KONTAKT
    Datenkompetenz Framework

    Datenqualität im Unternehmen

    Worauf Sie achten sollten und wie Sie vorgehen können

    Datenqualität in der Datenbereitstellung

    Im Qualitätsmanagement gibt es das Motto "Qualität kann man nicht prüfen, sondern nur produzieren". 

    Übertragen auf das arbeiten mit Daten bedeutet dies, dass schon in der Planung die wichtigsten Datenqualitätskriterien mit bedacht werden müssen, um später mit aussagekräftigen Analysen arbeiten zu können. 

    Dies gilt umso mehr im Zeitalter der von KI-gestützten Auswertungen. Zur Vorbeugung von Fehlinterpretationsfallen Ist eine gute Datenqualität essentiell.

    Im Folgenden ordnen wir daher die wichtigsten acht Kriterien einmal kurz für Sie ein.

    Genauigkeit (Accuracy)

    Genauigkeit ist ein zentrales Kriterium für die Datenqualität in einem Unternehmen. Es bezieht sich auf die Übereinstimmung der Daten mit den realen, physischen oder konzeptuellen Entitäten, die sie repräsentieren. Genauigkeit spielt eine Schlüsselrolle bei der Entscheidungsfindung, da sie direkt die Zuverlässigkeit der auf diesen Daten basierenden Analysen und Schlussfolgerungen beeinflusst.

    Die Bewertung der Genauigkeit von Daten hängt oft von ihrer Relevanz für bestimmte Analysen ab. Daten, die für kritische Geschäftsentscheidungen verwendet werden, erfordern in der Regel eine höhere Genauigkeit als Daten, die für weniger wichtige Analysen verwendet werden.

    Leider ist die Nichteinhaltung des Genauigkeitskriteriums in Unternehmen recht häufig. Die Gründe dafür sind vielfältig und reichen von technischen Fehlern und menschlichen Fehlern bei der Dateneingabe bis hin zu systematischen Problemen bei der Datenerfassung und -verarbeitung.

    Konsequenzen bei Nichterfüllung

    Die Konsequenzen, wenn das Kriterium der Genauigkeit nicht erfüllt ist, können erheblich sein. Fehlende oder ungenaue Daten können zu Fehlentscheidungen führen, die finanzielle Verluste, Kundenunzufriedenheit oder sogar regulatorische Verstöße nach sich ziehen können. Darüber hinaus kann die Unfähigkeit, genaue Daten bereitzustellen, das Vertrauen in ein Unternehmen sowohl intern als auch extern untergraben.

    Das Qualitätskriterium der Genauigkeit erfüllen

    Es gibt mehrere Möglichkeiten, die Genauigkeit der Daten in Ihrem Unternehmen zu überprüfen. Eine Methode besteht darin, Datenstichproben zu überprüfen und diese mit einer vertrauenswürdigen Quelle oder einem Standard zu vergleichen.

    So gehen Sie dabei vor - wichtig ist eine regelmässige Wiederholung:

    1. Auswahl der Datenstichprobe: Identifizieren Sie die Daten, die Sie überprüfen möchten. Dies könnte eine zufällige Stichprobe aus Ihrer gesamten Datensammlung sein oder eine gezielte Stichprobe, die auf bestimmten Kriterien basiert (zum Beispiel die neuesten Einträge, Daten aus einer bestimmten Abteilung, etc.)

    2. Identifizierung vertrauenswürdiger Quellen oder Standards: Finden Sie eine verlässliche Quelle oder einen Standard, mit dem Sie Ihre Daten vergleichen können. Dies könnte eine branchenübliche Datenbank, eine Regierungsdatenbank, ein interner Standard oder sogar eine andere Abteilung innerhalb Ihres Unternehmens sein.

    3. Vergleich der Daten: Überprüfen Sie jedes Element in Ihrer Stichprobe und vergleichen Sie es mit den Daten aus Ihrer vertrauenswürdigen Quelle oder Ihrem Standard. Notieren Sie dabei alle Abweichungen.

    4. Analyse der Abweichungen: Untersuchen Sie die festgestellten Abweichungen. Sind sie auf Fehler in Ihren Daten zurückzuführen oder gibt es eine plausible Erklärung für die Unterschiede?

