Knut Hildebrand | Marcus Gebauer | Holger Hinrichs | Michael Mielke (Hrsg.) Daten- und Informationsqualität Knut Hild...

Author: Knut Hildebrand | Marcus Gebauer | Holger Hinrichs | Michael Mielke

268 downloads 4101 Views 7MB Size Report

This content was uploaded by our users and we assume good faith they have the permission to share this book. If you own the copyright to this book and it is wrongfully on our website, we offer a simple DMCA procedure to remove your content from our site. Start by pressing the button below!

Report copyright / DMCA form

DOWNLOAD PDF

Knut Hildebrand | Marcus Gebauer | Holger Hinrichs | Michael Mielke (Hrsg.) Daten- und Informationsqualität

Knut Hildebrand | Marcus Gebauer | Holger Hinrichs | Michael Mielke (Hrsg.)

Daten- und Informationsqualität Auf dem Weg zur Information Excellence 2., aktualisierte und erweiterte Auflage Mit 113 Abbildungen PRAXIS

Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über abrufbar.

Das in diesem Werk enthaltene Programm-Material ist mit keiner Verpflichtung oder Garantie irgendeiner Art verbunden. Der Autor übernimmt infolgedessen keine Verantwortung und wird keine daraus folgende oder sonstige Haftung übernehmen, die auf irgendeine Art aus der Benutzung dieses Programm-Materials oder Teilen davon entsteht. Höchste inhaltliche und technische Qualität unserer Produkte ist unser Ziel. Bei der Produktion und Auslieferung unserer Bücher wollen wir die Umwelt schonen: Dieses Buch ist auf säurefreiem und chlorfrei gebleichtem Papier gedruckt. Die Einschweißfolie besteht aus Polyäthylen und damit aus organischen Grundstoffen, die weder bei der Herstellung noch bei der Verbrennung Schadstoffe freisetzen.

1. Auflage 2008 2., aktualisierte und erweiterte Auflage 2011 Alle Rechte vorbehalten © Vieweg +Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011 Lektorat: Christel Roß | Maren Mithöfer Vieweg+Teubner Verlag ist eine Marke von Springer Fachmedien. Springer Fachmedien ist Teil der Fachverlagsgruppe Springer Science+Business Media. www.viewegteubner.de Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Umschlaggestaltung: KünkelLopka Medienentwicklung, Heidelberg Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier Printed in Germany ISBN 978-3-8348-1453-1

Editorial Daten- und Informationsqualität ist im Zeitalter des Internet und der Informationsgesellschaft zunehmend ein entscheidender Faktor für den Erfolg eines Unternehmens. Dabei ist zu beobachten, dass Unternehmen trotz steigender Verfügbarkeit von Informationen nicht unbedingt bessere Entscheidungen treffen. Plakativ ausgedruckt: "Wenn unsere Autos die gleiche Qualität wie unsere Daten hätten, kämen die meisten nicht einmal aus der Garage." Die Beobachtung erfolgreicher Unternehmen hat gezeigt, dass der Erfolg maßgeblich vom Vertrauen der Führungskräfte in die Glaubwürdigkeit der zur Verfügung stehenden Informationen abhängt. Erfolgreiche Unternehmen entwickeln daher ihre Business Excellence zunehmend zu einer Business Information Excellence weiter. Obwohl seit Anfang der 1990er Jahre intensiv am Thema Management der Datenund Informationsqualität - IQM (Information Quality Management) - geforscht wird, ist es immer noch eine junge Disziplin. Eine Vielzahl von Publikationen, auch zu angrenzenden Themengebieten, ist bereits erschienen, vornehmlich in englischer Sprache. Erst Anfang des 21. Jahrhunderts findet das Thema mehr Beachtung im deutschen Sprachraum. Den Auftakt bildete 2002 die Entwicklung der IQ-Zertifikatskurse von Mielke und Wang, dann 2003 die erste deutsche IQMKonferenz unter Mitwirkung von Richard Wang gefolgt von offenen Round-TableMeetings, IQ-Best Practice Day, IQ-Contest, IQ-Challenge u . v. a. m. bis zur Geburtshilfe von IQM-Communities in Europa, Nord- und Südamerika und Australien / Ozeanien. Darin erkennen Sie die Bedeutung, die die deutsche IQMGemeinschaft - organisiert in der DGIQ (Deutsche Gesellschaft für Informationsund Datenqualität e.V.) - für die Entwicklung des Themas Informationsqualität mittlerweile international hat. Die Herausgeber und Autoren des vorliegenden Buches befassen sich seit vielen Jahren mit dem Thema und tragen mit ihrem Engagement zu einer lebendigen IQM-Gemeinschaft bei, die spätestens mit der ersten deutschen IQM-Konferenz im Jahr 2003 ihren Start hatte. Seitdem sind viele unserer Kollegen mit dem Wunsch nach einem deutschsprachigen Buch an uns herangetreten. Hierbei sollte der Schwerpunkt vor allem auf 'What Works', also dem Machbaren liegen, um allen Interessierten den Einstieg in das Thema Daten- und Informationsqualität so leicht

V

Editorial wie möglich zu machen. Allerdings wollten wir dabei nicht unsere Wurzeln vernachlässigen, die bei den Forschungsarbeiten von Prof. Richard Wang vom Massachusetts Institute of Technology (Cambridge, USA) liegen. So finden sich neben den Praxis-Kapiteln auch Beiträge, in denen die Grundlagenforschung im Mittelpunkt steht. Das Ergebnis unserer Bemühungen halten Sie in Ihren Händen. Gehen Sie mit uns auf eine spannende Reise durch Grundlagen, Methoden und Praxisbeispiele aus dem Themenfeld der Daten- und Informationsqualität. Die Herausgeber

Knut Hildebrand, Marcus Gebauer, Holger Hinrichs, Michael Mielke

VI

Editorial

Danksagung Dank gebührt natürlich unseren vielen Co-Autoren, die mit ihrer weitreichenden Erfahrung nicht nur die IQM-Gemeinschaft bereichern, sondern nun auch dieses Buch ermöglicht haben. Allerdings wäre nichts möglich gewesen, wenn nicht unsere Familien geduldig auch dieses Projekt mitgetragen hätten. Sie müssen uns ohnehin schon mit häufig einnehmenden Arbeitgebern teilen. Die Leidenschaft für das Thema Daten- und Informationsqualität erfordert dann nur noch um so mehr Verständnis. Danke an Euch alle. Knut Hildebrand sei an dieser Stelle ein besonderer Dank ausgesprochen. Ohne sein Antreiben wäre dieses Buch nicht möglich gewesen.

Grußwort Prof. Richard Wang It is a great honor and privilege to be part of the German monograph " Daten- und Informationsqualität ", This compendium for German readers is a rigorous introduction to information quality (IQ). When Michael Mielke invited me to write this preface, I accepted without reservation.

The field of Information Quality has witnessed significant advances over the past two decades. In 1988, Professors Stuart Madnick and Richard Wang at the Massachusetts Institute of Technology pioneered the Total Data Quality Management (TDQM) program, beginning a journey of research publications with key TDQM members such as Professors Yang Lee, Leo Pipino, and Diane Strong . An applied, multi-disciplinary field such as Information Quality demands interaction and collaboration between practitioners and researchers. As such, in 1996,the MIT TDQM program organized the first International Conference on Information Quality (ICIQ) to encourage the exchange of research ideas and results between researchers and practitioners. In 2002, the MIT Information Quality Program was established by the Center for Technology, Policy, and Industrial Development to conduct research on all aspects of Information Quality, such as managing information as a product, developing information product maps, and adopting information quality practices in organizations. In 2007, the MIT Information Quality Program launched the first Industry Symposium to further interactions and collaborations among practitioners, vendors, and academicians. In addition to presentations and workshops, the Symposium also includes vendor presentations, product announcements, and consultancy methods to complement the annual ICIQ conference.

VII

Editorial Over the years, the MIT efforts have spawned many conferences, workshops and communities, such as the SIGMOD workshops on Information Quality in Information Systems, the CAiSE workshop on Data and Information Quality, and the German Society for Information and Data Quality that organizes regular conferences, workshops and roundtable meetings. Today, researchers and practitioners have moved beyond establishing Information Quality as a field to resolving IQ problems, which range from defining, measuring, analyzing, and improving IQ to developing tools, methods, and processes for improving the quality of information. As a result, numerous IQ resources are now available for the reader to use. In the industry, vendors such as Acxiom, A.I.D. (France), Deloitte Consulting, EDS, FAST, Firstlogic, FUZZY! Informatik AG (Germany), IBM, Informatica, SAS and Serasa S.A. (Brazil) are actively promoting information quality. We as a community can be proud of what we have accomplished. I want to commend Michael Mielke and Marcus Gebauer for outstanding contributions to the Information Quality Community over the last decade. This first German book that includes "Information Quality" in its title will attract German MIS and IT academics, students, and industry people to information quality. Richard Y. Wang Cambridge, Massachusetts, USA rwangemit.edu

http://mitiq.mit.edu

VIII

Inhaltsverzeichnis A Informationsqualität – Grundlagen .......................................................................... 1 1 Was wissen wir über Information? ............................................................................... 3 Florian Engelmann, Christoph Großmann 2 Informationsqualität – Definitionen, Dimensionen und Begriffe ........................... 25 Jan P. Rohweder, Gerhard Kasten, Dirk Malzahn, Andrea Piro, Joachim Schmid B Methoden – Techniken – Tools –

Regelwerke/Standards................................. 47

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement 49 Bernd Heinrich, Mathias Klier 2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode .......... 68 Niels Weigel 3 Strukturierte Datenanalyse, Profiling und Geschäftsregeln ................................... 88 Marcus Gebauer, Ulrich Windheuser 4 Datenbereinigung zielgerichtet eingesetzt zur permanenten Datenqualitätssteigerung ............................................................................................... 102 Marcus Zwirner 5 Datenintegration und Deduplizierung .................................................................... 123 Jens Bleiholder, Joachim Schmid 6 Definition von Datenarten zur konsistenten Kommunikation im Unternehmen ........................................................................................................................................... 143 Andrea Piro, Marcus Gebauer 7 Suchmaschinen und Informationsqualität: Status quo, Problemfelder, Entwicklungstendenzen ................................................................................................. 157 Christian Maaß, Gernot Gräfe 8 Bedeutung der Informationsqualität bei Kaufentscheidungen im Internet ........ 172 Gernot Gräfe, Christian Maaß 9 Datenqualitäts-Audits in Projekten .......................................................................... 198 Marcus Gebauer, Michael Mielke 10 Bewertung der Informationsqualität im Enterprise 2.0 ....................................... 214 Sven Ahlheid, Gernot Graefe, Alexander Krebs, Dirk Schuster

