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.