View
7
Download
0
Category
Preview:
Citation preview
Datenqualität – das A und O der DigitalisierungWhitepaper zur Bedeutung von Datenqualitätsmanagement
Inhalt
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
Vorwort 3
Begriffsdefinitionen 4
Digitalisierung braucht gute Datenqualität 5
Ursachen unzureichender Datenqualität 6
Datenqualität definieren und messen 7
Verantwortlichkeiten festlegen 8
Den Fokus auf Kernelemente legen 9
Projektbeispiel 10
Fazit 11
3Datenqualität – das A und O der Digitalisierung
Vorwort
Immer größere Datenmengen und immer leistungsfähigere Analysetools eröffnen Unternehmen neue, datenbasierte Geschäftsmodelle. Wie erfolgreich die neuen Ansätze sind, hängt entscheidend von der Qualität der Daten und damit auch von den Prozessen ab, die zur Datenbereinigung und Qualitätssicherung zur Verfügung stehen. Sie sind notwendig, um Redundanzen zu vermeiden, Fehler zu erkennen und zu beheben und einen ganzheitlichen Zugriff auf die Daten zu ermöglichen. Mit den neuen Chancen sind jedoch auch Herausforderungen verbunden. Auf den Punkt brachte es ein CEO auf einem Workshop von KPMG zum Thema Data Management: „Wenn wir unsere Datenqualität in fünf Jahren nicht verbessert haben, werden wir als Firma nicht überleben.“
In diesem Satz spiegeln sich die zentralen Dimensionen von Datenqualität wider. Eine unzureichende Datenqualität kann schnell zum Verlust von Marktanteilen führen, da Geschäftsentscheidungen unter fehlerhaften Annahmen getroffen werden. Neue Wettbewerber, neue Geschäftsmodelle oder neue Trends drohen unterschätzt oder gar nicht erkannt zu werden. Zudem können durch fehlende oder fehlerhafte Daten schwerwiegende ComplianceRisiken entstehen, die Regulierungsanforderungen oder Steuern und Abgaben betreffen. Auf der ande
ren Seite ist die Erzeugung von Datenqualität kein Prozess, der sich kurzfristig realisieren lässt. Das gilt insbesondere, wenn hierfür nur begrenzte Ressourcen bereitgestellt werden können. Stattdessen müssen die Verbesserungsmaßnahmen langfristig konzipiert und implementiert werden und das Unternehmen in die Lage versetzen, eine kontinuierliche Qualitätssicherung zu betreiben. Schließlich wird deutlich, dass Datenqualität aufgrund des bereichsübergreifenden Charakters von Daten zur Chefsache wird. Das unterstreicht erneut ihre enorme Bedeutung für deutsche Unternehmen. Wird Datenqualität als zentrale Aufgabe verstanden, kann die Einrichtung einer abteilungsübergreifenden Schnittstelle dafür sorgen, dass Unternehmensbereichen wie Einkauf und Marketing, aber auch Data & Analytics einheitliche Daten zur Verfügung stehen und gleichzeitig die ComplianceAnforderungen erfüllt werden.
Im Rahmen dieses Whitepapers erläutern wir, welchen Einfluss Datenqualität auf die Digitalisierung und digitale Geschäftsmodelle hat und wie Datenqualität langfristig gefördert werden kann. Zudem zeigen wir unseren Ansatz für ein ganzheitliches Data Quality Management, den wir anhand eines Referenzprojekts näher vorstellen.
