Thought Leadership
Was ist Datenintegrität? Datenintegrität ist die Qualität, Zuverlässigkeit, Vertrauenswürdigkeit und Vollständigkeit eines Datensatzes, der Genauigkeit, Konsistenz und Kontext bietet. Die Datenintegrität beruht auf vier wichtigen Säulen: unternehmensweite Integration, Genauigkeit und Qualität, Standortinformationen und Datenanreicherung.
Viele Führungspersonen in Unternehmen haben bereits erkannt, dass Daten ein strategischer Unternehmenswert sind und legen klare Rahmen für die Umsetzung dieser vier Säulen der Datenintegrität fest. Sie wissen, dass eine zuverlässige, sichere Interkonnektivität (Datenintegration) ein klarer Ausgangspunkt ist. Sie wissen auch, dass aus ungenauen oder unvollständigen Daten keine aussagekräftigen Erkenntnisse gewonnen werden können (Datenqualität). Sie wissen um die Macht des Standorts (Location Intelligence) und um das Potenzial, durch die Integration von Daten aus Drittquellen (Datenanreicherung) zusätzlichen Wert zu schaffen.
Definition von Datenintegrität
Die Datenintegrität beruht auf folgenden vier Grundpfeilern:
1. Unternehmensweite Datenintegration
Wenn ein Unternehmen eine einzige, zusammenhängende Anwendung für alle seine Geschäftsprozesse einsetzen würde, dann würden die meisten Datenintegritätsprüfungen vermutlich auf der Anwendungsebene durchgeführt werden. Vor einigen Jahrzehnten mag das für viele Unternehmen der Fall gewesen sein, aber die agilen, innovativen Unternehmen von heute müssen eine Reihe verschiedener Softwaresysteme für ERP, CRM, Marketing-Automatisierung, Personalwesen, Analysen und mehr verwalten.
Dies führt zu einer der größten Herausforderungen bei der Wahrung der Datenintegrität: Silos. Wenn Abteilungen unterschiedliche Softwaresysteme einsetzen, um ihre individuellen Anforderungen zu erfüllen, richten sie diese Systeme auf die speziellen Anforderungen ihrer Abteilung aus. Das kann dazu führen, dass die verschiedenen Abteilungen beispielsweise einen Kundendatensatz unterschiedlich behandeln. Wenn sie für die Verwaltung dieser Informationen unterschiedliche Software verwenden und diese Systeme Daten unterschiedlich modellieren, kann das zu Diskrepanzen oder Ungenauigkeiten in den beiden Systemen führen. Dies wird zu einem Problem, wenn Daten gemeinsam genutzt oder analysiert werden müssen.
In mancher Hinsicht sind die Unternehmen selbst zu Silos geworden. Wir leben in einer hochgradig vernetzten Welt, in der die Partner in der Lieferkette Informationen über Kataloge von Bestandsartikeln, Seriennummern, Lieferanten, Kunden und vieles mehr gemeinsam nutzen. Die gemeinsame Nutzung von Informationen verringert die Reibungsverluste in den Geschäftsprozessen, vergrößert aber auch die Herausforderungen für die Datenintegrität, da die Zahl der Datenmodelle, Geschäftsprozesse und Softwaresysteme immer größer wird.
Echte Datenintegrität ist dann gegeben, wenn die Daten nach einem bestimmten Standard integriert werden, der in den verschiedenen Systemen des Unternehmens einheitlich angewendet wird.
2. Genauigkeit und Konsistenz
Dies wirft noch ein weiteres Problem auf. In dem Maße, in dem das Datenvolumen zunimmt und die Zahl der Systeme in einem Netzwerk steigt, stellen Probleme mit der Datenintegrität eine immer größere Herausforderung dar. Ungenaue oder unvollständige Daten schmälern den Wert von Geschäftsanalysen, selbst im besten Fall. Im schlimmsten Fall werden die Ergebnisse dadurch ungültig.
Im Zeitalter von Big Data und KI ist die Datenintegrität ein wichtiger Faktor, der über Erfolg oder Misserfolg Ihrer Initiative zur digitalen Transformation entscheiden kann. Mit dem Aufkommen von IoT-Geräten, mobilen Apps und Cloud-Konnektivität ist das Datenvolumen, mit dem Unternehmen arbeiten müssen, größer als je zuvor. Tendü Yoğurtçu, CTO von Precisely, weist in Forbes darauf hin: „Schlechte Datenqualität ist vor allem im großen Maßstab problematisch, denn sie vergrößert ursprünglich harmlose Datenprobleme und führt zu schlechten Geschäftseinblicken.“
Eine solide Datenintegritätsstrategie muss in der Lage sein, Daten über mehrere Systeme hinweg zu verwalten und zu validieren, Lücken oder Unstimmigkeiten zu identifizieren und Workflows und Prozesse zur Korrektur dieser Fehler auszulösen.
