Wer jemals zur Miete gewohnt und regelmäßig Post für mehrere Vormieter erhalten hat, der weiß: Die Datenbestände der Unternehmen sind alles andere als ein zuverlässiges Fundament für die anstehende digitale Transformation. Und auch die Unternehmen selbst sind sich des Problems grundsätzlich durchaus bewusst, wie Studien, etwa von Experian, PwC und Xerox in Zusammenarbeit mit Forester belegen. Laut der Studie “Datenqualität und -management” von Experian Marketing Services sehen sich neun von zehn Unternehmen (91 Prozent) als betroffen an, wenn es um Mängel in der Datenqualität geht. Dazu zählen unvollständige oder fehlende ebenso wie veraltete und fehlerhaften Daten.
Dass die meisten Unternehmen das Problem dennoch nur halbherzig, wenn überhaupt, angehen, hat unterschiedliche Gründe. Dahinter steht in der Regel eine Hauptursache: Die Qualität der Stammdaten als solche und ihre Folgen sind für die relevanten Entscheider nicht sichtbar.
Erfolgreiches SAP-Stammdatenqualitätsmanagement muss hier ansetzen. Denn ein Problem, das man nicht kennt, lässt sich kaum beheben. Doch wie können Unternehmen die Qualität ihrer SAP-Stammdaten sichtbar machen, ohne vorab viel Geld in teure Analyseprogramme zu investieren? Die Antwort auf diese Frage liegt in einem systematischen, standardisierten Datenqualitätsmanagement. Dabei beruht die erreichte Stammdatenqualität auf dem Zusammenspiel von Organisation, Definition und Prüfung der Qualität in einem durchgängigen, unternehmensweiten Prozess. In Kombination mit einfachen SAP-Querys lässt sich dieser auch ohne teure Analysesoftware ebenso rasch wie nachhaltig implementieren.
Das typische Problem bei Stammdaten: Jeder braucht sie, aber niemand will sie pflegen. Denn bei rund 200 Feldern zu einem einzigen Artikel und 10 bis 12 Sichten auf diese Daten kann der Pflegeaufwand beträchtlich sein. Und in der Praxis sind solche Zahlen eher die Regel als die Ausnahme. Deshalb ist Datenqualität zuallererst ein Organisationsthema.
Dabei zeigt die Erfahrung, dass es sich lohnt, die Verantwortlichkeit bis auf Feldebene klar zu regeln. Denn nur so ist sicherzustellen, dass beim Auftreten von Fehlern gleich klar ist, wer ihre Behebung übernimmt. Genauso wichtig ist eine klare Verantwortlichkeit für den Lebenszyklus der Daten – ansonsten besteht die Gefahr, dass Daten gepflegt werden, die niemand mehr braucht. Daher hat sich die Einführung von drei Rollen als sinnvoll erwiesen, deren Aufgabenverteilung beispielsweise im Bereich Materialstamm so aussieht:
Wann sind Daten eigentlich “gut”? Und wie können Unternehmen ihre Qualität messen? Grundsätzlich ist klar: Daten müssen vollständig sein. Das bedeutet, dass jeder Datensatz alle notwendigen Attribute enthalten muss. Aber was genau ist beispielsweise das Nettogewicht und was das Bruttogewicht eines Produktes?
Mitarbeiter sind heute mit Konnektivität, Mobilität und Video aufgewachsen oder vertraut. Sie nutzen die dazu erforderlichen Technologien privat und auch für die Arbeit bereits jetzt intensiv. Nun gilt es, diese Technologien und ihre Möglichkeiten in Unternehmen strategisch einzusetzen.
Auch die Kriterien der Konsistenz und der Aktualität lassen sich nur anhand klar definierter und dokumentierter Regeln überprüfen. Dabei wird vor allem in der Aktualitätsfrage schnell deutlich, dass die effiziente und effektive Pflege der Stammdaten einen kontinuierlichen Prozess erfordert. Denn die Halbwertszeit von Daten verkürzt sich mit den Produktlebenszyklen zusehends. In diesem Prozess sind neben den Daten selbst auch die Qualitätskriterien immer wieder zu überprüfen.
