Master-Data-Management

Schwierigkeiten beim Daten-Management

Master-Data-Management (MDM) ist eine Pflichtübung, wenn es gilt, neue digitale Geschäftsmodelle erfolgreich umzusetzen. Dass es dabei weniger um Technik als um einen Kulturwandel geht, verdeutlichen die neun häufigsten Fehler in der Data Governance.

Voraussetzung für ein Master-Data- Management ist die Bereitschaft zur "Data Governance". Was das bedeutet, verdeutlichte Nicola Askham, die sich selbst als "Data Governance Coach" bezeichnet, auf der ersten europäischen Anwenderkonferenz des dänischen MDM-Softwareanbieters Stibo Systems. "Data Governance heißt, Ihre Daten proaktiv so zu managen, dass sie Ihr Geschäft unterstützen."

Schwierigkeiten beim Daten-Management Daten müssen stimmen, relevant sein, und man muss an sie herankommen. Darin, und nicht in der Verarbeitungstechnik, liegen oft die Probleme. Häufig verhindern Struktur und Kultur des Unternehmens die gewünschte Datenqualität.
Schwierigkeiten beim Daten-Management Daten müssen stimmen, relevant sein, und man muss an sie herankommen. Darin, und nicht in der Verarbeitungstechnik, liegen oft die Probleme. Häufig verhindern Struktur und Kultur des Unternehmens die gewünschte Datenqualität.

Das bedeute keineswegs, dass Daten auf der Mikroebene jede Minute unter Kontrolle sein müssten. Eigentlich gehe es gar nicht um die Daten selbst, sondern darum, wie sie vom Business verwendet werden. Das Maß der Kontrolle hänge von der beabsichtigten Nutzung ab. Askham hat neun typische Fehler bei der Data Governance identifiziert.

Fehler 1: Die Initiative ist von der IT geführt

Das Business neigt dazu, mit der Infrastruktur auch das Datenthema an die IT zu delegieren. Aber die Daten gehören den Fachbereichen. Wo das nicht verstanden wird, ist das Business auch nicht engagiert. Die IT wird sich auf die technische Seite konzentrieren, also auf das Bereinigen der bereits abgespeicherten Daten. Damit die Initiative Erfolg hat, müssen die Daten aber schon dort gemanagt werden, wo sie entstehen.

Fehler 2: Der Reifegrad des Unternehmens bleibt unberücksichtigt

Einige Organisationen sind einfach noch nicht reif für eine Data Governance. Die Beteiligten sehen die Notwendigkeit nicht ein und werden deshalb nicht mitmachen. Das lässt sich nur umgehen, indem man das Unternehmen einem Reifetest unterzieht. Dazu braucht man nicht gleich die Hilfe einer großen Unternehmensberatung; es gibt im Netz eine Reihe von frei verfügbaren, oft billigen Tools, sagt Askham. Ganz wichtig: Definieren Sie zunächst, warum Sie Data Governance brauchen und wollen. Setzen Sie diese Begründung in Beziehung zur Unternehmensstrategie: Was ist das Ziel der Unternehmung? Und wo kann Data Governance helfen, dieses Ziel zu erreichen?

Fehler 3: Data Governance als Projekt sehen

Ein Projekt ist etwas, das einen Anfang und ein Ende hat. Nicht alle sind gleichermaßen involviert, manche versuchen, es einfach auszusitzen. Geht es um Data Governance, ist allenfalls die Implementierung ein Projekt. Die Sache selbst ist etwas Andauerndes, etwas, das die Kultur eines Unternehmens verändert. Deshalb sollte die Initiative lieber als "Change"-Programm mit unterschiedlichen Stoßrichtungen ("Work Streams") definiert werden.

Fehler 4: Die Verbindung zur Strategie fehlt

Wenn es Ihnen nicht gelingt, den Stakeholdern im Unternehmen klarzumachen, wie Data Governance die Unternehmensstrategie unterstützt, werden Sie keine Mehrheiten dafür finden! Die Initiative scheitert, weil die Leute nur den Aufwand, aber nicht den Nutzen sehen. Gehen Sie die "Schmerzpunkte" des Business an! Visieren Sie für jeden Unternehmensbereich ein individuelles Ziel an und arbeiten Sie mit einer klaren Roadmap. Aber stellen Sie sich auf ein Langstreckenrennen ein.

Fehler 5: Datenlandkarte ist unverstanden

Mit alten Datenbeständen hat jedes Unternehmen ein Problem, sogar wenn es erst ein paar Jahre im Geschäft ist. Dabei bezeichnet "Legacy Data" nur einen der Stolpersteine, die den Weg zu sauberen Stammdaten so beschwerlich machen. Generell ist es wichtig, die Beziehungen zwischen Daten und Systemen zu verstehen, damit die Konsistenz auch dann gewahrt bleibt, wenn sich die Daten verändern. Erstellen Sie auf jeden Fall eine "Datenlandkarte". Nutzen Sie dafür ein konzeptionelles Datenmodell und beginnen Sie auf der höchstmöglichen Abstraktionsebene, um sich dann hinunterzuarbeiten.