Datenqualitätsmanagement
Bewertung von Investitionsvorhaben zur Verbesserung der Stammdatenqualität

Thomas Schäffer und Christian Leyh

Stammdaten bilden die Grundlage der digitalen Wirtschaft. Die Bereitstellung eines angemessenen Maßes an Stammdatenqualität ist eine entscheidende Voraussetzung für effiziente Geschäftsprozesse in und zwischen Unternehmen. Auch haben Geschäftsführer mittlerweile den Zusammenhang zwischen Datenqualität und Rentabilität erkannt, jedoch fehlt es an konkretem Nutzenpotential, um eine entsprechende Datenqualitäts-Unternehmenskultur in Form eines Datenqualitätsmanagements aufzubauen und mit entsprechenden Ressourcen auszustatten. Daraus leitet sich ein hoher Bedarf für eine quantifizierbare Kosten-Nutzen-Berechnung für Vorhaben zur Verbesserung der Datenqualität ab. Dies aufgreifend präsentiert der vorliegende Beitrag einen Ansatz für ein Analyse- und Berechnungsmodell zur Bewertung von Datenqualitätsmanagement-Investitionen und gibt Impulse zur Ermittlung des Wertbeitrags.

Das starke und vor allem schnelle Voranschreiten der Digitalisierung in Wirtschaft und Gesellschaft erfordert drastische Veränderungen in Unternehmen. Daher stehen Unternehmen aktuell genau vor der Herausforderung, wie und in welchem Umfang die Digitalisierung das Unternehmen an sich beeinflusst und verändert. Meist ist dies auch für viele Unternehmen verbunden mit dem Schlagwort „Industrie 4.0“ [1, 2]. Dabei kann unter Industrie 4.0 der Wandel von einer zentralen hin zu einer sich selbst steuernden flexiblen Produktion, in der Produkte und Systeme sowie alle Prozessschritte des Engineerings digitalisiert sind und untereinander vernetzt Informationen bzw. Daten austauschen, verstanden werden [3]. Diese Vernetzung innerhalb des Unternehmens und auch über die Unternehmensgrenzen hinweg wird auch in Zukunft stetig wachsen, wie dies in verschiedenen Studien dargelegt wird (siehe z. B. BDI-Studie [4]). Daraus resultiert eine Verschiebung von starren Wertschöpfungsketten hin zu dynamischen Wertschöpfungsnetzwerken.
Dies aufgreifend sind vor allem Stammdaten und deren Qualität für den Informationsaustausch innerhalb von Wertschöpfungsnetzwerken von essentieller Bedeutung und ihre Bedeutung wird im Rahmen der Voranschreitenden Digitalisierung immer weiter zunehmen. Somit bilden heutzutage Stammdaten mehr denn je die Grundlage der digitalen Wirtschaft [5, 6]. Der Begriff der Stammdaten bezieht sich dabei auf kritische Geschäftsobjekte eines Unternehmens und beschreibt Produkte, Lieferanten, Kunden, Mitarbeiter und ähnliche Gegenstände, die nur selten Änderungen erfahren [7]. Wohingegen die Datenqualität ein Maß für die Eignung der Daten für spezifische Anforderungen in Geschäftsprozessen, in denen sie verwendet werden, ist. Oft wird Datenqualität auch mit dem Begriff “fitness for use” assoziiert [8].
Laut der Trendstudie Stammdatenqualität aus dem Jahr 2016 sind 79% der Unternehmen der Meinung, dass eine schlechte Stammdatenqualität sich stark bis sehr stark auf die Rentabilität im Unternehmen auswirkt [9]. Jedoch ist eine hohe Qualität in Verbindung mit einer umfangreichen Bewirtschaftung der Stammdaten selten gegeben. So sehen 84% der Unternehmen einen hohen bis sehr hohen Aufwand zur Sicherstellung der Stammdatenqualität und lediglich 11% der Unternehmen geben an, dass das Budget für die Umsetzung von Qualitätsmaßnahmen in ausreichendem Maße zur Verfügung steht. Überraschenderweise konstatieren Geschäftsführer den direkten Zusammenhang zwischen Qualität und Rentabilität, aber dennoch werden die entsprechenden Investitionen nicht getätigt. Als wesentlicher Grund wird eine fehlende Wirtschaftlichkeitsbetrachtung angeführt, die das konkrete Nutzenpotential eines derartigen Investitionsvorhabens zur Verbesserung der Stammdatenqualität quantifiziert und somit auch „rechtfertigt“ [9, 10].
Dies belegt ferner die Korrelation der Fragestellungen „Kosten infolge schlechter Stammdatenqualität“ (Bild 1) und „Nutzung von Investitionsrechenverfahren“ [9]: 64% der Unternehmen beziffern die Kosten infolge schlechter Stammdatenqualität mit konkreten Summen, jedoch setzen von diesen 58 Unternehmen nur 43% Unternehmen ein systematisches Investitionsrechenverfahren für die Ermittlung ein. Dies bedeutet im Umkehrschluss, dass 57% dieser Unternehmen die Kosten in der Tat (vermutlich nach Bauchgefühl) lediglich geschätzt haben [9]. 
 


