Wie Sie die Datenqualität in Ihrem Unternehmen sicherstellen

Daten sind der Treibstoff der Digitalisierung. Sie sind der Dreh- und Angelpunkt für das Miteinander, für Automatisierung, für eine vorausschauende Planung und für bahnbrechende Innovationen. Entsprechend essenziell sind qualitativ hochwertige Daten.

Laut Informatica bezieht sich die Datenqualität auf den Gesamtnutzen eines Datensatzes bzw. von Datensätzen in Abhängigkeit von ihrer Fähigkeit, leicht verarbeitet und für andere Zwecke analysiert zu werden.

„Für mein Unternehmen FourKites sind hochwertige Daten das Herzstück all dessen, was wir unseren Kunden anbieten, von Echtzeit-Transparenz in Lieferketten bis hin zu unseren patentierten Methoden zur Vorhersage der Ankunftszeiten (ETAs) für Fracht mit größter Genauigkeit“, so Vivek Vaid, CTO von FourKites. „Wir kümmern uns um die Datenqualität, weil sie zu besserer Data Science führt. Und bessere Data Science führt zu besseren Geschäftsergebnissen für unsere Kunden.“

Aber Daten können fehlerhaft werden. Wenn Sie Daten aus Dutzenden oder Millionen von Quellen aufnehmen und zusammenführen, werden Sie auf Dubletten, unvollständige Felder, Formatierungsinkonsistenzen und unterschiedliche Sprachen treffen. Und auch menschliche Fehler sind nicht ausgeschlossen. Jedes dieser Probleme kann bei Anwendungen, die von diesen Daten abhängen, zu Problemen führen.

Die Sicherstellung der Datenqualität ist also entscheidend und erfordert höchste Konzentration. So gehen die besten Unternehmen das Problem der Datenqualität an:

Effiziente Unternehmen verfügen über mehrere Ebenen zur Überprüfung von Daten, wenn diese in das Unternehmen gelangen. Oberstes Gebot ist es, zu verhindern, dass schlechte Daten erfasst werden. Mein Unternehmen ist in hohem Maße auf Daten angewiesen, die Längen- und Breitenkoordinaten für Fracht liefern. Wir führen strenge Kontrollen durch, um sicherzustellen, dass die Daten in einer spezifischen, numerischen Form vorliegen, die unsere Systeme benötigen. Die Daten sollten sowohl auf der Ebene der einzelnen Einheiten als auch auf ihre Gesamtheit geprüft werden, da letztere Aufschluss über übergreifende Entwicklungen geben können.

Der nächste Schritt besteht darin, Probleme zu erkennen und frühzeitig darauf zu reagieren. Fehlen beispielsweise Terminangaben, sind die erforderlichen Maßnahmen und die Dringlichkeit anders als bei einem nicht verfügbaren ELD-Datenanbieter. Sie müssen zwingend auch auf Datenabweichungen achten, die sich über einen längeren Zeitraum hinziehen und nicht offensichtlich sind. Nutzen Sie Data Science, um die Muster zu erkennen. Steigern Sie die Überprüfungen und befähigen Sie Ihre Teams, an den kritischen Problemen zu arbeiten.

Doch was mache ich, wenn ich weiß, dass Daten fehlerhaft sind? Unternehmen müssen zunächst klären, ob sie das Problem selbst beheben können oder ob sie sich an externe Anbieter wenden müssen, von denen die Daten stammen. Automatisieren Sie die Korrekturen, damit kein menschliches Eingreifen erforderlich ist. Führen Sie eine Modellierung der Datenreife durch und implementieren Musterlösungen. Data Management gewährleistet die Einheitlichkeit, Genauigkeit und Konsistenz der Daten, während Data Federation die Daten für die Analyse optimiert.

Zur effektiven Umsetzung jeder dieser Schutzmaßnahmen gehört noch mehr. Angesichts der Unverzichtbarkeit qualitativ hochwertiger Daten für die digitale Transformation profitiert jedes Unternehmen von einer gründlichen Bewertung seiner Datenqualitätsinitiativen, -protokolle und -investitionen.

Um ein noch besseres Verständnis für den Zustand europäischer Lieferketten zu bekommen, hat FourKites gemeinsam mit Reuters Events über 450 führende Lieferkettenunternehmen mit besonderem Schwerpunkt auf Deutschland befragt. Der gesamte Report ist hier verfügbar.