    5. Bewertung der Genauigkeit: Basierend auf Ihrer Analyse, bewerten Sie die Genauigkeit Ihrer Daten. Wie viele Fehler haben Sie gefunden? Wie gravierend sind diese Fehler?

    6. Erstellung eines Berichts: Erstellen Sie einen Bericht über Ihre Erkenntnisse, der Details zu den gefundenen Fehlern und Ihrer Bewertung der Datenqualität enthält.

    7. Entwicklung eines Aktionsplans: Basierend auf Ihrem Bericht, entwickeln Sie einen Plan, um die gefundenen Probleme zu beheben und die Genauigkeit Ihrer Daten zu verbessern.

    8. Umsetzung und Überwachung: Setzen Sie Ihren Aktionsplan um und überwachen Sie die Ergebnisse. Führen Sie regelmäßige Überprüfungen durch, um sicherzustellen, dass die Verbesserungen aufrecht erhalten werden und dass neue Probleme schnell erkannt und behoben werden.

    Eine weitere Möglichkeit besteht darin, Datenqualitäts-Tools zu verwenden, die automatisierte Genauigkeitsprüfungen durchführen können. Eine Liste von Tools finden Sie am Ende der Seite.

    Es ist wichtig, einen proaktiven Ansatz zur Datenqualität zu verfolgen und regelmässige Kontrollen durchzuführen, um sicherzustellen, dass Ihre Daten den erforderlichen Genauigkeitsstandards entsprechen.

    Gültigkeit (Validity)

    Gültigkeit ist ein weiteres entscheidendes Kriterium für die Datenqualität in einem Unternehmen. Sie bezieht sich darauf, ob die Daten korrekt und innerhalb akzeptierter Bereiche liegen. Zum Beispiel sollte das Datum einer Bestellung nicht in der Zukunft liegen, und eine Kunden-ID sollte in dem Format vorliegen, das von Ihrem System erwartet wird. In der Regel können diese Gültigkeitsregeln durch Geschäftsregeln, Datenstandards und Datenmodelle definiert werden.

    Ungültige Daten treten leider ebenfalls recht häufig in Unternehmen auf. Der Grad variiert jedoch je nach Branche, Unternehmen und der Art der verwendeten Systeme. Oftmals sind komplexe und veraltete IT-Systeme, menschliche Fehler und Mängel in Datenmanagementprozessen die Hauptursachen für ungültige Daten.

    Relevanz des Kriteriums "Gültigkeit"

    Die Gültigkeit von Daten kann nach ihrer Relevanz für bestimmte Analysen bewertet werden. Manche Datenpunkte sind für bestimmte Analysen von zentraler Bedeutung, während sie für andere Analysen weniger relevant sein können. Beispielsweise kann die Gültigkeit von Verkaufsdaten für eine Verkaufstrendanalyse entscheidend sein, während sie für eine Analyse der Mitarbeiterzufriedenheit weniger relevant ist.

    Konsequenzen bei Nichterfüllung

    Die Nichterfüllung des Gültigkeitskriteriums kann zu einer Reihe von Problemen führen. Falsche oder ungültige Daten können zu fehlerhaften Geschäftsentscheidungen führen, die Kundenzufriedenheit beeinträchtigen und letztendlich die finanzielle Leistung des Unternehmens negativ beeinflussen können. Darüber hinaus kann die Verwendung ungültiger Daten in Berichten und Analysen die Glaubwürdigkeit und Zuverlässigkeit der Daten in Frage stellen.

    Das Qualitätskriterium der Genauigkeit erfüllen

    Es gibt verschiedene Möglichkeiten, die Gültigkeit von Daten in Ihrem eigenen Unternehmen zu überprüfen. Dies kann durch die Durchführung von Datenqualitätsprüfungen, die Verwendung von Datenvalidierungstools und -techniken und die Implementierung von Datenmanagementpraktiken wie Datenreinigung und Datenkonsolidierung erfolgen.

    Darüber hinaus ist die Schulung von Mitarbeitern in Bezug auf Datenstandards und -praktiken ein wesentlicher Schritt, um die Datenqualität zu verbessern und ungültige Daten zu vermeiden.

    Einzigartigkeit (Uniquness)

    Einzigartigkeit ist ebenfalls ein wesentliches Kriterium für hohe Datenqualität in Unternehmen. Sie bezieht sich darauf, dass jeder Datensatz in einer Datenbank oder einem Datensatz einzigartig und nicht dupliziert sein sollte. Duplikate können zu falschen Schlussfolgerungen führen, indem sie die Daten verzerren und ineffiziente Ressourcennutzung fördern.

