Kommentar von Marco Lenhardt & Oleg Brodski, KPMG Wie Unternehmen durch Datenharmonisierung nach den Sternen greifen

Anbieter zum Thema

KPMG AG Wirtschaftsprüfungsgesellschaft

QUNIS GmbH

BigData-Insider

Fivetran Germany GmbH

Ein harmonisierter Datenbestand ist die Voraussetzung für den erfolgreichen Einsatz innovativer Technologien von KI bis IoT – und somit für Effizienzmaximierung, das Erschließen neuer Geschäftsmodelle und letztlich Wertschöpfung. Außerdem lassen sich regulatorische Vorgaben ohne eine konsistente, integrierte Datenbasis – vor allem im Bereich ESG-Reporting – kaum noch erfüllen. Viele Unternehmen haben diesen Wert erkannt. Doch um wirklich von ihnen zu profitieren, müssen sie Daten zu einem integralen Bestandteil ihrer Wertschöpfungsketten machen.

Viele deutsche Unternehmen haben heute einen Großteil ihrer Prozesse automatisiert – von Buchhaltung und Mahnwesen über Front End bis zum Kundenservice. Vor allem im IT-affinen Finanzsektor. Hinzu kommen ständig steigende regulatorische Anforderungen, besonders in Gestalt von Nachhaltigkeits-Reporting (CSRD) und Lieferkettengesetz (CSDDD).

Die Finanzbranche ist bei der Datenharmonisierung in den vergangenen Jahren weit vorangekommen – vor allem aufgrund regulatorischer Vorgaben wie denen des Basler Ausschusses. Aber dient sie damit auch als Vorbild? Was können andere Unternehmen in diesem Kontext von Finanzdienstleistern lernen? Welche typischen Herausforderungen gibt es bei Architektur, Integration und Betrieb moderner Datenplattformen? Wie lassen sich Datensilos abbauen und Prozesse vereinheitlichen?

Einheitlich zu den Sternen

Es mag überraschend klingen, doch die größte Herausforderung bei der Integration und Harmonisierung von Daten besteht nicht in der technologischen Komponente. Die notwendigen Instrumente sind ausreichend vorhanden. Die Aufgabe, die Unternehmen im Zeitalter von Künstlicher Intelligenz (KI) und dem Internet of Things (IoT) zu bewältigen haben, ist Datenorganisation.

Ein Beispiel: 1999 verglühte die Raumsonde Mars Climate Orbiter in der Atmosphäre des Roten Planeten – und 125 Millionen US-Dollar waren vernichtet. Der Grund: Die NASA als Auftraggeber hatte ihre Angaben im metrischen System gemacht, der damalige Technologiedienstleister eine andere Maßeinheit verwendet.

Etwas plakativ ausgedrückt: Bei einer Multimillionen-Dollar-Weltraummission rechnete der eine in Meter, Stundenkilometer, Liter, Kilogramm und Celsius, der andere in Pfund, Zoll, Unze, Meile und Fahrenheit. Das Ergebnis war eine der bekanntesten Pannen der Raumfahrtgeschichte.

Was das mit Unternehmensdaten zu tun hat? Viele Datenhaushalte sind heute noch genau so aufgebaut: Auf dem Server in München ist die festangestellte Kundin Maria Mustermann mit 75.000 Euro Jahreseinkommen gespeichert, in Hamburg mit 100.000 Euro und in Berlin mit 125.000. Einmal lebt sie auf Rügen, ein andermal im Schwarzwald – und in Wahrheit hat sie vor einem Jahr geheiratet, einen anderen Nachnamen angenommen und sich selbstständig gemacht.

Kommentar von Steffen Vierkorn, QUNIS

Data Contracts: Warum Datenprodukte ohne sie scheitern

Natürlich ist dieses Beispiel stark überzeichnet. Aber fehlerhafte Daten führen heute zum Beispiel immer wieder zu falschen Risikobewertungen bei der Kreditvergabe. Als Einzelfall ist das für eine Bank nicht geschäftsschädigend – in der Summe aber schon. Unternehmen, nicht nur im Finanzsektor, sollten daher unbedingt sicherstellen, dass jeder einzelne Mitarbeiter auf die identischen – und korrekten – Daten zugreift. Entweder Meter oder Meile, entweder Mayer oder Mustermann. Doch wie gelingt ihnen das?

Strategie, Governance, Compliance

Am Anfang jeder Datenqualitätsinitiative steht die Entwicklung einer konsistenten Datenstrategie: Wofür nutze ich meine Daten überhaupt? Für welche Geschäftsbereiche sind sie ausschlaggebend? Und welche neuen Geschäftsmodelle – etwa in Gestalt von KI-Services – will ich in Zukunft auf ihrer Grundlage entwickeln?

Dann folgt die Herstellung von Daten-Governance, einer klaren Struktur mit klar geregelter Verantwortlichkeit: Welche Abteilung ist zentral für die Erhebung, Pflege, Verwaltung und Bereitstellung der Unternehmensdaten zuständig und verantwortlich? Ähnlich wie das Finanzministerium im Bund benötigt diese eine Querschnittskompetenz über alle Filialen, Niederlassungen, Fachabteilungen und Server eines Unternehmens hinweg.

