The Data Economist | Establishing sustainable "Data Inspired & Digital Culture"

Wer "ja" zur Digitalisierung sagt, muss auch "ja" zu besserer Datenqualität sagen

"76% aller Organisationen glauben, dass ungenaue Daten ihre Fähigkeit behindert, ein herausragendes Kundenerlebnis zu bieten (Experian, DQ-Studie 2016)." 

Alles deutet darauf hin, dass wir zukünftig immer stärker Sprachassistenzsysteme nutzen werden. Der prominenteste Vertreter ist Siri. Mit dem zunehmenden Erfolg zogen Google und Amazon nach. Im Bereich der Daten-Analyse ist der bekannteste Vertreter Watson von IBM. Weitere werden sicherlich folgen.

Wie Data Governance zum Innovator wird und Mehrwert liefert

Viele Unternehmen wandelten sich in den letzten Jahren zu agilen Organisationsformen, um sich den Herausforderungen von schnellen Anforderungsänderungen besser stellen zu können. Auch das Unternehmen, für welches ich tätig bin, befindet sich mitten in diesem Wandel. Hinzu kommt, dass Daten und datengetriebene Prozesse immer stärker im Fokus stehen. Wer einen Vorsprung in der Datenintelligenz erlangt und diesen optimal zu nutzen weiß, erlangt auch einen erfolgskritischen Wettbewerbsvorsprung, den es stetig auszubauen bzw. auf lange Sicht zu halten gilt.

Wie Organisationen ihre Daten in Geld bewerten können und warum Data Governance sich selbst finanziert.

Viele Unternehmen hadern noch mit dem Gedanken eine Data Governance einzuführen und fragen sich, welchen Mehrwert hat eigentlich Data Governance? Natürlich kann man jetzt sagen, was gibt es da noch zu überlegen. Wer im Zuge der Digitalisierung wettbewerbsfähig bleiben möchte, kommt an einer Data Strategy und der Einführung einer Data Governance nicht vorbei. Zumindest liest man das permanent in der Fachpresse und hört es ständig von vielen Beratern. Andererseits ist es absolut berechtigt in diesem Zusammenhang die ökonomische Frage zu stellen, welchen Mehrwert in Geld bringt eine Data Governance der Organisation und wieviel bin ich bereit zu investieren bzw. wie wird mein ROI (Return On Invest) aussehen.

Ergebnisse zum Thema Datenqualität aus der Studie „BIG DATA Future – Chancen und Herausforderungen für die deutsche Industrie“, 02/2015 v. MHP, a Porsche Company.

Die Studie beantwortet die Frage, wo genau die Industrieunternehmen in Deutschland bei der Umsetzung von Big Data stehen. Hierzu wurden online und anonym 254 Entscheider aus deutschen Industrieunternehmen zwischen August und Oktober 2014 befragt.

Daten- und Informationsqualität war jahrelang nur ein Thema für IT-Spezialisten. Doch je größer die Datenbestände durch elektronische Datenverarbeitung werden, umso wichtiger wird für jedes Unternehmen eine gute Daten- und Informationsqualität.

Erfolgreich bleiben im digitalen Zeitalter

Warum bringt ein Wechsel der strategischen Ausrichtung auf ein prozessorientiertes Datenqualitätsmanagement einen größeren Nutzen für die gesamte Organisation? Er schafft die überlebenswichtige Verknüpfung unterschiedlicher Management-Systeme in Organisationen.

Ohne ein effektives Datenqualitätsmanagement kein erfolgreiches Business Analytics

Business Analytics definiere ich als Gesamtheit aller Methoden und Werkzeuge zur Analyse von polystrukturierten Daten für eine nachhaltig gewinnorientierte Unternehmenssteuerung.

Was hinsichtlich dem Thema gute Datenqualität bereits für Business Intelligence sowie störungsfreier Unternehmensabläufe und Kundenservices gilt, ist für Business Analytics und Big Data erst recht eine erfolgskritische Notwendigkeit!

