Foto: Roland Berger
In vielen Unternehmen hat sich jüngst Ernüchterung eingestellt: Mit viel Aufwand arbeiteten sie in den vergangenen Jahren daran, ihre IT-Systemlandschaften zu vereinfachen.
Doch eine qualitativ bessere und effizientere Nutzung der darin gespeicherten Stammdaten sind trotz dieser Umstellungen nur selten eingetreten. Denn oft spielen Datenharmonisierung und Master Data Management nur eine untergeordnete Rolle in den Firmen. Und das hat Folgen. Denn die mangelnde Qualität der Stammdaten ruft kostspielige Probleme, etwa in den nachfolgenden Bereichen, hervor:
-
Ortsinformationen: Fehler in geographischen Daten führen zu mangelhaften Logistikplanungen und damit zu höheren Frachtkosten.
-
Lieferantendaten: Aufgrund von Duplikaten im Lieferantenstamm werden falsche Umsatzzahlen in Bezug auf einen bestimmten Lieferanten ("supplier spend") berechnet. Dies kann nachteilig sein bei der Verhandlung neuer Konditionen.
-
Kundendaten: Fehlende oder fehlerhafte Informationen in den Kundenhierarchien, etwa über Beziehungen zwischen Mutter- und Tochtergesellschaften, können dazu führen, dass Kreditlimits überzogen werden. Im Fall einer Kundeninsolvenz droht dann der Zahlungsausfall.
Um solche Fehler zu korrigieren, benötigen Fachbereiche und IT teilweise umfangreiche personelle Kapazitäten, die an anderer Stelle abgezogen werden müssen. Neben den teilweise erheblichen Kostenbelastungen fehlen diese Kapazitäten damit in wichtigen strategischen Projekten.
Die Stammdatenqualität hängt von der Betrachtungsebene ab
Foto: Roland Berger
Wie also kommt es zu einer mangelhaften Qualität von Stammdaten? Ein Hauptgrund ist der Zusammenhang zwischen wahrgenommener Qualität und der eingenommenen Betrachtungsebene. Dies gilt insbesondere für Unternehmen, die über lange Zeit sehr dezentral agiert haben oder durch ein schnelles, anorganisches Wachstum geprägt sind.
Befragt man beispielsweise einen Mitarbeiter einer Landesgesellschaft, so ist seine Einschätzung der Stammdatenqualität in der Regel gut. Dies liegt oft daran, dass Stammdaten innerhalb eines Standorts weitgehend einheitlich gepflegt werden. Denn die räumliche Nähe begünstigt den engen Austausch zwischen den Mitarbeitern; auch nicht formalisierte Regeln werden so weitergegeben. Die gemeinsame Sprache erleichtert außerdem das gemeinsame Verständnis der Standards.
Erhöht man jedoch sukzessive die Betrachtungsebene, so werden schnell Qualitätsmängel sichtbar. Denn häufig unterscheiden sich die Standards zur Datenpflege in den einzelnen Landesgesellschaften erheblich. Dies zwingt viele Unternehmen dazu, manuelle Anpassungen bei der Datenkonsolidierung vorzunehmen oder verzerrte Aussagen in Kauf zu nehmen.
Ein konkretes Beispiel: Abbildung 1 zeigt, wie ein Schichtleiter in einer Landesgesellschaft den Industriearbeitern ("blue collar worker"), in einer anderen Landesgesellschaft den Angestellten ("white collar worker") zugeordnet wird. Eine Auswertung nach diesen Gruppen auf regionaler und zentraler Ebene, etwa für ein Benchmarking, ist damit fehlerhaft.
Data Analytics erhöht Qualitätsanforderungen an Stammdaten weiter
Foto: Roland Berger
Der fortschreitende Umgang mit Data Analytics und Big Data in den Planungs- und Analyseabteilungen der Unternehmen erhöht die Anforderungen an die Stammdatenqualität weiter. Dabei bildet das Vertrauen in die Verlässlichkeit der Daten eine essenzielle Voraussetzung, um wichtige Entscheidungen zu treffen. Doch die fehlenden Standards zur Datenpflege stören dieses Vertrauen; das Optimierungspotenzial bleibt daher oft ungenutzt. In einem konkreten Beispiel bedeutet das: Verlassen sich Mitarbeiter nicht auf die gespeicherten Produktabmessungen, so werden Lagerplätze nicht vollständig ausgelastet oder LKW nicht voll beladen.