Oleg BrodskiPartner, Head of Digital Finance KPMG AG Wirtschaftsprüfungsgesellschaft, Düsseldorf
Stefan RiessSenior Manager, Digital Finance KPMG AG Wirtschaftsprüfungsgesellschaft, Köln
Lisa Aline LochManager, Digital Finance KPMG AG Wirtschaftsprüfungsgesellschaft, Köln
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
Begriffsdefinitionen
1 Datenqualität 1
Datenqualität bedeutet, zu jeder Frage eine richtige Antwort zu erhalten. Das setzt voraus, dass Daten ständig auf Fehlerhaftigkeit, Redundanz und Nutzbarkeit geprüft werden. Neben der Vermeidung von Fehlern und Lücken geht es also auch darum, Daten verschiedenen Adressaten in einheitlicher Weise zur Verfügung zu stellen und sie möglichst einfach nutzbar zu machen. Datenqualität kann anhand von Merkmalen beurteilt werden. Zu diesen Merk malen zählen die intrinsische Datenqualität (Glaubhaftigkeit, Genauigkeit, Objektivität, Reputation), die kontextuelle Datenqualität (Mehrwert, Relevanz, Zeitnähe, Vollständigkeit, Datenmenge), die repräsentative Datenqualität (Interpretierbarkeit, Verständlichkeit, Konsistenz der Darstellung, Prägnanz) sowie die Zugriffsqualität (Verfügbarkeit, Zugriffssicherheit)2.
1 Data Governance und Data Management als Säulen des Datenqualitätsmanagements Quelle: KPMG in Deutschland, 2020
Datenqualität
– „Legislative“ – Generell zentral organisiert
– „Exekutive“ – Generell dezentral organisiert
Data Governance Data Management
– definiert die Datenmanagementstrategie – hat die Gesamtverantwortung für die Datenqualität – hat die Designvollmacht über das Datenmodell,
Richtlinien, Prozesse und Rollen – definiert Key Performance Indicators (KPIs) für ein
Datenqualitäts und Prozessmonitoring
– ist verantwortlich für die Datenpflege im Sinne von Datenerstellung, bereitstellung und prüfung
– führt Datenqualitätschecks durch – ist verantwortlich für die Daten infrastruktur und das
Datenintegrations management
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
2 Data GovernanceData Governance ist die „Legislative“ zur Generierung von Datenqualität. Sie hat organisatorische Funktion und damit die Designautorität über das Data Management. Das heißt, sie definiert und überwacht die Datenstrategie, die Richtlinien und Standards sowie die unternehmensweiten Datenmodelle und die damit verbundenen Prozesse und Systeme. Damit entscheidet Data Governance über ein unternehmensinternes Steuerungssystem, an dem die Geschäftsführung oder der Vorstand idealerweise beteiligt ist bzw. das die Unternehmensleitung vollständig unterstützt.
3 Data ManagementUnter Data Management verstehen wir die operativen Aktivitäten entlang des Datenlebenszyklus, also von der Erstellung des Datensatzes über seine Kontrolle und Anpassung bis hin zu seiner Löschung und Archivierung. Das Data Management ist da rü ber hinaus verantwortlich für die Umsetzung von operativen und technischen Maßnahmen zur Verbesserung der Datenqualität. Insofern ist das Data Management die „Exekutive“ zur Herstellung und Erhaltung von Datenqualität.
1 Gesellschaft für Informatik, 2018, https://gi.de/informatiklexikon/datenqualitaet/2 Eurostat: Handbook on Data Quality – Assessment Methods and Tools, Seite 9 – 11 (2007), https://ec.europa.eu/eurostat/web/quality/qualityreporting
5Datenqualität – das A und O der Digitalisierung
Digitalisierung braucht gute Datenqualität
Digitalisierung ist heutzutage in aller Munde und je dem ein Begriff. In einer Umfrage der EARSandEYES GmbH in Zusammenarbeit mit der International School of Management aus dem Jahr 2018 gaben 60 Prozent der be frag ten Personen an, dass sie einen wirtschaftlichen Aufschwung ohne Digitalisierung für undenkbar halten.3 Digitalisierung wird von der Mehrheit der Unternehmen als Entscheidungsfaktor im Wettbewerb angesehen und dementsprechend hoch in ihrer strategischen Ausrichtung bewertet. Laut der „Trendstudie Digitalisierung 2017“ von Bitkom Research hatten 2017 bereits 74 Prozent der Unternehmen die Aspekte der Digitalisierung strategisch in ihrem Geschäftsmodell verankert.4
