IPL-Magazin 35 | April 2016 | Autor: Dr. Matthias Pfeffer

 

So erhöhen Sie Ihre Datenqualität

Was sind Stammdaten und in welchen Unternehmensbereichen befinden sich diese?

 

Dr. Matthias Pfeffer

Stammdaten (engl.: master data) sind Daten, die Grundinformationen über Objekte und deren Werte enthalten. Hierbei unterschiedet man zwischen Hauptstammdaten (z.B. die Kunden eines Unternehmens) und Nebenstammdaten, welche nähere Informationen über die Hauptstammdaten liefern (z.B. Regionen und Branchen der Unternehmenskunden). 
 
Darüber hinaus unterscheidet man zwischen den sogenannten Strukturdaten und Bestandsarten. Strukturdaten sind Stammdaten zur Beschreibung der Beziehung zwischen Gegenständen (z.B. Aufbau eines Erzeugnisses aus Fertigteilen und Einzelteilen), von Bestandsarten spricht man hingegen, wenn Angaben zu Werten, Preisen oder Mengen vorliegen.(1)
 

 
Stammdaten entstehen überwiegend in den konstruktiven, planerischen und vertriebsbezogenen Unternehmensbereichen, da in diesen Bereichen überwiegend neue Daten erzeugt werden. Beispiele aus der Praxis sind beispielsweise:
 
  • Materialstammdaten,
  • Artikelstammdaten
  • und Betriebsmittelstammdaten.
 
Des Weiteren dienen Stammdaten zur Beschreibung von den Produktionsfaktoren Personal, Betriebsmittel (Maschinen, Werkzeuge und Vorrichtungen) sowie Erzeugnisse und Materialien (Fertigerzeugnisse, Halberzeugnisse, Roh-, Hilfs- und Betriebsstoffe). 
 
Viele Unternehmen stehen vor der Herausforderung, einen umfassenden Überblick über sämtliche Stammdaten zu erhalten. Dies liegt der Tatsache zugrunde, dass Stammdaten in fast sämtlichen Unternehmensbereichen vorzufinden sind und verschiedene Anwendungssysteme im Einsatz sind. So findet man beispielsweise im Logistikbereich eines Unternehmens Stammdaten, die von den folgenden Anwendungssystemen genutzt werden:
 
  • PPS-, ERP- und SCM-Systeme,
  • Systeme zur elektronischen Beschaffung,
  • Lager- und Logistiksoftware,
  • Software zur Tourenplanung.
     
Es gibt diverse wesentliche Eigenschaften, die den Begriff der Stammdaten zugehörig sind. Diese Eigenschaften beinhalten, dass die Stammdaten eine zeitliche Statik vorweisen bzw. über einen längeren Zeitraum unverändert bleiben, eindeutig identifizierbar sind, oftmals von verschiedenen Anwendungssystemen verwendet werden und dadurch als Grundbausteine für 
Management Reports und Planungen dienen. 
 
Allerdings trifft die Eigenschaft der zeitlichen Statik nicht auf die sogenannten Bewegungsdaten (engl.: transaction data) zu, die durch betriebliche Leistungsprozesse entstehen. Die Bewegungsdaten fallen unter den Begriff der ereignisbezogenen Daten, welche einer ständigen Veränderung und Dynamik unterliegen, sowie einen kurzfristigen Zeitbezug vorweisen. 
 
Beispiele hierfür sind Buchungen, Materialbewegungen und Aufträge.

Abb. 1:  Verwendungs-übersicht von  Stammdaten  
 
Es ist für sämtliche Geschäftsprozesse eines Unternehmens essenziell, dass Daten aus verschiedenen Anwendungssystemen zentralisiert, standardisiert und in gleicher Qualität vorhanden sind. In den Stammdaten stecken die Kerninformationen über Artikel, Produkte, Partner, Kunden und Personal, demzufolge Informationen, auf die zurückgegriffen wird, wenn ein Geschäftsprozess eines Unternehmens durchgeführt wird.
 
