Datenmanagement in der digitalen Transformation – Klasse trotz Masse

Es heißt, Daten sind die neue Währung. Deren Volumen steigt stetig aufgrund von Entwicklungen wie mobilen Apps, E-Commerce, dem Internet der Dinge (IoT) sowie dem maschinellen Lernen. Doch wie steht es um die Datenqualität und dem daraus zu schöpfenden Wert? Hier klafft die Schere (zu) weit auseinander. Um wirklichen Nutzen aus den in Unternehmen schlummernden Datenschätzen zu ziehen, muss deren Genauigkeit und Aktualität sichergestellt sein. Die Devise heißt: Klasse trotz Masse. Nur dies ermöglicht fundierte Entscheidungen, optimierte Kundenerfahrungen sowie freie Fahrt in die digitale Welt.

Die meisten Organisationen erkennen die Bedeutung ihrer Daten und beginnen, diese als strategische Assets zu behandeln. Ihrem Stellenwert entsprechend sollten diese Daten-Assets der Verantwortung von Fachabteilungen wie Vertrieb, Einkauf, Buchhaltung oder Supply-Chain-Management – und nicht der IT – unterliegen. Die wichtigsten Daten, welche die Fachabteilungen im Blick haben müssen, befinden sich in ERP-Anwendungen. Dazu gehören Finanz-, Kunden- sowie Produktdaten. Die Herausforderung lautet, diese zu analysieren und zu bewerten.

Um von der Verschlankung unternehmenskritischer Prozesse zu profitieren, müssen Anwendungsdaten akkurat und aktuell sein. Eine dürftige Datenqualität zieht nicht nur hohe Betriebskosten nach sich, sondern wirkt auch als Bremse bei der Teilhabe am digitalen Wandel. Ungenügende Datenqualität ist vor allem auf unzureichende Prozesse in der unternehmensweiten Daten-Governance zurückzuführen. Gründe sind oftmals manuelle Prozesse bei der Datenbeschaffung, etwa mit Hilfe von E-Mails. All dies führt zu Fehlern und einem Mangel an Vertrauen in die Unternehmensdaten.

Sind Unternehmen auf der Suche nach einer Lösung für die Datenverwaltung und Daten-Governance, halten sie sich oft an das Stammdatenmanagement (MDM). Es ist darauf ausgelegt, alle Anwendungen (ERP, CRM, SCM) zentral zu managen. Das bedeutet jedoch hohen Aufwand und eine geringe Wertschöpfung. Laut Gartner bilden einheitliche Stammdaten wichtige Voraussetzungen für einen unternehmensweit reibungslosen Datenaustausch sowie durchgängige Prozesse und Analysen [1]. Während die Stammdatenprozesse aus Governance-Gründen zentral von der IT zu verwalten sind, sollten Anwendungs- und Stammdaten dezentral von den Fachabteilungen gepflegt werden, da dort das Wissen darüber vereint ist.

Einheitliche Stammdaten aus ERP, PLM und CRM sorgen für einen unternehmensweit reibungslosen Datenaustausch sowie durchgängige Prozesse und Analysen.

Einheitliche Stammdaten aus ERP, PLM und CRM sorgen für einen unternehmensweit reibungslosen Datenaustausch sowie durchgängige Prozesse und Analysen.

ADM als dezentrales MDM. Gartner definiert Application Data Management (ADM) wie folgt [2]: ADM ist eine technologiebasierte Disziplin, die konzipiert wurde, um Anwender bei der Governance und Verwaltung der Anwendungs- beziehungsweise Referenzdaten zu unterstützen. Diese sind erforderlich, um Geschäftsanwendungen wie CRM, ERP oder Supply-Chain-Planning zu betreiben. Sie können auch Stammdaten umfassen, selbst wenn eine separate Lösung für deren Management (MDM) zum Einsatz kommt. ADM wird im Kontext der spezifischen Anwendung oder Suite implementiert und bedient sich üblicherweise der gleichen persistenten Daten und Datenmodelle.

Ein ADM-Framework bietet wichtige Funktionen für das Datenmanagement, die üblicherweise nicht in Unternehmensanwendungen integriert sind. ADM-Tools können in Bezug auf Infrastruktur und Sicherheit zentral von der IT unterstützt werden, die Ausführung der Funktionen obliegt jedoch der jeweiligen Fachabteilung.