Mit der Digitalisierung hat sich das unternehmerische Handeln in den letzten Jahren deutlich gewandelt. So sind mittlerweile viele zukunftsweisende Geschäftsmodelle wie ECommerce, Onlinebanking oder EProcurement entstanden. Doch auch in den Unternehmen selbst hat die Digitalisierung zu tief greifenden Veränderungen geführt. Eine stärke re interne und externe Vernetzung, neue Arbeitsmodelle oder wachsende Investitionen in Data Ana
lytics sind nur einige Beispiele dafür. Die Grundlage all dieser Entwicklungen sind Daten. Ohne sie kann der Einkauf keine digitalen Lieferantenlisten führen, das Marketing keine digitalen Kampagnen planen und das Unternehmen keine Datenanalysen durchführen oder Prozesse digitalisieren. Aufgrund dieses enormen Einflusses ist auch die Qualität der genutzten Daten von hoher Bedeutung. In einer Um frage zu den größten Herausforde rungen für Digital Analytics wurde Datenqualität als der wichtigste Faktor bewertet.5 Das verdeutlicht, dass Daten das Grundgerüst sämtlicher Digitalisierungsbestrebungen bilden und ihren Erfolg maßgeblich beeinflussen. Denn fehlerhafte, nicht verfügbare oder veraltete Daten können dazu führen, dass operative Prozesse deutlich zeit und personal auf wendiger ausfallen, Geschäftsmöglichkeiten nicht erkannt oder günstigere Lieferanten nicht identifiziert werden. Auf diese Weise kann eine unzu reichende Datenqualität direkten Einfluss auf die Geschäftslage haben. In diesem Zusammenhang wurde der Begriff „Garbage in, Garbage out“ geprägt, der – vereinfacht gesagt – aus drückt, dass schlechte Datenqualität auch zu schlechter Datennutzung führt.
3 https://de.statista.com/statistik/daten/studie/913102/umfrage/umfrageindeutschlandzuaussagenbezueglichderdigitalisierung4 TCS und Bitkom Research: Trendstudie Digitalisierung 2017, Seite 175 https://de.statista.com/statistik/daten/studie/946148/umfrage/herausforderungenimbereichdigitalanalyticsausunternehmenssicht/
Verlust von Marktanteilen
– Schlechte Managemententscheidung aufgrund von unzuverlässigen Datenquellen (zum Beispiel Ausgabenanalyse oder Lieferantenbewertung)
– Unterschätzung von Wettbewerbern, Übersehen von Trends und fehlerhafte Einschätzung der eigenen Marktabdeckung
– Mangelhafte Erfüllung von regulatorischen Anforderungen (zum Beispiel Datenschutzrechte)
– Unzureichende Transparenz und Rückverfolgung in operativen Prozessen
Höheres Compliance-Risiko
– Höherer Abgleichbedarf von Daten zwischen Fachabteilungen – Funktionale Lücken innerhalb operativer Prozesse – Risiko von Doppelarbeit – Geringere Automatisierungsrate in oder zwischen operativen Prozessen
Höhere Prozess durch lauf zeiten
2 Bedeutung von Datenqualität Quelle: KPMG in Deutschland, 2020
Stammdaten
Research & Development
Einkauf Produktion Sales & Marketing
Logistik Finanzen
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
Ursachen unzureichender Datenqualität
3 Ursachen von schlecher Datenqualität Quelle: KPMG in Deutschland, 2020
Oft beobachtete Probleme Beispiel
Abteilungen mit abweichenden Interessen an gleichen Datenobjekten
„Gefühlte“ Vetorechte im Dateneingabeprozess
Keine klaren Verantwortlichkeiten und fehlende Eskalationsfunktion
Keine Transparenz hinsichtlich der tatsächlichen Datenqualität
Max Muster
Adresse Musterstraße 112345 Musterstadt
unkown@firm.com
1234567890
14 Tage: 2 %30 Tage: 0 %DE12 3456 7890 1234 5678 90
EMail
SteuerNr.