IX

Inhaltsverzeichnis C Organisation .............................................................................................................. 227 1 Organisatorische Ansiedlung eines Datenqualitätsmanagements ...................... 229 Jens Lüssem 2 Organisatorische Maßnahmen für gute Datenqualität ......................................... 241 Jürg Wolf 3 Informationsmanagementprozesse im Unternehmen ........................................... 260 Klaus Schwinn 4 Data Governance ........................................................................................................ 277 Boris Otto, Kristin Weber 5 IQM-Reifegradmodell für die Bewertung und Verbesserung des Information Lifecycle Management Prozesses ................................................................................. 296 Saša Baškarada, Marcus Gebauer, Andy Koronios, Jing Gao 6 Master Data Life Cycle – Stammdatenprozesse in SAP am Beispiel Materialstamm ................................................................................................................ 309 Knut Hildebrand D Praxisbeispiele .......................................................................................................... 319 1 Ein Entscheidungsmodell zur Weitergabe persönlicher Daten im Internet ....... 321 Horst Treiblmaier 2 Einführung eines proaktiven DQ-Managements ................................................... 335 Volker Landt 3 Informationsqualität für das Management mit TOPAS® ...................................... 352 Otto-Ernst Brust, Frank Möller, Werner Skrablies 4 Datenqualitäts-Modell der Volkswagen Financial Services AG .......................... 372 Helena Moser 5 Verknüpfung von DQ-Indikatoren mit KPIs und Auswirkungen auf das Return on Investment ................................................................................................................. 390 Frank Block Über die Autorinnen und Autoren .............................................................................. 413 Stichwortverzeichnis ...................................................................................................... 435

X

A Informationsqualität – Grundlagen

1 Was wissen wir über Information? Florian Engelmann, Christoph Großmann

1.1 Einleitung Der Begriff Information stammt aus dem Lateinischen. Von der Antike bis in das 20. Jahrhundert war Information ein kaum verwendetes und unspektakuläres Wort. ZEMANEK belegt diese Hypothese mit dem Verweis auf ein Häufigkeitswörterbuch der deutschen Sprache aus dem Jahre 1897. Dort kommt in ca. 11 Millionen Wörten nur 55 mal das Wort Information vor [Zemanek 1986, S. 19]. Mit Sicherheit kann man behaupten, dass der Informationsbegriff heute sowohl in der Alltagssprache als auch in der Wissenschaftssprache häufig Verwendung findet. Leben wir nicht im Informationszeitalter bzw. in einer Informationsgesellschaft? Könnte also der Information die Eigenschaft eines fächervereinenden, interdisziplinären Begriffs zukommen? Während in der Umgangssprache Unschärfen der Normalfall sind, muss ein wissenschaftliches Begriffssystem möglichst präzise sein. In der betriebswirtschaftlichen Literatur spricht man von Information als Schlüsselgröße [Grochla & Wittmann, 1993, S. 1725ff.], Schlüsselbegriff [Lehner & Maier, S. 1], kritischer Erfolgsfaktor im Wettbewerb [Pietsch et al. 2004, S. 17] oder als Produktions- und Wettbewerbsfaktor [Ziegenbein 2004, S. 21]. Je mehr wirtschaftswissenschaftliche Definitionen man aber überprüft, umso mehr Vorschläge erhält man. Häufig verwenden Autoren Theorien aus ganz anderen Wissenschaftszweigen, definieren Information für eigene Zwecke neu oder lassen Information einfach undefiniert. In der Wirtschaftswissenschaft verfolgt man bestimmte Zielsetzungen mit Information, wie eine exemplarische Aufzählung wichtiger Perspektiven zeigt: -

produktionswirtschaftliche Sicht (Information als Produktionsfaktor, Zwischen- oder Endprodukt)

-

entscheidungstheoretische Sicht (Information zur Vorbereitung von Entscheidungen und Handlungen)

-

strategische Sicht (exklusiver Gebrauch von Information um einen Vorsprung zu erlangen)

-

Sicht der neuen Institutionenökonomie (berücksichtigt u.a. asymmetrische Informationen, veränderbares Wissen, beschränkte Rationalität und Opportunismus).

3 K. Hildebrand et al. (Hrsg.), Daten- und Informationsqualität, DOI 10.1007/978-3-8348-9953-8_1, © Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011

A Informationsquelität Grundlagen Es gibt also einen latenten Widerspruch in den Anforderungen, wenn ein Begriff universell und präzise zu gleich sein müsste. Falls Information aber unbestimmt oder mehrdeutig sein sollte, welches Ziel wird dann im Rahmen eines Informationsqualitätsmanagements verfolgt? Dies bedarf einer Klärung. Vor dem Hintergrund einer solchen Problematik gibt es mehrere Versuche, innerhalb der Betriebswirtschaftslehre den Begriff allgemeingültig zu fassen. Beispielsweise hat BODE eine Typologie entwickelt, um die unterschiedlichen Ansätze zu strukturieren. Hierzu betrachtet er fünf Dimensionen: Tabelle 1: Typologie der Informationsbegriffe in Anlehnung an BODE [Bode 1997, S. 452] Dimensionen

Ausprägungen

Semiotik

syntaktisch

semantisch

pragmatisch

Träger

ungebunden

menschengebunden

Neuheitsgrad

subjektiv

objektiv

Wahrheitsgehalt

wahrheitsabhängig

wahrheitsunabhängig

Zeitbezogenheit

statisch

prozessual

Analysiert man BODEs Vorschlag, dann stellt sich die Frage, ob er mit seinen Dimensionen eine Grundlage für einen allgemeingültigen Informationsbegriff geschaffen hat. Das es wesentlich genauer geht, zeigen die 16 Dimensionen der Informationsqualität. Ein wissenschaftliches oder praktisches Problem folgt aus unterschiedlichen Definitionen von Information zunächst nicht, obwohl überschneidende Definitionen zu Kommunikationsproblemen führen können. Eine interdisziplinäre Zusammenarbeit ist momentan also nur schwer möglich. Genauer betrachtet haben die Differenzen tiefergehende Ursachen und sind methodischer Natur, weil aktuelle Problemstellungen ein fächerübergreifendes Verständnis verlangen, kollidieren ganz unterschiedliche wissenschaftliche Methoden. Nach einer Grundlegung über Information und Informationsmanagement sollen hier eine quantitative Methode (Kap. 4) aus der Nachrichtentechnik, eine modelltheoretische Betrachtung (Kap. 5) aus der Informatik und eine klassifikatorische Methode (Kap. 6) aus der Betriebswirtschaftslehre im Zusammenhang mit Information vorgestellt werden.

4

1 Was wissen wir über Information?

Abbildung 1: Information interdisziplinär analysiert [Steinmüller 1993, S. 224]

1.2 Grundlegung Eine weitverbreitete Vorstellung über den Aufbau von Information zeigt die Informations- oder Wissenspyramide. Dieses deskriptive Modell verwendet aufeinander aufbauende Ebenen. Information ist das mit Bedeutung versehene Datum. Nach dieser Auffassung lässt sich die höhere Ebene somit auf die Bestandteile der unteren Ebenen der Daten oder Zeichen reduzieren.

Abbildung 2: Wissenspyramide [Forst 1999, S. 1]

5

A Informationsquelität Grundlagen Die Pyramide verschweigt aber ein Problem, das vor allem im Bereich der Kennzahleninterpretation bekannt ist: Wie kann einem Datum eine allgemeingültige Bedeutung von einem Sender zugewiesen werden? Und wenn das geschehen ist, wie kann dann diese Bedeutung von allen Empfängern gleichermaßen verstanden werden? Dies wäre nur dann eindeutig möglich, wenn die Information vorher allen bekannt ist. Das ist offensichtlich paradox, da der Zugang der Information im einen Fall keine Neuigkeit liefert und im anderen Fall nicht verständlich ist. Weiter wird in der Pyramide der qualitative Unterschied zwischen speicherbaren Daten und verstandenen Informationen bzw. Wissen nicht deutlich. Während die Zeichen oder Daten auf einem materiellen Träger eindeutig verifiziert werden können, ist es zumindest in der Wissenschaft strittig, ob im Gehirn äquivalente Prozesse bei der “Speicherung” ablaufen. Die neuere Gehirnforschung zeigt nämlich, dass das Gehirn einem Computer überhaupt nicht ähnlich ist [Brodbeck 2007]. Folglich ist zumindest die höchste Ebene “Wissen” nicht auf ein abgespeichertes Konglomerat von Zeichen, Daten oder Informationen reduzierbar. In der klassischen Zeichenlehre wird dieser qualitative Unterschied zwischen “Träger” und “Getragenem” klarer herausgearbeitet. An diesen beiden elementaren Kategorien jeder Information werden die Kernprobleme deutlich, die durch die Wissenspyramide nicht erfasst worden sind:

Abbildung 3: Analyse von Information in Anlehnung an Völz [Völz 1983, S. 228]

Unter “Träger” versteht man die materielle Gestalt der Information und das “Getragene” ist etwas immaterielles, das mit den Gedanken eines Menschen zu tun hat. Dies bedeutet jedoch, dass an einer Stelle der Wissenspyramide ein Übergang zu einem grundlegend anderen Verarbeitungssystem stattfinden muss. Ein handlungsbezogenes Modell von Information muss Hintergrundinformation, vor allem über den Akteur und dessen Ziele mit einschließen. Den Betriebswirt interessieren primär die Zielsetzungen, während sich ein Informatiker wohl zuerst mit Codierungsaspekten beschäftigt. Ein Informationsmodell das beide Anforderungen integriert und den prozessualen Charakter von Information betont, sieht wie folgt aus:

6

1 Was wissen wir über Information?

Abbildung 4: Modell der Informationsübertragung [Gitt 2002, S. 144]

1.3 Information im Wissens- und Informationsmanagement Information als zweckorientiertes Wissen hat in der Betriebswirtschaftslehre schon immer eine wichtige Rolle gespielt [Wittmann 1959, S. 14]. Mit den gestiegenen technischen Möglichkeiten wächst aber auch der Koordinationsbedarf für die Beschaffung, Verarbeitung, Übertragung, Speicherung und Bereitstellung von Informationen. Kurz gesagt: Man benötigt ein unternehmsweites Informationsmanagement, weil das Wissen in den Köpfen mehr als die Summe der gespeicherten Daten ist, kann man das Wissensmanagement als eine Erweiterung des Informationsmanagements ansehen. Die Anforderungen einer wissensorientierten Unternehmensführung weichen aber konzeptionell nicht weit von denen eines informationsorientierten Managements ab. Nach Meinung von NORTH handelt es sich bei Informationen um einen Rohstoff für Wissen. Wissen wird quasi aus Informationen “generiert” und “entsteht als Ergebnis der Verarbeitung von Informationen durch das Bewußtsein” [North 2005, S. 33]. Die Erweiterung auf Wissen bedeutet zunächst nur eine Vergrößerung des Gegenstandsbereiches. Wenn der Kern erhalten bleibt, dann sind in beiden Fällen die Anforderungen ähnlich. Im Zentrum beider Konzepte steht zukünftig nicht mehr die Informationstechnologie, sondern das Benutzen der Technologien, um das Wissen der Mitarbeiter zu erweitern. Fundamental ist vor allem die Funktion von Information als verbindendes Kommunikationsinstrument in kollegialen Netzwerken. So verstanden geht es nicht mehr um einen exklusiven Zugriff auf Informationen, sondern um die Frage der effizienten und effektiven Kommunikation untereinan-

7

A Informationsquelität Grundlagen der. Die strategischen Ziele fokussieren die praktischen Handlungen, die bei gekonnter Umsetzung der Ressource Wissen zu strategischen Wettbewerbsvorteilen führen.

