucher bedeutet.

Quelle: Beyond Accuracy: Was Datenqualität für Datenkonsumenten bedeutetEin weiterer Vorschlag wäre, sich die von Cloud angebotenen Frameworks und Tools, wie Azure Purview, anzusehen. Dieses Tool zeigt den Verlauf Ihrer Daten von der Entstehung bis zur Archivierung oder Löschung auf. Auf diese Weise können Sie eine Reihe von Datenquellen (Data Warehouses, Data Lakes) aufbauen, die vertrauenswürdig sind und alle Ihre Governance- und Audit-Szenarien unterstützen. Am besten lassen Sie sich von Datenmanagement und Integrationsberatern beraten, die Ihnen bei der Einführung von Tools und Prozessen zur Integration, Überwachung, Überprüfung, Archivierung und Löschung Ihrer Daten über Ihre definierten Master- und Datenmanagement helfen können.

Wo fangen Sie an?

Die erste Frage, die wir uns stellen müssen, lautet: Welche Daten verwenden wir? Mit einer einfachen Version der Abbildung Ihrer Arbeit (Wertstromanalyse) können Sie alle verschiedenen Daten in Ihrer Organisation aufdecken, wo und warum sie verwendet werden und wie sie verwaltet werden. Ohne eine Bewertung wird das von Ihnen erstellte Datenmanagement nicht zweckmäßig sein, was sich auf alle Qualitätskennzahlen auswirkt, die Sie zu erreichen hoffen. Nach Rücksprache mit Ihren Entwicklungsteams und Datenmanagement hilft Ihnen ein sorgfältiger Entwurf, die Fallen schlechter Datenmanagement zu vermeiden.

Ihr Entwurf wird zu einer Reihe von Pilotprojekten führen, in denen Sie die Daten, die in Ihrem Unternehmen fließen, im Hinblick auf Qualität und Kontrolle bewerten. Die Ergebnisse der Pilotprojekte werden Ihnen helfen, Ihr Data Quality Governance Framework zu strukturieren. Dieses Framework hilft Entwicklungsteams und Anwendern dabei, Daten als Informationsquelle mit Hilfe von Werkzeugen, Vorlagen, Richtlinien, Training und Überwachungen, die IhrFramework für jeden Datensatz oder jede Quelle innerhalb Ihres Unternehmens umfassen, optimal zu Nutzen .

Der CDO oder die Datenverantwortlichen in den einzelnen Geschäftsbereichen sollten Teil des Governance-Teams sein und bei der Umsetzung der Zugriffsrechte und der Verwaltung helfen, indem sie die Rolle von Datenverwaltern übernehmen. Denken Sie daran, dass die IT-Abteilung nur als Vermittler bei der Erstellung von Daten-Frameworks, -Warehouses oder -Seen fungieren sollte. Die Datenverantwortlichen der Geschäftsbereiche sind für ihre Daten, deren Nutzung und Pflege verantwortlich.

Daten sind Ihr wichtigstes Kapital. Ihre Pilotprojekte sollten mit der Verbesserung der Qualität und Kontrolle Ihrer kritischen, am häufigsten verwendeten oder häufig aktualisierten Daten beginnen. Jede Datenquelle sollte auf der Grundlage Ihrer Data Governance, Qualitäts- und Datenmanagement einen Pilot-(Lern-)Ansatz verfolgen. Auf diese Weise bleiben Ihre Agilität und Flexibilität erhalten, und mit der Reifung Ihrer Praktiken wird dies zu einem lebensfähigeren digitalen Unternehmen führen, das in einem volatilen globalen Markt überleben kann.

Aktivitäten und Lebenszyklus der Datenqualität 

Diese primären Aktivitäten werden Ihre Datenqualität angemessen steuern:

• Erfassen: Abrufen der Daten aus einer Quelle, manuelle Eingabe oder als Anwendungsausgabe.
• Analysieren: Entscheidung, ob die Daten den Qualitätsstandards für die Verwendung entsprechen, in der Regel über eine Anwendung, die die Daten benötigt.
• Bereinigung: Entfernen aller unnötigen Datenelemente, um den Umfang auf ein Minimum zu beschränken.
• Anreicherung: Hinzufügen weiterer Daten zu einer Informationsmenge, z. B. multiple data , um Finanzberichte zu erstellen.
• Überwachung und Alarmierung: Die wichtigste Aktivität zur Aufrechterhaltung der Sicherheit und der Einhaltung von Vorschriften.
• Reparieren: Wenn ein Datensatz beschädigt ist, hilft dieser Schritt, das Problem zu beheben.
• Archivierung oder Löschung: Speichern von Daten gemäß den vereinbarten Anforderungen.
• Berichterstattung: Dies könnten die regelmäßigen Berichte oder Bildschirme sein, die Ihr Unternehmen verwendet, aber im Hinblick auf die Datenqualität ist dies der Schritt, der Datenprobleme meldet und protokolliert, wie sie behandelt werden und ob die Probleme wieder auftreten.

