Die Data Quality Trends für 2023

In seiner jüngsten Umfrage zum Datenvertrauen berichtet das Analystenunternehmen IDC, dass nur etwas mehr als ein Viertel (27 %) der Datenexperten den Daten, mit denen sie routinemäßig arbeiten, voll vertrauen. Während Unternehmen mit einer Vielzahl neuer Dateninitiativen voranschreiten, bleibt die Datenqualität ein Hauptanliegen der Führungskräfte.
In seinem Bericht Data Integrity Trends fand Corinium heraus, dass 82 % der Befragten der Meinung sind, dass Datenqualitätsprobleme ein Hindernis für ihre Datenintegrationsprojekte darstellen. Mehr als 50 % der Befragten gaben an, dass die Datenqualität in ihrem Unternehmen eine “große Herausforderung” darstellt, was Platz 1 auf der Liste der Datenintegritätsbedenken der Befragten darstellt.

Das Thema Datenqualität ist nach wie vor von großer Bedeutung. Viele Unternehmen investieren stark in künstliche Intelligenz (KI) und fortschrittliche Analysen, um sich einen strategischen Vorteil gegenüber der Konkurrenz zu verschaffen. Der Demokratisierung von Daten wird mehr denn je Aufmerksamkeit geschenkt, und die Datenanalyse wird zu einem zentralen Element der Compliance, einschließlich der ESG-Berichterstattung. Data Governance wird ebenfalls zum Mainstream, was Unternehmen dazu veranlasst, der Verwaltung der Datenqualität in großem Umfang mehr Aufmerksamkeit zu schenken.

Hier sind einige der wichtigsten Trends im Bereich der Datenqualität für das Jahr 2023:

1. Große Datenmengen erfordern einen skalierbaren Ansatz für die Datenqualität

Cloud-basierte Analyseplattformen ermöglichen die Verarbeitung großer Datenmengen auf einem Niveau, das für die meisten Unternehmen noch vor wenigen Jahren unerschwinglich gewesen wäre. Gleichzeitig erzeugen die Digitalisierung von Geschäftsprozessen, die Verbreitung mobiler Geräte und das Aufkommen praktischer und erschwinglicher IoT-Sensoren Berge von neuen Daten, die analysiert werden müssen.

Da die Welt immer stärker vernetzt ist, muss die Art der Datenqualitätsinitiativen an die Skalierung angepasst werden. Vor zwei Jahrzehnten hätten die meisten Unternehmen mit einer begrenzten Anzahl von internen Datensätzen zu kämpfen gehabt. Doppelte Datensätze und abnehmende Datenqualität – insbesondere in Kundendatenbanken – waren für viele die Hauptsorge. Heute sind der Umfang und die Vielfalt der Datenqualitätsprobleme explodiert.

Heutige Unternehmen müssen die Datenqualität unter dem Aspekt der Skalierbarkeit betrachten. Die besten Datenqualitäts-Tools bieten robuste Mechanismen für die Erkennung, Profilierung und Katalogisierung von Daten und erstellen dann ausgefeilte Geschäftsregeln, um zu definieren, wie gute Datenqualität aussieht. Auf dieser Grundlage kann die Automatisierung potenzielle Datenqualitätsprobleme an die Dateneigentümer in den Fachabteilungen weiterleiten, damit Probleme sofort behoben werden können, sobald sie auftreten.

2. Datendemokratisierrung hängt von einer hohen Datenqualität ab

Die Demokratisierung von Daten hat das Potenzial, allen Beteiligten im Unternehmen zu helfen, bessere Geschäftsentscheidungen zu treffen. Dies birgt jedoch auch einige Risiken. Wenn die Datenqualität nicht stimmt, können Demokratisierungsinitiativen zu Fehlentscheidungen führen, die möglicherweise verheerende Folgen haben.

Laut der jüngsten IDC-Umfrage zum Datenvertrauen ist das Vertrauen in die Datenqualität bei Mitarbeitern aus den Bereichen Betrieb, Personalwesen und Vertrieb/Marketing am geringsten. Top-Führungskräfte hingegen haben in der Regel ein viel größeres Vertrauen in die Daten, die sie für wichtige Entscheidungen nutzen. Dies hat wichtige Auswirkungen für Führungskräfte, die eine stärkere Demokratisierung der Daten in ihren Unternehmen anstreben. Wenn das Vertrauen gering ist, wird auch die Nutzung geringer sein. Unternehmen nutzen die ihnen zur Verfügung stehenden Datenbestände nicht in vollem Umfang, was eine große verpasste Chance darstellt.
Proaktive, skalierbare Datenqualitätsprogramme bieten zwei sehr wichtige Vorteile. Erstens erhöhen sie das allgemeine Vertrauen in die Datenintegrität im gesamten Unternehmen. Zweitens liefern sie genauere Erkenntnisse, die zu besseren Geschäftsentscheidungen führen.