    Duplikationen können in jedem Unternehmen auftreten, das Daten sammelt und analysiert, unabhängig von der Branche oder Grösse. Erfahrungsgemäss gehört es auch zu den häufigen Problemen.

    Relevanz des Kriteriums "Einzigartigkeit"

    Die Bewertung nach Relevanz für bestimmte Analysen hängt stark von der Art der Analyse ab. Für Analysen, die auf eindeutige Identifikatoren angewiesen sind, wie beispielsweise Kundenanalysen oder Bestandsverfolgungen, ist Einzigartigkeit von entscheidender Bedeutung. Duplizierte Datensätze könnten hier zu über- oder unterschätzten Ergebnissen führen.

    Konsequenzen bei Nichterfüllung

    Mögliche Konsequenzen bei Nicht-Erfüllung des Kriteriums umfassen unter anderem ungenaues Reporting, übermässige Ressourcennutzung, schlechte Entscheidungsfindung und Kundenunzufriedenheit. Zum Beispiel könnten doppelte Kundendatensätze dazu führen, dass Kunden ungewollt denselben Marketinginhalt mehrfach erhalten.

     

    Das Qualitätskriterium der Einzigartigkeit erfüllen

    Möglichkeiten, selbst zu checken, ob ein diesbezüglicher Fehler im eigenen Unternehmen auftritt, umfassen die regelmässige Überprüfung und Reinigung von Datenbanken, die Implementierung von Datenmanagement-Tools und -prozessen und die Nutzung von Data Governance-Richtlinien. Darüber hinaus können Unternehmen auch dedizierte Datenqualitätsmanagement-Software einsetzen, die speziell darauf ausgelegt ist, Duplikate zu identifizieren und zu entfernen.

    Vollständigkeit (Completeness)

    Vollständigkeit bezieht sich auf das Vorhandensein aller notwendigen Datenpunkte und -elemente in einer Datenbank oder einem Datensatz. Wenn Daten fehlen oder unvollständig sind, kann dies die Analysefähigkeit erheblich beeinträchtigen und zu ungenauen oder verzerrten Ergebnissen führen.

    Unvollständige Daten kommen in Unternehmen recht häufig vor. Standardmässig kann auf verschiedene Faktoren zurückzuführen sein, darunter Datenerfassungsfehler, technische Probleme, menschliches Versagen oder mangelnde Standards und Verfahren zur Datenpflege.

    ABER: Auch die Nichtbeachtung von Datenquellen - insbesondere externen Datenquellen - ist heutzutage ein vermeidbares Problem. Eine abgestimmte Datenstrategie muss daher auch dies berücksichtigen - insbesondere beim Einsatz von KI-Systemen.

    Relevanz

    Die Vollständigkeit der Daten sollte immer im Kontext der für das Unternehmen relevanten Analysen bewertet werden. Nicht alle Datenpunkte sind für jede Analyse gleich wichtig. Daher ist es von entscheidender Bedeutung, dass Daten, die für die spezifischen geschäftlichen Anforderungen und Analyseziele benötigt werden, vollständig vorhanden sind. Nicht mehr und nicht weniger.

    Im Zusammenhang mit diesem Kriterium lohnt es sich, überflüssige Datenerfassungen zu identifizieren, da in vielen Fällen auf vollständige Erfassung wert gelegt wird, Auswertungen dazu aber fehlen oder überflüssig sind.

    Konsequenzen bei Nichterfüllung

    Die Nichterfüllung dieses Kriteriums kann schwerwiegende Konsequenzen haben. Fehlende Daten können zu falschen Schlussfolgerungen und Entscheidungen führen, die sich nachteilig auf die Geschäftsperformance auswirken können. Darüber hinaus kann die Unfähigkeit, wichtige Trends und Muster in den Daten zu erkennen, zu verpassten Chancen und Wettbewerbsnachteilen führen.

    Das Qualitätskriterium der Vollständigkeit erfüllen

    Eine Möglichkeit der Überprüfung besteht darin, Datenvalidierungsprozesse einzuführen, die das Fehlen von Datenpunkten erkennen und melden. Darüber hinaus können regelmässige Datenqualitätsprüfungen und -berichte dazu beitragen, die Bereiche zu identifizieren, in denen Daten fehlen, und Korrekturmassnahmen einzuleiten. 