Wie ein prozessorientierter Data Quality Index die Führungskultur stärkt und Wachstumspotenziale hebt

In vielen Unternehmen wird die Datenqualität noch immer nicht mit derselben Priorität behandelt wie klassische Finanzkennzahlen. Zwar existieren oft schon Data-Governance-Initiativen, doch die dort erzeugten Data-Quality-Kennzahlen bleiben häufig im Schatten betriebswirtschaftlicher Größen wie Umsatz, Gewinn und Kosteneinsparungen. Was zunächst nachvollziehbar erscheint, entpuppt sich auf den zweiten Blick als paradox: Denn eine gezielte Verbesserung der Datenqualität führt in der Regel zu effizienteren Prozessen, reduzierten Kosten und gesteigerten Gewinnen. Zudem bildet eine verlässliche Datenbasis das Fundament für den erfolgreichen Einsatz von KI-Technologien – ohne saubere Daten können KI-Systeme keine präzisen Prognosen erstellen und nur eingeschränkt automatisieren und die potentiale ausspielen.

Digitales Formularmanagement steigert die Effizienz - Voraussetzung für die Verbesserung ist einwandfreie Datenqualität

Ein Großteil von Formularen wird noch immer auf Papier ausgedruckt und per Hand ausgefüllt, anschließend wieder eingescannt und bestenfalls in einem Dokumentenmanagementsystem abgelegt und verschlagwortet. Digitales Formularmanagement bietet die Möglichkeit, diesen Prozess erheblich effizienter und damit wirtschaftlicher zu gestalten.

- Der Wert vongenAI-

Hör auf zu Spielen und mach endlich ernst!

Frag Deine genAI nach der Leistungsfähigkeit Deiner Daten und erforsche die Möglichkeiten der Wertschöpfung!

THE DATA ECONOMIST

Durch die stark wachsende Anzahl datengetriebener Geschäftsmodelle gibt es keinen Ausweg für das Qualitätsmanagement, sich verstärkt mit dem Thema Datenqualität zu beschäftigen. Datenqualität als Risikofaktor ist schon etwas länger bekannt. Negative Auswirkungen schlechter Datenqualität auf das gesamte System einer Organisation werden zukünftig durchschlagender sein.

Beschäftige Dich intensiv mit Deiner Datenqualität und erkenne die wahren Hebel zur Operational Excellence!

Das Zitat „Wer sich mit Datenqualität intensiv beschäftigt, lernt sehr viel über die Stärken und Schwächen seiner Geschäftsprozesse und erkennt die wahren Hebel zur Operational Excellence!“ fasst prägnant zusammen, wie wichtig Datenqualität für den Erfolg eines Unternehmens ist. Daten und Prozesse sind eng miteinander verbunden. Nur durch die gezielte Auseinandersetzung mit der Qualität der eigenen Daten können Unternehmen die Mechanismen erkennen, die ihre Effizienz, Produktivität und Flexibilität bestimmen. In einer datengetriebenen Welt ist es unerlässlich, nicht nur auf die Daten selbst zu achten, sondern sie auch als Spiegel der eigenen Geschäftsprozesse zu betrachten.

Mit den effektiven Denkprozessen aus der TOC (Theory of Constraints) Durchbruchslösungen im Datenqualitätsmanagement schaffen

Ein Bewusstsein dafür, dass ein dringender Handlungsbedarf besteht ein übergreifendes und nachhaltiges DQM einzuführen, ist in vielen Organisationen noch gering ausgeprägt.

Wenn sich um das Thema Datenqualität gekümmert wird, dann meist auf lokale Einheiten beschränkt und situativ bedingt. Je nach Handlungsdruck werden immer wieder Einzelmaßnahmen durchgeführt. In der Regel stört schlechte Datenqualität den Flow von Prozessen und es erfordert immer wieder Nachbearbeitungsschleifen im laufenden Betrieb, bis ein Prozess effektiv abgeschlossen werden kann. Zusätzlich stören immer wieder die ad hoc initiierten Datenkorrekturmaßnahmen den Regelbetrieb.

