Mit sauberen Daten digital durchstarten
Qualitätsmanagement
Was brauchen Unternehmen, um richtig Gas zu geben? Gute Daten sorgen für einen Turbo-Effekt. Die Zeit seit Beginn der Pandemie hat es mit aller Deutlichkeit gezeigt: Die Digitalisierung von Geschäftsprozessen macht Unternehmen widerstandsfähiger. Der Treibstoff für die digitale Zukunft sind dabei die Daten.
Die beste Aufbereitung von Daten ist nichts wert, wenn die Qualität der Basis nicht stimmt. Bilder: Proalpha
Das Datenmanagement greift tief in die Strukturen von Wirtschaft und Gesellschaft mit enormem Potenzial für beschleunigte Entwicklungs- und Produktionszeiten, erweiterte Absatzchancen und verbesserte Kostenstrukturen. Voraussetzung dafür sind jedoch saubere Daten: Ohne Datenqualität keine validen Aussagen und Entscheidungen. Unternehmen müssen erkennen, dass die schönste Aufbereitung von Daten in Dashboards oder auch die Bereitstellung von Analysefunktionalität nichts wert ist, wenn die Qualität der Daten nicht stimmt. Proalpha, Anbieter von ERP-Software für den Mittelstand, baut sein Angebot an Lösungen aus dem Bereich Qualitätsmanagement, eProcurement und Supplier Relationship Management (SRM) aus.
Anhand weniger Fragen lassen sich Vorgehensmodelle entwickeln, um dem Datenwust ressourcenschonend den Kampf anzusagen.
- In welchen Prozessen beeinflussen Daten maßgeblich die Produktivität?
Nicht jedes Schräubchen ist im großen Getriebe eines Unternehmens gleich wichtig. Daher gilt es, diejenigen Abläufe zu identifizieren, in denen fehlerhafte oder unvollständige Daten erfolgsentscheidend sind. Denn mangelhafte Daten können zu großem Mehraufwand und damit hohen Kosten führen, etwa durch die falsche Übernahme von Teiledaten aus der Stückliste in die Arbeitsaufträge. Oder sie vergrößern das Lieferrisiko, weil viel zu spät erkannt wird, dass ein Kunde nicht 100, sondern 1000 Stück geordert hat und jetzt das nötige Material nicht auf Lager ist. Teil dieser ersten Analyse sollte auch die Frage sein, ob alle Bereiche jederzeit und von überall schnellen Zugang zu den für sie relevanten Informationen haben.
- Was ist für uns ein guter Datensatz?
Werden Daten nicht gewartet, unterliegen sie dem Verfall und sind nicht mehr verwendbar. Es müssen Qualitätskriterien und Richtlinien definiert werden – zugeschnitten auf das Unternehmen und die jeweilige Abteilung. Regeln müssen ausgearbeitet werden, die klare Richtlinien vorgeben, welche Daten relevant sind und wie ein sauberer und vollständiger Datensatz auszusehen hat. Ist beispielsweise die E-Mail-Adresse erforderlich oder optional? Oder gilt bereits ein Datensatz mit Telefonnummer als vollständig? Ein unternehmensweites Glossar sollte den Inhalt und die Metrik der Dateninhalte beschreiben und für alle Mitarbeiter nachvollziehbar machen.
- Wo lässt die Datenqualität aktuell zu wünschen übrig?
Die vorhandenen Datenpools sollten nicht nur auf offensichtliche Kriterien wie Vollständigkeit und Richtigkeit untersucht werden. Zu den weiteren Prüfpunkten gehören zahlreiche Aspekte, etwa die Einhaltung von Archivierungs- oder Löschpflichten. Wer genau analysiert und konsequent bereinigt, sorgt direkt für mehr Effizienz in erfolgskritischen Prozessen – und stärkt die Compliance.
Die Qualität der Daten muss langfristig sichergestellt werden (Bild: Proalpha).
- Wie lässt sich Datenqualität langfristig sicherstellen?
Mit dem einmaligen Daten-Tuning ist es nicht getan. Denn sowohl Stamm- als auch Bewegungsdaten ändern sich kontinuierlich. Das beginnt bei Serien- und Chargennummern von Teilen und endet bei Angebots- und Bestellinformationen.
Empfehlenswert ist ein automatisiertes 24/7-Datenqualitäts-management auf Basis eines individuellen und bedarfsgerechten Regelwerks. Erstellte Fehlerreports werden an die jeweiligen Fachbereiche weitergeleitet. Fehler können direkt und zielgerichtet ohne großen Aufwand behoben werden. So binden Unternehmen ein kontinuierliches Datenmonitoring kosten- und zeitsparend in den Arbeitsalltag der Fachteams ein. Die Aufzeichnung der Datenqualität dokumentiert die Verbesserungen und ermöglicht ein Controlling und eine Überwachung eingeleiteter Maßnahmen im Zeitablauf.
Ein Praxisbeispiel zu einer gelungenen Datenqualitätsstrategie liefert die Spaleck GmbH & Co. KG aus Bocholt. Jeden Tag werden die Daten der aktuellen Eingaben durchleuchtet und anhand von definierten Regeln geprüft. Liegt ein Datenfehler vor, steuert ein automatisierter Workflow die Kommunikation an die richtige Stelle.
Das bedeutet: Ein Sachbearbeiter, der eine nicht regelkonforme Dateneingabe in einem spezifischen Feld vorgenommen hat, bekommt diesen Zustand direkt wieder in seinen Aufgabenmonitor zugewiesen. Das kontinuierliche Controlling der DQ-Indizes und Auffälligkeiten verschafft den zuständigen Stellen ein sicheres Gefühl, abgeleitete Prozesse und Kennzahlen richtig zu interpretieren und Entscheidungen auf Basis valider Daten zu treffen.
Daten in der Cloud sind keine eigene Welt (Bild: Proalpha).
„Durch die automatisierte Prüfung der Stamm- und Bewegungsdaten konnten wir etliche Prozesse optimieren und Ressourcen einsparen. Das spart neben Kosten auch enorm viel Zeit.“, so David Tenostendarp, Leiter Managementprozesse & IT.
Benefits auf drei Ebenen
Das Verhältnis der Unternehmen zu ihren Daten ist oft zwiespältig: An einigen Stellen, etwa im Vertriebs- oder Finanzbereich, wird ihrer Qualität teilweise offen misstraut, an anderen Stellen, zum Beispiel in der Produktion, wird die Qualität gerne überschätzt.
Mit den richtigen Fragen rücken Unternehmen dem ungeliebten Thema strukturiert und fokussiert zu Leibe. Ein nachhaltiges Qualitätsmanagement für Daten hilft in dreierlei Hinsicht: Es bewahrt vor kostspieligen Fehlern, erhöht das Vertrauen in die eigenen Daten und ermöglicht bessere Entscheidungen.
Vor allem helfen richtig gemanagte Daten, Prozesse zu digitalisieren. Um dieses Plus an datengetriebener Effizienz zu erzielen, können sich Unternehmen bei Spitzenmannschaften im Sport einiges abschauen: Es braucht eine profunde Analyse, eine klare Strategie und den individuellen Einsatz für kontinuierliche Verbesserung, auf allen Ebenen des Teams.