     

    Konsistenz (Consistency)

    Konsistenz ist das nächste zentrale Kriterium bei der Bewertung der Datenqualität in Unternehmen. Sie bezieht sich auf die Übereinstimmung von Daten über verschiedene Datenquellen und Systeme hinweg.

    Ein konsistenter Datensatz zeigt gleiche Werte für gleiche Attribute, unabhängig davon, wo und wie die Daten abgerufen werden. Eine hohe Konsistenz gewährleistet, dass Analysen und Berichte, die auf verschiedenen Datenquellen basieren, verlässliche und kohärente Ergebnisse liefern.

    Die Ursachen für Probleme bei der Einhaltung konsistenter Daten können vielfältig sein, beispielsweise technische Fehler, menschliche Fehler oder Mängel in den Datenverwaltungsprozessen.

    Relevanz des Kriteriums "Konsistenz"

    Die Relevanz der Konsistenz kann je nach Art der Analyse variieren. Bei Analysen, die auf Daten aus mehreren Systemen oder Datenquellen zurückgreifen, ist die Konsistenz von entscheidender Bedeutung. Fehlende Konsistenz kann zu widersprüchlichen Ergebnissen führen, die die Entscheidungsfindung erschweren und das Vertrauen in die Daten untergraben können.

    Konsequenzen bei Nichterfüllung

    Die Nicht-Erfüllung des Konsistenz-Kriteriums kann schwerwiegende Auswirkungen auf die Datenqualität und damit auf die Geschäftsentscheidungen haben. Es kann zu fehlerhaften Analysen, ungenauen Berichten und möglicherweise zu falschen Geschäftsentscheidungen führen. Darüber hinaus kann eine schlechte Datenkonsistenz zu ineffizienten Arbeitsabläufen führen, da Mitarbeiter möglicherweise zusätzliche Zeit aufwenden müssen, um Datenprobleme zu beheben und Inkonsistenzen zu klären.

    Das Qualitätskriterium der Konsistenz erfüllen

    Inkonsistenzen in den Daten zu identifizieren ist wie bei vielen anderen Kriterien ein Teil von regelmässigen Datenqualitätsprüfungen. Darüber hinaus kann die Implementierung von Daten-Governance-Richtlinien und -Prozessen dazu beitragen, die Datenkonsistenz zu gewährleisten und die Wahrscheinlichkeit von Konsistenzproblemen zu reduzieren.

    Aktualität (Timeliness)

    Aktualität bezieht sich auf das Ausmass, in dem Ihre Daten die neuesten Änderungen und Ereignisse widerspiegeln. In einer schnelllebigen Geschäftswelt ist es entscheidend, dass Ihre Datenbanken stets aktuell sind, um fundierte Entscheidungen treffen zu können. Daten, die nicht auf dem neuesten Stand sind, können zu Fehlern führen, die sich negativ auf die Geschäftsprozesse auswirken.

    Relevanz des Kriteriums "Aktualität"

    Für Echtzeitanalysen oder Entscheidungen, die auf aktuellen Markttrends basieren, ist die Aktualität der Daten von höchster Bedeutung. Das betrifft vor allem die operative Datennutzung im Alltag. 

    Strategische Analysen, die auf Daten aus längeren Zeiträumen basieren sind weniger auf aktuelle Daten angewiesen.

    Dabei ist je nach Use Case zu entscheiden, was "Aktualität" bedeutet.

    Konsequenzen bei Nichterfüllung

    Probleme aus veralteten Daten sind viele möglich, darunter verpasste Geschäftschancen, ungenaue Vorhersagen, ineffiziente Geschäftsprozesse und sogar rechtliche Probleme, wenn veraltete Daten zu Nichteinhaltung von Vorschriften führen.

    Das Qualitätskriterium der Genauigkeit erfüllen

    Um zu überprüfen, ob Aktualitätsprobleme in Ihrem Unternehmen auftreten, sollten Sie regelmässig Datenqualitätsaudits durchführen. Prüfen Sie, wie schnell neue Daten in Ihr System eingegeben werden und ob es Verzögerungen gibt, die vermieden werden können. Ein weiterer Ansatz ist die Nutzung von Echtzeit-Dashboards, die einen ständigen Überblick über die Aktualität der Daten ermöglichen.