Viele Unternehmen, die eine einzelne ERP-Instanz als zentralen Storage-Hub für ihre Daten nutzen, sehen keinen Mehrwert in einem MDM-System. Während die IT mit MDM Daten global überwacht, verwenden verteilte Fachabteilungen ADM, um lokale Daten in ERP- oder CRM-Anwendungen zu verwalten. Das ERP-System ist die einzige gültige Quelle für alle Stammdaten. Fachabteilungen benötigen effizientere und flexiblere Lösungen als MDM, um ERP-Daten anzulegen und zu verwalten – und ihren Prozessen eine hohe Datenqualität zugrunde zu legen.

ADM kann als dezentrales MDM-System verstanden und eingesetzt werden. So lässt sich aus dem führenden ERP-System als zentraler Datenquelle Nutzen ziehen. Zudem kann der Fokus auf weitere Funktionen, wie Datenpflege, Prozessautomation und Datenqualität, gelegt werden.

Das ADM-Framework dient als »Datenqualitäts-Firewall« für die jeweilige Unternehmensanwendung.

Das ADM-Framework dient als »Datenqualitäts-Firewall« für die jeweilige Unternehmensanwendung.

ADM-Framework als »Datenqualitäts-Firewall«. ADM bietet typischerweise eine nahtlose Integration in ERP-Anwendungen wie SAP ERP, Oracle EBS oder Salesforce. Das Datenmodell ist vorkonfiguriert und in der ADM-Technologie einfach verfügbar. Außerdem lassen sich hiermit die jeweiligen Sicherheits- und Autorisierungseinstellungen der Anwendungen sowie die darin hinterlegten Datenvalidierungsregeln nutzen. Auch stellt ADM folgende Funktionen bereit, die normalerweise nicht »out of the box« in Unternehmensanwendungen enthalten sind:

  • Datenpflege
  • Workflow & Prozessautomation
  • Datenvalidierung
  • Datenqualität
  • Analysen und Dashboards

ADM unterstützt zwei der kritischen Modelle für Data-Governance und Datenverwaltung [3]:

  • Reaktive Governance über Dashboards und nachträgliche Datenbereinigung, um Qualitätsprobleme von in den Kernanwendungen vorliegenden Daten zu identifizieren und zu beheben.
  • Proaktive Governance von Daten, die in Unternehmensanwendungen einfließen, unabhängig davon ob sie erstellt oder aktualisiert werden.

Das ADM-Framework agiert sozusagen als »Datenqualitäts-Firewall« für die jeweilige Unternehmensanwendung.

ADM im praktischen Einsatz. Mit Hilfe von ADM konnte etwa der weltweit größte Hersteller und Distributor von Lebensmittelverpackung und Produkten für die Gastronomie Pactiv seine Prozesse für die Anforderung einer Produktmodifikation automatisieren. Dank einfacher, konfigurierbarer Workflow-Design-Tools nach dem Drag-and-Drop-Prinzip ließ sich die Datenbeschaffung von manuellen Abläufen befreien – und so schlanker und produktiver gestalten.

Die verbesserte Datenbasis äußert sich in Zeitersparnissen bis zu 50 Prozent und damit einer schnelleren Produktvermarktung sowie höherem Umsatz. Dies ermöglicht schlankere Geschäftsprozesse sowie geringere Betriebskosten. Und nicht zuletzt ebnet dieses Vorgehen den Weg in die digitale Welt mit ihren stetig wachsenden Anforderungen an die Produktvielfalt.


Ralph Weiss,
Country Manager
Winshuttle Deutschland

 

 

 

[1] https://www.computerwoche.de/a/10-unwahrheiten-ueber-stammdaten-management,2488388
[2] Hype cycle for Postmodern ERP, 2016, Gartner
[3] James Barker, »Data governance: The missing approach to improving data quality«, https://pqdtopen.proquest.com/pqdtopen/doc/1862110139.html?FMT=ABS

 

Illustration: © Kubko /shutterstock.com 

 


 

Hier folgt eine Auswahl an Fachbeiträgen, Studien, Stories und Statistiken die zu diesem Thema passen. Geben Sie in der »Artikelsuche…« rechts oben Ihre Suchbegriffe ein und lassen sich überraschen, welche weiteren Treffer Sie auf unserer Webseite finden.

 

Master Data Management in Zeiten von Big Data – Von Rohdaten zu Business Insights

Data-Preparation-Initiativen scheitern oft an Fachkräftemangel und fehlender Management-Unterstützung

Wissensmanagement und kognitive Suche: Durchbruch für Enterprise Search

Drei Schutzmaßnahmen durch Data Management gegen Ransomware

Studie: Hohe Datenqualität beschleunigt Applikationsentwicklung

Digitalisierung im Rechnungswesen führt zu höherer Datenqualität und schnellerem Reporting

Welchen Nutzen bietet »Data-as-a-Service«?