Dimensionen der Datenqualität: Warum „gut genug“ Vertrauen zerstört
IBM hat bekanntermaßen geschätzt, dass schlechte Datenqualität die US-Wirtschaft 3,1 Billionen Dollar pro Jahr kostet. Gartner beziffert die durchschnittlichen Kosten für eine einzelne Organisation auf 12,9 Millionen Dollar jährlich.
Diese Zahlen klingen abstrakt, bis man konkrete Kosten auf konkrete Mängel in der Datenqualität zurückführt: eine Bank, die Kreditangebote an verstorbene Kunden schickt. Ein Hersteller, der Produkte wegen doppelter Postleitzahlen an falsche Adressen versendet. Ein Krankenhaus, das wegen eines Fehlers bei der Einheitenumrechnung im EHR-System die falsche Medikamentendosis verabreicht. Ein Händler, dessen Nachfrageprognose um 40 % daneben liegt, weil die historischen Verkaufsdaten Retouren enthielten.
Datenqualität ist kein technisches Thema. Sie ist ein Geschäftsrisiko mit einem messbaren Preisschild.
Die sechs Dimensionen der Datenqualität
Das DAMA-DMBOK definiert sechs Dimensionen der Datenqualität. Jedes Datenqualitätsproblem lässt sich mindestens einer davon zuordnen:
1. Accuracy (Genauigkeit), Stellen die Daten die Entität oder das Ereignis der realen Welt korrekt dar, das sie beschreiben? Die Adresse eines Kunden ist genau, wenn sie mit seiner tatsächlichen Adresse übereinstimmt. Fehler bei der Genauigkeit: „Paris“ wird durch einen Tippfehler als „Parsi“ erfasst; Transaktionsbeträge werden falsch gerundet; das Produktgewicht wird in der falschen Einheit erfasst.
2. Completeness (Vollständigkeit), Sind alle erforderlichen Datenelemente vorhanden? Ein Kundendatensatz ohne E-Mail-Adresse ist unvollständig, wenn die E-Mail für den Geschäftsprozess erforderlich ist. Vollständigkeitsfehler sind oft systemisch: optionale Felder, die verpflichtend sein sollten, APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →-Integrationen, die Felder verlieren, Migrationsskripte, die nicht alle Attribute übertragen.
3. Consistency (Konsistenz), Werden dieselben Daten in allen Systemen gleich dargestellt? Ein Geburtsdatum, das im CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen → als DD/MM/YYYY, im Billing-System aber als MM/DD/YYYY erfasst ist, ist eine Inkonsistenz. Konsistenzfehler sind die häufigste Ursache für Debatten der Art „welches System hat recht?“.
4. Timeliness (Aktualität), Sind die Daten verfügbar, wenn sie gebraucht werden, und spiegeln sie den aktuellen Zustand wider? Ein monatlich aktualisierter Kunden-Score ist für jährliche Hypothekenprüfungen aktuell genug, für Kreditentscheidungen in Echtzeit aber nicht. Aktualitätsfehler äußern sich häufig als „wir wussten von dem Problem, aber die Daten waren noch nicht aktualisiert“.
5. Validity (Validität), Entsprechen die Daten den definierten Formaten, Wertebereichen und Geschäftsregeln? Eine Telefonnummer mit 11 Ziffern in einem Feld, das für 10 definiert ist, ist ungültig. Ein Transaktionsdatum in der Zukunft ist ungültig. Validitätsfehler lassen sich am leichtesten bei der Eingabe erkennen und beheben.
6. Uniqueness (Eindeutigkeit), Ist jede Entität der realen Welt genau einmal abgebildet? Doppelte Kundendatensätze sind ein Eindeutigkeitsfehler. Deduplizierung ist eine der häufigsten Datenqualitätsinitiativen und eine der in ihrer Komplexität am meisten unterschätzten.
Data Quality Management | DAMA DMBOK Chapter 13 Explained
Wissenscheck
1. Ein Geburtsdatum ist im CRM als DD/MM/YYYY gespeichert, im Billing-System aber als MM/DD/YYYY. Welche Dimension der Datenqualität wird hier primär verletzt?
2. Ein Kreditgeber nutzt den Kunden-Score für Kreditentscheidungen in Echtzeit, aber der Score wird nur monatlich aktualisiert. Welche Dimension der Datenqualität ist hier am stärksten gefährdet?
3. Was ist die zentrale Botschaft dahinter, schlechte Datenqualität mit einem Kostenbetrag für die Wirtschaft und für Organisationen zu beziffern?
4. Wählen Sie ALLE Szenarien aus, die Beispiele für einen VALIDITÄTS-Fehler sind (Daten entsprechen nicht den definierten Formaten, Wertebereichen oder Geschäftsregeln).
Wählen Sie alle richtigen Antworten aus.
