Dasselbe, was Plastiktüten für die Umwelt sind, stellen „schmutzige” Daten für Unternehmen dar. Unter dem Begriff „Dirty Data” versteht man hauptsächlich Daten, die fehlerhafte Informationen enthalten. Leider ist es jedoch nicht so einfach, solche Daten zu bereinigen, wie Plastiktüten vom Strassenrand aufzuheben.
Der erste Schritt der Bereinigung ist es, festzulegen, was für eine Art von Dirty Data vorliegt. Grob unterscheidet man unter folgenden Typen:
Es gibt viele Ursachen für eine schlechte Datenqualität. Das Hauptproblem in den meisten Fällen ist dem Menschen zu verschulden. Tippfehler, die Eingabe falscher Werte oder das Eintragen von Duplikaten - die Liste ist lang.
Daneben gibt es aber auch Herausforderungen in der IT-Architektur. Wenn die unterschiedlichen Hardware- und Softwareplattformen und -lösungen nicht richtig zusammenarbeiten, können Probleme bei der Datenverarbeitung und -speicherung auftreten. Ausserdem müssen regelmässig Updates durchgeführt werden, da es sonst zu Konsistenzfehlern kommen kann.
Im Data-Science-Bereich wird schon seit einiger Zeit die Redewendung „Garbage In, Garbage Out” verwendet, was bedeutet, dass egal wie genau das System arbeitet, wenn die Daten, die eingegeben werden, nicht richtig sind, wird auch das Ergebnis falsch sein.
Dass eine schlechte Datenqualität Auswirkungen auf den Unternehmenserfolg haben, ist natürlich kein Wunder. Es mag jedoch eine sehr viel grössere Challenge sein, als manche glauben würden.
In der folgenden Statistik wird dargestellt, was für Unternehmen, die Führende im Bereich Datenmanagement und Analytik sind, im Jahr 2021 die grössten Herausforderungen bei der Nutzung von Daten zur Steigerung des Geschäftswerts waren.
An zweiter Stelle, mit 39%, liegt die Datenqualität. Eine schlechte Qualität kann nämlich Auswirkungen in mehreren unterschiedlichen Bereichen bewirken, diese sind: Zeit & Ressourcen, Glaubwürdigkeit und die finanzielle Situation. Hierbei gibt es mehrere Szenarien, die mit einer hohen Wahrscheinlichkeit auftreten könnten, wenn Sie sich nicht um eine gute Datenqualität kümmern, und zwar:
Quelle: Experian, MIT, Gartner
Um grob sagen zu können, wie hoch die Kosten für schlechte Datenqualität sind, haben Yu Sang Chang und George Labovitz in den frühen 1990er Jahren die „1-10-100-Regel” entwickelt. Diese teilt die Kosten in drei Kernphasen auf: Prävention, Behebung und Versagen.
Die Prävention schlechter Datenqualität kostet in diesem Falle 1$. Das ist der Preis dafür, die Genauigkeit der Daten zum Zeitpunkt der Erfassung sicherzustellen.
Wenn zu einem späteren Zeitpunkt die schlechte Datenqualität behoben werden muss, kostet dies 10$. Die anstehenden Geschäftsentscheidungen müssen vorerst auf Eis gelegt werden, bis die Daten wieder korrekt sind. Dadurch kann es auch vorkommen, dass frühere Entscheidungen in Frage gestellt werden müssen, da sie auf Dirty Data beruhen.
Laut der „1-10-100-Regel” kostet es 100$, wenn gegen Dirty Data nichts unternommen wird. Im Unternehmen gibt es keine Systeme oder Prozesse, die eine vollständige Genauigkeit gewährleisten können. Es ist nur eine Frage der Zeit, bis Umsatz und Gewinn sinken, die Kunden das Vertrauen verlieren und die Mitarbeiter frustriert sind. Und das alles nur, weil man sich zu Beginn nicht um die Datenqualität kümmern wollte.
Eine Gartner-Studie besagt, dass etwa 40 Prozent der Unternehmensdaten als Dirty Data bezeichnet werden können. Bei einem Datenbestand von beispielsweise 100'000, würde das nach der „1-10-100-Regel” Kosten von 4.000.000$ verursachen, wenn man das Vorkommen von Dirty Data nicht frühzeitig mindert.
Die vorigen Punkte zeigen, wie wichtig es ist, dass die Genauigkeit der Daten stets aktuell ist. Eine gute Datenqualität ist nicht nur mit der Vermeidung von Risiken verbunden, sondern kann Ihnen auch Vorteile bringen. Hochwertige Daten helfen Ihnen nämlich dabei, Erkenntnisse zu gewinnen um dadurch mit Ihren Kunden in Kontakt zu bleiben. Sie können effektive Marketingstrategien entwickeln und die Loyalität des Kunden stärken.
Daneben kann viel Zeit eingespart werden und die Produktivität der Mitarbeiter gesteigert werden. Durch regelmässige und konsequente Prüfungen der Daten, kann Kundenvertrauen gewonnen und fundierte Geschäftsentscheidungen getroffen werden.