Bild 1: Einschätzung der Kosten infolge schlechter
Stammdatenqualität in Unternehmen (n=91) [9]

Dies genauer betrachtend, ergab eine systematische Literaturrecherche, dass es zwar zahlreiche Modelle für Investitionsberechnungen für IT-Projekte gibt, jedoch nur wenige dieser Modelle im das Themengebiet des Datenqualitätsmanagements (DQM) adressieren. Insbesondere fehlt es an einem „easy-to-use“ Berechnungsmodell für Praktiker, mit dessen Hilfe DQM-Investitionsvorhaben bewertet werden können – zur Feststellung, ob diese Vorhaben wirtschaftlich vorteilhaft, neutral oder nicht vorteilhaft sind.
Diesen Aspekt aufgreifend wurde im Rahmen eines Forschungsprojekts folgende zentrale Frage beantwortet: Wie muss ein Analyse- und Berechnungsmodell zur Investitionsbewertung eines unternehmensweiten Datenqualitätsmanagements gestaltet sein?
Im Zuge der Beantwortung dieser Frage wurde das Analyse- und Berechnungsmodell ALADDIN (AnaLysis and cAlculation moDel for the assessment of Data quality management INvestments) zur Bewertung von Investitionsprojekten im Bereich des Datenqualitätsmanagements entwickelt. Das Instrumentarium von ALADDIN wird im Folgenden erläutert und auch dessen Anwendung anhand eines konkreten Fallbeispiels dargelegt.

Entwicklung des Analyse- und Berechnungsmodells
Die Vorgehensweise im Forschungsprojekt kann dabei in drei Phasen unterteilt werden: Analyse, Entwurf und Evaluation (Bild 2). Auf die Evaluationsphase wird dabei in Kapitel 3 beispielhaft durch die Anwendung des Modells eingegangen.
Die Entwicklung des Analyse- und Berechnungsmodells im Speziellen folgte den Grundsätzen der konstruktionsorientierten Forschung (Design Science) und basiert auf den sieben Richtlinien (R) nach Hevner et al. [11]: R1: Artefakte als Designergebnis; R2: Problemrelevanz; R3: Evaluation; R4: Forschungsbeitrag; R5: Stringenz der Forschungsmethode; R6: Design als Suchprozess; R7: Kommunikation der Forschungsergebnisse.


Bild 2: Vorgehensweise zur Entwicklung des Analyse- und Berechnungsmodells

Analysephase
In der Analysephase wurden zwei Gestaltungselemente untersucht: (1) sekundäre Wirtschaftlichkeitsfaktoren und Vorgehensweise bei IT-Investitionen und (2) Primäre Wirtschaftlichkeitsfaktoren für ein Datenqualitätsmanagement.
Die Leitfragen zur Untersuchung von Gestaltungselement (1) waren:

  • Welche Merkmale charakterisieren typischerweise ein Investitionsvorhaben?
  • Welche Wirtschaftlichkeitsfaktoren sind bei einer Investitionsrechnung zu berücksichtigen?

Investitionen lassen sich anhand von fünf Merkmalen charakterisieren [12, 13]: a) Ziel und Zweck; b) Investitionsarten; c) Verfahren zur Bewertung von Investitionen; d) Kalkulationszinssatz; e) Verfahren zur Risikoberücksichtigung. Dabei haben im Allgemeinen Investitionen die Eigenschaften, dass sie das Volumen der „üblichen Tagesausgaben“ übersteigen; dass sie geplant werden und einem klar festgelegten Ziel dienen; dass ein Nutzen damit verbunden ist; dass die Einnahmen- und Ausgabenströme von Investitionsvorhaben unregelmäßig über die gesamte Investitions- bzw. Nutzungsdauer verteilt sind.
Speziell für IT-Investitionen gilt es, den Wertbeitrag darzulegen und die wirtschaftliche Vorteilhaftigkeit ihrer Investitionen und Projekte nachzuweisen. Die identifizierten sekundären Wirtschaftlichkeitsfaktoren sind: Zeithorizont, Terminierung, Steuersatz, Inflationsrate, Abschreibungsmethode, Abschreibungsdauer, Zahlungszeitpunkt und Kalkulationszinsfuß  [14].
 