5. Wählen Sie ALLE Aussagen aus, die korrekt beschreiben, wie die sechs DAMA-DMBOK-Dimensionen mit Datenqualitätsproblemen zusammenhängen.
Wählen Sie alle richtigen Antworten aus.
Datenqualität messen: von subjektiv zu quantitativ
„Unsere Datenqualität ist ziemlich gut“ ist keine Messung. „Unsere Kundenstammdaten sind zu 94 % vollständig, zu 87 % genau und zu 91 % konsistent zwischen CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen → und Billing-System“ ist eine.
Data Quality Scoring: Definieren Sie für jede Datendomäne einen Quality Score als gewichteten Durchschnitt der sechs Dimensionen. Gewichten Sie die Dimensionen nach ihrer Bedeutung für das Geschäft. Bei Kundendaten für das Marketing dürften Vollständigkeit und Genauigkeit der Kontaktdaten schwer wiegen. Bei Finanzdaten für das Reporting zählen Konsistenz und Aktualität am meisten.
Profiling: Bevor Sie scoren kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen, müssen Sie profilieren. Data-Profiling-Tools (Great Expectations, Informatica Data QualityData QualityThe degree to which data is fit for purpose: accurate, complete, consistent, timely, valid and unique. Poor quality data undermines analytics, reporting and AI.Vollständige Definition ansehen →, Ataccama) analysieren Datensätze und zeigen: Null-Raten, Werteverteilungen, Formatverletzungen, Duplikatsraten, Verstöße gegen die referenzielle Integrität. Das erste Profiling eines neuen Datensatzes ist fast immer aufschlussreich und oft alarmierend.
Quality-Dashboards: Der CDO sollte ein Echtzeit-Dashboard zur Datenqualität haben, das die Quality Scores je Domäne und deren Entwicklung über die Zeit zeigt. Dieses Dashboard sollte mit den Domain Data Owners geteilt werden, Qualität sichtbar zu machen ist der erste Schritt, um sie verbindlich zu machen.
Der Business Case für Investitionen in Datenqualität
Die ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Rechnung für Datenqualität ist einfach:
Aktuelle Kosten schlechter Qualität: Quantifizieren Sie mindestens einen messbaren Kostenblock, Nacharbeitszeit, Fehlerkorrekturen, Kundenbeschwerden, Bußgelder von Aufsichtsbehörden, verpasste Chancen durch unvollständige Daten.
Kosten der Qualitätsinitiative: Tool-Lizenzen + Implementierung + laufende Stewardship + Profiling und Monitoring.
Zielzustand: Welchen Quality Score werden Sie erreichen, und welches Geschäftsergebnis ermöglicht das?
Ein europäischer Telko-Anbieter hat berechnet, dass 12 % seines Marketingbudgets verschwendet wurden, weil aufgrund mangelnder Vollständigkeit und Genauigkeit der Daten inaktive Kunden adressiert wurden. Eine Datenqualitätsinitiative über 50.000 € reduzierte die Verschwendung um 50 % und brachte bei einem Marketingbudget von 25 Mio. € eine jährliche Einsparung von 3 Mio. €, ein ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → von 60x. Das ist die Sprache, die CFOs verstehen.
Was Sie aus dieser Lektion umsetzen
Diese Maßnahmen sind im Playbook der Rolle zusammengefasst.
- Datasets profilieren und Echtzeit-Qualitätsdashboards je Domain veröffentlichen
Verwandte Artikel
Aktuelle Blogartikel, die auf dieser Lektion aufbauen.
- DataWie Salesforce lernte, Master Data dauerhaft zu verankernSalesforce hat jahrelang Datenqualität an seine Kunden verkauft und dabei intern mit fragmentierten Kunden- und Produktdaten aus eigenen Zukäufen gekämpft. Wie das Unternehmen diesen inneren Widerspruch gelöst hat, bietet praktische Lehren für jeden CDO, der MDM aus der Präsentation in den Betriebsalltag bringen will.
- DataData Observability: schlechte Daten abfangen, bevor sie Entscheidungen erreichenSchlechte Daten kündigen sich nicht an. Dieses Playbook zeigt CDOs, wie sie Erkennungsmechanismen aufbauen, die Datenqualitätsprobleme abfangen, bevor sie Reports, Modelle und die daraus folgenden Entscheidungen verfälschen.
- DataWarum die meisten KI-Strategien scheitern, bevor sie beginnen: der strukturelle blinde Fleck des CDODie meisten Organisationen investieren massiv in KI-Tools und gleichzeitig systematisch zu wenig in die Datengrundlagen, die diese Tools erst funktionsfähig machen. Für CDOs ist das Schließen dieser Lücke kein technisches Problem, sondern eine Frage von Governance und organisatorischem Design, die einen grundlegend anderen Ansatz verlangt.