5 Best Practices für höhere Datenqualität

Kernpunkte:

1. Durch den Einsatz von Technologien, die mit der Zeit lernen und sich verbessern können, können Unternehmen, die KI und maschinelles Lernen einsetzen, deutlich bessere Ergebnisse mit ihren Datenqualitätsinitiativen erzielen.
2. Die Anreicherung von Daten fügt vorhandenen Informationen einen Kontext hinzu und ermöglicht es Führungskräften, wertvolle neue Erkenntnisse zu gewinnen, die sonst nicht möglich gewesen wären.
3. Unternehmen sollten ein Data-Governance-Programm einführen, um die umfassende Anwendung von Best Practices im Datenmanagement sicherzustellen.

Künstliche Intelligenz und maschinelles Lernen sind ausgereift, und Cloud-Technologien bieten die robuste On-Demand-Rechenleistung, Skalierbarkeit und Integration, die zur Unterstützung fortschrittlicher Analysen erforderlich sind.

Während diese Trends unsere Möglichkeiten erweitern, nehmen der Umfang und die Geschwindigkeit in der Informationsverarbeitung weiterhin rapide zu – eine Herausforderung, wenn Sie die Qualität Ihrer Daten verbessern wollen.

Die aktuellen Trends eröffnen enorme neue Möglichkeiten der Wertschöpfung, bringen aber auch einige erhebliche Komplikationen mit sich.

• Die Verwaltung einer immer komplexeren Reihe von Datenquellen erfordert einen disziplinierten Ansatz für die Integration, das API-Management und die Datensicherheit.
• Die zunehmende Kontrolle durch die Behörden macht es erforderlich, dass die Unternehmensleitung der Data Governance mehr Aufmerksamkeit und Ressourcen widmet.
• Schließlich besteht die Herausforderung der Datenqualität darin, sicherzustellen, dass Geschäftsanwender im gesamten Unternehmen darauf vertrauen können, dass die Informationen korrekt, vollständig, konsistent, kontextbezogen und zeitnah sind.

Hier sind fünf Best Practices für die Datenqualität, auf die sich Unternehmensleiter konzentrieren sollten.

1. Denken Sie ganzheitlich: Berücksichtigen Sie die gesamte Datenpipeline

Die Datenqualität sollte sich nicht nur auf das Auffinden und Beheben bestehender Probleme in statischen Daten konzentrieren. Datenqualitätsprogramme sollten so konzipiert sein, dass sie proaktiv jeden Schritt entlang der Datenpipeline angehen und Datenqualität als einen Prozess behandeln, der in dem Moment beginnt, in dem ein Datenelement zum ersten Mal in das Unternehmen eingeführt wird.

Wenn zum Beispiel ein Benutzer auf Ihrer Website falsche Anmeldedaten verwendet, um auf einen Download oder eine Webinarwiederholung zuzugreifen, sollte diese Anomalie erkannt werden, bevor sie in Ihre operativen Systeme gelangt.
Wenn Sie bis zu einem späteren Zeitpunkt warten, besteht die Gefahr, dass ein „falscher Lead“ zur Weiterverfolgung an den Innendienst geschickt wird. In diesem Szenario bringt ein herkömmlicher „Find and Fix“-Prozess nicht den gleichen Nutzen wie ein proaktiver Ansatz.

In der Vergangenheit wurde Datenqualität als routinemäßiger Wartungs- und Reparaturprozess betrachtet – ein Verfahren, das in regelmäßigen Abständen Probleme mit Daten aufdeckt, die bereits irgendwo in den Datenbanken eines Unternehmens gespeichert sind.
Das kann zwar hilfreich sein, erreicht aber nicht das gleiche Niveau an Datenqualität, das ein ganzheitlicher Ansatz bietet.

2. Setzen Sie auf KI und maschinelles Lernen

KI und Machine Learning sind da, und sie gewinnen an Dynamik. Zweifellos werden diese Technologien in naher Zukunft zunehmend getestet und eingesetzt, und zahlreiche KI/ML-Anwendungsfälle bringen bereits heute handfeste Vorteile, auch im Bereich der Datenqualität.

Während einige dies als eine grundsätzlich regelbasierte Aufgabe ansehen, erfordern viele der damit verbundenen Aufgaben einen ausgefeilteren algorithmischen Ansatz. Angesichts der Menge an verfügbaren Informationen und der Komplexität moderner Datenquellen (einschließlich unstrukturierter Daten) ist es für Menschen unmöglich (oder zumindest unpraktisch), hier Schritt zu halten.

Durch den Einsatz von lernende und selbstoptimierende Technologien können Unternehmen, die KI und maschinelles Lernen einsetzen, deutlich bessere Ergebnisse in ihren Datenqualitätsinitiativen erzielen.

