Ein strukturiertes Datenqualitäts-Management trägt vor allem dazu bei, dauerhaft eine hohe Datenqualität sicherzustellen. Die Grundlage eines guten Datenqualitäts-Managements ist die Data Governance.
Besonders wichtig ist es in diesem Zusammenhang, den Zugang zu allen relevanten Daten permanent sicherzustellen. Das gelingt durch die Klärung der Verantwortlichkeiten, Daten-Rollen und die Vergabe von Zugriffsrechten, die jeweils gut überlegt und jederzeit aktuell sein sollten.
Das Ziel des Datenqualitäts-Managements ist es, einen permanenten Systemzugang sicherzustellen und gleichzeitig die Systemsicherheit zu gewährleisten. Zum Datenqualitäts-Management gehört daher auch die Integration aller Daten – sprich: der Abbau von Daten-Silos.
Auf dem Weg zu besseren Daten: Verantwortlichkeiten erkennen und zuordnen
Eine der Fragen, die sich Projektverantwortliche in Krisenunternehmen stellen sollten, lautet: „Wer ist für die einzelnen Maßnahmen verantwortlich?” Gerade für Datenqualität ist oft die IT-Compliance bzw. die Prozessintegration essenziell, weil gerade hier die Beachtung der bestehenden Gesetze, wie dem Datenschutzrecht und dem Einhalten von Standards, relevant ist. Unternehmen, die eine „ganzheitliche“ Antwort auf die immer komplexer werdenden Herausforderungen suchen, können im Rahmen eines Data Custodianship auf allen Ebenen Rollen definieren und die Verantwortlichkeiten so eindeutig verteilen.
Dieser Schritt lohnt sich allein deshalb, weil die Ursachen für mangelnde Datenqualität neben den unklaren Verantwortlichkeiten oft Fehleingaben oder doppelte Eingaben (Dubletten), regionale Interpretationsunterschiede oder redundante Informationen sind. Sie können also auf ganz unterschiedlichen Ebenen passieren.
Um Aufgaben klarer zu definieren, können Datenqualitäts-Initiativen durchgeführt werden, in denen für die Datenqualität kritische Bereiche identifiziert und Review-Prozesse definiert werden. Dieser Aufwand lohnt sich vor dem Hintergrund des übergeordneten Ziels, also der gesteigerten Datenqualität, und führt langfristig zur Steigerung des Return on Data und dem Erhalt des Data Values.