Prozess des Datenqualitätsmanagements

Die Prozesse des Datenqualitätsmanagements unterscheiden sich je nach der Verwendung der Daten in den einzelnen Geschäftsbereichen. Aus diesem Grund muss Ihr Framework eine ganzheitliche Vision haben, aber auch taktische Leitplanken bieten, damit jedes Team oder jede Aktivität die Qualität anstreben kann, die zur Gewährleistung von Sicherheit, Einfachheit, Konformität, Kosten und Wettbewerbsfähigkeit erforderlich ist. Dasselbe Konzept gilt auch für den Aufbau IhresFramework, in dem Sie die Grundregeln für die Erfassung, Verwendung, Speicherung und den Zugriff auf Daten festlegen.

Im Finanzdienstleistungssektor umfasst das Qualitätsmanagement für Finanzdaten spezielle Prozesse für die Verarbeitung von Marktdaten, Transaktionsdatensätzen, Kundenkontoinformationen, aufsichtsrechtlichen Berichten und Risikokennzahlen. Finanzinstitute müssen sicherstellen, dass Handelsalgorithmen genaue Preisdaten erhalten, dass Kundenportfolios Echtzeitbewertungen widerspiegeln und dass die von den Aufsichtsbehörden eingereichten Unterlagen vollständige und überprüfte Informationen enthalten. Das Qualitätsmanagement für Finanzdaten befasst sich auch mit der Schnelllebigkeit von Finanzdaten, bei denen Verzögerungen oder Ungenauigkeiten im Millisekundenbereich zu erheblichen Handelsverlusten oder Verstößen gegen die Vorschriften führen können. 

Management der Unternehmensdatenqualität

Die Schaffung eines soliden Framework Datenqualität und Stammdaten ist ein komplexes, aber notwendiges Bündel von Maßnahmen. Ohne das Engagement, die Unterstützung durch die oberste Leitung und die Finanzierung ist Ihre Datenqualität fragwürdig und kann Sie angreifbar machen. Daher ist die Untersuchung der Daten auf Unternehmensebene und die anschließende Arbeit nach unten ein ausgezeichneter Ansatz, um sicherzustellen, dass die benötigten Daten die erforderliche Qualität aufweisen.

Gehen Sie von den Kunden, die Sie bedienen, oder von den Ergebnissen interner Arbeitsaufgaben aus, um zu sehen, ob die Daten den Erwartungen entsprechen. Produktmanagement, DevOps, Agile und ITSM-Denken können die Grundlage für Ihre Unternehmensrichtlinien, Regeln und Tools Datenmanagement bilden. Sobald diese eingerichtet sind, können Sie den Umfang der Datennutzung auf das Kundenverhalten, den Status der Wettbewerber, Probleme anderer Unternehmen, die Sie erfüllen können (First-to-Market), und vieles mehr ausweiten.

Die Erstellung von Datenprofilen ist wie die Detektivarbeit, die man in Fernsehsendungen sieht. Entsprechen Ihre Daten den erforderlichen Regeln, und wenn nicht, warum nicht? Bei diesen Unstimmigkeiten müssen Sie die Daten so schnell wie möglich bereinigen und reparieren. Eine Möglichkeit, Datenprofile zu erstellen, ist die Verwendung einer Anwendung oder eines Geschäftsglossars für Daten und Begriffe, die in Ihrem Unternehmen verwendet werden. Ihr Datenmanagement kann Ihnen Vorlagen zur Verfügung stellen und Sie anleiten, wie Sie Ihre Daten am besten erstellen und kontrollieren können, so dass sie jederzeit für eine Aufgabe oder zur Untermauerung einer Entscheidung auf der Grundlage des Ergebnisses einer Datenanalyse bereitstehen.

Einzigartige Herausforderungen des Finanzdatenqualitätsmanagements

Finanzinstitute stehen vor besonderen Herausforderungen in Bezug auf die Datenqualität, die spezielle Ansätze innerhalb ihres allgemeinenFramework erfordern, wie z. B.:

• Integrität der Marktdaten: Echtzeit-Kurse, Handelsvolumina und Marktindikatoren müssen kontinuierlich anhand mehrerer Quellen validiert werden, um fehlerhafte Geschäfte oder Risikoberechnungen zu verhindern.
• Daten zur Einhaltung gesetzlicher Vorschriften: Die Anforderungen an die Finanzberichterstattung erfordern genaue historische Daten, vollständige Protokolle und standardisierte Formate für die Einhaltung von Vorschriften.
• Finanzdaten von Kunden: Kontostände, Transaktionshistorien und Kreditinformationen erfordern verbesserte Sicherheitsprotokolle, wobei die Zugänglichkeit für den Kundendienst und die Entscheidungsfindung erhalten bleiben muss.
• Aggregation von Risikodaten: Finanzinstitute müssen Risikodaten über mehrere Geschäftsbereiche hinweg aggregieren, was einheitliche Datendefinitionen, zeitnahe Aktualisierungen und eine umfassende Abdeckung erfordert, um Basse III und andere aufsichtsrechtliche Anforderungen zu erfüllen.