Problematiken beim Umgang mit Stammdaten
Seit Jahren wird die Problematik eines effizienten Umgangs von Stammdaten angesprochen, allerdings ohne reale Änderungen bewirken zu können. Die mangelnde Datenqualität in Unternehmen ist eines der größten Probleme des Βusiness Intelligence, aber auch die ökonomischen Folgen für Unternehmen sollten nicht unterschätzt werden. 
 
Im Angesicht einer wachsenden IT-Landschaft ist es oftmals schwierig, Stammdaten ordnungsgemäß zu pflegen und Dateninkonsistenzen zu vermeiden. In diesem Zusammenhang stellt auch der Begriff Datenredundanz eine übergeordnete Rolle dar, denn die Daten unterscheiden sich oftmals zwischen den Anwendungssystemen des Unternehmens, wie beispielsweise SCM-, ERP- und BI-Systeme. Bei Beratungsprojekten der IPL Beratung GmbH ist es oftmals der Fall, dass sich durch eine geringe Qualität der Stammdaten – meistens Material- und Artikeldaten - der Projektverlauf verlängern kann. Falsche oder fehlende Daten führen auch dazu, dass die Aussagefähigkeit der Analysen nicht ausreichend als Planungsgrundlage genutzt werden kann. Das bedeutet, dass die Planungen bzw. Planungsgüte negativ beeinflusst wird.  Außerdem resultieren aus einer mangelnden Datenqualität meistens Problematiken, die den ökonomischen Erfolg senken. Beispiele hierfür sind erhöhte Bearbeitungs- und Durchlaufzeiten, Einschränkungen in den Planungsfähigkeiten, fehlerhafte und unvollständige Management Reports, vorhandene Duplikate an Datensätzen, Einschränkungen der Analysewerkzeuge und ein erhöhter Pflegeaufwand.
 
Die Datenanalyse als Grundlage fundierter Planungsprojekte baut u.a. auf den Stammdaten auf. Die Qualität der Analyse steht daher in Relation zu der Qualität der Daten: fehlerhafte, inkonsistente oder redundante Daten haben zur Folge, dass an vielen Stellen geschätzt werden muss.  
 
Die Problematik mit fehlerhaften Stammdaten wird verdeutlicht, wenn der Prozess einer Datenanalyse näher betrachtet wird. Bei diesem Vorgang werden diejenigen Unternehmensdaten, welche für die Analyse von Nöten sind, aus einem oder mehreren Dataquellen (Warehouse) selektiert und extrahiert. Dieser Vorgang erfolgt teilweise bei unterschiedlichen Anwendungssystemen. Das Ergebnis sind sogenannte Data Marts, die durch den Einsatz von Auswertungssystemen analysiert und anschließend präsentiert werden.


Abb. 2:  Prozess der  Datenanalyse
 
Grundsätzlich gilt: Die Analyse kann nur so gut sein, wie die Grundlage der Daten! 



Stammdatenqualität systematisch erhöhen
Konsistente und gepflegte Stammdaten sind eine Grundvoraussetzung für das Unternehmen, da unternehmerische Entscheidungen und Prozesse heute maßgeblich auf diese Daten und Informationen beruhen. 
 
Um die Datenqualität innerhalb eines Unternehmens langfristig aufrechtzuerhalten oder grundlegend zu verbessern, müssen Kriterien wie etwa Richtigkeit, Vollständigkeit und Redundanzfreiheit berücksichtigt werden. In diesem Kontext ist ein strategisches Informations- und Datenmanagement von Nöten, damit die Anforderungen und Inhalte von den Kernbereichen Datenqualitätssicherung und Stammdatenmanagement integriert werden. 
 
Es empfiehlt sich daher, die Einführung eines Data Governance, das in der Fachsprache als ein Werkzeug des strategischen Informationsmanagements bezeichnet wird und darauf ausgelegt ist, die Stammdaten eines Unternehmens effizient und zuverlässig zu verwalten.
 
Mit dem Einsatz von sogenannten Data Governance wird es Unternehmen ermöglicht, Anwendungsrichtlinien mit dem Umgang von Stammdaten festzulegen, die abteilungsübergreifend bzw. fachbereichsübergreifend wirksam sind. Data Governance definiert demnach die Prozessvorgaben, die Richtlinien für Datensicherheits- und Erfassungsregeln sowie die Verantwortlichkeitsbereiche.
Die Integration der Mitarbeiter in das Data Governance ist ein essenzieller Ansatzpunkt, denn schließlich sind diese für die Integrität und Datenqualität eines Unternehmens wesentlich verantwortlich.
 