3. Location Intelligence
Location Intelligence umfasst die Nutzung von Geodaten, um Risiken zu verringern, das Kundenverhalten besser zu verstehen und die Effizienz zu steigern. Praktisch jeder Datenpunkt auf der Welt kann mit dem Standort in Verbindung gebracht werden. Insbesondere Unternehmen, die Initiativen zur digitalen Transformation einleiten, sollten Location Intelligence als Schlüsselkomponente ihrer Gesamtdatenstrategie in Betracht ziehen.
Das kann so einfach sein wie die Standardisierung von Adressinformationen in einer Kundendatenbank, damit die Daten in einem gemeinsamen Kontext verstanden und analysiert werden können. Wenn unsere Daten beispielsweise besagen, dass ein Kunde in der „123 Amherst Street“ und ein anderer in der „125 Route 101A“ wohnt, verstehen wir vielleicht nicht, dass beide an derselben Straße liegen und lediglich unterschiedliche Namen für diese Straße verwenden. Eine solide Datenintegritätsstrategie würde sicherstellen, dass wir beide Standorte in ihrem richtigen Kontext sehen können.
Auf einer anderen Ebene kann Location Intelligence den Kontext zu bestehenden Daten erweitern. Wenn wir in der Lage sind, Grenzen, Bewegungen und die Umgebung von Kunden, Lieferanten, Geschäftsstandorts oder anderen Einheiten besser zu verstehen, können wir umfassendere Erkenntnisse gewinnen und bessere Geschäftsentscheidungen treffen.
4. Datenanreicherung
Dies führt uns zur letzten Säule einer guten Datenintegritätsstrategie: die Anreicherung. Die meisten Führungskräfte wissen, dass ihre Daten ein wertvolles Gut sind. Wenn wir Daten von vertrauenswürdigen Dritten hinzufügen, erhöht sich der Wert dieser Daten. Es ist ein klassischer Fall von „eins plus eins gleich drei“.
Kehren wir zu unserem vorherigen Beispiel zurück, in dem wir Adressen in einer Datenbank von Kunden und Interessenten validieren und standardisieren. Dieser Prozess gibt uns die Gewissheit, dass die Erkenntnisse, die wir aus diesen Daten ableiten, vertrauenswürdig sind. Betrachten wir nun ein Anreicherungsszenario, bei dem wir Mobilitätsdaten in die Gleichung einbeziehen. Wenn es sich bei unseren Kunden um Einzelhandelsunternehmen handelt und wir sie besser verstehen wollen, können uns Mobilitätsdaten dabei helfen, die Verkehrsströme in und um diese Standorte zu analysieren. Außerdem können wir uns ein klares Bild davon machen, woher dieser Verkehr kommt. Plötzlich zeichnen die Daten ein viel detaillierteres Bild für uns.
Das Gebot der Datenintegrität
Wenn Ihr Unternehmen Schwierigkeiten hat, seinen Daten zu vertrauen, sind Sie nicht allein. Laut Forbes sind 84 % der CEOs besorgt über die Integrität der Daten, auf deren Grundlage sie Entscheidungen treffen.
Abhilfe schaffen kann eine vollständig modulare Lösung, die die Fähigkeit von Kunden, genaue, konsistente und kontextualisierte Daten zu liefern, drastisch verbessert. So kann das gesamte Spektrum der Datenintegrität abgedeckt werden.
In einer kürzlich durchgeführten IDC-Umfrage unter 310 Geschäfts- und Datenanalysten gab fast die Hälfte der Befragten an, dass sie generell kein Vertrauen in die Datenqualität haben und 56 % gaben an, dass sie kein Vertrauen in die Ergebnisse der Datenanalyse haben. Dieser Mangel an Vertrauen ist nicht die Ursache des Problems, sondern ein Symptom der Daten. Datenintegrität bietet eine solide Grundlage für Datenanalysen und vertrauensvolle Maßnahmen. Die Genauigkeit und Konsistenz von Daten, die durch die Lokalisierung und Anreicherung mit Kontext angereichert werden, können Unternehmen helfen, Datenintegrität zu erreichen.