Kondi tionenIBAN
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
Die Gründe für eine unzureichende Datenqualität sind vielfältig. Neben veralteten Daten oder Duplikaten, die während der Datenerfassung entstehen, können auch bei späteren Migrationsprozessen Fehler entstehen. Zudem bilden Verknüpfungen mit anderen Unternehmensbereichen eine Quelle für Probleme, da verschiedene Abteilungen den gleichen Daten unterschiedliche Relevanz zuweisen und sie daher auch unterschiedlich behandeln. Weitere Quellen für fehlerhafte Daten liegen in unternehmensinternen Faktoren und dem bereichsübergreifenden Charakter von Daten: So können auch unklare Zuständigkeiten oder Insellösungen zu Duplikaten führen und das Datenmanagement verlangsamen oder erschweren. Hinzu kommt, dass durch geringe Transparenz über die tatsächliche Datenqualität Missverständnisse entstehen können, die sich wiederum negativ auf den Unternehmenserfolg auswirken können.
Für die bestmögliche Nutzung der Digitalisierungspotenziale ist eine hohe Datenqualität also unerlässlich. Ebenso wird deutlich, dass es nicht reicht, allein auf technische oder operative Prozesse bei der Sicherstellung der Datenqualität zu setzen, vielmehr muss langfristig auch eine richtungsweisende und kontrollierende Instanz, die sogenannte Data Governance, wirksam werden.
7Datenqualität – das A und O der Digitalisierung
Datenqualität definieren und messen
DatenverfügbarkeitDatenkonsistenzDatenvollständigkeit
DatenerstellungDatenaktualisierung
DatenvalidierungDatenarchivierung
Data Quality Efficiency Index
Datenfehler
Aufwand
4 Der Data Quality Efficiency Index (DAQEI) Quelle: KPMG in Deutschland, 2020
Datenqualität Data-Management-Prozesse
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
Der Umgang mit Daten in den operativen Prozessen kann zu einer ganzen Reihe von Fehlern und Problemen führen. Bei der Anlage von Daten können Schreibfehler auftreten oder sie werden – bewusst oder unbewusst – unvollständig aufgenommen. Unterschiedliche Abteilungen können unterschiedliche Datenerfassungsstandards nutzen, zum Beispiel abweichende Felder verwenden, die Reihenfolge von Kundenvor und nachname anders aufnehmen oder andere Abkürzungen verwenden. Werden Daten nicht nach einheitlichen Kriterien angelegt, entstehen bei einer späteren Zusammenführung Probleme bei der Auswertung und Weiterverarbeitung. Ebenso wichtig ist es, auf die Eindeutigkeit der erfassten Daten zu achten, um beispielsweise doppelten Versand oder inkonsistente Auswertungen zu vermeiden. Ein weiteres Kriterium ist die Verständlichkeit der Daten für die jeweiligen Nutzer, sowohl in Bezug auf die Sprache als auch in Bezug auf die Anzeige. Aus diesen Beispielen wird ersichtlich, dass gute Datenqualität nicht eindimensional gemessen werden kann, sondern eine Vielzahl von Merkmalen bewertet werden muss.
Hier bietet es sich zum Beispiel an, einen multidimensionalen Kennzahlenbaum – ähnlich den (Finanz)Controllinginstrumenten – zu implementieren. Er berücksichtigt zunächst die Ausprägungen der Datenqualität und bricht sie in einzelne Kenn
zahlen herunter, darunter Anzahl Dubletten, Anzahl Inkonsistenzen und Anzahl nicht gefüllter Datenfelder. Diese Informationen werden multidimensional mit weiteren Informationen zur Ursachen analyse verknüpft. Weitere Dimensionen sind beispielsweise der Unternehmensbereich, in dem der Fehler entstanden ist, das betroffene Datenobjekt, das System oder der Prozess, in dem die Daten angelegt oder verwendet werden.