Metriken zur Datenqualität

Datenqualitätsmetriken dienen als Leitplanken für Datenqualitäts- und MDM-Rahmenwerke. Die nachstehend vorgeschlagenen Kennzahlen bilden die Standarddatenqualitätsmaße, die jedoch durch andere von Ihnen verwendete Geschäftsmetriken beeinflusst werden können.

• Verhältnis von Daten zu Fehlern: Wie viele Probleme gibt es für jeden Datensatz, jedes Data Warehouse oder jeden Daten-Lake , gemessen an Anwendungsfehlern oder Sicherheitswarnungen?
• Anzahl der leeren Werte: Wie viele leere Pflichtfelder haben Sie, da diese Datenfehler verursachen oder zu einer schlechten Entscheidungsfindung führen?
• Zeit bis zum Wert der Daten: Wie viel Zeit wird benötigt, um Daten zu nutzen, um eine Entscheidung zu treffen, ein Problem zu lösen oder eine Aufgabe zu erfüllen?
• Fehlerquote bei der Datenumwandlung: Anwendungen wandeln häufig Daten um, und wenn diese Umwandlung nicht korrekt durchgeführt wird, ist sofortiges Handeln erforderlich.
• Kosten der Datenspeicherung oder -verwaltung: Steigen die Kosten für die Datenarchivierung oder -verwaltung und warum?

Tools für das Datenqualitätsmanagement

Ihr Unternehmen, unabhängig von seiner Größe, hat zu viele Daten, als dass Sie sie manuell verwalten könnten. Software wird benötigt, um täglich und in vielen Fällen in Echtzeit Aktionen für:

• Daten-Profilierung: Sind dies die richtigen Daten für die Aufgabe?
• Bereinigung, Parsing, Entduplizierung und Löschung.
• Archivierung, backup, Wiederherstellung, Integration und Synchronisierung entweder auf Anfrage oder zu einem bestimmten Zeitpunkt.
• Versionierung der Daten je nach Anwendung und Produktnutzung.
• Datendistribution an externe Quellen oder Datenspeicher.
• Datenqualitätsaufgaben unter Verwendung von Regeln der Künstlichen Intelligenz (KI) und des Maschinelles Lernen (ML).
• Kontinuierliche Datenüberwachung.

Zusammenfassung des Datenqualitätsmanagements

Ihre Daten sind nach den Menschen Ihr wichtigstes Kapital. Ohne qualitativ hochwertige Daten wird es schwierig, wenn nicht gar unmöglich sein, Produkte oder Dienstleistungen zu erstellen und zu verwalten, Entscheidungen zu treffen, Kunden zu unterstützen, die Wettbewerbsfähigkeit und Relevanz aufrechtzuerhalten und gesetzliche Auflagen zu erfüllen.

Betrachten Sie die Kosten unzureichender Daten, wie in dieser Grafik von Ringlead dargestellt:

Die Datenqualität wird schwanken, wenn sich Ihr Unternehmen verändert, ähnlich wie sich der Gesundheitszustand Ihres Körpers ändert, je nachdem, was Sie gerade tun oder fühlen. MDM- und Finanzdatenqualitätsmanagement-Frameworks und -Governance werden von ganzheitlichen Datenmanagement Nutzen , die zu guten Datenqualitätsmanagement-Praktiken führen, die spezifisch für Ihr Unternehmen sind. Das Ziel ist es, SMARTe Datenqualitätsmetriken festzulegen, die Ihrem Unternehmen dabei helfen, seine Arbeit gut zu erledigen, und gleichzeitig alarmiert zu werden, wenn ein Problem auftritt.

Ihre Kunden werden bemerken, wenn Daten unzureichend, falsch oder missbräuchlich verwendet werden, und ihre Reaktion kann irreparablen Schaden verursachen oder zu Geldstrafen führen, wie z. B. im Rahmen der DSGVO, insbesondere für Finanzinstitute. Ihr CDO kann bei der Schaffung des Framework helfen, aber die Datenqualität ist Aufgabe der Mitarbeiter und Anbieter. Schließlich sollte das Datenqualitätsmanagement auf Vorstandsebene diskutiert werden und ein Anliegen sein, das die Kultur der Datenqualität als Teil der Rolle eines jeden festlegt, einschließlich der Anbieter, auf die Sie sich verlassen.