3. Hinzufügen von Kontext durch Datenanreicherung

Das Anreichern von Daten fügt vorhandenen Informationen einen Kontext hinzu, der es Ihnen ermöglicht, wertvolle Erkenntnisse zu gewinnen, die sonst nicht möglich gewesen wären.

In der Versicherungsbranche kann beispielsweise eine Einzelperson als Inhaber einer Hausbesitzer-Police klassifiziert werden, ohne dass ihr Status als Inhaber eines Kleinunternehmens berücksichtigt wird.

Dieselbe Person kann auch Familienmitglieder in einer gemeinsamen Kfz-Police haben. Ein Unternehmen, das diese Art von Beziehungen kennt, ist besser in der Lage, die Bedürfnisse seiner Kunden zu verstehen, Kaufauslöser zu erkennen und sich um deren Geschäfte zu bemühen.

Der Standortkontext bietet ebenfalls einen erheblichen Mehrwert, einschließlich der Möglichkeit, vorhandene Daten mit externen Quellen abzugleichen.
Die Adressüberprüfung ist ein einfaches (aber wichtiges) Beispiel: Mit Hilfe von Standortinformationen kann zum Beispiel überprüft werden, ob die vorgeschlagenen Hypotheken- oder Versicherungsbewertungen für bestimmte Immobilien innerhalb einer erwarteten Spanne liegen.

4. Dem Problem einen Schritt voraus sein

Unternehmen verlassen sich immer mehr auf Daten wenn es darum geht, einen Mehrwert für Geschäftsprozesse und strategische Entscheidungen zu schaffen. Die meisten großen Unternehmen haben auch erkannt, dass eine schlechte Datenqualität ihre Bemühungen untergräbt, Daten strategisch zu nutzen.

Die Qualität von Kontaktdaten verschlechtert sich beispielsweise rapide, wenn Kunden, Interessenten und Lieferanten ihre Namen, Adressen oder Kontaktinformationen ändern. Menschliches Versagen führt vorhersehbar zu Problemen, und selbst maschinell erzeugte Daten können aufgrund von Fehlfunktionen oder Lücken in der Datenkommunikation Anomalien aufweisen.

Bewährte Praktiken zur Datenqualität verlangen von der Unternehmensleitung, dass sie dem Problem zuvorkommt, einen proaktiven Ansatz zur Fehlersuche und -behebung verfolgt und Maßnahmen ergreift, um Probleme von vornherein zu vermeiden.

5. Implementierung eines Data-Governance-Programms

Unternehmen sollten ein Data-Governance-Programm einführen, um die umfassende Anwendung von Best Practices in der Datenverwaltung sicherzustellen. Der Umfang von Datenschutzvorschriften wie der europäischen Datenschutzgrundverordnung (GDPR) und dem kalifornischen Verbraucherschutzgesetz (CCPA) erfordert einen einheitlichen, unternehmensweiten Ansatz zur Verwaltung von Datenbeständen.

Erhöhte Bedenken zur Datensicherheit erfordern eine umfassende Strategie. Am wichtigsten ist vielleicht, dass Unternehmen Daten als strategisches Gut in den Vordergrund stellen müssen, wenn sie im kommenden Jahrzehnt im Wettbewerb bestehen wollen. Diejenigen, die es nicht schaffen, Data Governance zu beherrschen, werden gegenüber versierteren Wettbewerbern an Boden verlieren.

Geschäftsanwender in allen Abteilungen haben ein erhebliches Interesse an der Datenqualität und -verwaltung. In den letzten Jahren haben wir eine Verlagerung weg von den traditionellen IT-Mitarbeitern als alleinige Eigentümer der Datenqualitätsprozesse erlebt. Dies wird als Demokratisierung der Datenqualität bezeichnet, da Unternehmen nach Tools und Technologien suchen, die auch von technisch weniger versierten Benutzern verwendet werden können.

Als führendes Unternehmen im Bereich der Datenqualität und Datenintegrität hilft Precisely Unternehmen, einen strategischen Vorteil in einer zunehmend datengesteuerten Welt zu erreichen.

Um mehr darüber zu erfahren, wie Precisely Ihrem Unternehmen helfen kann, bessere Ergebnisse mit Datenqualität zu erzielen, lesen Sie unser eBook Data Quality 101: Build Business Value with Data You Can Trust.

Deep Dive – mehr zum Thema

Was versteht man unter Datenintegrität?

Datenintegration

Cloud-Migration: Bewährte Praktiken und wichtige Überlegungen für den Erfolg

Sie haben Fragen oder möchten einen Experten sprechen?
Dann freuen wir uns auf Ihre Nachricht!

Kontakt