Die Leitfragen zur Untersuchung von Gestaltungselement (2) waren:

  • Welche primären Wirtschaftlichkeitsfaktoren für ein DQM-Vorhaben sind zu erheben?
  • Wie lassen sich Kosten und Nutzen aufgrund mangelhafter Datenqualität klassifizieren?

Die primären Wirtschaftlichkeitsfaktoren eines Datenqualitätsmanagements sind im Wesentlichen: Datenqualitätskosten und fachliche Nutzenpotentiale [15]. Dabei lassen sich die Kosten wie folgt aufteilen: Kosten schlechter Datenqualität (z. B. Kosten für Verifikation und Korrektur der Daten) bzw. Kosten für die Verbesserung der Datenqualität (Präventions-, Entdeckungs- und Korrekturkosten). Für die Nutzenpotenziale kann zwischen strategischem (z. B. Wettbewerbsvorteile, Kundenzufriedenheit, etc.) und operativem Nutzen (z. B. verkürzte Prozessdurchlaufzeiten, etc.) unterschieden werden. Ferner lassen sich indirekte Kosten infolge mangelhafter Stammdatenqualität (z. B. Umsatzeinbußen, Verschwendung von Budgets, Fehlentscheidungen, Imageverlust, gerichtliche Auseinandersetzungen, etc.) als Nutzenpotentiale ausfassen. Generell gilt für die Investitionsbewertung eines unternehmensweiten Datenqualitätsmanagements die Maßgabe „fitness for use“ [8]. Das bedeutet, dass die Wirtschaftlichkeitsfaktoren abhängig vom Geschäftsprozess, den zugehörigen Stammdatenobjekten und den zuständigen Funktionsbereichen im Unternehmen zu definieren und erheben sind.

Entwurfsphase
Aus der Analysephase konnten für die Entwurfsphase insgesamt elf Funktionsanforderungen zur Konstruktion eines dynamischen Analyse- und Berechnungsinstruments herausgearbeitet werden. Im Wesentlichen zählen dazu eine Excel-basierte Software zur umfangreichen Auswertung, Implementierung von drei Investitionsrechenverfahren bzw. zwei Verfahren zur Risikobewertung, Berücksichtigung von Preissteigerungen und Steuern, Grafische Aufbereitung der Zahlungsreihen und Ergebnisse, automatisierte Investitionsbewertung durch Entscheidungsregeln mit Gewichtungsfaktoren, flexible Parametereingabe von allen wichtigen Wirtschaftlichkeitsfaktoren und Ermittlung des optimalen Zeitpunkts.
Die Gesamtarchitektur des Analyse- und Berechnungsmodells besteht aus den drei Hauptkomponenten Kostenmodell, Nutzenmodell und Wirtschaftlichkeitsmodell (Bild 3).


Bild 3: Gesamtarchitektur des Analyse- und Berechnungsmodells

In unserem Modell wurde der Wertbeitrag eines Investitionsvorhabens in Anlehnung an ein wertorientiertes Portfoliomanagement [16] abgebildet. Dabei wird das Investitionsvorhaben der Dimension Profitabilität in Abhängigkeit vom Kapitalwert und der Dimension Wertbeitragsrisiko in Abhängigkeit von der Sensitivitätsanalyse (Dreifach-Rechnung, Zielgrößen-Änderungsrechnung und Kritische-Werte-Rechnung) zugeordnet. Ferner wird das Investitionsvorhaben in drei Berechnungsvarianten ins Investitionsportfolio eingezeichnet: mit Ausgangsdaten, mit Preissteigerung und unter Berücksichtigung der Steuern. Somit erkennt das „investitionswillige“ Unternehmen auf einen Blick, ob das Investitionsvorhaben ein Werterzeuger, Wertabschmelzer, Wertaufholer, Wertzerstörer [16] oder eben noch vorteilhaft (neutral) ist.

Beispielhafte Anwendung: Bewertung einer Datenqualitätsmanagement-Investition
Das Ziel der Evaluationsphase bestand darin, eine Bewertung mittels des Analyse- und Bewertungsmodells anhand einer beispielhaften DQM-Investition durchzuführen. Die Leitfragen zur Evaluation des Modells waren:

  • Erfüllt das Instrumentarium die Anforderungen und ist somit eine Investitionsbewertung durchführbar?
  • Welcher Erkenntnisgewinn kann draus abgeleitet werden?