Abbildung 5: Wissenstreppe [North 2005, S. 32]

Idealtypische Konzepte des Informationsmanagements arbeiten unter anderem mit der Annahme, dass es optimale und berechenbare Lösungen für Informationsprobleme gibt. Unter diesen Bedingungen lässt sich ein objektiver Informationsbedarf a priori formulieren. Dieser wird jedoch niemals vom Benutzer (subjektiver Informationsnachfrage) genau nachgefragt, noch vom Betreiber des Informationsangebots exakt zur Verfügung gestellt. Der objektive Informationsstand vor Beginn einer Handlung ergibt sich als Schnittmenge aus allen drei Mengen. Diesen Stand zu optimieren, ist die Aufgabe des Informationsmanagements.

8

1 Was wissen wir über Information?

Abbildung 6: Analyse des Informationsstandes [Picot et al. 2003, S. 82]

Die Ziele der betrieblichen Informationswirtschaft lassen sich wie folgt zusammenfassen [Krcmar 2005, S. 51]: -

Ausgleich von Informationsnachfrage und Informationsangebot, Versorgung der Entscheidungsträger mit relevanten Informationen, Gewährleistung einer hohen Informationsqualität, Dokumentation von Willensbildungs- und Willensdurchsetzungsprozess, Gestaltung der Informationswirtschaft als Querschnittsfunktion des Unternehmens, Einsatz von Informationstechnologie zur Unterstützung der informationswirtschaftlichen Aufgabenerfüllung, zeitliche Optimierung der Informationsflüsse, Beachtung des Wirtschaftlichkeitsprinzips.

9

A Informationsquelität Grundlagen

Für die Zweckeignung von Information gibt es unterschiedliche Klassifikationen, die sich jedoch ähnlich sind. Exemplarisch gibt ESCHENRÖDER folgende Kriterien an:

Abbildung 7: Einflussfaktoren einer Zweckeignung von Information [Eschenröder 1985, S. 49]

Für betriebswirtschaftliche Überlegungen ist also ein erweiterter Informationsbegriff notwendig, der eine Vielzahl von Anforderungen erfüllen muss, die im Bereich der Semantik und Pragmatik liegen. Eine Quantifizierung dieser Aspekte ist jedoch mit erheblichen Schwierigkeiten behaftet. WEIZÄCKER spricht von Quantifizierungsgrenzen, weil sich die Bedeutung und Wirkung von Information nur in Bezug auf eine Situtation und zeitlich erst nach erfolgter Information feststellen lässt. “Lediglich in den Fällen, wo öfter gleiche Situationen durch gleiche Informationen beeinflußt werden, läßt sich im voraus und >>objektiver<< die Bedeutung und Wirkung angeben” [Weizsäcker & Maurin 1974, S. 82f.]. Diese Anforderungen relativieren also die Erfolgsaussichten der “objektiven Informationskonzepte”. Das Verstehen und die Zweckmäßigkeit des Inhalts einer Information hängt nämlich sowohl von der Eigenschaft ab, neu zu sein, als auch von der Eigenschaft bekannt zu sein. Weizäcker fasst diese Eigenschaft von Information wie folgt zusammen: “Wenn wir nun annehmen, dass die Erstmaligkeit von 0% auf 100% ansteigen kann, und wenn wir postulieren, dass zur gleichen Zeit die Bestätigung von 100% auf 0% abnimmt, dann erhalten wir ein Kontinuum, das das relative Gewicht von Erstmaligkeit und Bestätigung von Situationen darstellt” [Weizsäcker & Maurin 1974, S. 98]. Der pragmatische Gehalt einer Information steigt nun zur Mitte hin an und fällt dann wieder ab, wenn sie zu häufig bestätigt wurde. Dieser Verlauf entspricht der Alltagserfahrung mit Informationen.

10

1 Was wissen wir über Information?

Abbildung 8: Pragmatische Information [Weizsäcker & Maurin 1974, S. 99], [Picot 2003, S. 83]

Zusammengefaßt kann man feststellen, dass die Begriffe Daten, Information und Wissen nicht losgelöst voneinander verstanden werden können. Wissensmanagement betont noch mehr die Rolle des Faktors Mensch als das Informationsmanagement, jedoch ist eine klare Abgrenzung in der Literatur nicht zu finden. Besonders strittig ist die Suche nach Maßstäben und Kriterien für die immateriellen Aspekte von Information oder Wissen. Um dieses Zuordnungsproblem zu lösen, bedarf es im Folgenden einer genaueren Analyse der verschiedenenen Informationskonzepte.

1.4 SHANNONsche Informationstheorie SHANNON führte den ersten quantitativen Informationsbegriff in die wissenschaftliche Diskussion ein. Dieser Bruch einer langen Tradition im Umgang mit Information macht sein Konzept auch heute noch interessant. Zunächst muss aber angemerkt werden, dass der Name “Informationstheorie” trotz der Bedenken SHANNONs eingeführt wurde. SHANNON arbeitete auf dem Gebiet der Nachrichtentechnik in einer Telefongesellschaft von AT&T: den Bell Laboratories. Seine Motivation war, ein technisches Konzept für eine fehlerfreie Übertragung von Nachrichten (z.B. Telegramme) zu finden. Die Nachrichten sollten aber nicht nur fehlerfrei vor dem Hintergrund einer möglichen Störquelle, sondern auch möglichst schnell und kostengünstig übermittelt werden. Eine solche konfliktäre Zielfunktion stellt bestimmte Anforderungen an die Codierungen, die vor dem Hintergrund verschiedener Kriterien wie der Redundanz des Codes, des Grades der Störeinflüsse und der Kanalkapazität bewertet werden müssen. SHANNON war der Meinung, dass

11

A Informationsquelität Grundlagen man hierfür ein Maß des mittleren Informationsgehalts einer Informationsquelle benötigt. Mit der Konzeption dieser Einheit machte er als Erster “Information” messbar.

Abbildung 9: Kommunikationssystem bei SHANNON [Shannon & Weaver 1972, S. 34]

Um sein Ziel zu erreichen, betrachtete SHANNON Telegrafen als Informationsquellen. Diese Quellen sind nach seiner Meinung als stochastische Prozesse zu interpretieren. Nachrichten bestehen also aus einer Reihe von Zeichen eines endlichen Zeichenvorrates (Alphabet) mit bestimmten Wahrscheinlichkeiten. Kommunikation ist dann die Auswahl einer Nachricht aus mehreren möglichen Nachrichten. Da die Wahrscheinlichkeit eines Zeichens immer von seinem Vorgängerzeichen abhängt, liegt der Spezialfall einer Markoff-Kette vor. In genügend langen Symbolfolgen lassen sich so jedem Symbol i bestimmte Erzeugungswahrscheinlichketen pi zuordnen. Das quantitative Maß für den Informationsgehalt, das von SHANNON die Entropie H der Nachrichtenquelle genannt wurde, lautet wie folgt [Shannon & Weaver 1972, S. 50f.]:

H

¦ pi log 2 pi i 1.. n

Die Reduktion auf eine logarithmische Basis war laut SHANNON sinnvoll, da jeder Buchstabe eines beliebigen Alphabets mit einer endlichen Anzahl von 0-1Entscheidungen bestimmt werden kann: “The choice of alogarithmic base corresponds to the choice of a unit for measuring information. If the base 2 is used the resulting units may be called binary digets, or more briefly bits...” [Shannon & Weaver 1972, S. 32]. Die mathematische Struktur der Entropie lässt sich als Überraschungswert einer Informationsquelle für einen Empfänger deuten. Folgende Extrema des Informationsgehaltes sind denkbar: 1.

12

Je unwahrscheinlicher das Auftreten eines Zeichens ist, umso größer ist der Informationsgehalt. Bezogen auf den gesamten Zeichenvorrat ist dies dann der Fall, wenn alle Zeichen des Alphabets voneinander unabhängig wären. Außerdem müssen alle Wahrscheinlichkeiten pi gleich sein.

1 Was wissen wir über Information? 2.

Hat ein einzelnes Zeichen eines Zeichenvorrats die Wahrscheinlichkeit von 100% (pi=1) und die restlichen von 0%, dann ist der Informationsgehalt des gesamten Zeichenvorrats H=0, da durch das Senden keine Unsicherheit beim Empfänger beseitigt werden kann.

Es ist offensichtlich, dass die SHANNONsche Informationstheorie nichts über die Bedeutung einer Nachricht im sprachlich-semantischen Sinne aussagt. Der quantitative Informationsbegriff von Shannon ist ein rein syntaktischer. RECHENBERG resümiert über die Informationstheorie aus heutiger Sicht: “Die Deutung einer Nachricht als stochastischer Prozess und ihrer Binärcodierung als Auswahl aus einer Menge von Nachrichten ist für die heutige Informatik überflüssig, ja irreführend. Die Entropie hat als Maß für die syntaktische Information ausgedient, denn sie stellt nicht mehr den Grenzwert der Komprimierbarkeit dar” [Rechenberg 2003, S. 322]. RECHENBERG geht aber noch einen Schritt weiter in seiner Kritik: “Der Informationsbegriff, wie er überall sonst verwendet wird, ist (...) ein nichtquantifizierbarer semantischer Informationsbegriff” [Rechenberg 2003, S. 321]. Dieses über eine Kritik an SHANNON hinausgehende Urteil, belegt er zunächst nur mit Beispielen einer euphorischen, aber gescheiterten Aufnahme der Informationstheorie als Fundament anderer Wissenschaftszweige. So wurde diese für die Berechnung des Informationsgehaltes von Sprache, Schrift und Musik verwendet, sollte dazu dienen, den Nachrichtengehalt zu berechnen, den der Mensch über das Auge aufnehmen kann, und schließlich den menschlichen Körper oder Sternenhimmel quantitativ bestimmbar machen [Rechenberg 2003, S. 323]. Kann man aber aus RECHENBERGs schließen, dass Information überhaupt nicht messbar ist und keine Grundlageneigenschaft für die Wissenschaft hat? Der Physiker HENNING widerspricht einer solchen Auffassung, obwohl man tatsächlich zum gegenwärtigen Zeitpunkt behaupten kann, dass der semantische Informationsbegriff unverstanden ist. Messungen in der Quantenmechanik stoßen auf ähnliche Probleme, denn auch in der Physik wird zwischen syntaktischer und semantischer Information unterschieden. “Erstere wird – sozusagen blind – von Gleichungen in der Zeit weitertransportiert, diese Zeitentwicklung ist reversibel. Mikroskopische Irreversibilität resultiert aus der Durchführung von Messungen, also aus dem Entstehen semantischer Bedeutung tragender Information. Der physikalische Informationsbegriff ist demnach dem von RECHENBERG propagierten diametral entgegengesetzt...” [Henning 2004, S. 206f.]. Allerdings gibt es ein Problem: Die Inkonsequenz dieses physikalischen Informationsbegriffs liegt in der Trennung von beobachteter mikroskopischer Welt und dem Beobachter. Es gibt bislang in der Physik keine umfassende quantitative Beschreibung, die den Beobachtungsprozess mit einschließt. Daraus ergibt sich jedoch eine spannende Frage für die Forschung. Laut HENNING ist die Frage “Was ist die semantische Information, die beim Beobachter entsteht?” nicht nur entscheidend für kosmologische Fragestellungen, sie würde auch den

13

A Informationsquelität Grundlagen Zusammenhang zwischen Mikro- und Makrowelt liefern. Damit hätte die Antwort fundamentale Bedeutung für unser Weltbild. Die SHANNONsche Informationstheorie liefert diese Antwort nicht. Sie hat aber die Vorteile eines quantitativen Maßes deutlich gemacht und zeigt, dass eine berechenbare Semantik wünschenswert wäre.