Gute Datenqualität sichert den Erfolg von Omni-Channel-Strategien

Omni-Channel, das nächste große Ding im Retailing. Im Gegensatz zum Multi-Channel, wo Kunden die verschiedenen Vertriebskanäle hintereinander nutzen, bietet Omni-Channel die Möglichkeit die Vertriebskanäle parallel zu nutzen.

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.

Von Data Quality über Context Quality zu Business Decision Quality: Das neue Paradigma für das KI-Zeitalter

Die unbequeme Wahrheit zuerst: Die meisten Unternehmen investieren Millionen in KI-Initiativen, während sie ein fundamentales Problem ignorieren – nicht die Qualität ihrer Daten ist der Engpass, sondern die Qualität des Kontexts, den sie ihren Systemen zur Verfügung stellen. Wer heute noch glaubt, saubere Datenbanken allein seien das Fundament intelligenter Entscheidungen, denkt in Kategorien des vergangenen Jahrzehnts.

Data Cleansing vs. Data Observability

Datenbereinigung ist keine Lösung, sondern ein Symptom einer mangelhaft aufgestellten Datenstrategie sowie ineffizienter, nicht gut funktionierender Prozesse. Viele Unternehmen investieren erhebliche Ressourcen in kontinuierliche Bereinigungsmaßnahmen – ohne die eigentlichen Ursachen der schlechten Datenqualität nachhaltig zu beseitigen. Doch wer ständig nur putzt, ohne das Leck in der Leitung zu schließen, wird nie trocken arbeiten können.

Seit Jahren investieren Unternehmen in Qualitätsmanagementsysteme, um ihre Prozesse an den Kundenwünschen auszurichten. Trotz aller Erfahrungen und Weiterentwicklungen auf diesem Gebiet wurde die Qualität der Daten bisher nahezu vernachlässigt. Das soll sich mit einer überarbeiteten Version der Norm DIN EN ISO 9001, die 2015 veröffentlicht wird, ändern. Diese berücksichtigt verstärkt den risikobasierten Ansatz. Der Ansatz zielt darauf ab, frühzeitig unternehmensgefährdende Risiken zu berücksichtigen, zu bewerten und zu vermeiden. Dabei gibt es erste Anzeichen in Richtung Daten- und Informationsqualität.

Ein eigener Erfahrungsbericht mit einem Datenprovider

Vor einigen Wochen meldete sich telefonisch die Vertrieblerin eines Datenproviders bei mir mit der Frage, ob es für die ACT Gruppe  interessant wäre für die Kundenakquise detaillierte Kontaktdaten von Unternehmen zu bekommen, die unsere Webseite besucht haben.

Grundsätzlich war ich interessiert und wollte wissen,

a) wie dies im Zusammenhang mit der ACT Webseite technisch gelöst wird und
b) welche Daten mit welcher Qualität angeboten werden.

Zusätzlich zu den qualifizierten Adressen könne man uns auch entsprechende Ansprechpartner zur Verfügung  stellen.

Datenqualitätsmanagement nach der "Friday Afternoon Measurement" Methode

Entscheidungsträger, Führungskräfte, Datenwissenschaftler und Manager müssen oft schnell beurteilen, ob sie einem Datensatz vertrauen können, ob sie ihn in eine Analyse einbeziehen oder ob eine neue Richtung einschlagen werden muss. Es gibt viele Möglichkeiten, aber die grundlegende Frage ist, "habe ich ein Problem mit der Datenqualität?"

Mit der Methode "Friday Afternoon Measurement (FAM)" von Thomas C. Redman, kann diese Frage schnell beantwortet werden. Die Methode richtet sich an Manager auf jeder Ebene, deren Entscheidungsfähigkeit stark von Daten abhängig ist. Mit der fortschreitenden Digitalisierung von Geschäftsprozessen steigt zunehmend das Risiko fehlerhafter Entscheidungen sowie einer verzögerten Erfüllung von Prozesszielen aufgrund schlechter Datenqualität. Die FAM-Methode hilft, das aktuelle Niveau der Datenqualität zu messen, die möglichen Auswirkungen gut einzuschätzen und  entsprechende Handlungsoptionen abzuleiten. Die Methode ist unabhängig von Branche, Unternehmen, Prozesse und Daten einsetzbar.