Im ersten Schritt wird ermittelt, welche Dimensionen der Datenqualität übergreifend relevant sind. Anschließend werden die festgelegten Dimensionen fachlich definiert. Diese Dimensionen gelten institutsübergreifend und werden den Fachbereichen zur Verfügung gestellt. Die Fachbereiche prüfen anschließend, welche Dimensionen an welchen Datenverarbeitungspunkten implementiert werden müssen.

Das Definieren der Dimensionen führt zu einem übergreifenden und einheitlichen Datenqualitätsverständnis im Institut und schafft somit Transparenz. Des Weiteren dienen die Dokumentationen als Referenzen gegenüber Wirtschaftsprüfern und der Aufsicht.

Sind die Datenqualitätsdimensionen definiert, kann mit dem nächsten Schritt - der Messung der Datenqualität - begonnen werden.

Für die Messung der Datenqualität müssen Prüfroutinen entwickelt werden, mit deren Hilfe dann – z.B. in einer Zentralen Datenbasis – Abweichungen frühzeitig erkannt werden können. Die Regeln können in drei Gruppen zusammengefasst werden:

• formaltechnische Regeln,
• inhaltliche Regeln und
• qualitative Regeln

Sind die Regeln zur Messung der Datenqualität definiert, ist zu bestimmen, wie bei Abweichungen vorgegangen werden soll. Die Definition von Qualitätszielen und der Umgang mit Abweichungen unterliegen einer Abwägung zwischen den Geschäftsrisiken, die sich durch geringere Datengüte ergeben, und den Kosten, um das Ziel zu erreichen. Erkannte Datenqualitätsprobleme, die als nicht hinnehmbar eingestuft wurden, werden anschließend analysiert, um die Problemquelle zu finden und das Problem zu beheben.

Im Sinne der Erreichung einer höheren Datenqualität müssen die festgestellten Abweichungen und Fehler analysiert werden. Um die Qualität nachhaltig zu steigern, ist es notwendig, Fehlerquellen zu eliminieren.

Im Zusammenspiel aus Daten, den Prozessen und dem Faktor Mensch ergibt sich eine Vielzahl an möglichen Ursachen für Mängel in der Datenqualität. Um die Ursachen zu ermitteln, darf der Fokus nicht ausschließlich auf den Daten selbst liegen. Technische Systeme und Plausibilitätsprüfungen leisten hier nur einen Teilbeitrag. Genauso wichtig ist es, auch das Wissen in den Köpfen der Mitarbeiter zu nutzen. Befragungen und Diskussionen mit den Mitarbeitern führen in der Analyse oftmals zu den Fehlerquellen.

Entscheidend für die Aufarbeitung der Datenqualitätsmängel ist, die verschiedenen Fehlerursachen konsequent zu dokumentieren, um aus den daraus resultierenden Lehren Verbesserungen zu erreichen.

Zur Verbesserung der Datenqualität werden technische und nichttechnische Maßnahmen als Lehren aus der Fehleranalyse ergriffen. Eine technische Maßnahme kann darin bestehen, das Feld zu einem Pflichtfeld zu machen, das ausgefüllt sein muss, um die Eingabe ordnungsgemäß abzuschließen. Nichttechnische Maßnahmen könnten bspw. klare Vorgaben und Arbeitsanweisungen für die Mitarbeiter bei der Datenerfassung sein.

Die in der Analyse identifizierten fehlerhaften Datensätze müssen indes bereinigt werden. Im Sinne des DQM-Kreislaufs ist dies kein einmaliger, sondern ein wiederkehrender Prozess. Hier muss abgewogen werden, ob die Fehlerbehebung automatisiert oder manuell erfolgen soll.

Mit dem von der movisco AG implementierten DQM-Kreislauf optimieren Sie Schritt für Schritt die Qualität Ihrer Daten und erreichen die notwendige Transparenz über Ihren Datenhaushalt, von der alle Geschäftsbereiche in Ihrem Institut profitieren.