3. KI/ML erhöht die Anforderungen an die Datenqualität

Unternehmen investieren in großem Umfang in künstliche Intelligenz und maschinelles Lernen (KI/ML), aber die Algorithmen, die so viele der heutigen KI-Initiativen antreiben, müssen auf sauberen, genauen Datensätzen trainiert werden. Stellen Sie sich zum Beispiel vor, dass Ihre Kundendatenbank Datensätze enthält, deren Adressen falsch formatiert sind oder bei denen die Einkommensstufen fehlen. Ein Algorithmus für maschinelles Lernen berücksichtigt diese Daten in seinen Prognosemodellen für das Kaufverhalten verschiedener demografischer Segmente, sofern er nicht anders angewiesen wird. Wenn Ihr Team auf der Grundlage dieser Daten Nachfrageprognosen erstellt, ist die Prognose einfach ungenau.

Obwohl KI/ML ein enormes Potenzial für die Schaffung von Geschäftswert hat, kann sie auch aus dem Ruder laufen. Eine gute Datenqualität führt zu präzisen KI-Ergebnissen, wohingegen eine schlechte Datenqualität große Probleme verursachen kann, die möglicherweise erst bemerkt werden, wenn es zu spät ist.

4. Compliance hängt von qualitativ hochwertigen Daten ab

Unternehmen wenden immer mehr Zeit, Energie und Ressourcen auf, um neue Berichtsstandards, vertragliche Verpflichtungen und staatliche Vorschriften einzuhalten.
Die Berichterstattung über Umwelt-, Sozial- und Unternehmensführungsaspekte (Environmental, Social and Governance, ESG) wird beispielsweise für viele globale Unternehmen immer wichtiger. Kritiker haben auf das hingewiesen, was sie als “Greenwashing” bezeichnen, eine verzerrte Darstellung von ESG-Kennzahlen, die weitgehend durch das Fehlen gemeinsamer Berichtsstandards ermöglicht wurde. Unternehmen müssen sich gegen solche Vorwürfe wehren, selbst wenn sie ungerechtfertigt sind.

Auch die staatlichen Aufsichtsbehörden verschärfen die Anforderungen an eine zeitnahe und genaue Berichterstattung, um eine Vielzahl neuer Vorschriften zu erfüllen. Gleichzeitig verlangen Großkunden von ihren Anbietern immer strengere Standards, die durch die routinemäßige Berichterstattung über wichtige Kennzahlen unterstützt werden. Eine verbesserte Datenqualität hilft nicht nur bei der Einhaltung von Vorschriften, sondern ist auch unerlässlich, um das Reputations- und finanzielle Risiko zu minimieren.

5. Datenqualität ist der Schlüssel zu effektiver Data Governance

Die meisten Unternehmen sind sich heute darüber im Klaren, dass Data Governance nicht mehr nur ein “Nice to have”-Feature ist. Für das Jahr 2023 und darüber hinaus ist sie zu einer De-facto-Anforderung für jedes Unternehmen geworden, das Daten zur Generierung von strategischem und taktischem Geschäftswert nutzen möchte.

Geschäftsdaten werden immer komplexer. Die Digitalisierung vieler Geschäftsprozesse und digitaler Verbraucherinteraktionen sowie eine Fülle von Geoinformationen und demografischen Daten bieten große Chancen. Gleichzeitig bringt die zunehmende Komplexität der Vorschriften neue Herausforderungen mit sich, die von Unternehmen aller Größenordnungen verlangen, dass sie die ihnen anvertrauten Daten verstehen und kontrollieren.
Wenn Data Governance die Aufgabe erfüllen soll, Ordnung, Vertrauen und Compliance in die Daten eines Unternehmens zu bringen, dann ist Datenqualität ein unverzichtbarer erster Schritt. Darüber hinaus ist Datenqualität keine einmalige Angelegenheit, so dass die Fähigkeit, die Datenqualität kontinuierlich und in großem Umfang zu verwalten, von entscheidender Bedeutung ist.

Diese fünf Trends treiben immer mehr Unternehmen dazu, bessere Möglichkeiten für ein proaktives und routinemäßiges Management der Datenqualität bei großen Datenmengen zu finden. Lesen Sie unser eBook 4 Keys to Improving Data Quality, das Sie darüber informiert, wie Sie die grundlegenden Probleme der Datenqualität überwinden können. Dabei werden nicht nur spezifische Arten und Muster von Qualitätsproblemen identifiziert, sondern auch die Rolle des Datenqualitätsmanagements und der Data Governance bei deren Lösung geklärt.