Data Quality Life Cycle
Um die Datenqualität in Ihrem Unternehmen dauerhaft hoch zu halten, sind verschiedene Schritte notwendig. Die Qualitätssicherung von Daten durchläuft einen Lebenszyklus, den „Data Quality Life Cycle (DQLC)“. Dieser stellt sicher, dass alle Aspekte der Datenqualität abgedeckt sind. Dabei ist es wichtig, Daten nicht nur initial und periodisch auf Fehler zu überprüfen, sondern auch eine „Data Quality Firewall“ zu implementieren. Diese überwacht die Dateneingabe und verhindert so in Echtzeit, dass „schlechte“ Daten überhaupt erst ins System gelangen. Mehr zum DQLC finden Sie ebenfalls in unserer Broschüre für Datenqualität für SAP.
Der Data Quality Life Cycle lässt sich in folgende Schritte untergliedern:
Analyze
In einem ersten Schritt werden die Daten analysiert. Ein Profiling überprüft den Syntax Ihrer Daten, also z.B. ob das Feld "PLZ" wirklich mit fünf Ziffern gefüllt ist.
Ebenso wichtig ist aber auch die semantische Prüfung der Daten, also ob die Postleitzahl auch zum Ort passt. Hier hilft ein Data Quality Check, der auf Dubletten oder Fehler in Adressen prüft.
Transform
Analog zur Analyse aus dem ersten Schritt werden hier die syntaktischen Fehler korrigiert. Bereits an dieser
Stelle müssen Standards für die Datenformate definiert werden, um beispielsweise festzulegen wie Telefonnummern formatiert werden sollen. Gleichzeitig werden die definierten Standards in die operativen Prozesse implementiert, um bei der Dateneingabe eine hohe Datenqualität
zu gewährleisten.Cleanse
Ein wichtiger und wiederkehrender Schritt im Data Quality Life Cycle ist das Cleansing der Daten. Ähnlich wie bei Transform und dem folgenden Schritt Identify werden hier Daten korrigiert, in diesem Fall hauptsächlich die
Adressdaten. Dies geschieht sowohl bei der Dateneingabe als auch periodisch. Die Adressdatenbank, die Uniserv für
die Adress-Updates verwendet, enthält neben den Daten der Deutschen Post noch detailliertere Informationen, die
von Uniserv in Zusammenarbeit mit ihren Kunden ständig aktualisiert werden.Identify
Schon bei relativ kleinen Datenbeständen entstehen schnell Dubletten. Diese herauszufiltern und schon bei der
Eingabe zu verhindern stellt den nächsten Schritt im Data Quality Life Cycle dar. An dieser Stelle werden auch Dubletten zusammengefasst
um so einen einheitlichen Blick auf Ihre Kunden zu realisieren. Durch eine Ausweitung der Dublettenfunktionalität auf mehrere System, kann man so eine Basis für eine Customer Data Integration (CDI) Lösung schaffen.Enrich
Sind die in der Datenbank vorhandenen Daten auf einem qualitativ hohen Niveau, besteht in diesem Schritt die
Möglichkeit, diese Daten anzureichern - auch schon bei der Dateneingabe. Hier können sowohl Informationen aus
internen Datenquellen (Rechnungswesen, Versand) zu den Kundendaten hinzugefügt werden, als auch Informationen
von externen Datenanbietern verarbeitet werden. Hat man die vorherigen Schritte des Data Quality Life Cycle durchlaufen, sinkt zudem
die Gefahr, doppelte Daten aus externen Quellen zu empfangen. Dadurch verhindert man zusätzliche Kosten.Deliver
Erst wenn durch den Data Quality Life Cycle eine dauerhaft hohe Qualität erreicht ist, stehen die Daten für alle beeinflussten Prozesse in einer Form zur
Verfügung, die effektive und effiziente Abläufe ermöglicht.Monitor/Report