1.5 STEINMÜLLERs Informationsmodell Modellierungen von idealen und realen Sachverhalten spielen in Mathematik, Logik, Wirtschaftsinformatik und Informatik eine besondere Rolle. Für STEINMÜLLER ist Information eine scheinbar losgelöste “dritte Wirklichkeit”, die in einem “Modell-System” von einem Subjekt konstruiert wird [Steinmüller 1993, S. 178]. Am Anfang seiner Ausführungen macht er darauf aufmerksam, dass eine “nurtechnische” Informatik nicht in der Lage sei, einen sozialen Bezug herzustellen. Aus diesem Grund muss ein erweiterter Informationsbegriff über die formalsyntaktischen Gesichtspunkte hinausreichen. Diesen Anforderungen soll STEINMÜLLERs “modelltheoretischen Informationsbegriff” gerecht werden. STEINMÜLLER behauptet, dass eine Sprache der angewandten Informatik mit sechs Grundbegriffen auskommt: System, Prozess, Modell, Struktur, Organisation und Funktion [Steinmüller 1993, S. 155]. Aus diesen Begriffen lassen sich alle anderen Begriffe zusammensetzen und alle wichtigen Dinge beschreiben bzw. konstruieren. Für die Zwecke dieser Untersuchung sind die ersten drei Begriffe ausreichend. Für Information macht STEINMÜLLER folgenden Vorschlag [Steinmüller 1993, S. 162f.]: - Jede Information ist ein Bild und damit ein spezielles Modell - Jedes Modell ist ein spezielles System - Also: Jede Information ist ein System Um die Idee nachzuvollziehen, soll mit der Erklärung seines System- und Prozessverständnisses begonnen werden. Es gilt dann zu erläutern, wie nach seiner Vorstellung der Information-, Modell- und Systembegriff logisch miteinander verbunden sind.

1.5.1 STEINMÜLLERs System- und Prozessverständnis STEINMÜLLER weist auf die Grenzen des allgemeinen Systemdenkens hin, sowohl in technischer als auch in soziologischer Spielart. Folgende Aspekte konstituieren seine Systemvorstellung: x

14

Ein System ist eine Menge von Elementen und Relationen zwischen den Elementen.

1 Was wissen wir über Information? x

Jedes System hat einen Systemherrn (Berücksichtigung der Systementstehung).

x

Jedes System ist perspektivisch, weil es u.a.

x

>

konstruiert wurde,

>

die Realität reduziert,

>

einen spezifischen Blickwinkel einnimmt,

>

zweck- und wertrelativ ist,

>

Zeit und Raum gebunden ist.

Systeme sind keine Abbilder, sondern das Ergebnis einer gefilterten Verarbeitung: >

Filter der Sinne,

>

Filter der Bedürfnisse,

>

Filter der Sprache,

>

Filter der Erfahrungen, Interessen, Intentionen und Erwartungen.

Nach STEINMÜLLER muss die klassische Systemtheorie also um zusätzliche Aspekte ergänzt werden. Unter Einbezug des Menschen bedeutet dies: “System ist eine von einem Subjekt nach einem Zweck ausgewählte Menge von Elementen und Relationen” [Steinmüller 1993, S. 165]. Während System etwas statisches beschreibt, hebt der Prozess den dynamischen Aspekt hervor. So gesehen sind System- und Prozesstheorie miteinander kombinierbar und das oben Ausgeführte gilt analog für den Prozess. STEINMÜLLER hebt bei der Analyse des Prozesses den perspektivischen Gesichtspunkt hervor: “Prozeß ist Betrachterkonstituiert, Aspekt-bezogen, Zweck-spezifisch und Ort-Zeit gebunden...” [Steinmüller 1993, S. 176].

1.5.2 Information als allgemeines Modell Das Modell ist nach STEINMÜLLER das Bindeglied zwischen Information und System. Seine verbindende Funktion begründet sich wie folgt [Steinmüller 1993, S. 178]: “Man schafft vereinfachte Modelle über andere (materielle oder ideelle) Systeme, um mit ihnen etwas zu machen, was mit dem Original zu tun (jetzt oder überhaupt) unmöglich, verboten, zu aufwendig oder unzweckmäßig ist” [Steinmüller 1993, S. 178]. Das Modell ist also bereits ein Metasystem. Interpretiert man den Modellbegriff systemtheoretisch, dann kommt man zu dem Ergebnis, dass das “Modell-System” stets ein “Modell-wovon-wozu-für wen” ist [Steinmüller 1993, S. 179f.]. Formal kann man vier Elemente mit vier Relationen vorfinden:

15

A Informationsquelität Grundlagen x

das modellerzeugende oder –benützende Subjekt (S),

x

das für ihn “abbildende” Modellobjekt (M),

x

das repräsentierte Original (O),

x

den möglicherweise beeinflussten Adressaten (A)

Abbildung 10: Information ist ein “Modell-wovon-wozu-für wen” [Steinmüller 1993, S. 199]

1.5.3 Modell eines Informationssystems unter Einbezug der Semiotik Die vorhergehenden Darstellungen haben deutlich gemacht, dass für STEINMÜLLER jedes ideelle Modell in einem gewissen Sinne Information sein kann. Es ist aber auch erklärt worden, dass diese Information nur in einem Kontext verstehbar wird. Alle Teile zusammen bilden deshalb ein Bezugssystem, das man wiederum als Informationssystem auffassen kann. Elemente des Informationssystems: (E1)

Informationssubjekt Si (informationserzeugend oder –nutzend)

(E2)

Informationsmodell Mi (abbildend)

(E3)

Informationsoriginal Oi (abgebildet)

(E4)

Informationsadressat Ai (soll beeinflusst werden)

Relationen des Informationssystems:

16

(R1)

Informationsrelation w -> Informationssubjekt bildet eine Struktur aus Informationsoriginal heraus –> (S-w-O)i

(R2)

Informationsvermittlungsrelation m -> Informationssubjekt verfügt über eine Information -> (S-m-I)i)

1 Was wissen wir über Information? (R3)

Informationsrelation a -> Abbildungsfunktion eines Objektes -> (M-a-O)i

(R4)

Beeinflussungsrelation z -> Informationssubjekt will den Adressaten beeinflussen -> (S-z-A)i

Nebenrelationen des Informationssystems: (N1)

Informationsbeziehung t -> Beziehung des Adressaten zur Wirklichkeit

(N2)

Informationsbeziehung e -> Beziehung des Adressaten zum Modell

Abbildung 11: Informationssysteme nach STEINMÜLLER [Steinmüller 1993, S. 194]

Es besteht also eine unauflösliche Subjekt-Objekt-Beziehung, dessen Verbindungsglied die modelltheoretische Information darstellt. Jeder Informationsbegriff, der diese Relationen nicht beachtet, wäre also ein verkümmerter [Steinmüller 1993, S. 194f.]. Um das modelltheoretische Informationssystem weiter zu generalisieren, bietet es sich an, die bekannten vier Aspekte der Semiotik einzubauen und zu unterscheiden. STEINMÜLLER erläutert die Aspekte wie folgt: x

der syntaktische Aspekt klärt die formale Beziehung im Informationssystem und zum Umsystem,

x

der semantische Aspekt bestimmt die Bedeutung und Benennung der Information,

17

A Informationsquelität Grundlagen x

der pragmatische Aspekt stellt die Beziehung des Betrachters, Erzeugers, Verwenders bzw. Adressaten zur Information dar,

x

der sigmatische Aspekt bildet die Existenz-, Raum- und Zeitbeziehung der Information und des Informationssystems zur Wirklichkeit ab.

Abbildung 12: Semiotisches Kreuz und Informationsmodell [Steinmüller 1993, S. 205]

1.5.4 Fazit STEINMÜLLERs Modell stellt die Verbindung zwischen sozialen und technischen Aspekten her. Im Gegensatz zum quantitativen Informationsbegriff eignet sich das modelltheoretische Verständnis also zur Konstruktion von Informationssystemen, die eine soziale Realität abbilden sollen. Es wurde gezeigt, dass die semiotischen Dimensionen integriert werden können. Allerdings ist das Konzept von STEINMÜLLER nicht in der Lage, Aussagen über die Wahrheit oder Falschheit dieser konstruierten Informationen zu machen. Abbilder können immer auch falsch sein. Es bleibt unklar, wie Fehler überprüft werden können.

18

1 Was wissen wir über Information?

1.6 Information als Produktionsfaktor 1.6.1 Perspektive der Produktionstheorie Produktionsfaktorsysteme haben das Ziel, den Verlauf der Produktion bis hin zum Produktionsergebnis abzubilden. Dabei kommt es vor allem darauf an, zu klären, wie die Einsatzfaktoren zu kombinieren sind, damit ein optimales Produktionsergebnis erreicht werden kann. SEIDENBERG beschreibt dies ähnlich: “Wesentlicher Zweck von Faktorsystemen ist regelmäßig die Trennung bzw. Zusammenfassung der Faktoren unter dem Aspekt der Notwendigkeit oder auch Vorteilhaftigkeit einer getrennten bzw. gemeinsamen produktions- und kostentheoretischen Analyse” [Seidenberg 1998, S. 13]. Besonders bei neueren Produktionsfaktorsystemen wird man mit dem Begriff der Information konfrontiert. Produktionsfaktorsysteme stammen aus der klassischen Volkswirtschaftslehre. In diesen wurde zwischen den Faktoren Arbeit, Boden und Kapital unterschieden. Später passte man die bestehenden Systeme für die Betriebswirtschaftslehre an. Das grundlegende Faktorsystem der Betriebswirtschaftslehre stammt von GUTENBERG. In diesem wird zwischen den Elementarfaktoren (menschliche Arbeit, Betriebsmittel und Werkstoffe) und den dispositiven Faktoren unterschieden [Gutenberg 1951, S. 2ff.]. Aufbauend auf dieser Unterteilung wurden in der Folgezeit Produktionsfaktorsysteme unterschiedlich erweitert und klassifiziert. Explizit wird der Faktor Information nur von einigen Systemen mit einbezogen. Die Forschung konzentriert sich auf die industrielle Produktion. Dort haben Informationen natürlich auch eine besondere Bedeutung. Sie werden aber nicht von allen Autoren als eigenständiger Faktor gesehen. Ein Autor der in Information einen eigenständigen Faktor sieht ist KERN. Er unterscheidet bspw. in seinem industriellen Produktionsfaktorsystem zwischen den Faktoren menschliche Arbeitsleistung, Betriebsmittel, Objektfaktoren, Zusatzfaktoren und Informationen [Kern 1992, S. 16ff.]. Die aufgestellten Klassen lassen sich wie folgt zuordnen. Menschliche Arbeit und Betriebsmittel i.e.S. gehören zu den Potentialfaktoren. Beide sind Nutzungsobjekte, die sich im Produktionsprozess nicht oder nicht wesentlich durch Verschleiß oder Abnutzung verändern. Weiter zu nennen sind die Verbrauchsfaktoren, wie Betriebsmittel zum Verbrauch, Objektfaktoren und Zusatzfaktoren. Die Verbrauchsfaktoren - auch Repetierfaktoren genannt - ändern ihre Qualität im Produktionsprozess. Sie gehen entweder direkt in ein Hauptprodukt ein, sind wesentlicher Bestandteil als Rohstoff in der Produktion oder werden indirekt als Betriebsstoffe verwendet. Die bisherigen Überlegungen zeigen, dass Information als eigenständige Klasse weder den Verbrauchs- noch den Potentialfaktoren eindeutig zugeordnet werden kann. Es stellt sich nun die Frage, ob Information eine eigene Faktorklasse begründen sollte. In der Literatur findet man dazu keine eindeutige Antwort. Es scheint –