Neben der Datenqualität ist auch der Aufwand für die Bereitstellung der Daten und die Erhaltung der Datenqualität zu messen. Nur so kann sichergestellt werden, dass ein Gewinn an Datenqualität nicht auf Kosten der Prozessperformance geht. Moderne Datenmanagementsysteme wie zum Beispiel Informatica und SAP Master Data Governance eröffnen mit einer flexiblen Integration in die bestehende ITLandschaft und OutoftheboxAnalysen eine effiziente Möglichkeit für ein kontinuierliches Datenmanagement. Dadurch wird der Faktor Datenqualität zum festen Bestandteil im Unternehmen.
KPMG hat mit dem Data Quality Efficiency Index (DAQEI) einen Indikator entwickelt, der beide Seiten – die Daten und die Prozess qualität – berücksichtigt. Bei KPMG bildet er die Topkennzahl im Kenn ziffernmodell für das Data Management.
Verantwortlichkeiten festlegen
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
Neben der Definition der Kennzahlen zur Datenqualitätsmessung ist es auch von großer Bedeutung, festzulegen, wer für die Datenqualität zuständig und verantwortlich ist. Ohne ein Steuerungskonzept können aufgrund des bereichsübergreifenden Charakters von Daten einmal identifizierte Optimierungsmöglichkeiten nicht effizient priorisiert und verfolgt werden. „Gefühlte“ Vetorechte und das Fehlen einer Eskalationsfunktion können zu Pattsituationen zwischen den Unternehmensbereichen führen, wenn es um die Hoheit über die Daten geht.
Hier ist die Implementierung einer DataGovernance Struktur sinnvoll. Sie beinhaltet die notwendigen Entscheidungsbefugnisse in Bezug auf das Datenmanagement und regelt die Zuständigkeiten. Die klare Zuordnung der Verantwortlichkeit und eindeutige Ansprechpartner sorgen für transparente Strukturen im Unternehmen und zeigen Nutzern Eskalationsmöglichkeiten. Eine gezielte Data Governance bietet damit das Ökosystem für die Verbesserung und Erhaltung der Datenqualität.
An der Spitze der Data Governance sollte ein Data Governance Committee stehen. Auf dieser Ebene werden die strategischen Entscheidungen zum Datenmanagement und zur Messung der Datenqualität getroffen. Hier werden Konflikte darüber gelöst, wie die Daten genutzt oder zur Verfügung gestellt werden, und Entscheidungen über die Kriterien getroffen, an denen das Unternehmen seine Datenqualität misst. Ebenso können einheit liche Regeln und Strukturen zum Umgang mit Daten geschaffen werden. Mitglieder des Data Governance Committee sind die globalen Data Owner, die für die Qualität der einzelnen Datenobjekte, beispielsweise der Kundendaten, der Lieferantendaten oder der Produktionsdaten, verantwortlich sind. Neben der Beteiligung an der Entscheidungsfindung im Data Governance Committee sind sie auch verantwortlich für die Umsetzung von Konzepten und globalen Datenstandards. Da alle DataOwnerCommitteeMitglieder sind, ist die strategische Ausrichtung des Datenmanagements und der Datenqualität auf globaler Ebene transparent.
Den Data Ownern nachgeordnet sind die Data Stewards, die jeweils für einen Teilbereich des Datenobjekts verantwortlich sind. So können dem Data Owner für Kundendaten beispielsweise Data Stewards für Marketing und Vertriebsdaten zugeordnet sein. Damit ist der Data Steward auch ein wichtiger Multiplikator für die operativen und lokalen Geschäftseinheiten. Auf der lokalen Ebene ist er zudem für die Datenmanagementprozesse ver ant wortlich.
Abstimmungspartner, die mit den Data Stewards zusammenarbeiten, übernehmen eine GatekeeperFunktion in Bezug auf das Risiko und ComplianceManagement. Die Gatekeeper, die beispielsweise aus der Steuer oder Internal AuditAbteilung kommen, arbeiten nicht direkt mit den jeweiligen Datenobjekten, müssen aber bei Verbesserungsmaßnahmen gehört werden.
