Data Management Mehrwert schaffen mit Qualität und Integration

Nur auf der Basis von Quartalsentscheidungen ist noch niemand lange am Markt geblieben. Es gilt, auch langfristige Entwicklungen und Wachstumspotenziale im Auge zu behalten und ein Unternehmen danach auszurichten. Moderne IT-Infrastrukturen, Softwarelösungen und Serviceleistungen spielen bei dieser Ausrichtung eine zentrale Rolle. Zugleich gilt: keine IT ohne Daten. Die Daten, die tagtäglich unternehmensweit erfasst und in den Fachbereichen und der Unternehmensführung analysiert, interpretiert und genutzt werden, sind von existenzieller Bedeutung. Zumindest dann, wenn sie den unterschiedlichen IT-Systemen in geeigneter Form zur Verfügung stehen sollen. Ein effizientes Data Management ist dafür unverzichtbar.

Steigende Anforderungen

Was ihre Daten angeht, sehen sich Unternehmen allerdings mit einer ganzen Reihe von Herausforderungen konfrontiert. Das Datenvolumen wächst exponentiell, was es Entscheidern immer schwieriger macht, die wichtigen Informationen herauszufiltern. Gleichzeitig beschleunigen sich die Geschäftsprozesse, und immer mehr Unternehmensbereiche müssen immer schneller und flexibler auf immer mehr Daten zugreifen können. Ohne eine Optimierung der Daten und des Datenflusses und ohne eine zentrale Kontrolle und Steuerung der Prozesse geht hier nichts mehr – eine Aufgabe für unternehmensweite DataManagement-Projekte.

Dabei müssen Daten aus heterogenen Quellen, internen wie externen, zusammengeführt werden. Diese Daten liegen allerdings weder in einem einheitlichen Format vor, noch besitzen die Datenquellen identische Schnittstellenanbindungen. Hinzu kommt, dass mit wachsendem Datenvolumen und komplexeren Geschäftsanwendungen und -prozessen die Anforderungen an die Datenqualität steigen. Unter dem Aspekt langfristig solider Unternehmensentwicklung rückt daher ein Datenmanagement immer mehr in den Fokus, das beide Ansätze – Datenintegration und Datenqualität – miteinander verknüpft und in einer übersichtlichen, flexiblen Lösung bereitstellt.

Risiken und Kosten

Nach einer Studie der Zürcher intelligent systems solutions (i2s) GmbH stellt bei mehr als einem Viertel der Befragten die Datenqualität die grösste Herausforderung dar, wenn es um den Betrieb eines CRM-Systems geht. Den Unternehmen entstehen unnötige Kosten durch inadäquate Daten. Das Spektrum reicht hier von Mailings, die einfach in den Weiten des Netzes verschwinden, wenn Mail-Adressen nicht stimmen, über fehlerhafte Rechnungen oder falsche Rechnungsadressen bis hin zu wichtigen Warensendungen, die den Empfänger nicht oder nicht rechtzeitig erreichen. Hinzu kommen Compliance-Anforderungen, die bei Nichtbeachtung oder fehlerhafter Umsetzung ein Unternehmen teuer zu stehen kommen. Eine Abmahnung wegen unerlaubter Telefonwerbung – weil Privatkunden versehentlich in eine Marketing-Datenbank aufgenommen werden – kann mehrere Tausend Franken kosten. Bei Verstössen gegen Sanktionslisten geht der Schaden schnell in die Hunderttausende und sogar über die Millionengrenze.

Ein weiterer Kostenfaktor sind fehlerhafte und inkonsistente Daten, wenn sie die Ergebnisse analytischer Business-Applikationen verfälschen und so beispielsweise die Effizienz jeder Business-Intelligence-Lösung stark begrenzen. Durch eine Nachbearbeitung entstehen weitere Kosten. Um diese Risiken im Sinne eines verantwortlichen Compliance-Managements zu minimieren, müssen Lösungen eingesetzt werden, die den Anforderungen und der Komplexität der jeweiligen Geschäftsprozesse Rechnung tragen.

Die Bandbreite der Aufgaben reicht hier von der periodischen Integration und Qualitätssicherung bei kleineren externen Datenbeständen bis hin zum kontinuierlichen Monitoring und der Synchronisation heterogener Daten aus unternehmensweiten Systemen. Sinnvoll ist also eine modular aufgebaute, skalierbare Lösung, die eine ganzheitliche Sicht auf den gesamten Datenlebenszyklus ermöglicht, ohne die Bedürfnisse des Unternehmens aus den Augen zu verlieren. Hier setzt professionelles Data Management an.