    Integrität (Integrity)

    Dieses Kriterium ist eine übergeordnete Fortführung von Datenqualitätsmerkmalen. Integrität bezeichnet die Korrektheit und Konsistenz von Daten über verschiedene Systeme und Prozesse hinweg.

    Datenintegrität gewährleistet, dass Informationen genau, verlässlich und zugänglich sind, und dass sie nicht durch menschliche oder maschinelle Fehler, Manipulationen oder Änderungen kompromittiert wurden.

    Leider tritt das Problem der mangelnden Datenintegrität in vielen Unternehmen häufig auf, oft aufgrund unzureichender Kontrollen, veralteter Systeme oder menschlicher Fehler. Ein proaktives Management der Datenintegrität ist daher für Unternehmen aller Grössen und Branchen von entscheidender Bedeutung.

    Relevanz des Kriteriums "Integrität"

    Bei komplexen, unternehmensweiten Analysen, die auf vielfältigen und weitläufigen Datenquellen basieren, ist die Integrität von entscheidender Bedeutung. Mangelnde Datenintegrität kann zu inkonsistenten oder fehlerhaften Ergebnissen führen, was wiederum die Qualität der datengestützten Entscheidungsfindung beeinträchtigt. Daher sollte die Bewertung der Datenintegrität entsprechend der spezifischen Anforderungen jeder Analyse erfolgen.

    Die Konsequenzen einer mangelnden Datenintegrität können gravierend sein. Sie reichen von falschen Geschäftsentscheidungen, über ineffiziente Prozesse und unnötige Kosten bis hin zum Verlust des Kundenvertrauens. Darüber hinaus können Verstöße gegen gesetzliche oder regulatorische Vorgaben im Zusammenhang mit Datenintegrität zu erheblichen Strafen führen.

    Es gibt verschiedene Möglichkeiten, die Datenintegrität in Ihrem Unternehmen zu überprüfen. Ein erster Schritt könnte eine Überprüfung der Datenkonsistenz über verschiedene Systeme und Prozesse hinweg sein. Darüber hinaus können spezialisierte Datenqualitätsmanagement-Tools verwendet werden, die Funktionen zur Überprüfung und Verbesserung der Datenintegrität bieten. Schließlich kann die Einbeziehung von Datenexperten, etwa durch interne Audits oder externe Beratung, dazu beitragen, mögliche Probleme mit der Datenintegrität aufzudecken und Lösungen zur Verbesserung der Datenqualität zu erarbeiten.

    Was heisst Datenreinigung?

    • Identifizieren: Erkennung von fehlerhaften oder ungenauen Daten durch Überprüfung auf Konsistenz, Vollständigkeit und Genauigkeit.

    • Validieren: Überprüfen der Daten auf Richtigkeit und Gültigkeit mit Hilfe von Datenvalidierungsregeln und -werkzeugen.

    • Korrigieren: Korrektur oder Beseitigung von identifizierten Fehlern oder Ungenauigkeiten.

    • Standardisieren: Anpassung von Daten an einheitliche Formate und Standards.

    • Bereinigen: Entfernen von Duplikaten und unnötigen Daten.

    • Überprüfen: Überprüfung der bereinigten Daten auf Qualität und Genauigkeit.

    • Dokumentieren: Festhalten der Änderungen und des Reinigungsprozesses für zukünftige Referenzen.

    Was heisst Datenkonsolidierung?

    • Sammeln: Zusammenführung von Daten aus verschiedenen Quellen und Systemen.

    • Überprüfen: Kontrolle auf Inkonsistenzen und Duplikate.

    • Zusammenführen: Kombinieren von Daten in einer einheitlichen Ansicht oder Datenbank.

    • Transformieren: Anpassen der Daten an ein einheitliches Format und eine einheitliche Struktur.

    • Entdoppeln: Identifizieren und Entfernen von doppelten Datensätzen.

    • Validieren: Überprüfen der konsolidierten Daten auf Genauigkeit und Vollständigkeit.

    • Speichern: Speichern der konsolidierten Daten in einem zentralen Repository oder einer Datenbank für zukünftige Nutzung und Analyse.

    Was sind Data-Governance Richtlinien?