Das Verankern dieser DataGovernanceStruktur innerhalb des Unternehmens kann je nach Unternehmensaufstellung und ausrichtung unterschiedlich gestaltet werden. Wir unterscheiden grundsätzlich zwischen folgenden Umsetzungsalternativen: zentral, hybrid und dezentral. Der zentrale Ansatz beinhaltet die Gründung einer eigenständigen Abteilung und unterstreicht organisatorisch die Wichtigkeit der Datenqualität für das Unternehmen. Im HybridAnsatz wird die Data Governance innerhalb einer bestehenden Abteilung integriert. Prädestiniert hierfür sind unter anderem Abteilungen, die sich mit Regularien und Accounting Standards befassen. Der dezentrale Ansatz umfasst das Aufsetzen einer virtuellen Organisation, das heißt, die DataGovernanceRollen werden in mehreren Abteilungen integriert. Diese Umsetzungsalternative unterstützt einen regio nalen GovernanceAnsatz. Jede Umsetzungsalternative bringt verschiedene Vorteile mit sich. Bei der langfristigen Ausrichtung der Data Governance ist es daher besonders wichtig, eine Umsetzungsform zu wählen, die sich auch in die Unternehmenskultur einfügt.
9Datenqualität – das A und O der Digitalisierung
Den Fokus auf Kernelemente legen
Um im Digitalisierungsprozess eines Unternehmens nur hochwertige Daten einzusetzen, müssen mehrere Voraussetzungen erfüllt sein. Ein umfassender 360GradBlick auf die EndtoEndDatenprozesse, die Datenmodelle und systeme sowie die bestehen de Datenbasis haben sich bei uns als erfolgreicher Ansatz bewährt.
Zur Analyse des Istzustands empfiehlt sich die Durch führung einer Reifegradanalyse. Mithilfe von standardisierten Fragebögen und Workshops können sich die Verantwortlichen zunächst einen Überblick über den Status quo verschaffen und Verbesserungsansätze erkennen. Diese Bestands aufnahme kann mit einem system gestützten Daten qualitätscheck kombiniert werden, der ein Benchmarking ermöglicht.
Anhand der Ergebnisse der Reifegradanalyse und des Datenqualitätschecks kann anschließend die Datenbereinigung in Angriff genommen werden. Hierfür empfehlen wir ein toolbasiertes Vorgehen zum Data Cleansing, das Inkonsistenzen und Duplikate identifiziert und bereinigt. Unter dem Einsatz von neuesten DataAnalyticsFunktionen und wirkungsvollen Algorithmen, die unter anderem einen unscharfen Ansatz zur Suche nach semantischen Ähnlichkeiten in Datensätzen beinhalten, werden fehlerhafte Daten eliminiert und das Datenqualitätsniveau angehoben. Zusätzlich sollte ein Data Quality Monitoring aufgesetzt werden, das die notwendige
Transparenz und Übersicht mit sich bringt, um die Daten und Prozessqualität kontinuierlich zu überwachen. Je nach der jeweiligen Situation und dem Reifegrad des betreffenden Unternehmens sollten einheitliche KPIs für das Data Management definiert werden.
Neben der Bereinigung der Daten sollte auch das bestehende Datenmodell überprüft und auf die unterschiedlichen Informationsbedarfe angepasst werden. Die Berücksichtigung von fachlichen und technischen Bedarfen entlang der operativen Prozess kette ist für einen ganzheitlich Ansatz notwendig. Auch der Aufbau eines zentralen Stammdatenmanagementsystems (falls noch nicht ge schehen) sollte überlegt werden. Transparenz hierbei schafft eine Informationslandkarte, mit der die Datenlandschaft und Speicherorte abgebildet werden. Eine multidimensionale Visualisierung der Datenquellen, Datenmodelle und Transformationsprozesse ermöglicht unser Data Galaxy Tool.
Zur langfristigen Sicherstellung der Datenqualität sollte eine DataGovernanceStruktur eingeführt werden. Ein gemeinsam mit dem TopLevelManage ment entwickeltes Konzept zur Festlegung klarer Verantwortlichkeiten für das Data Management, überarbeitete und verbesserte DataManagementProzesse sowie die Festlegung einer Datenstrategie haben sich als Vorgehensweise bewährt.