Die 4 Säulen von Data Governance, welche die Inhalte strukturieren und näher beschreiben, umfassen:
  • Data Quality: Festlegung von Standards und Richtlinien für Stammdaten,
  • Data Privacy: Vorgaben zur Speicherung und für Umgang mit Stammdaten,
  • Data Maintenance: Vorgaben für die Datenpflege für den gesamten Daten-Lebenszyklus,
  • Master Data Management: Harmonisierung, Konsolidierung und Transfer der Stammdaten.


Abb. 3:  Aufbau von  Data Governance  Quelle:  zetVisions AG
 
Ein möglicher Ansatz für eine Verbesserung der Stammdatenqualität wäre, dass die Einstellung und Disziplin der Mitarbeiter im Zusammenhang mit der Datenqualität positiv beeinflusst werden. Dies könnte mittels Durchführungen von Workshops oder Seminaren bewirkt werden, die auf einen optimalen Umgang mit Stammdaten in ERP-Systemen abzielt.  
 
Aber auch eine Erstellung eines Leitfadens bzw. einer Arbeitsanweisung für das Stammdatenmanagement mit festen Verantwortungsfeldern der Mitarbeiter ist notwendig. Grundsätzlich muss geregelt werden, welche Daten, zu welcher Zeit und in welcher Art und Weise erfasst oder verändert werden.
 
Data Governance ist nicht als kurzfristiges Projekt anzusehen, sondern vielmehr als eine strategische Ausrichtung, die sich in sämtlichen Aktivitäten eines Unternehmens widerspiegeln soll. 
 
Es benötigt eine langfristige Ausrichtung und Integration damit alte Anwendungsmuster aufgebrochen und Potentiale oder Konflikte aufgezeigt werden können. Erst dann können ökonomische Potentiale aus der Anwendung von Data Governance realisiert werden.
Die ökonomischen Potentiale beruhen auf messbaren Erfolgskriterien, die im Bezug zu den Stammdaten stehen. Messbare Potentiale sind in diesem Kontext eine generell höhere Datenqualität und Redundanzfreiheit, aber auch Prozesse können transparenter gestaltet werden und eine fehlerfreie Datenkonsolidierung von Stammdaten ist gewährleistet. Selbst bei steigenden Pflegekosten, welche auf das Data Governance zurückzuführen sind, steigen die ökonomischen Gewinne eines Unternehmens. 
Diesen Mehrwert für das Unternehmen resultiert dann in einer gesamtheitlichen Steigerung der Wettbewerbsfähigkeit, die aus einer besseren Datenqualität stammt und einer der bedeutendsten Erfolgskriterien des Stammdatenmanagements ist. Beispielsweise sinken die Kosten im Unternehmen durch reibungslose und schnelle Prozesse und wesentliche Kennzahlen (z.B. Liefertermintreue) verbessern sich aufgrund von zutreffenden Planungen (z.B. Reduzierung der Durchlaufzeiten als Folge von realitätsnahen Wiederbeschaffungszeiten).
 
Selbst wenn eine hohe Stammdatenqualität eines Unternehmens erzielt wird, sollte man sich nicht auf diesen Lorbeerblättern ausruhen. Die Datenpflege ist ein ebenso wichtiger Bestandteil des Stammdatenmanagements, wie der Weg zu einer hohen Stammdatenqualität selbst. Diese ist ein wesentliches Element des Data Governance und dadurch ebenfalls als ein Bestandteil der strategischen Ausrichtung.
Es bedarf einen kontinuierlichen Verbesserungs- und Kontrollprozess, ansonsten besteht das Risiko, dass Regeln, Vorschriften und Prozesse des Data Governance nicht eingehalten oder umgesetzt werden.

 

 
(1) Vergleiche Thaler, Klaus; Wenzel, Rüdiger: Stammdaten. In: Taschenbuch der Logistik , S. 71.