Am anderen Ende dieses Spektrums stehen Unternehmen, die die Datennutzung bereits heute perfektioniert haben. Dies zeigt zum Beispiel ein großer US-amerikanischer Konzern. Dieser berechnet für jeden seiner über 300.000 Mitarbeiter einen individuellen Wert für die Wahrscheinlichkeit, dass dieser plant, das Unternehmen zu verlassen. So können Manager frühzeitig gegensteuern oder zumindest entsprechenden Ersatz einplanen.
Wie löse ich das Problem? Ansatzpunkte und Erfolgsfaktoren
Um diese Probleme zu lösen und die Stammdatenqualität zu verbessern, sollte das Unternehmen zwei wichtige Fragen beantworten:
1. Wie kann das bestehende Datenchaos aufgeräumt werden?
Foto: Roland Berger
Ein klarer Überblick ist die Ausgangsbasis, um die bestehenden Daten zu bereinigen. Hierbei sollte die Firma zunächst den Stammdaten-Scope (vgl. Abbildung 2) genau festlegen. Idealerweise wird dabei jedes Stammdaten-Element einer verantwortlichen Abteilung, etwa Produktentwicklung, Marketing oder Vertrieb, zugeordnet.
Zudem empfiehlt es sich, in Interviews mit Mitarbeitern aus den Fachabteilungen, die dringlichsten Probleme in Zusammenhang mit der Qualität der Stammdaten zu erfassen. Hieraus gilt es, einfache und schnelle Verbesserungsmöglichkeiten abzuleiten. Diese werden im Anschluss priorisiert und umgesetzt, etwa in Form der Bereinigung des Lieferantenstamms um Duplikate. So kann das Datenchaos schrittweise entwirrt werden.
2. Welche Prozesse müssen etabliert werden, um die Stammdaten zukünftig zu verwalten?
Foto: Roland Berger
Allein die erste Frage zu beantworten, reicht nicht aus. Nur wenn auch die Prozesse der Datenverwaltung hinreichend berücksichtigt werden, verbessert sich die Datenqualität nachhaltig. Unternehmen sollten hier klare Regeln und Verantwortlichkeiten für die Stammdatenverwaltung definieren und fest etablieren. Dabei müssen alle beteiligten Abteilungen die Prozessvorgaben gemeinsam erarbeiten - nur so lässt sich sicherstellen, dass alle Anforderungen berücksichtigt werden und die Mitarbeiter auf demselben Kenntnisstand für die Umsetzung sind.
Zudem sollten die Stammdaten priorisiert werden (vgl. Abbildung 3). So kann die Qualität der Daten sukzessive verbessert werden, ohne die Organisation zu überlasten.
Theoretisch sollten klare Prozesse und Regeln zur Datenverwaltung ausreichen, um eine bessere Datenqualität zu erreichen. In der Praxis hat sich jedoch gezeigt, dass ein kombinierter Ansatz (vorgelagerte Datenbereinigung und klare Prozesse) den größten Erfolg bringt.
3 Erfolgsfaktoren fürs Stammdaten-Management
Darüber hinaus sollten Firmen folgende wichtige Erfolgsfaktoren beachten:
-
Master Data Management (MDM) ist kein reines IT-Projekt: Da Stammdaten immer vom Fachbereich und nicht von der IT verwaltet werden, ist MDM primär eine Aufgabe der Fachabteilungen. Die Unterstützung durch die IT, etwa für die Bereitstellung von Dubletten-Reports oder Systemschnittstellen, ist jedoch stets erforderlich.
-
Management buy-in: Datenharmonisierung und Master Data Management sind langfristige Programme, die häufig prozessuale und organisatorische Veränderungen erfordern. Starke Zustimmung und Unterstützung des Managements sind damit eine fundamentale Voraussetzung für den Erfolg des Unterfangens.
-
Laufende Fortschritts- und Qualitätskontrolle: Um den Gesamtfortschritt zu messen und die Datenqualität nachhaltig zu verbessern, sollten Firmen Kennzahlsysteme und Kontrollen etablieren. Insbesondere zeigt die Praxis, dass das Aufstellen von Regeln alleine häufig nicht ausreicht - erst mit der Kontrolle ihrer korrekten Anwendung lassen sich die gewünschten Effekte erzielen.
Andreas Dietze und Thomas Fischer sind IT-Experten bei Roland Berger Strategy Consultants.