19

A Informationsquelität Grundlagen wenn überhaupt - nur schwer möglich zu sein, allgemeine Eigenschaften für Information zu beschreiben. SEIDENBERG kommt zu dem Ergebnis, dass Information kein eigenständiger Produktionsfaktor sein kann. Entsprechend seinem Anforderungskatalog an Produktionsfaktoren kann eine separate Klasse Information nicht gerechtfertigt werden [ Seidenberg 1998, S. 14ff.]. Sein Anforderungskatalog besteht aus zwei Gruppen: faktorbezogenen und faktorsystembezogenen Anforderungen. Die erste Gruppe besteht aus Gutseigenschaft, Homogenität, Quantifizierbarkeit, Preiseindeutigkeit und causa efficiens. Lediglich causa efficens wird von Information erfüllt. Zur zweiten Gruppe gehört Echtheit, Vollständigkeit, Überschneidungsfreiheit, Allgemeingültigkeit und Flexibilität. Auch diese Anforderungen werden von Information nur bedingt erfüllt [Seidenberg 1998, S. 35f.]. In nachfolgender Abbildung wird ein Beispiel gezeigt, in dem Information einer neuen Faktorklasse hinzugefügt wurde. Dann besteht das Produktionsfaktorsystem aus den fünf Faktoren menschliche Arbeit, Betriebsmittel i.w.S., Objektfaktoren, Zusatzfaktoren und Informationen.

Abbildung 13: Produktionsfaktorsystem nach KERN [Kern 1992, S. 17]

20

1 Was wissen wir über Information? Information ist dann aber nicht überschneidungsfrei zugeordnet, sondern in verschiedenen Klassen enthalten: - Informationen als passive, zur Nutzung verwendeter Betriebsmittel können bspw. Herstellungsrezepte für Bier sein. - In der Klasse der Objektfaktoren sind ebenfalls Informationen zu finden. So sind interne Objektfaktoren Kosteninformationen und Durchlaufobjekte. Letztere können z.B. Software darstellen. - Beratungsleistungen einer Versicherung stellen Zusatzfaktoren dar, welche in der Gruppe direkter Fremder zählen. - Letztlich bilden ein Teil der Informationen eine eigenständige Faktorkategorie im Produktionsfaktorsystem.

1.6.2 Produktionsfaktor Information Trotz der oben beschriebenen Problematik, sollen übersichtsartig die produkttheoretischen- und wirtschaftlichen Eigenschaften von Informationen dargestellt werden [Seidenberg 1998, S. 9ff.]: x

Immaterialität

x

Beliebige Kopierbarkeit

x

Verwendungsunabhängiger Verbrauch

x

Lager- und Transportfähigkeit

x

Mangelnde Trennbarkeit

x

Mangelnde Quantifizierbarkeit

x

Problematische Qualitätsbestimmung

Informationen können von außen in das System einfließen oder mit Hilfe anderer Faktoren im Unternehmen eigenständig hergestellt werden. Die Frage ist nun, inwieweit es möglich ist, Informationen als eigenständigen Produktionsfaktor, abzubilden. Dabei ist eine Unterscheidung zwischen Informationen und materiellen Wirtschaftsgütern hilfreich. An dieser Unterscheidung ist zu erkennen, dass die Klassifizierung von Informationen im Faktorsystem eine größere Hürde darstellt [Teubner 2005, S. 61]. Es ist unvermeidbar, Information mehreren Klassen zuzuordnen. Eine Anforderung an Faktorsysteme ist aber, dass die einzelnen Objekte sich nur in jeweils eine Klasse einordnen lassen. Dementsprechend gibt es nur zwei mögliche Varianten: Entweder findet man ein Abgrenzungskriterium, um Informationen in eine einschlägige Klasse einzugliedern oder Informationen müssen je nach ihrer Verwendung bzw. Funktion im Produktionsprozess in die verschiedenen Klassen eingegliedert werden.

21

A Informationsquelität Grundlagen Informationen, die der Faktorklasse Information zugeordnet werden, stellen kein Element der Gruppen der Verbrauchs- bzw. Potentialfaktoren dar. Um sie nun in das System der Produktionsfaktoren zu integrieren, wurde eine neue Klasse aufgestellt. Zu der Faktorklasse Information werden Informationen gezählt, welche als Input oder Output eines dispositiven Entscheidungsprozesses benutzt werden (bspw. Informationsoutput dispositiver Planungsprozesse) [Bode 1993, S. 90f.].

1.6.3 Fazit Aufgrund der anwachsenden Bedeutung von Informationen, nicht nur in der Betriebswirtschaft, und einer Entwicklung hin zur Informationsgesellschaft gelangt der Produktionsfaktor Informationen stärker in den Fokus. Die zentrale Frage besteht darin, zu klären, welches das am Besten geeignete Faktorsystem ist, falls eine Einordnung von Information gemäß den Anforderungen an Faktorsysteme überhaupt möglich ist. Das hier aufgezeigte Produktionsfaktorsystem stellt eine Möglichkeit der Klassifizierung dar. Es ist nicht möglich den Faktor Information einer Klasse eindeutig zuzuordnen, da Informationen sehr unterschiedlicher Natur sein können und sie nur schwer quantitativ zu messen sind. Dementsprechend müssen Informationen hinsichtlich Inhalt und Rolle im Produktionsprozess analysiert werden. Erst dann kann man entscheiden, wie sie in die dementsprechende Faktorklasse richtig eingeordnet werden kann.

1.7 Zusammenfassung des Beitrages Der vorliegende Beitrag konnte nur einen Denkanstoß zur Diskussion um den Informationsbegriff liefern. Leider wird Information durch seine Omnipräsenz von jedem anders definiert und verwendet. Zwar gibt es in nahezu jedem wissenschaftlichen Fachbereich präzise Informationskonzepte, keines hat aber bislang einen allgemeingültigen Status erreicht. Deshalb kommt es immer wieder zu Missverständnissen, wenn unterschiedliche Prämissen bzw. Methoden der verschiedenen Fachrichtungen miteinander vermischt werden. Hier wurde die Aufmerksamkeit auf die unterschiedlichen Methoden gerichtet, denn es ist falsch, die Methoden eines Wissenschaftszweiges unhinterfragt auf einen anderen Gegenstandsbereich zu übertragen. So konnte der Beitrag drei unterschiedliche Auffassungen von Information und ihren Prämissen deutlich machen.

22

1 Was wissen wir über Information?

Literaturverzeichnis [Bode 1993] Bode, J.: Betriebliche Produktion von Information. DUV, Wiesbaden, 1993. [Bode 1997] Bode, J.: Der Informationsbegriff in der Betriebswirtschaftslehre. In: Zfbf., Bd. 49, 1997, Verl.-Gruppe Handelsblatt, Düsseldorf , S. 449-469. [Brodbeck 1997] Brodbeck, K.-H.: http://www.fh-wuerzburg.de/fh/fb/bwl/offiziel/ bwt/ALT_12_2005/PAGES/pp/2/brodbeck.htm (Zugriff am 17.05.2007) [Eschenröder 1985] Eschenröder, G.: Planungsaspekte einer ressourcenorientierten Informationswirtschaft, Eul, Bergisch Gladbach, 1985. [Forst 1998] Forst, A.: http://www.doculine.com/news/1999/Februar/infowiss.htm (Zugriff am 25.05.2007) [Gitt 2002] Gitt, W.: Am Anfang war die Information: Herkunft des Lebens aus der Sicht der Informatik, Was ist Information? Herkunft der Information, Naturgesetze über Information, Weitreichende Schlussfolgerungen bezüglich Menschenbild, Evolution und Urknall. Hänssler, Holzgerlingen, 2002. [Grochla & Wittmann 1993] Grochla, E.; Wittmann, W.: Handwörterbuch der Betriebswirtschaft Bd. 2: I – Q. Poeschel, Stuttgart,1993. [Gutenberg 1951] Gutenberg, E.: Grundlagen der Betriebswirtschaft. Springer, Berlin [u.a.], 1951. [Henning 2004] Henning, P. A.: Zum Informationsbegriff der Physik. In: Informatik-Spektrum, Bd. 27, 2004, S. 202-207. [Kern 1992] Kern, W.: Industrielle Produktionswirtschaft. Poeschel, Stuttgart, 1992. [Krcmar 2005] Krcmar, H.: Informationsmanagement: mit 41 Tabellen. Springer, Berlin [u.a.], 2005. [Lehner & Maier 1994] Lehner, F.; Maier, R.: Information in Betriebswirtschaftslehre, Informatik und Wirtschaftsinformatik. Vallendar: Lehrstuhl für Wirtschaftsinformatik und Informationsmanagement, Wiss. Hochsch. für Unternehmensführung, 1994. [North 2003] North, K.: Wissensorientierte Unternehmensführung: Wertschöpfung durch Wissen. Gabler, Wiesbaden, 2005. [Picot et al. 2003] Picot, A.; Reichwald, R.; Wigand, R. T.: Die grenzenlose Unternehmung: Information, Organisation und Management. Gabler, Wiesbaden, 2003. [Pietsch et al. 2004] Pietsch, T.; Martiny, L.; Klotz, M.: Strategisches Informationsmanagement: Bedeutung, Konzeption und Umsetzung. E. Schmidt, Berlin, 2004. [Rechenberg 2003] Rechenberg, P.: Zum Informationsbegriff der Informationstheorie. In: Informatik-Spektrum, Bd.26, 2003, S. 317-326.