    Data Governance bezieht sich auf das Management der Verfügbarkeit, Usability, Integrität und Sicherheit von Daten in Unternehmenssystemen, basierend auf internen Datenstandards und -richtlinien. Sie werden individuell an die Unternehmensziele und -kultur angepasst.

    Einige wichtige Aspekte von Data-Governance-Richtlinien sind:

    1. Datenaufbewahrung und -löschung: Diese Richtlinien bestimmen, wie lange Daten aufbewahrt werden und wann und wie sie gelöscht werden. Sie helfen, Compliance mit gesetzlichen und regulatorischen Anforderungen zu gewährleisten.

    2. Datenschutz und Sicherheit: Dazu gehören Richtlinien zur Gewährleistung der Sicherheit von Daten, einschließlich des Zugriffs auf Daten, der Übertragung von Daten und der Speicherung von Daten. Diese Richtlinien sollten auch Verfahren zur Reaktion auf Datenverletzungen enthalten.

    3. Datenqualitätsmanagement: Diese Richtlinien legen fest, wie die Qualität von Daten gewährleistet wird. Dies kann Richtlinien zur Vermeidung von Duplikaten, zur Gewährleistung der Einzigartigkeit von Daten und zur Datenbereinigung einschließen.

    4. Datenarchitektur und Modellierung: Diese Richtlinien regeln die Art und Weise, wie Daten organisiert und strukturiert sind. Sie können Standards für Datenmodelle und Datenarchitekturen festlegen.

    5. Datenzugriffs- und Nutzungsrichtlinien: Diese Richtlinien legen fest, wer auf welche Daten zugreifen kann und wie diese Daten genutzt werden dürfen. Sie können auch Verfahren zur Verfolgung und Überwachung des Datenzugriffs festlegen.

    6. Rollen und Verantwortlichkeiten: Diese Richtlinien definieren, wer für verschiedene Aspekte der Datenverwaltung verantwortlich ist, einschließlich Datenqualität, Datensicherheit und Compliance.

    7. Datenintegration: Diese Richtlinien legen fest, wie Daten aus verschiedenen Quellen zusammengeführt und integriert werden. Dies kann Standards und Verfahren für die Datenintegration und Datenmigration beinhalten.

    8. Compliance und regulatorische Anforderungen: Diese Richtlinien helfen, die Einhaltung von Branchenvorschriften, Gesetzen und anderen regulatorischen Anforderungen zu gewährleisten.

    Was ist ein Datenvalidierungsprozess?

    Ein Datenvalidierungsprozess ist ein strukturiertes Verfahren zur Überprüfung und Sicherstellung der Qualität und Genauigkeit der Daten. Hier sind einige typische Schritte, die in einem solchen Prozess involviert sein könnten:

    1. Festlegung von Datenstandards und -richtlinien: Bestimmen Sie, welche Daten benötigt werden und wie diese aussehen sollten. Dies umfasst oft die Festlegung von Standards für Datenformate, Einheiten, Datenbereiche usw.

    2. Erstellung von Validierungsregeln: Entwerfen Sie spezifische Regeln, die die Daten erfüllen müssen. Dies könnte das Überprüfen auf fehlende Werte, Überprüfen der Konsistenz der Datenformate, Überprüfen auf Duplikate, Überprüfen der Einhaltung von Datenbereichen usw. beinhalten.

    3. Implementierung der Validierungsregeln: Nutzen Sie Software-Tools oder Skripte, um die Validierungsregeln auf Ihre Daten anzuwenden. Dies kann automatisiert erfolgen, wenn neue Daten eingehen, oder zu bestimmten Zeitpunkten.

    4. Überprüfung und Korrektur von Fehlern: Wenn die Validierung auf Probleme stößt, werden diese in der Regel in einem Bericht aufgeführt. Datenexperten können dann die Probleme überprüfen und Korrekturen vornehmen, wo es notwendig ist.

    5. Überprüfung und Anpassung der Validierungsprozesse: Es ist wichtig, den Validierungsprozess regelmäßig zu überprüfen und anzupassen, um sicherzustellen, dass er effektiv ist und mit sich ändernden Geschäftsanforderungen Schritt hält.

    6. Dokumentation des Prozesses und Schulung der Mitarbeiter: Es ist wichtig, dass alle Mitarbeiter, die mit den Daten arbeiten, den Validierungsprozess verstehen und wissen, wie sie die Regeln anwenden und einhalten können.

    Was heisst Datenqualitätsaudit?

