2. Qualitätskriterien definieren

Jedes Unternehmen und jeder Prozess stellt andere Anforderungen an die benötigten Daten. Gilt ein Produktdatensatz erst dann als vollständig, wenn ein Bild zum Produkt vorhanden ist oder kann man auf das Bild verzichten? Oder wenn die Beschreibung auch übersetzt ist? Erst mit solchen Regeln lässt sich ein Datenbestand bewerten. Danach ist festzulegen, wie mit Mängeln zu verfahren ist.

4. Archivieren 

In vielen Datenbanken sind Teile der Datensätze veraltet oder aus anderen Gründen nicht mehr notwendig. Unternehmen sollten daher prüfen, ob im Tagesgeschäft nicht mehr benötigte Daten archiviert werden können. Dies natürlich unter Einhaltung von Nachweispflichten gegenüber Kunden und Behörden. 

5. Datenfluss automatisieren

Mithilfe von Workflows lassen sich Daten aus verschiedenen Abteilungen zusammentragen und sogar automatisiert erfassen. Wird etwa im Vertrieb ein neuer Kunde mit seinen Stammdaten angelegt, kann die Debitorenbuchhaltung automatisch aufgefordert werden, die Kreditwürdigkeit zu prüfen. Gleichzeitig erhält ein Mitarbeiter in der Finanzbuchhaltung die Aufgabe, den Kontenstamm zu vervollständigen. Ist beides erledigt, geht eine Benachrichtigung an den für Kreditlimits zuständigen Mitarbeiter. Daher lohnt es sich, zu prüfen, welche Schritte über Workflows abgebildet werden können. 

6. Mitarbeiter schulen

Datenqualität lässt sich nicht ausschließlich mit technischen Mitteln erreichen. Manche Regeln müssen die Menschen ohne digitale Unterstützung einhalten. Dazu gehören etwa Vorgaben für einheitliche Schreibweisen, wie beispielsweise, ob bei Adressen das Wort „Straße“ ausgeschrieben oder mit „Str.“ abgekürzt wird. Damit solche Festlegungen in der Hektik des Tagesgeschäfts nicht untergehen, sollten Mitarbeiter in festen Zeitabständen erinnert oder geschult werden. Schulungen erhöhen auch das Bewusstsein bei den Mitarbeitern für die Bedeutung der Datenqualität.

7. Regelmäßige Datenqualitätsprüfungen etablieren

Qualitätskontrollen und Datenbereinigungen müssen in regelmäßigen Abständen wiederholt werden. Dabei unterstützen integrierte Data-Mining-Tools wie der proALPHA Analyzer oder auf Datenqualität spezialisierte Werkzeuge wie InfoZoom Data Quality.

Die Praxis zeigt: Schon einfache Maßnahmen können große Wirkung entfalten. So sinken die Kosten, die auf Datenfehler zurückgehen, spürbar. Unternehmen können, wenn sie ihre Daten im Griff haben, schneller wachsen und höhere Umsätze erzielen. Laut der Studie „Datenqualität und -management. Trends 2016“ kann dieser Umsatzzuwachs durch saubere Daten bis zu 29 Prozent betragen.  Damit amortisieren sich die letztlich überschaubaren Investitionen in den Daten-Hausputz quasi im Handumdrehen.