23

A Informationsquelität Grundlagen [Seidenberg 1998] Seidenberg, U.: Ist Information als eigenständiger Produktionsfaktor aufzufassen? Siegen, 1998. [Shannon & Weaver 1972] Shannon, C. E.; Weaver, W.: The mathematical theory of communication. Univ. of Illinois Press, Urbana [u.a.], 1972. [Steinmüller 1993] Steinmüller, W.: Informationstechnologie und Gesellschaft: Einführung in die Angewandte Informatik, Wiss. Buchges., Darmstadt, 1993. [Teubner 2005] Teubner, A.: Information als Wirtschaftsgut und Produktionsfaktor. In: WISU, Bd. 34, 2005, S. 59-62. [Völz 1983] Völz, H.: Information: Studie zur Vielfalt und Einheit der Information 2: Theorie und Anwendung vor allem in der Biologie, Medizin und Semiotik. Akad.-Verlag Berlin, 1983. [Weizäcker & Maurin 1975] Weizsäcker, E. U. von; Maurin, K.: Beiträge zur Zeitstruktur von Information, Entropie und Evolution, Klett-Cotta, Stuttgart,1974. [Wittmann 1959] Wittmann, W.: Unternehmung und unvollkommene Information: unternehmerische Voraussicht, Ungewissheit und Planung. Westdt. Verlag, Köln [u.a.],1959. [Zemanek 1986] Zemanek, H.: Information und Ingenierwissenschaft. In: Hackl, C.: Der Informationsbegriff in Technik und Wissenschaft. Bd. 18, Oldenbourg Verlag, München, 1986, S. 17-52. [Ziegenbein 2004] Ziegenbein, K.: Controlling. Kiehl, Ludwigshafen (Rhein), 2004.

Schlüsselbegriffe: Informationsbegriff, Informationstheorie, Informationsmodell, Produktionsfaktor Information, Informationswirtschaft, Informationsmanagement.

24

2 Informationsqualität – Definitionen, Dimensionen und Begriffe Jan P. Rohweder, Gerhard Kasten, Dirk Malzahn, Andrea Piro, Joachim Schmid

2.1 Einleitung Die Verbesserung und Sicherstellung der Informationsqualität wird in immer mehr Unternehmen als eigenständige Managementaufgabe von großer Wichtigkeit begriffen. IQ-Management ist ein elementarer Baustein in Systemintegrationsprojekten. Aber auch in bestehenden Prozessen mit heterogenen Datenquellen und Informationsnutzern ist eine hohe Informationsqualität die Grundvoraussetzung für funktionierende betriebliche Abläufe. Voraussetzung für ein effektives IQManagement ist die Bewertung der Informationsqualität [Lee et al. 2006, S. 13 und S. 27]. In vielen Unternehmen ist Informationsqualität nur ein gefühlter Wert. Die meisten Anwender bringen ein gewisses Misstrauen den Daten gegenüber zum Ausdruck, dies jedoch ohne genaue Angabe der Fehlerart und -häufigkeit. Nicht selten werden kostspielige Projekte angestoßen, um die Informationsqualität zu verbessern, ohne sich vor einer IQ-Maßnahme durch eine Analyse ein genaues Bild über die tatsächlichen Probleme zu verschaffen. Nur auf der Basis einer umfassenden Bewertung der Informationsqualität können die notwendigen Ressourcenentscheidungen herbeigeführt, Ziele gesetzt und der Erfolg des IQ-Management beurteilt werden. Dabei muss die Bewertung der Informationsqualität über Statistiken zur Vollständigkeit und Fehlerfreiheit der Objekte in Datenbanksystemen oder ITApplikationen hinausgehen. Eigenschaften wie Übersichtlichkeit oder Relevanz beschreiben weitere wichtige Merkmale, die die Qualität von Information bestimmen. Informationsqualität kann in einem umfassenden Sinne definiert werden als der „Grad, in dem … Merkmale eines Datenproduktes Anforderungen genügen“ [Hinrichs 2002, S. 26]. Mit Merkmalen von Datenprodukten sind z.B. die Übereinstimmung der Daten mit der Realität (Fehlerfreiheit) oder die Übersichtlichkeit der Darstellung gemeint. Die jeweilige Entscheidungssituation und die Ziele bestimmen die Anforderungen an die Information, und entsprechend findet sich eine Vielzahl von Modellen und Konzepten zur Beschreibung und Bewertung von Informationsqualität in der Literatur [Eppler & Wittig 2000] [Naumann & Rolker 2000]. Die Vielfalt der Konzepte erschwert dabei die Kommunikation über Themen des IQ-Managements durch Mehrdeutigkeiten in der Begrifflichkeit. Eines der meistzitierten Konzepte zur Beschreibung und Bewertung der Informationsqualität basiert auf einer Umfrage unter IT-Nutzern mit dem Ziel, Merkmale der Informationsqualität aus der Sicht der Anwender zu identifizieren (fit for use Konzept) [Wang & Strong 1996]. Mit statistischen Methoden wurden aus über 100

25 K. Hildebrand et al. (Hrsg.), Daten- und Informationsqualität, DOI 10.1007/978-3-8348-9953-8_2, © Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011

A Informationsquelität Grundlagen Attributen zur Beschreibung der Qualität von Information die 16 wichtigsten Oberbegriffe für Merkmale von Datenprodukten ausgewählt, die sogenannten IQDimensionen. Dieses IQ-Konzept bildet die Basis für eine Reihe von Veröffentlichungen zu Erhebungsmethoden und IQ-Managementkonzepten, allerdings vorwiegend im englischsprachigen Raum. Gestützt auf das Konzept von Wang und Strong wird im Folgenden ein Katalog von IQ-Dimensionen und Definitionen für Merkmale von Datenprodukten in deutscher Sprache aufgeführt. Ziel ist, die Kommunikation über Themen des IQManagements durch eindeutige und einheitliche Begrifflichkeiten zu vereinfachen und zu verbessern. Das vorliegende Kapitel, das die Dimensionen der Informationsqualität möglichst umfassend und durch überschneidungsfreie Begriffe beschreibt, ist das Ergebnis der Arbeit einer Projektgruppe in der DGIQ (Deutsche Gesellschaft für Informations- und Datenqualität). Umfassend bedeutet in diesem Zusammenhang, dass alle beobachteten Phänomene, die die Informationsqualität aus Sicht der Anwender beeinflussen, durch einen oder mehrere der vorgestellten Begriffe beschrieben werden können. Überschneidungsfrei sind Begriffe, wenn jede Veränderung der Informationsqualität aus Anwendersicht durch genau eine IQ-Dimension bzw. eine eindeutige Kombination aus IQ-Dimensionen beschrieben werden kann, es also keine Synonyme oder redundanten Begriffsfelder gibt.

2.2 IQ-Dimensionen und Definitionen Die Informationsqualität wird anhand von 15 Begriffen, den sogenannten IQDimensionen, definiert. Um die Definitionen der IQ-Dimensionen operational und konkret verständlich zu machen, werden zu der jeweiligen IQ-Dimension Beispiele für Stamm- und Bewegungsdaten beschrieben, die jeweils den Grad der Erfüllung der Anforderung an das Datenprodukt bestimmen. Stammdaten sind der „Datenbestand, auf dem Geschäftsprozesse aufbauen, und der über einen längeren Zeitraum unverändert gültig“ ist [Hildebrand 2006, S. 17]. Bewegungsdaten entstehen während einer betrieblichen Transaktion – der Buchung eines Geschäftsvorfalls (Auftrag, Rechnung) – und belegen dieses Ereignis. Die Abstufung der Informationsqualität im Hinblick auf die jeweilige IQ-Dimension kann unendliche viele Ausprägungen annehmen, was insbesondere für Metriken zur Vollständigkeit oder Fehlerfreiheit gilt. Um das relevante Spektrum der Informationsqualität anhand von Beispielen übersichtlich aufzuzeigen, werden deshalb jeweils zwei Ausprägungen je IQ-Dimension betrachtet:

26

brauchbare Information: Die Informationsqualität wird positiv bewertet, wenn der Nutzer sie für seine Zwecke gebrauchen kann. inakzeptable Information: Die Informationsqualität wird negativ bewertet, wenn sie so weit unter der Grenze „brauchbar“ liegt, dass der Nutzer die Informationen für seine Zwecke nicht mehr verwenden kann.

2 Informationsqualität – Definitionen, Dimensionen und Begriffe Die Beispiele zur Erläuterung der Definition der jeweiligen IQ-Dimension beziehen sich auf digitale Zeichen, die elektronisch vervielfältigt werden können, ohne dass dies eine beabsichtigte oder bindende Einschränkung der Anwendung der vorliegenden IQ-Dimensionen ist. Einige der Wang/Strong´schen Begriffe liegen im umgangssprachlichen Gebrauch sehr eng bei einander, so dass die IQ-Dimensionen im gängigen Sprachgebrauch als redundant bzw. sich gegenseitig überschneidend erscheinen. Dieses Problem tritt vor allem bei den Begriffspaaren ´Hohes Ansehen – Glaubwürdigkeit´ sowie ´Relevanz – Wertschöpfung´ auf. Das Problem der Redundanz von Begriffen kann jedoch durch eine technische Begriffsbestimmung umgangen werden. In diesem Sinne wird Glaubwürdigkeit technisch definiert als eine Eigenschaft, die von der Aufbereitung der Information bestimmt wird, während hohes Ansehen durch wiederholte positive Erfahrungen mit ähnlichen Informationen (z.B. in einer Zeitreihe) erlangt wird. Bei Relevanz und Wertschöpfung gelingt die Abgrenzung nicht so klar, da einer wertschöpfenden Information schwerlich die Relevanz abgesprochen werden kann. Andersherum ist aber eine relevante Information nicht in jedem Fall wertschöpfend, da z.B. viele Suchergebnisse bei Internetrecherchen zwar relevant sind, aber nicht im betrieblichen Prozess mit klarem Wertschöpfungsbeitrag genutzt werden. Die Menge der wertschöpfenden Informationen ist also eine echte Teilmenge aller relevanten Informationen, wodurch das Prinzip der strengen Überschneidungsfreiheit der IQ-Dimensionen an dieser Stelle nur abgeschwächt gilt. Als Änderung gegenüber dem Konzept von Wang und Strong sind 2 Punkte hervorzuheben. Zum ersten wird Sicherheit (access security) nicht als originäre IQDimension angesehen. Diese Eigenschaft von Information(ssystemen) hat nämlich keinen Einfluss auf die Qualität von Information aus Sicht des Anwenders, die nicht durch die übrigen 15 IQ-Dimensionen beschrieben werden könnte. Etwas überspitzt könnte man diese Argumentationsweise so formulieren, dass es auch bei der Beschreibung der Nutzungseigenschaften von technischen Geräten nicht darauf ankommt, ob diese durch Patente geschützt sind oder nicht. Zum zweiten wird die ursprünglich als überflüssig erachtete IQ-Dimension „ease of operation“ gesondert aufgeführt, da dieser Aspekt der Informationsqualität von Wang und Strong in vielen späteren Veröffentlichungen als „ease of manipulation“ wieder aufgenommen worden ist. Im nachfolgenden Abschnitt 1.2.1 werden die 15 IQ-Dimensionen mit ihren Definitionen aufgelistet. Im Abschnitt 1.2.2 werden die 15 IQ-Dimensionen zu 4 Kategorien zusammengefasst und in einer graphischen Darstellung abgebildet, die es erlaubt, die 15 Dimensionen und 4 Kategorien in ihrem inhaltlichen Zusammenhang zu erfassen. Im Abschnitt 1.2.3 folgen dann 15 deutsche Begriffe jeweils mit der englischen Bezeichnung der IQ-Dimension und Beispiele zur Beschreibung der Informationsqualität.