5 Unser Serviceportfolio Quelle: KPMG in Deutschland, 2020
Quality Check
Architektur
Data Cleansing
Governance
Datenmodell
Data Monitoring
System
Prozess
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
Projektbeispiel
Im Rahmen unserer Beratungstätigkeit haben wir für einen DAX30Mandanten das Stammdatenmanagement überarbeitet.
Zu Beginn des Projekts waren das Stammdatenmanagement des Mandanten stark fragmentiert und die bestehenden Prozesse sehr kleinteilig und wenig effizient. So hatte es unter anderem seit der Einführung des globalen Stammdatensystems keine Datenbereinigung gegeben, die Zuständigkeiten waren kaum zugeordnet, es gab kein Datenqualitätsmonitoring und nur wenige Datenvalidierungsregeln. Hinzu kamen über 1.000 Prozessbeteiligte, die zusätzlich zur Fragmentierung des Datenmanagements beitrugen.
Im Rahmen des einjährigen Projekts haben wir gemeinsam mit unserem Mandanten im ersten Monat eine Datenmanagementstrategie entworfen und strategische Datenqualitätsprinzipien festgelegt.
In den folgenden fünf Monaten wurden die bestehenden Datenmanagementprozesse auf den Prüfstand gestellt und neue Prozesse entwickelt. In dieser Zeit haben wir das Stammdatensystem überprüft, die Prozesse zur Datenerstellung und änderung reformiert, die Benutzerstrukturen überarbeitet und neue Benutzerrichtlinien aufgestellt.
Während des zweiten Monats begannen wir mit der Entwicklung und Implementierung einer neuen Data Governance. Hierzu gehörten die Definition eines Zielbilds, die Festlegung verschiedener Rollen einschließlich der zugehörigen Rollenbeschreibungen und die Definition der Verantwortlichkeiten in den verschiedenen Datenmanagementprozessen.
Im Projektverlauf wurden zudem die Stammdaten bereinigt, die Datenflüsse angepasst sowie Datenmodelle und Validierungs regeln aktualisiert. In den letzten beiden Monaten des Projekts definierten wir schließlich Monitoringprozesse und führten sie ein. Darunter fielen die Definition von Maßnahmen und Indikatoren für die Datenqualität, die Identifikation von Inputfaktoren und die Entwicklung eines Monitoring Dashboard.
Die Ergebnisse des Projekts können sich sehen lassen: 68 Prozent der Daten wurden um Fehler bereinigt, die Effizienz des Datenmanagements konnte um 50 Prozent gesteigert und die Anzahl der am Data Management beteiligten Personen von mehr als 1.000 auf 50 Personen reduziert werden. Darüber hinaus wurden DataGovernanceStrukturen eingeführt, um die Nachhaltigkeit der Daten und Prozessqualität zu ermöglichen. So entstand eine DataManagementOrganisation, die nach einem Indus trieBenchmark einer führenden Universität zur Spitzenklasse gehört. Unser Mandant belegte in diesem Ranking den ersten Platz.
6 Ergebnisse des Beispielprojekts Quelle: KPMG in Deutschland, 2020
Verringerung der Anzahl von Parteien, die in den Stammdatenprozess involviert sind, von mehr als 1.000 auf 50 Personen
Nachhaltige Sicherstellung von Daten und Prozessqualität aufgrund implementierter Data Governance
50 Prozent Effizienzsteigerung im Data ManagementProzess
Verbessertes Datenmodell; 68 Prozent der Dateneinträge aufgrund von Fehlerhaftigkeit, Überalterung oder Dopplung korrigiert
- 68 %
Fehler Performance Data Governance
+ 50 %
> 1.000
50
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
11Datenqualität – das A und O der Digitalisierung
Fazit
Das digitale Zeitalter ist längst angebrochen. Kein Unternehmen und keine Branche kommt heute noch daran vorbei, sein bzw. ihr Geschäftsmodell zu digitalisieren. Dass es hierbei um mehr als reines Datensammeln geht, hat dieses Whitepaper gezeigt. Ohne aktives Qualitätsmanagement sind Fehler, Widersprüche, Redundanzen sowie personal und kostenintensive Mehrfacherfassungen kaum zu vermeiden.
