Sponsor gesucht
Unternehmen empfiehlt Kokemüller deshalb ein klar strukturiertes Projekt-Management für die Datenverwaltung: "Damit ein solches Projekt erfolgreich sein kann, muss es einen Sponsor im Management haben, der über Autorität für alle betroffenen Bereiche verfügt." Ferner sollte vor Beginn ein Projektablauf festgelegt sowie die Verfügbarkeit der Ressourcen sichergestellt werden. Dazu gehöre auch ein koordiniertes Change-Management, das die betroffenen Mitarbeiter in das Projekt einbezieht. Daneben sei die Entwicklung einer Stammdatenstrategie wichtig, welche die Ausgangslage (Beteiligte, Prozesse, Firmenkontext und Kultur, Wettbewerbssituation, Governance-Modell) identifiziert und ein Ziel unter Berücksichtigung der Optionen sowie Herausforderungen definiert.
Die zentralen Gestaltungsbereiche eines effizienten Daten-Managements sind die Data Governance und das Führungssystem. Laut Fraunhofer IAO legt die Data Governance die Prozesse, Verantwortlichkeiten und Entscheidungskriterien für den Umgang mit Daten fest. Das beinhaltet den Umgang mit Informationen und eine Definition, wie sich neue Anforderungen durch das Datenschema abbilden lassen. Grundsätzlich orientiert sich die Data Governance am allgemeinen Organisationsprinzip eines Unternehmens. Ist dieses dezentral aufgebaut, ist eine zentrale Modellierung der Data Governance wenig praktikabel.
Barc-Empfehlungen für Datenqualitätsprojekte
-
Die Implementierung des Datenqualitätsprozesses benötigt eine ganzheitliche Betrachtung. So steigt das Vertrauen in die Daten.
-
Datenqualität ist eine Führungsaufgabe und braucht Sponsoren.
-
Die Auswirkungen schlechter Daten sowie der Nutzen einer hohen Datenqualität sollten gegenübergestellt werden. Ziel ist das Identifizieren der Bereiche, die am stärksten profitieren.
-
Ein Datenqualitäts-Assessment hilft bei der Erhebung des IstZustands. Hierbei kann die Zusammenarbeit mit Herstellern und Beratern nützlich sein.
-
Bereiche, die einen schnellen Erfolg zeigen, sollten herausgehoben werden. Zudem empfiehlt sich die Nutzung erfolgreicher Pilotprojekte für ein Datenqualitäts-Marketing.
-
Ein Daten-Management- oder Business-Intelligence-(BI-)Competence Center schafft klare Verantwortlichkeiten und erleichtert die Zusammenarbeit zwischen Fachbereich und IT.
-
Der Einsatz von Datenqualitäts-Werkzeugen erfolgt in Abstimmung zwischen den beteiligten Fachbereichen und der IT. Dabei zählen fachliche Anforderungen und die Nutzbarkeit.
-
Datenqualitäts-Werkzeuge sind nicht immer sinnvoll. Der Einsatz von Standardsoftware bringt möglicherweise größere Vorteile.
-
Die Software sollte den gesamten Datenqualitätszyklus abdecken.
-
Für eine nachhaltige Datenqualität ist ein schrittweiser Prozess notwendig, der Maßnahmen zur Analyse, Bereinigung, Anreicherung und Überwachung der Datenqualität abdeckt.
Zuckerbrot und Peitsche
Nachdem die Organisation des Datenqualitäts-Managements ausformuliert ist, liegt es am Führungssystem, dieses mit Leben zu füllen, wozu etwa Zielvorgaben für die Informationsqualität zählen. Ein Beispiel sind Anreizsysteme, die auf Bonus- und Malus-Regelungen basieren. Gleichzeitig muss das Datenschema aufgeschlüsselt und dokumentiert werden. Dazu gehören die Klärung der semantischen Bedeutung von Klassen und Attributen in einem Datensatz sowie die Formatierung der Informationen.
Damit die Richtlinien der Data Governance koordiniert werden, ist die Übertragung von strategischen Kompetenzen auf einen Data Steward empfehlenswert, der für die Leitung des Daten-Managements verantwortlich ist. Zusätzlich sollten die Abteilungen im Bereich der Architektur fachliche Datenschemata festlegen. Schließlich ist ein "IT-Bebauungsplan" ratsam, wozu in der Regel die "Gold Copy" gehört. Hinter dieser Kopie verbirgt sich ein Objekt, das immer die höchste Datenqualität hat. Änderungen in den zugrunde liegenden Daten müssen immer in dieses Objekt integriert werden, bevor man sie an die Datenabnehmer verteilt.