27

A Informationsquelität Grundlagen

2.2.1 Die 15 IQ-Dimensionen im Überblick: 1) Zugänglichkeit (accessibility): Informationen sind zugänglich, wenn sie anhand einfacher Verfahren und auf direktem Weg für den Anwender abrufbar sind. 2) Angemessener Umfang (appropriate amount of data): Informationen sind von angemessenem Umfang, wenn die Menge der verfügbaren Information den gestellten Anforderungen genügt. 3) Glaubwürdigkeit (believability): Informationen sind glaubwürdig, wenn Zertifikate einen hohen Qualitätsstandard ausweisen oder die Informationsgewinnung und -verbreitung mit hohem Aufwand betrieben werden. 4) Vollständigkeit (completeness): Informationen sind vollständig, wenn sie nicht fehlen und zu den festgelegten Zeitpunkten in den jeweiligen ProzessSchritten zur Verfügung stehen. 5) Übersichtlichkeit (concise representation): Informationen sind übersichtlich, wenn genau die benötigten Informationen in einem passenden und leicht fassbaren Format dargestellt sind. 6) Einheitliche Darstellung (consistent representation): Informationen sind einheitlich dargestellt, wenn die Informationen fortlaufend auf dieselbe Art und Weise abgebildet werden. 7) Bearbeitbarkeit (ease of manipulation): Informationen sind leicht bearbeitbar, wenn sie leicht zu ändern und für unterschiedliche Zwecke zu verwenden sind. 8) Fehlerfreiheit (free of error): Informationen sind fehlerfrei, wenn sie mit der Realität übereinstimmen. 9) Eindeutige Auslegbarkeit (interpretability): Informationen sind eindeutig auslegbar, wenn sie in gleicher, fachlich korrekter Art und Weise begriffen werden. 10) Objektivität (objectivity): Informationen sind objektiv, wenn sie streng sachlich und wertfrei sind. 11) Relevanz (relevancy): Informationen sind relevant, wenn sie für den Anwender notwendige Informationen liefern. 12) Hohes Ansehen (reputation): Informationen sind hoch angesehen, wenn die Informationsquelle, das Transportmedium und das verarbeitenden System im Ruf einer hohen Vertrauenswürdigkeit und Kompetenz stehen. 13) Aktualität (timeliness): Informationen sind aktuell, wenn sie die tatsächliche Eigenschaft des beschriebenen Objektes zeitnah abbilden. 14) Verständlichkeit (understandability): Informationen sind verständlich, wenn sie unmittelbar von den Anwendern verstanden und für deren Zwecke eingesetzt werden können. 15) Wertschöpfung (value-added): Informationen sind wertschöpfend, wenn ihre Nutzung zu einer quantifizierbaren Steigerung einer monetären Zielfunktion führen kann.

28

2 Informationsqualität – Definitionen, Dimensionen und Begriffe

2.2.2 Graphische Darstellung der 15 IQ-Dimensionen und 4 IQ-Kategorien Die 15 IQ-Dimensionen beschreiben die Informationsqualität umfassend. Jede einzelne IQ-Dimension ist ein kritischer Erfolgsfaktor für das Funktionieren eines Informationssystems, d. h. erst wenn alle IQ-Dimensionen eine hohe oder zumindest ausreichende Qualität aufweisen, ist die Funktionsfähigkeit eines Informationssystems gewährleistet. Z.B. sind vollständige und fehlerfreie Informationen, die jedoch für den Anwender nicht leicht zugänglich sind, ungeeignet für zeitkritische Prozesse. In der Abbildung 1 wird dies durch die Positionierung der Informationsqualität (IQ) im zentralen Kreis in der Mitte dargestellt: Informationen müssen den vom Nutzer verlangten Zweck erfüllen („fit for use“-Konzept), erst dann sind sie „rund“.

Bearbeitbarkeit

Zugänglichkeit

hohes Ansehen

Aktualität

systemunterstützt Wertschöpfung Fehlerfreiheit Vollständigkeit

Angemessener Umfang

zweckabhängig

IQ

inhärent Objektivität

darstellungsbezogen

Glaubwürdigkeit

Relevanz Verständlichkeit Übersichtlichkeit

einheitliche Darstellung

eindeutige Auslegbarkeit

Abbildung 1: 15 IQ-Dimensionen in 4 IQ-Kategorien

Die vom IQ-Kreis ausgehenden vier Dreiecke beleuchten die 15 Dimensionen der Informationsqualität – wie das Licht eines Leuchtturms, das nacheinander in die 4 Himmelsrichtungen scheint. Sie bilden zusammen ein Rechteck. Die geometrische Figur Rechteck weist darauf hin, dass es grundsätzlich keine wichtigen oder weniger wichtigen Dimensionen der Informationsqualität gibt. Mit den 15 Dimensionen können alle denkbaren Qualitätsaspekte von Informationen aus Anwendersicht beschrieben werden. Der Nutzer von Informationen kann die Qualitätsaspekte aus

29

A Informationsquelität Grundlagen seiner Sicht priorisieren, aber erst, nachdem er über alle 15 Dimensionen nachgedacht hat, also bildlich gesprochen erst, nachdem er sich durch Blicke in alle 4 Himmelsrichtungen orientiert hat. Um die Darstellung übersichtlicher zu gestalten, wurden vier Ordnungsbegriffe für Gruppen von IQ-Dimensionen entwickelt, die sogenannten IQ-Kategorien. In Abbildung 1 wird dies durch das innere Rechteck dargestellt, welches die 4 Kategorien umschließt, zu denen sich die 15 Dimensionen der Informationsqualität zusammenfassen lassen. Die Gruppierung der IQ-Dimensionen ist gestützt auf eine Umfrage unter IT-Anwendern, die in 80% der Fälle dieselben IQ-Dimensionen in Gruppen zusammengefasst haben [Wang & Strong 1996, S. 19]. Es gibt die inhärente, systemunterstützte, darstellungsbezogene und zweckabhängige Informationsqualität (siehe Abb. 1). Die systemunterstützte IQ-Kategorie umfasst die IQDimensionen Zugänglichkeit und Bearbeitbarkeit. Die IQ-Dimensionen hohes Ansehen, Fehlerfreiheit, Objektivität und Glaubwürdigkeit sind Merkmale, die den Daten bzw. Informationen inhärent sind. Die darstellungsbezogene IQ-Kategorie umfasst die IQ-Dimensionen Verständlichkeit, Übersichtlichkeit, einheitliche Darstellung und eindeutige Auslegbarkeit. Die IQ-Dimensionen Aktualität, Wertschöpfung, Vollständigkeit, Angemessener Umfang und Relevanz beschreiben die Informationsqualität im Hinblick auf die zweckabhängige IQ-Kategorie. Betrachtet man die vier Kategorien, die gebildet wurden, kann man feststellen, dass diese ein Ordnungskonzept repräsentieren – die Gruppierung der IQDimensionen erfolgt anhand von inhaltlichen Zusammenhängen in Bezug auf den Untersuchungsgegenstand zur Beurteilung der Qualität von Information bzw. Daten. Der Zusammenhang zwischen den IQ-Kategorien und den Untersuchungsgegenständen ist in Tabelle 1 dargestellt. Tabelle 1: Jede Kategorie wird einem spezifischen Untersuchungsgegenstand zugeordnet

IQ-Kategorie

Untersuchungsgegenstand

systemunterstützt

System

inhärent

Inhalt

darstellungsbezogen

Darstellung

zweckabhängig

Nutzung

Die systemunterstützten IQ-Dimensionen Zugänglichkeit und Bearbeitbarkeit können nur untersucht werden, indem man sich das datenverarbeitende System und seine Benutzeroberfläche anschaut. Untersuchungsgegenstand für die Bewertung der systemunterstützten Informationsqualität ist also das System zur Informations- bzw. Datenverarbeitung. Die dateninhärenten IQ-Dimensionen hohes Ansehen, Fehlerfreiheit, Objektivität und Glaubwürdigkeit können nur mit einer Untersuchung des Inhaltes der Daten/Informationen eingeschätzt werden. Darstel-

30

2 Informationsqualität – Definitionen, Dimensionen und Begriffe lungsbezogene Dimensionen wie Verständlichkeit, Übersichtlichkeit, einheitliche Darstellung und eindeutige Auslegbarkeit können nur unter Berücksichtigung der eigentlichen Darstellung, zum Beispiel in Form von Grafiken, Statistiken oder Berichten, beurteilt werden. Die zweckabhängigen Dimensionen Aktualität, Wertschöpfung, Vollständigkeit, Angemessener Umfang und Relevanz können nur unter Berücksichtigung der eigentlichen Nutzung in den Unternehmensprozessen geprüft werden. Soll zum Beispiel die IQ-Dimension Fehlerfreiheit untersucht werden, bewertet man den Inhalt der entsprechend relevanten Daten. Bei einer Untersuchung der Übersichtlichkeit hingegen werden die eigentlichen Inhalte der Daten nicht betrachtet, sondern nur ihre Darstellung. Eine Untersuchung der Qualität in diesen beiden Dimensionen erfordert damit eine Betrachtung von zwei unterschiedlichen Gegenständen: Inhalt und Darstellung. Die vier Untersuchungsgegenstände können gemeinsam als die organische Struktur der Informationsverarbeitung eines Unternehmens bezeichnet werden. Abbildung 2 zeigt die Zusammenhänge dieser vier Untersuchungsgegenstände in einem Unternehmen.

Nutzung System Inhalt

13,50 € 14,60 € 19,52 € Maria Müller 256,23 € Volker Völler 445,00 € Paul Peters 19.02.2007 Nina Nun 28.06.2005 Horst Heil 01.01.2000 16.08.2001 26.09.1978

Darstellung

Abbildung 2: Die Untersuchungsgegenstände der Informationsqualität

31

A Informationsquelität Grundlagen Kern eines jeden Informationssystems sind die Inhalte, die verarbeitet werden. Die Inhalte werden im System bzw. in Systemen verarbeitet und innerhalb des Unternehmens weitergeleitet. Die Inhalte werden mithilfe der Systemfunktionalitäten für die Nutzer in eine Darstellung überführt. Alle Prozesse der Informationsverarbeitung und Bereitstellung laufen im Kontext der Unternehmensprozesse unter Berücksichtigung der Nutzung ab. Die Unternehmensprozesse umfassen damit Systeme, Inhalte und Darstellung. Die Abbildung 2 soll veranschaulichen, dass die einzelnen gleichwertig zu betrachtenden Untersuchungsgegenstände der Informationsqualität ineinander verschachtelt sind. Gleichzeitig soll die Abbildung 2 eine Orientierungshilfe für die Entscheidung im Rahmen einer Bewertung von Informationsqualität darstellen.