Das Geschäftsszenario beinhaltet ein Versandhandelsunternehmen (ein real existierender Fall), das halbjährig die neue Kollektion per Printkatalog an seine Interessenten und Kunden per Post versendet. Ziel der Kampagne ist es, Neukunden zu einer Erstbestellung und Bestandskunden zum Cross-Selling zu gewinnen. Zur Vermeidung unnötiger Druck-, Versand- bzw. Folgekosten aufgrund schlechter Adressdaten (Dubletten oder veraltete Adressen) soll der Adressbestand durch ein zu etablierendes unternehmensweites DQM geprüft und bereinigt werden. Die dafür notwenigen Investitionskosten für das DQM sind durch quantifizierbare Nutzenpotentiale (beispielsweise durch Kostenreduktion bzw. Erlössteigerung) auszugleichen.

Zur Bewertung des Wertbeitrags der DQM-Investition wurden zunächst die primären Wirtschaftlichkeitsfaktoren eines Kampagnenprozesses mittels Literaturanalyse und Fallstudie ermittelt.

Dabei ergaben sich folgende Faktoren: Adressvolumen; Quoten zu fehlerhaften Adressdaten; Externe/interne Mailing-Kosten; Interne Aufwände aufgrund schlechter Datenqualität; Umsatzzuwächse (Neu und Cross-Selling); Validierungs- und Bereinigungskosten je Datensatz.
Diese Faktoren wurden als parametrisierte Grundannahmen in das Kosten- und Nutzenmodell übertragen. Ferner erfolgte die Festlegung der sekundären Wirtschaftlichkeitsfaktoren (wie bspw. mittelfristige Investition, abruptes Ende, lineare Abschreibung, etc.), die ebenfalls als parametrisierte Grundannahmen in das Wirtschaftlichkeitsmodell übertragen wurden. Bild 4 zeigt das Dashboard mit flexibler Parametereingabe zur Simulation und Bewertung einer DQM-Investition. Ferner ist das Rechenergebnis, der Wertbeitrag im Investitionsportfolio und die automatisierte Investitionsempfehlung enthalten.


Bild 4: Dashboard zur Investitionsbewertung eines Geschäftsszenarios

Die Erkenntnisse der Evaluation zeigen, dass das Analyse- und Berechnungsmodell grundsätzlich die Bewertung eines Investitionsvorhabens im Thema Datenqualitätsmanagement ermöglicht und als Entscheidungsunterstützung eingesetzt werden kann. Durch den modularen Aufbau und der Parametrisierung des Analyse- und Berechnungsmodells ist eine schnelle Anpassung und flexible Investitionsrechnung eines spezifischen Geschäftsszenarios möglich. Einen wesentlichen Erfolgsfaktor und zugleich größte Schwierigkeit stellt die Bestimmung der primären Wirtschaftlichkeitsfaktoren dar. Für die Anwendung im Unternehmen sind deshalb alle beteiligten Funktionsbereiche zu involvieren. Als weiteren wichtigen Evaluationsschritt gilt es nun, die Handhabbarkeit des Analyse- und Berechnungsinstruments in der Praxis zu prüfen und dabei weitere Funktionsanforderungen aufzunehmen.

Fazit und Ausblick
Im Zuge der Digitalisierung bilden Stammdaten eine grundlegende Ressource, die entsprechend bewirtschaftet werden müssen, nach Zeit,- Kosten- und vor allem Qualitätsgesichtspunkten [6]. Ein etabliertes und gut funktionierendes Datenqualitätsmanagement (DQM) leistet somit einen wichtigen Wertbeitrag zum Unternehmenserfolg. Vielen Unternehmen gelingt es jedoch nicht, dieses Potential vollständig auszuschöpfen, da Investitionen nicht im ausreichenden Maße getätigt werden [5, 9, 10]. Konkurrierende Investitionsvorhaben jeglicher Art fordern eine plausible Kosten-Nutzen-Argumentation, die gerade für eine DQM-Investition Schwierigkeiten bereitet. Als eine mögliche Lösung dieses Problems kann unser Analyse- und Berechnungsmodell ALADDIN eingesetzt werden, das die Unternehmen befähigt, eine gezielte Kosten-Nutzen-Analyse für DQM-Maßnahmen durchzuführen und somit die wirtschaftliche Vorteilhaftigkeit einer DQM-Investition zu ermitteln.
Bei der Entwicklung des Modells konnten folgende Erkenntnisse gesammelt werden, die in der Anwendung zu berücksichtigen sind:

