Historische gewachsene Inselwelten am Weg zum konzernweiten Informations-Füllhorn

Daten sind das Gold der heutigen Unternehmenswelt. Egal ob Big Data, Advanced Business Analytics oder auch Produktionssteuerung via IoT (Internet of Things) – nahezu jeder technologische Pfad im Rahmen der digitalen Transformation baut auf Daten auf. Und diese finden sich in vielen Unternehmen mittlerweile in einer Vielzahl von Systemen. Doch genau hier beginnt auch die Herausforderung.

Die Daten befinden sich üblicherweise in verschiedenen, oftmals isolierten System-Inseln. Genau diese Insellandschaft wird dabei zum Problem, da jedes der Systeme eigene Konventionen und Regeln hat. Eine unternehmensweite, einheitliche Verwaltung und Nutzung der Daten ist so nicht möglich. Diese Problemstellung ist zugleich Herausforderung und Chance. Denn faktisch jedes Unternehmen vom gehobenen Mittelstand bis hin zum Konzern verfügt mittlerweile über eine umfangreiche Business Intelligence-Landschaft. Dabei ist es unerheblich, ob diese primär mit Hilfe von Excel, als relationales Data Warehouse mit eher starren Berichten oder als multidimensionales analytisches Modell mit flexibleren Front-Ends ausgestaltet ist.

Den meisten Lösungen ist jedenfalls gemein, dass sie historisch gewachsen sind, die Teilbereiche durch Einzelinitiativen entstanden sind und die Lösungen unterschiedliche Technologien beinhalten. Zudem erreichen zahllose größere, umfangreichere Systeme in absehbarer Zeit ihr „End-of-Life“. Die meisten Teilbereiche sind darüber hinaus nicht kompatibel, sodass die Informationen nicht die benötigten Abhängigkeiten aufzeigen beziehungsweise nicht ineinander überleitbar sind. Hinzu kommt häufig, dass die Protagonisten der bestehenden „alten“ Systeme das Unternehmen bereits verlassen haben oder aus Altersgründen bald verlassen werden.

Die vermeintliche Lösung ist schnell gefunden – in Form eines Konzern-Data Ware House (DWH), doch leider führt dies nicht selten zu weiteren Komplikationen. Ein häufig auftretendes und zumeist übersehenes Problem ist der Umgang mit Stammdaten und deren Übertragung in das neue System. Die Ursache ist, dass gleichartige Stammdaten in unterschiedlichen Systemen vorhanden, manchmal voneinander abgeleitet und unterschiedlich weiterentwickelt sind.

Am Beispiel von Kundenstammdaten lässt sich dies gut veranschaulichen: Nach der Initial-Befüllung des ERP-Systems mit CRM-Daten führt die anschließend weiterhin getrennte Pflege des Kundenstamms in CRM und ERP zu neuerlichen Dateninkonsistenzen. Manchmal entstehen diese Stammdaten sogar komplett unabhängig voneinander und führen in der Folge ein heimliches Doppelleben in den verschiedenen Systemen.

Beispiele, wie ein „Daten-Doppelleben“ in Unternehmen entstehen kann:

• Ein Kunde wird in zwei ERP-Systemen eines Konzerns geführt
• Ein Kunde wird im CRM und im Webshop-System geführt
• Artikel von ein und demselben Lieferanten sind in mehreren Systemen unterschiedlich angelegt.

Die massivste Auswirkung im Informationsbereich liegt dabei auf der Hand: Auswertungen, Berichte und Analysen sind nicht homogen. Gleiches ist nicht mit Gleichem vergleichbar. Das Problem wird dadurch institutionalisiert, dass (nur) eine der oben genannten Lösungen aufgegriffen und professionalisiert wird. Das im Kern zugrunde liegende Problem eines unzureichenden Stammdatenmanagement (MDM) wird in diesem Zusammenhang zwar gerne angesprochen, aufgrund der Komplexität zumeist aber nicht wirklich gelöst.

Die banale Antwort auf die oben aufgeworfenen Problemstellungen ist es, das Data Warehouse als „Enterprise Data Warehouse“ der 2. Konzeptionsgeneration zu begreifen und entsprechend umzusetzen. Mit „2. Generation“ ist dabei weniger gemeint, dass neue Technologien wie etwa In-Memory, Cloud und ähnliches mehr zum Einsatz kommen müssen. Sondern, dass die richtige Idee konsequent umgesetzt wird. Denn: Ein Data Warehouse kann nur dann wirklich gut sein, wenn die beiden Komponenten „Fakten“ (Bewegungsdaten) und „Dimensionen“ (Stammdaten) die gleiche Aufmerksamkeit erfahren, jedoch unterschiedlich konzipiert werden.

Während Bewegungsdaten typischerweise direkt aus unterschiedlichen operativen Systemen in ein BI-DWH geladen werden, sollten im Interesse einer möglichst umfassenden BI-Sicht idealerweise nur solche Stammdaten verwendet werden, die mittels MDM systemübergreifend harmonisiert wurden. Dann – und nur dann – ist es möglich, aus den Daten in den verschiedenen Systemen den maximalen Informationswert zu gewinnen.

Die dafür erforderliche Verbesserung von Stammdatenpflege, -harmonisierung und -qualität muss jedoch nicht zwangsläufig schon vor Beginn eines BI-Projekts gewährleistet sein, sondern kann auch bei einem bereits vorhandenen DWH „Schritt für Schritt“ realisiert werden. Der Ansatz, eine professionelle MDM-Systematik einzuführen, hat jedenfalls eine Vielzahl von positiven Effekten.

Drei wesentliche Vorteile eines professionellen MDM:

• MDM ist keine einmalige Bereinigung („Duplicate Cleansing“) und Zuordnung („Duplicate Mapping“) von Stammdaten. Es ist vielmehr ein darauf aufsetzender, permanenter Prozess, der die Qualität der Stammdaten auf Dauer sicherstellt.
• Saubere Stammdaten dienen nicht nur Informationszwecken, sondern tragen darüber hinaus signifikant zur Effizienz der betrieblichen Prozesse (wie etwa Logistik und Produktion) bei.
• Weiters erleichtern optimierte Stammdaten auch die Anpassung von bestehenden Lösungen bzw. deren Ausrollung in andere Bereiche wie z.B. andere Produktionsstätten.