Datenmanagement muss zur Chefsache werden, sich durch alle Unternehmensbereiche ziehen und auf einer vorausschauenden und aktiven Data Gover nance beruhen. Nur hohe Datenqualität er mög licht den Informationsvorsprung, der im Wettbewerb entscheidend sein kann. Genauso wichtig sind die klare Zuordnung von Verantwortlichkeiten, schlanke und effiziente Datenmanagementprozesse und Transparenz von der Herkunft der Daten über ihre Verwendung bis hin zur Datenauswertung und archivierung.
Mit modernen Datenmanagementsystemen sind regelmäßige Daten und Prozessqualitätsanalysen vorprogrammiert. Sie lassen sich mit den vorhandenen BusinessIntelligenceSystemen verbinden und werden so zum festen Bestandteil des Unter nehmenscontrollings.
Vor diesem Hintergrund hat KPMG ein umfangreiches Serviceportfolio für das Datenmanagement und die Verbesserung der Datenqualität entwickelt, das von der Reifegradanalyse über die toolbasierte Datenbereinigung und die Implementierung von DatenqualitätsKPIs bis hin zum Redesign der DataManagementProzesse reicht. Über ein interaktives Dashboard erhalten Nutzer zudem die notwendige Transparenz und Übersicht, um die Daten und Prozessqualität kontinuier lich zu überwachen.
Wir sind auch gerne für Ihr Unternehmen da. Sprechen Sie uns an.
© 2
02
0 K
PM
G A
G W
irts
chaf
tspr
üfun
gsg
esel
lsch
aft,
ein
Mit
glie
d d
es K
PM
G-N
etzw
erks
una
bhä
ngig
er M
itgl
ieds
firm
en, d
ie
KP
MG
Inte
rnat
iona
l Co
op
erat
ive,
ein
er ju
rist
isch
en P
erso
n sc
hwei
zeri
sche
n R
echt
s, a
nges
chlo
ssen
sin
d. A
lle R
echt
e vo
rbeh
alte
n.
Kontakt
KPMG AG WirtschaftsprüfungsgesellschaftKlingelhöferstraße 18 10785 Berlin
Oleg BrodskiPartner, Head of Digital FinanceT +49 211 4757621obrodski@kpmg.com
Stefan RiessSenior Manager, Digital FinanceT +49 221 20731786sriess@kpmg.com
Lisa Aline LochManager, Digital FinanceT +49 221 20731628lloch@kpmg.com
www.kpmg.de
www.kpmg.de/socialmedia
Die enthaltenen Informationen sind allgemeiner Natur und nicht auf die spezielle Situation einer Einzelperson oder einer juristischen Person ausgerichtet. Obwohl wir uns bemühen, zuverlässige und aktuelle Informationen zu liefern, können wir nicht garantieren, dass diese Informationen so zutreffend sind wie zum Zeitpunkt ihres Eingangs oder dass sie auch in Zukunft so zutreffend sein werden. Niemand sollte aufgrund dieser Informationen handeln ohne geeigneten fachlichen Rat und ohne gründliche Analyse der betreffenden Situation. Unsere Leistungen erbringen wir vorbehaltlich der berufsrechtlichen Prüfung der Zulässigkeit in jedem Einzelfall.
© 2020 KPMG AG Wirtschaftsprüfungsgesellschaft, ein Mitglied des KPMGNetzwerks unabhängiger Mitgliedsfirmen, die KPMG International Cooperative („KPMG International“), einer juristischen Person schweizerischen Rechts, angeschlossen sind. Alle Rechte vorbehalten. Der Name KPMG und das Logo sind ein getragene Markenzeichen von KPMG International.
Recommended