Anschließend muss anhaltende Daten-Compliance hergestellt und gewährleistet werden. Jeder Mitarbeiter, jede Filiale und jede Abteilung müssen den Datenbestand nach dem gleichen System organisieren: Zentimeter, Meter, Kilometer – Geburtsdatum, Adresse, Einkommen. Ist dieses Schema einheitlich etabliert, kann die Firma im zweiten Schritt die Vollständigkeit und Korrektheit ihrer Daten prüfen und herstellen.

Pipelines und Engines

Technologisch braucht es dafür typischerweise eine Kombination aus Master Data Management, Datenintegrationsschicht und Governance-Werkzeugen. Master Data Management schafft die „Golden Record“-Sicht auf zentrale Datenobjekte von Kunde über Objekt und Produkt bis Gegenpartei. Datenintegration und ETL-/ELT-Pipelines führen Informationen aus Portalen, Markt- und Referenzdatenquellen zusammen. Ergänzend übernehmen Data-Governance- und Data-Lineage-Funktionen die Dokumentation von Herkunft, Transformation und Governance.

Zur operativen Steuerung der Datenqualität werden Data-Quality-Engines, Regelwerke und Dashboards eingesetzt. Sie prüfen beispielsweise Dubletten, Pflichtfelder, Plausibilitäten, Formatregeln und fachliche Abhängigkeiten. In modernen Architekturen werden diese Funktionen häufig durch eine Data-Lakehouse- oder Data-Fabric-Umgebung ergänzt, damit Rohdaten, validierte Daten und konsumierbare Fachdatenprodukte sauber getrennt, aber durchgängig zu nutzen sind.

Nicht nur investieren, sondern auch messen

Doch waren diese Investitionen auch erfolgreich? Wenn Unternehmen große Summen in ihre Datenqualität investieren, haben sie das ureigene Interesse, die Ergebnisse auch zu beurteilen: Wo sind die Unterschiede zwischen Vergangenheit und Gegenwart, welchen konkreten Mehrwert hat das Unternehmen durch seine Investitionen erwirtschaftet? All das lässt sich heute mithilfe einfacher Visualisierungssoftware empirisch darstellen. In den meisten Unternehmen gehört diese ohnehin zum Toolset. Jeder Betrieb kann individuell festlegen, ob der erstrebenswerte Qualitätsscore bei 75 oder 99 Prozent Genauigkeit liegen soll.

Kommentar von Lukas Diener, QUNIS

Marktplätze für Austausch und Monetarisierung von Daten

Unternehmen können sich selbst auf diese Reise begeben. Doch das bindet Ressourcen, zeitlich und personell. Oder sie greifen auf die Erfahrung und Expertise externer Dienstleister zurück. KPMG hat ein Data Scoring am konkreten Use Case mit verschiedenen Kunden entwickelt und mehrfach individuell implementiert. Anhand dieses Beurteilungssystems für Datenqualität können Finanzdienstleister die Effizienz ihrer Datenpools ablesen – und unmittelbar den Zusammenhang zu ihrer Wertschöpfung herstellen.

Vom Supermarkt zum Datenmarkt

Zukunftsorientierte Unternehmen sollten heute das Ziel haben, einen internen Data Marketplace zu etablieren. So ein zentraler und einheitlich strukturierter „Aufbewahrungsort“ ermöglicht sämtlichen Unternehmensebenen unmittelbaren Zugriff auf die Datenbestände – bei garantierter Einhaltung aller Compliance-Vorgaben.

Mitarbeiter und Abteilungen – die Data Shopper – können ohne manuelle Anfragen an die IT auf alle Daten zugreifen und daraus eigenständig Datenprodukte, die Data Products, entwickeln. Von Berichten über Analysen bis zu KI-Lösungen. Mithilfe intuitiver Tools, von denen parallel alle Zugriffberechtigungen überwacht werden, entstehen so neue Projekte in bisher nicht dagewesener Geschwindigkeit.

Kommentar von Taylor Brown, Fivetran

Ausfälle von Datenpipelines kosten drei Millionen US-Dollar pro Monat

Der Finanzsektor hat in den vergangenen Jahren in Sachen Datenharmonisierung viel erreicht, doch andere Branchen waren ebenfalls nicht untätig: Deutsche Discountsupermärkte sind auf der ganzen Welt ein Erfolgsmodell. Im Schatten der Automobilindustrie hat sich ihr Geschäftsmodell in den letzten Jahren zum deutschen Exportschlager schlechthin entwickelt – obwohl diese Unternehmen oft mit winzigen Gewinnspannen von einigen Zehntelcent pro verkaufter Einheit operieren müssen. Aufgrund sehr sauberer Datenpolitik aber haben diese Unternehmen ein extrem präzises Bild ihrer Kundschaft und des entsprechenden Kaufverhaltens. So konnten sie maßgeschneiderte Angebote designen und entwickeln sich derzeit zum neuen Aushängeschild der deutschen Wirtschaft. Die Voraussetzung dafür sind und bleiben konsequente strategische Investitionen in die Datenqualität.

(ID:50954324)