"I.2 Ausprägungen und Ursachen schlechter Datenqualität (S. 29-30)

Die Ausführungen in diesem Kapitel beziehen sich in erster Linie auf den in Kapitel I.1 eingeführten Begriff der anwenderorientierten Qualitätsvorstellung. Wie in diesem einführenden Kapitel dargelegt, basiert die Qualität von Daten auf den subjektiven Anforderungen der Anwender und hängt dabei im Wesentlichen von der Anforderung der Anwendung ab. Im Umfeld von Business-Intelligence-Projekten ist diese Sichtweise sicherlich am besten geeignet, da sich die Qualität der Daten unmittelbar auf die in diesen Projekten entwickelten Anwendungen auswirkt.

Dieses Kapitel beschreibt die Ursachen und Ausprägungen schlechter Datenqualität basierend auf Erfahrungen aus solchen Business-Intelligence-Projekten. Business-Intelligence-Projekte und deren Ergebnisse initiieren in vielen Fällen den erstmaligen Kontakt der Anwender mit den Daten; den Anwendern ermöglicht dies oftmals eine komplett neue Sichtweise auf die Daten bzw. eine Verknüpfung verschiedener Bestände. Damit einher geht jedoch die Unsicherheit bezüglich der Datenqualität aufgrund fehlender Vergleichsmöglichkeiten und großer Datenvolumen. Das führt dazu, dass die Akzeptanz von Business-Intelligence-Projekten massiv unter schlechter Datenqualität bzw. unter subjektiv wahrgenommenen Datenqualitätsproblemen leidet.

Business-Intelligence-Anwendungen sind meist das letzte Glied in der Kette der Datenaufbereitung und -bereitstellung. Aus diesem Grund scheitern Business-Intelligence-Projekte oftmals wegen fehlender Akzeptanz. Daher ist es für eine erfolgreiche Umsetzung von Projekten unumgänglich, bei den potenziellen Anwendern ein Verständnis für schlechte Datenqualität aufzubauen. Die Capgemini-Studie „IT Trends 2009“41 zeigt, dass das Thema Datenqualität im Umfeld von Business-Intelligence-Projekten immer wichtiger wird.

Im Rahmen dieser Studie wurde Datenqualität von den befragten Unternehmen bereits das dritte Jahr in Folge als das mit Abstand wichtigste Thema in Bezug auf Business Intelligence genannt. Dies beinhaltet eine Sensibilisierung für die Ursachen und Ausprägungen schlechter Datenqualität und den Umgang damit. Diese Problematik muss bereits im Vorfeld von Projekten einbezogen werden und es sind Maßnahmen aufzuzeigen, um negativen Auswirkungen entgegenzusteuern.

Dabei sind die Ursachen schlechter Datenqualität vielfältig, und oftmals ist deren Vermeidung auch unter größtmöglichen Anstrengungen nicht immer durchgängig möglich. Daher ist eine dahingehende Sensibilisierung der Anwender ein wichtiger Baustein für die erfolgreiche Umsetzung von Business-Intelligence-Projekten.

I.2.1 Geschäftstreiber

Schlechte Datenqualität hat Auswirkungen auf viele unterschiedliche Bereiche. Eine Verbesserung der Datenqualität ist deshalb generell ein wünschenswertes Unterfangen, das prinzipiell auf wenig Widerstand in den Unternehmen trifft. In der Praxis ist die Sicherung der Datenqualität jedoch eine komplexe Angelegenheit. Budget- und Ressourcenbeschränkungen sind in den meisten Unternehmen die Realität. Daher sind in jedem Fall Kosten-Nutzen- Betrachtungen anzustellen, um eine Argumentation hinsichtlich der Mittelbereitstellung aufzubauen."