    Ein Datenqualitätsaudit ist ein systematischer Prozess, der die Genauigkeit, Konsistenz, Vollständigkeit und Aktualität der Daten in einem Unternehmen bewertet. Hier sind einige Schritte, die ein Datenqualitätsaudit umfassen könnte:

    1. Festlegung der Audit-Ziele: Bestimmen Sie, was Sie mit dem Audit erreichen möchten. Wollen Sie die Genauigkeit, Konsistenz, Vollständigkeit, Aktualität oder eine Kombination dieser Aspekte bewerten?

    2. Auswahl der Datenquellen: Identifizieren Sie die Datenquellen, die Sie überprüfen möchten. Dies könnten Datenbanken, Tabellen, Berichte oder andere Datenquellen sein.

    3. Erstellen Sie einen Prüfplan: Planen Sie, wie Sie die ausgewählten Datenquellen prüfen werden. Welche Tools und Methoden werden Sie verwenden, und welche Metriken werden Sie zur Bewertung der Datenqualität verwenden?

    4. Durchführung des Audits: Führen Sie die geplanten Prüfungen durch. Dies könnte das Überprüfen von Daten auf Genauigkeit, Konsistenz, Vollständigkeit und Aktualität umfassen.

    5. Analyse der Ergebnisse: Bewerten Sie die Ergebnisse des Audits. Wo liegen die Probleme und was sind die Ursachen dafür?

    6. Erstellen eines Aktionsplans: Basierend auf den Ergebnissen des Audits, erstellen Sie einen Aktionsplan zur Verbesserung der Datenqualität. Dies könnte das Implementieren von neuen Prozessen, das Schulen von Mitarbeitern, oder das Implementieren von neuen Tools zur Datenqualitätskontrolle beinhalten.

    7. Implementierung und Überwachung: Führen Sie die geplanten Verbesserungen durch und überwachen Sie ihre Auswirkungen auf die Datenqualität.

    8. Regelmässige Wiederholung: Datenqualitätsaudits sollten regelmässig durchgeführt werden, um sicherzustellen, dass die Datenqualität auf einem hohen Niveau bleibt.

    Konformität (conformity)

    Datenkonformität bezieht sich auf die Übereinstimmung der Daten mit den etablierten internen und externen Normen, Vorschriften und Standards. Beispielsweise könnte eine Norm die Verwendung bestimmter Datumsformate oder die Einhaltung von Datenschutzregelungen sein. Konformität sorgt für Konsistenz und ermöglicht eine effektive Kommunikation und Zusammenarbeit, da alle Parteien ein einheitliches Verständnis der Daten haben.

    Ein Mangel an Konformität in Unternehmen ist oft auf fehlende Richtlinien oder mangelnde Mitarbeiterschulung zurückzuführen.

     

    Wie immer ist die Bewertung der Wichtigkeit des Konformitätskriteriums je nach Art der Analyse verschieden. Für bestimmte Analysen, wie beispielsweise Compliance-Audits oder Berichte für regulatorische Behörden, ist die Konformität von höchster Relevanz. Wichtig ist sie auch bei Konsolidierungsaufgaben innerhalb von Konzernstrukturen.

    Andererseits könnte sie bei internen Ad-hoc-Analysen weniger kritisch sein, solange die Daten interpretierbar und nutzbar sind.

    Konsequenzen bei Nichterfüllung

    Das Ignorieren des Konformitätskriteriums kann schwerwiegende Konsequenzen haben. Eine schlechte Datenkonformität kann zu Missverständnissen, ineffizienten Geschäftsprozessen und sogar zu rechtlichen Problemen führen, wenn beispielsweise Datenschutzvorschriften nicht eingehalten werden oder Bilanzen fehlerhaft aufgestellt werden.

    Das Qualitätskriterium der Konformität erfüllen

    Um die Konformität der Daten in Ihrem Unternehmen zu überprüfen, können Sie regelmässige Datenqualitätsprüfungen durchführen. Diese Prüfungen könnten die Überprüfung der Einhaltung von Datenstandards, das Scannen auf Inkonsistenzen und die Überprüfung von Datenschutzmassnahmen beinhalten. Darüber hinaus ist es ratsam, ein umfassendes Datenmanagement-System zu implementieren, das Richtlinien und Prozeduren für die Datenerfassung, -speicherung und -nutzung umfasst.