Der effiziente Einsatz proaktiver und reaktiver Datenqualitätsmaßnahmen - Ein modellbasierter Ansatz und seine Anwendung bei einem Finanzdienstleister

Abstract

In vielen Großunternehmungen werden jährlich Millionen für Maßnahmen zur Verbesserung der Datenqualität (DQ) ausgegeben, wobei überwiegend in reaktive Datenqualitätsmaßnahmen (DQM) investiert wird (beispielsweise die Prüfung auf Adressfehler mit Hilfe von Assoziationsregeln). Hierbei werden oftmals die Größe einer existierenden Datenbasis und deren schlechte DQ als ausschlaggebende Kriterien für eine DQ-Investition angeführt. Sie lassen sich jedoch - so zeigen die Ergebnisse des Beitrags - nicht bestätigen. Vielmehr muss wegen der Charakteristik der reaktiven DQM beispielsweise je Datenattribut und Assoziationsregel entschieden werden, ob diese einen positiven Grenzbeitrag leisten. Entsteht ein solcher Beitrag nicht, so sind selbst bei einer großen, zu sichernden Datenmenge reaktive DQM nicht zu ergreifen. Daneben sind die heute noch stark vernachlässigten proaktiven DQM wegen ihres Multiplikatoreffekts den reaktiven DQM unter sonst gleichen Voraussetzungen sogar vorzuziehen. Proaktive DQM setzen unmittelbar bei der Datenerfassung an (zum Beispiel im Kundengespräch) und erlauben somit nach der Qualitätssicherung die Daten direkt wieder für eine bessere Beratung zu nutzen. Jedoch bergen DQM, insbesondere proaktive Maßnahmen, aufgrund ihrer speziellen, zeitverzögerten Wirkung die Gefahr einer Fehlinvestition. Große DQProjekte mit der in der Praxis oftmals genannten Zielsetzung schnell eine hohe Qualität realisieren zu wollen, sind unter diesem Aspekt nicht sinnvoll.