  • Datenqualität im Speziellen ist kontextabhängig und erfordert je Kombination aus Geschäftsprozess, Funktionsbereiche und Datenobjekte eine spezifische Kosten-Nutzen-Analyse. Erst die Summe aller Einzelinvestitionsrechnungen lässt auf die wirtschaftliche Vorteilhaftigkeit der Investition eines innerbetrieblichen DQM schließen.
  • Ein wesentlicher Erfolgsfaktor für eine Investitionsrechnung ist die umfangreiche Analyse von Wirtschaftlichkeitsfaktoren. Hierzu kann massiv die Geschäftsleitung durch entsprechende Anweisungen unterstützen.
  • Eine Risikobewertung sowie die Definition eines Geschäftsszenarios sind essentielle Bestandteile einer vollumfänglichen Investitionsbewertung und dienen der Nutzenargumentation für das Investitionsvorhaben.

Insgesamt bietet das Analyse- und Berechnungsmodell zur Investitionsbewertung einen weiteren wichtigen Erkenntnisgewinn für ein wertorientiertes Datenqualitätsmanagement und gibt Impulse für zukünftige Forschungsaktivitäten unter Verwendung von interdisziplinären Ansätzen aus Betriebswirtschaftslehre und Informatik. Daraus ergeben sich Leitfragen, die durch weitere Forschungsaktivitäten zu beantworten sind:

  • Welche präventiven Maßnahmen reduzieren die Korrektur-Maßnahmen von schlechten Daten und wie lassen sich diese quantifizieren?
  • Welchen Wertbeitrag kann die Datenqualität insgesamt für ein Unternehmen leisten?
  • Wie viel „Datenqualität“ muss ein Unternehmen überhaupt aufbringen?

 

Schlüsselwörter:

Datenqualität, Informationsmanagement, Investitionsrechnung, Kosten-Nutzen-Analyse, Stammdaten, Wertbeitrag, Wirtschaftlichkeitsfaktoren

Literatur:

[1] Bley, K., Leyh, C., Schäffer, T.: Digitization of German Enterprises in the Production Sector – Do they know how “digitized” they are? In: AMCIS 2016 Proceedings, 2016.
[2] Leyh, C., Bley, K.: Digitalisierung. Chance oder Risiko für den deutschen Mittelstand? – Eine Studie ausgewählter Unternehmen. HMD 53, 29–41, 2016.
[3] Leyh, C., Schäffer, T., Bley, K., Forstenhäusler, S.: Assessing the IT and Software Landscapes of Industry 4.0-Enterprises: The Maturity Model SIMMI 4.0. Cham, 2017.
[4] Bloching, B., Leutiger, P., Oltmanns, T., Rossbach, C., Schlick, T., Remane, G., Quick, P., Shafranyuk, O.: Die digitale Transformation der Industrie. München, 2015.
[5] Schäffer, T., Leyh, C.: Master Data Quality in the Era of Digitization - Toward Inter-organizational Master Data Quality in Value Networks: A Problem Identification. Cham, 2017.
[6] Otto, B., Österle, H.: Corporate Data Quality. Voraussetzung erfolgreicher Geschäftsmodelle. Heidelberg, 2016.
[7] Loshin, D.: Master Data Management. Morgan Kaufmann, Amsterdam, 2008.
[8] Wang, R.Y., Strong, D.M.: Beyond Accuracy: What Data Quality Means to Data Consumers. Journal of Management Information Systems 12, 5–33, 1996.
[9] Schäffer, T., Beckmann, H.: Trendstudie Stammdatenqualität 2016. Stuttgart, 2016,
[10] Schäffer, T., Beckmann, H.: Trendstudie Stammdatenqualität 2013. Stuttgart, 2014.
[11] Hevner, A.R., March, S.T., Park, J., Ram, S.: Design Science in Information Systems Research 28, 75–105, 2004.
[12] Däumler, K.-D., Grabe, J.: Anwendung von Investitionsrechnungsverfahren in der Praxis. Herne, 2010.
[13] Grabe, J., Däumler, K.-D.: Grundlagen der Investitions- und Wirtschaftlichkeitsrechnung. Herne, 2014.
[14] Brugger, R.: Der IT Business Case. Kosten erfassen und analysieren Nutzen erkennen und quantifizieren Wirtschaftlichkeit nachweisen und realisieren. Heidelberg, 2005.
[15] Eppler, M.J., Helfert, M.: A Classifikation and Analysis of Data Quality Costs. In: ICIQ 2004 Proceedings, 2004.
[16] Dillerup, R., Stoi, R.: Unternehmensführung. München, 2013.