Wer Datenqualität und Prozessqualität als eine Einheit betrachtet, hat gute Zukunftsaussichten

Das Forschungsprojekt  „World Management Survey“ beschäftigt sich mit der Einführung und Anwendung von Managementpraktiken in über 12.000 Unternehmen aus 34 Ländern. Es wurde gemessen, wie gut eine Organisation die wesentlichen Führungsmethoden in vier Bereichen beherrscht: Produktionsmanagement, Performance-Monitoring, Zielvorgaben und Talentmanagement.

Die Auswertung der Daten zeigt zwei wesentliche Erkenntnisse.

1. Operational Excellence stellt für viele Unternehmen nach wie vor eine enorme Herausforderung dar.
2. Gut geführte Unternehmen sind profitabler, wachsen schneller und haben bessere Überlebenschancen.

(vgl. Harvard Business Manager, Januar 2018, Die wichtigste Disziplin)

Meiner Meinung nach sind die Erkenntnisse adaptierbar auf den Ansatz eines integrativen (Data-) Quality Managements. Darunter verstehe ich das einheitliche managen von Prozess- und Datenqualität. Immer mehr Unternehmen konzentrieren sich auf ein prozessorientiertes Qualitätsmanagement, bedingt durch die Novellierung der DIN EN ISO9001 ff im Jahr 2015, weisen aber nach wie vor erhebliche Schwächen im Datenqualitätsmanagement auf.  Negative Auswirkungen auf die Unternehmensperformance werden nicht erkannt oder nur erahnt. Ich bin davon überzeugt, das Unternehmen, die zukünftig den Ansatz eines integrativen (Data-) Quality Managements nicht fahren, von der sich stetig beschleunigen Digitalisierungswelle überrollt werden und erheblich an Wettbewerbsfähigkeit verlieren. Andersherum werden gut geführte Unternehmen den Ansatz aufgreifen, umsetzen und ihre Erfolgschancen sichern und weiter ausbauen.

Prozessorientierter Data Quality Index

Als ein wichtiges Instrument, für die Feststellung und Bewertung der Auswirkungen von Datenqualität auf die Prozessqualität und damit auf die Unternehmensperformance, empfehle ich die Einführung eines prozessorientierten Data Quality Index.

Der Index bildet eine gewichtete strategische Ist-Kennzahl, die sich aus permanenten DQ-Messergebnissen entlang der Kernprozesskette ableitet. Zusätzlich wird der Index  in ein Verhältnis zur Ziel-Kennzahl gesetzt zur Feststellung der Zielerreichung.

 Mit dem Data Quality Index sollen folgende Ziele erreicht werden:

• Ein unternehmensweites Bewusstsein schaffen, dass gute Datenqualität eine Voraussetzung ist für effiziente Prozesse und erfolgreiche Datenintelligenz.
• Den Handlungsbedarf erkennen und mit der Unternehmensstrategie synchronisieren.
• Verbesserungsmaßnahmen priorisieren, initiieren und umsetzen.
• Erfolg und Nachhaltigkeit von Verbesserungsmaßnahmen kontinuierlich monitoren.
• Einen kontinuierlicher (DQ)-Verbesserungsprozess (KVP) etablieren.

Sinnvolle Schritte zur Einführung des DQ-Index

Da die Implementierung eines dauerhaften DQ-Index für viele Unternehmen noch Neuland ist und noch viele Unsicherheiten, wie auch Widerstände bestehen, empfehle ich die Einführung  nach einem agilen Verfahren (z.B. SCRUM) durchzuführen. Damit können frühzeitig realistische Erfahrungen, Erkenntnisse und Erfolge gesammelt werden, die für eine dauerhafte und nachhaltige Implementierung  sehr wichtig sind. 

Folgende chronologisch sortierte Schritte haben sich aus meiner Erfahrung bewährt:

1. Ein einheitliches Verständnis des Kernprozesses schaffen und festlegen.
2. Sinnvolle Messpunkte auf der Prozesskette ermitteln und festlegen.
3. Messpunkte für eine sukzessive Einführung priorisieren (z.B. nach größten Wirkungsgrad auf Prozessqualität bzw. Unternehmensperformance).
4. Für den Prio 1 Messpunkt den nötigen Datenumfang ermitteln und verfügbar machen.
5. Datenqualitätskriterien aufstellen (z.B. im Rahmen eines oder mehrerer moderierter Workshops).
6. Prototypen zur Datenqualitäts-Messung entsprechend den DQ-Kriterien entwickeln.
7. Prototypen und Messergebnisse bewerten, Prototypen ggf. anpassen.
8. Eine erste sinnvolle DQ-Verbesserungsmaßnahme einführen.
9. Die Wirkung der Verbesserung messen, bewerten und ggf. anpassen.
10. Industrialisierung: Verfahren in dauerhaften Betrieb nehmen.
11. Beginne wieder bei Punkt 4 (entsprechend Priorisierung), bis alle als sinnvoll bewerteten Messpunkte dauerhaft implementiert sind.
12. Beginne wieder bei Punkt 1 (Ziel: Erkennung grundlegender Veränderungen, z.B. neue oder veränderte Geschäftsmodelle, und ggf. eine zeitnahe Anpassung des Verfahrens an die Veränderungen vornehmen.)

Lesen Sie auch:

• Data Governance, der Schlüssel zu einer erfolgreichen datenintelligenten Organisationskultur
• Data Strategy: Welche Erfolgsfaktoren sind relevant für nachhaltige Wettbewerbsvorteile durch KI-basierte Datenanalysen und Digitalisierung?
• Data Governance: Vom Data Profiling zur ganzheitlichen Leistungsbewertung von Daten
• Datenqualität messen: Mit 11 Kriterien Datenqualität quantifizieren
• Wie Sie schnell bewerten können, ob Sie ein Problem mit der Datenqualität haben
• Logikbäume: Mehr Transparenz zur Wirkung schlechter Datenqualität auf Unternehmensziele
• Datenqualitätsmanagement und DIN EN ISO 9001: Ist die Revision schon jetzt überholt?