Eine systematische Prüfung der Datenqualität scheitert in vielen Firmen vor allem daran, dass die Qualität der Daten im Allgemeinen nicht sichtbar ist. Zwar ärgern sich Controller, wenn sie Überstunden machen müssen, weil Berichte aufgrund fehlender Daten nicht rechtzeitig fertig werden. Und wenn die Stückkosten zu hoch sind, weil das gleiche Teil von vier verschiedenen Abteilungen unter vier verschiedenen Artikelnummern bei vier verschiedenen Lieferanten in kleiner Stückzahl bestellt wird, sorgt das für Unmut bei der Geschäftsleitung.
Aber solange die Daten nicht systematisch untersucht werden, fällt der Zusammenhang nicht auf. Arbeitszeit und Geld werden weiterhin verschwendet und der Handlungsbedarf wird nicht erkannt. Diesen Teufelskreis zu durchbrechen, ist die zentrale Herausforderung des Datenqualitätsmanagements. Helfen kann dabei eine ganz einfache Visualisierung in Form eines Ampelsystems. Mithilfe von SAP-Query und Excel-Inplace lassen sich die vorhandenen Daten in einfache Listen exportieren, in denen jedes Datenfeld automatisch anhand der im System hinterlegten Qualitätskriterien bewertet wird.
Gefälschte E-Mails enthalten häufig Viren oder andere Angreifer. Oft sollen auch private und sensible Daten gestohlen werden. Anhand weniger Kriterien lassen sich gefährliche E-Mails jedoch schnell erkennen.
Je nachdem, ob die jeweiligen Regeln ganz, teilweise oder gar nicht erfüllt werden, erscheint das Feld grün, gelb oder rot hinterlegt. So ist auf den ersten Blick erkennbar, wie es um die Datenqualität insgesamt steht und wo konkreter Handlungsbedarf vorliegt. Ohne hohe Investitionen in teure Analysesoftware.
Ein zentraler Vorteil des hier vorgestellten Verfahrens besteht darin, dass es automatisch in einen kontinuierlichen Prozess mündet. Denn die einmal angelegten Qualitätsregeln lassen sich jederzeit erneut mit wenigen Mausklicks auf den Datenbestand im SAP-System anwenden. Damit wird der größte Teil der Arbeit automatisch erledigt. Die Datenverantwortlichen in den Fachabteilungen können sich darauf konzentrieren, die Daten zu bearbeiten, bei denen Handlungsbedarf besteht. Dabei hat sich das Ampelsystem in der Praxis als äußerst wirkungsvolle Motivationshilfe erwiesen. Der Ehrgeiz der Mitarbeiter, „alles grün“ melden zu können, macht die vermeintlich lästige Pflicht zum sportlichen Wettkampf, bei dem letztlich alle gewinnen: Unternehmen, weil sie ihre Daten wirtschaftlicher nutzen, Mitarbeiter, weil sie ihre Aufgaben schneller und besser erledigen, und Kunden, die sich über weniger postalischen Spam und bessere Leistungen freuen.
Der Ausspruch “Garbage in, garbage out” stammt aus Zeiten, da Computer noch mit Lochkarten gefüttert wurden. Warum unternehmen die Entscheider dennoch nicht genug, um die Qualität ihrer Stammdaten im SAP-System zu verbessern? In der Praxis sind es immer wieder die gleichen Gründe.
Wo es früher auf Buchhalter, Schreiber und Boten ankam, geht es heute vor allem um…
Mit KI-Technologien lässt sich das Einkaufserlebnis personalisieren und der Service optimieren, sagt Gastautor Gabriel Frasconi…
Ein Großteil der weltweiten KI-Gelder fließt in den Finanzsektor. 2023 wurden in der Branche 87…
Die Übernahme des US-amerikanischen Anbieters Altair Engineering soll die Position im Markt für Computational Science…
Ein deutsch-französisches Projekt hat hybride Operationssäle entwickelt, die durch 5G-Netz und KI neue Anwendungen ermöglichen.
Unternehmen wissen oft nicht, welche Geräte in der Produktion eine IP-Adresse haben, warnt Peter Machat…
View Comments
Sehr guter Artikel. Genauso sieht es bei uns und vielen anderen mittelständischen Firmen aus: Die fertige Ware muss vom Hof, alles andere muss sich unterordnen. Die Fertigungsaufträge werden mit unvollständigen Artikelstammdaten und fehlenden Preisen zusammengebogen. Und danach nicht abgeschlossen, sondern es wird noch jede Menge garbage darauf gebucht , obwohl die Geräte schon Jahre beim Kunden stehen?!