Vier Szenarien

Egal ob bei der Optimierung von ERP-, CRM-, E-Business- oder Legacysystemen, ob bei Datenübernahmen in Mergers & Acquisitions-Projekten, beim Aufbau und Betrieb eines Business-Intelligence-Systems oder bei der vermeintlich einfachen Zusammenführung und Konsolidierung verschiedener Systeme aus einer heterogenen Systemlandschaft – es braucht dazu ein professionelles Datenmanagement. Datenqualität und Datenintegration spielen in einer Vielzahl von Unternehmensanwendungen und -prozessen eine zentrale Rolle. Eine Data-Management-Lösung muss in der Lage sein, sie alle abzubilden.

Alle Data-Management-Projekte lassen sich prinzipiell einem der folgenden vier Szenarien zuordnen:

• Data-Quality-Initiativen
• Datenintegration
• Datenmigration und -konsolidierung
• Datensynchronisation

Datensynchronisation

Dagegen hat man bei der Synchronisation die oft zeitnahen Herausforderungen des Stammdatenmanagements zu meistern. Daten werden dabei entweder unidirektional oder bidirektional abgeglichen. Letzteres ist notwendig, wenn Datensätze in heterogenen Systemen bearbeitet und aktualisiert werden. Beide Seiten haben dann die gleiche Berechtigung, aber womöglich unterschiedliche Referenznummern – zum Beispiel eine Kontakt-ID im CRM und eine Debitorennummer im ERP.

Datensynchronisationsmodule müssen in der Lage sein, diese Konflikte managen zu können, ohne die Integrität der Daten zu gefährden. Zudem besteht teilweise die Notwendigkeit, die Daten zeitnah abzugleichen (Real-Time), um die operativen Geschäftsprozesse nicht zu beeinträchtigen. Datensynchronisationen sind darüber hinaus häufig sehr komplex, da viele unterschiedliche Datensätze zur selben Zeit abgeglichen werden müssen – eine echte Herausforderung für einen performanten Workflow.

Ganzheitliches Konzept

Ein effektives Data-Management-Konzept deckt all diese Szenarien ab und bietet Lösungen für nahezu alle Aufgabenstellungen. Sie gewährleistet die Qualität von Daten in allen Phasen des Datenlebenszyklus und implementiert alle dafür notwendigen Datenqualitäts-Funktionen (Analyse, Standardisierung, Cleansing, Matching, Monitoring und Anreicherung). Sie bietet umfangreiche ETL-Funktionalitäten für Quell- und Zielsysteme und ist durch Anbindung an alle gängigen Applikationen und Plattformen universell einsetzbar. Workflows lassen sich in solch einer Lösung umfassend abbilden und reproduzieren. Um die analytischen Geschäftsprozesse effizient zu gestalten, werden gemeinsame Metadaten-Repositories angelegt. Veränderte Business-Regeln, etwa aus neuen Gesetzen oder internen Regelvorgaben, zu implementieren und zu überwachen, muss ad-hoc ebenso möglich sein wie in periodischen Abständen. Gleiches gilt für die Organisation von Datenqualitäts- und Datenintegrations-Aufgaben. Gerade umfangreiche Batchprozesse sollten aus Performancegründen in einem Scheduler angelegt und automatisiert zu bestimmten Zeiten abgearbeitet werden können.

Um all diese Anforderungen zu managen, bedarf es zudem einer einheitlichen und bedienerfreundlichen Arbeitsoberfläche. Ausserdem sollte die Data-Management-Lösung modular aufgebaut sein. So trägt sie den unterschiedlichen Anforderungen der Anwenderunternehmen Rechnung, und Implementierungs- und Lizenzkosten bleiben auf einem dem Bedarf entsprechenden geringeren Niveau. Bei der Wahl des geeigneten Lösungsanbieters ist auch dessen Beratungsleistung wichtig: Nur wenn er im Vorfeld den Zustand der Unternehmensdaten umfassend analysiert, kann er die aktuelle Datenqualität korrekt ermitteln – und so die Grundlage für eine zielgerichtete und erfolgreiche Implementierung einer bedarfsgerechten Data-Management-Lösung schaffen.

Erst wenn ein Lösungskonzept all diese Bedingungen erfüllt, lässt sich von einem ganzheitlichen Data-Management-Ansatz sprechen. Jedes Unternehmen, das ein umfassendes Data Management betreibt, das etwas zur Steigerung der Datenqualität und zur Verbesserung der Datenintegration tut, wird kurz-, mittel- und langfristig positive Effekte bei Produktivität, Flexibilität und Effizienz beobachten.