2.2.3 Die 15 IQ-Dimensionen: Definitionen und Beispiele Im Folgenden werden die 15 IQ-Dimensionen definiert. Die Abschnitte zu den jeweiligen IQ-Dimensionen folgen dabei immer einem gleichen Aufbau: Nach einem deutschen Begriff mit dem englischen Wort aus der Untersuchung von Wang und Strong [Wang & Strong 1996] folgt eine kurze beschreibende, definitorische Begriffsbestimmung. Daran schließen sich jeweils positive und negative Beispiele zur Bestimmung der IQ-Dimension an. In einzelnen Fällen wird die kurze Definition durch eine erläuternde Anmerkung gegen andere Begriffe abgegrenzt bzw. genauer umschrieben.

2.2.3.1 Zugänglichkeit (accessibility): Informationen sind zugänglich, wenn sie anhand einfacher Verfahren und auf direktem Weg für den Anwender abrufbar sind.

Stammdaten Nach telefonischem Geschäftsabschluss eines Wertpapierhandelsgeschäfts bearbeitet das Back Office das Geschäft anhand der handgeschriebenen Angaben auf dem Händlerticket. Der Name des Kunden ist nicht lesbar. Nur die Kundennummer steht zur Verfügung. (positiv) Das Kundenstammdaten-System steht dem Back Office zur Verfügung und kann mit einfachem Login aufgerufen werden. (negativ) Das Kundenstammdaten-System steht dem Back Office aufgrund eines Systemfehlers nicht zur Verfügung. Der Name des Kunden kann nur per telefonische Rückfrage im Handel erfragt werden. Bewegungsdaten Nach Geschäftsabschluss im Front Office erstellt der Händler ein sog. Händlerticket mit Informationen zum Kunden und zu den Geschäftsbedingungen, welches an das Back Office zur Abwicklung weitergeleitet wird.

32

2 Informationsqualität – Definitionen, Dimensionen und Begriffe (positiv) Das Händlerticket wird auf elektronischem Weg an das Back Office System weitergeleitet und wird vom Back Office Mitarbeiter als neues Geschäft im System identifiziert und bearbeitet. (negativ) Das Händlerticket soll per Fax an das Back Office weitergeleitet werden. Durch einen Defekt der Telekommunikation erhält das Back Office das Fax nicht. Die Informationen sind damit vorhanden, jedoch im nächsten Prozess-Schritt nicht verfügbar.

2.2.3.2 Angemessener Umfang (appropriate amount of data): Informationen sind von angemessenem Umfang, wenn die Menge der verfügbaren Information den gestellten Anforderungen genügt.

Sowohl die Anzahl der Attribute pro Datensatz als auch die Anzahl der Datensätze selbst sollen für die gestellten Anforderungen einerseits ausreichend, andererseits aber auch nicht überflüssig groß sein. Stammdaten Für eine Rückfrage bei einem Kunden zu einem Auftrag wird ein Kontaktmanagementsystem aufgerufen. (Positiv) Der Mitarbeiter hat die Möglichkeit über die Eingabe der Kundennummer oder des Kundennamens die Telefonnummer angezeigt zu bekommen. (Negativ) Über die Abfrage mit der Kundennummer oder dem Kundennamen erhält der Mitarbeiter alle bislang erfassten Informationen zum Kunden. In der Abteilung für die Vertragerstellung benötigt der Sachbearbeiter umfassende Informationen zum Kunden. (positiv) Im oben genannten Kontaktmanagementsystem stehen alle Informationen zur Verfügung. (negativ) Im Kontaktmanagementsystem fehlen für diesen Prozess wesentliche Informationen zum Kunden. Bewegungsdaten Aus einer Kundendatenbank sollen die Kunden mit besonders hohem Kaufpotential ausgewählt werden. (positiv) Es existieren vergleichsweise viele Kundentransaktionen pro Kunde in der Datenbank, so dass sich aus den Kaufhistorien der einzelnen Kunden Rückschlüsse auf deren Kaufverhalten ziehen lassen. (negativ) Ist das Unternehmen jedoch neu am Markt oder wurden aus anderen Gründen bisher nur einzelne wenige Kundentransaktionen erfasst, dann ist die Anforderung Kaufpotentialeinschätzung aufgrund der Kaufhistorie nicht zu erfüllen. Die Menge der verfügbaren Information ist im Sinne der Anzahl der verfügbaren Datensätze nicht ausreichend.

33

A Informationsquelität Grundlagen Anmerkung: Dies muss nicht notwendigerweise eine Verletzung der IQ Dimension Vollständigkeit bedeuten, weil etwa Pflichtfelder leer sind. Wichtig ist hier, dass die vorhandene Information kein umfassendes Bild des Kunden wiedergibt.

2.2.3.3 Glaubwürdigkeit (believability): Informationen sind glaubwürdig, wenn Zertifikate einen hohen Qualitätsstandard ausweisen oder die Informationsgewinnung und -verbreitung mit hohem Aufwand betrieben werden.

Für die Glaubwürdigkeit ist maßgebend, inwiefern die aktuell vorliegenden Informationen als vertrauenswürdig und zuverlässig angesehen werden – also durch eine deduktive Qualitätsbeurteilung. Entscheidend dafür ist die Aufmachung der Daten. Hier geht es im Kern um ein gutes Marketing der Informationen. Stammdaten (positiv) Eine vom Statistischen Bundesamt herausgegebene Informationsbroschüre zur Bevölkerungsentwicklung besitzt eine hohe Glaubwürdigkeit, und zwar unabhängig davon, inwieweit die Daten vollständig, fehlerfrei, eindeutig auslegbar, objektiv richtig, aktuell und verständlich sind. (negativ) Aufzeichnungen von Wetterdaten, deren Herausgeber unbekannt ist, haben dagegen eine niedrigere Glaubwürdigkeit. Bewegungsdaten (positiv) Daten aus einem mit großem Aufwand entwickelten Produktionsplanungs- und Steuerungssystem, die den Nutzern am PC zur Verfügung stehen, sind glaubwürdig. (negativ) Lediglich handschriftliche Aufzeichnungen der Mitarbeiter in der Produktion.

2.2.3.4 Vollständigkeit (completeness): Informationen sind vollständig, wenn sie nicht fehlen und zu den festgelegten Zeitpunkten in den jeweiligen Prozess-Schritten zur Verfügung stehen.

Informationen sind pünktlich, wenn sie zu einem festgelegten Zeitpunkt in einem bestimmten Prozessschritt zur Verfügung stehen. Durch diese Integration der Zeitdimension in die Definition der Vollständigkeit ist eine eigenständige, zusätzliche Dimension Pünktlichkeit nicht erforderlich. Vollständigkeit lässt sich in unterschiedlichen Ausprägungen beschreiben; so kann die Vollständigkeit z.B. für ein Schema, eine Tabelle oder eine Spalte ermittelt werden. Dabei ist es essentiell festzulegen, gegen welche Menge die Vollständigkeit verprobt wird.

34

2 Informationsqualität – Definitionen, Dimensionen und Begriffe Stammdaten (positiv): In der Vertriebsdatenbank eines Unternehmens ist für jedes Bundesland – wie verlangt – mindestens ein Vertriebsbeauftragter festgelegt. (negativ): Obwohl der Vertrieb des Unternehmens nach Bundesländern strukturiert ist, lässt sich für ein Bundesland kein Vertriebsbeauftragter ermitteln. Bewegungsdaten (positiv): Die monatliche Materialbestellung bei den Lieferanten erfolgt erst dann, wenn die Bedarfsmeldungen aller Filialen vorliegen. Dadurch wird sichergestellt, dass der Materialfluss in den Filialen nicht abreißt, bzw. dass fehlende Bedarfsmeldungen schnell identifiziert werden. (negativ): Die monatliche Materialbestellung erfolgt immer zum Stichtag, unabhängig davon, ob alle Filialen ihren Bedarf gemeldet haben. Dies kann zu dem Problem führen, dass in Filialen eine Materialunterdeckung entsteht, die nur durch aufwändige Nachbestellungen, Materialaustausch etc. behoben werden kann.

2.2.3.5 Übersichtlichkeit (concise representation): Informationen sind übersichtlich, wenn genau die benötigten Informationen in einem passenden und leicht fassbaren Format dargestellt sind.

Stammdaten Darstellung der Basis-Adressdaten eines Personenstammsatzes. (positiv) Brauchbare Verdichtung, gute Übersichtlichkeit analog dem Satzaufbau einer Visitenkarte: Martin Mustermann Bahnhofstr. 116 98999 X-Stadt Tel.: 0110-8877663 [email protected] (negativ) Zu starke Verdichtung durch Darstellung in einem fortlaufenden String: „MartinMustermannBahnhofstr.11698999X-Stadt01108877663m.musterm@tel.com“. Mit Zusatzinformationen überfrachtete Darstellung der strukturierten Adresse: ANREDE GESCHLECHT VORNAME NACHNAME TITEL STRASSENADRESSE HAUSNUMMER usw.

Herr Martin Mustermann Bahnhofstr. 116a

35

A Informationsquelität Grundlagen Bewegungsdaten Währungs-Wechselkursentwicklung der letzten drei Monate. (positiv) Übersichtliche Darstellung in Candle-Stick-Chart (dadurch auf einen Blick: Eröffnungskurs, Schlusskurs, Höchst- und Niedrigstkurs sowie Richtung zwischen Eröffnungs- und Schlusskurs je Handelstag). (negativ) Zu starke Verdichtung durch Darstellung aller im Handelssystem realisierten Wechselkurse in einer einzigen Kurve (dadurch verschwimmt die Darstellung zu einem Band mit wechselnder Breite, Zeit- und Datumslinien erschweren die Lesbarkeit). Unübersichtliche Darstellung wegen mangelnder Verdichtung: Darstellung der Wechselkurse in einer Tabelle über mehrere Seiten oder Darstellung in vier gleichfarbigen Kurven übereinander (Eröffnungskurs, Schlusskurs, Höchstkurs, Niedrigstkurs). Durch Kurvenüberschneidungen wirkt diese Darstellung unübersichtlich.

2.2.3.6 Einheitliche Darstellung (consistent representation): Informationen sind einheitlich dargestellt, wenn die Informationen fortlaufend auf dieselbe Art und Weise abgebildet werden.

Eine einheitliche Darstellung bedeutet, dass ein Sachverhalt im selben Format, Layout und mit demselben Wertevorrat beschrieben wird, unabhängig vom Zeitpunkt (gestern, heute, letztes Jahr) und dem Datenerfasser. D.h. insbesondere, dass die Darstellung die selbe sein soll, auch wenn die Datenerfasser an verschiedenen Standorten arbeiten, aus unterschiedlichen Kulturkreisen stammen oder verschiedene Systeme zur Datenerfassung und Speicherung nutzen. Stammdaten Darstellung des Geschlechts einer Person. (positiv) Wertemenge: m, w (negativ) Wertemenge: w, f, m; wobei w = weiblich und f = female Bewegungsdaten Darstellung von Datumsangaben. (positiv)

(negativ)

„01.10.2007“

„1.10.2007“

„02.10.2007“

„02.10.07“

„03.10.2007“

„3.OKT 2007“

„04.10.2007“

„4.Oktober 2007“

„05.10.2007“

„FR, 05-10-07 12:00“

36

2 Informationsqualität – Definitionen, Dimensionen und Begriffe

2.2.3.7 Bearbeitbarkeit (ease of manipulation): Informationen sind leicht bearbeitbar, wenn sie leicht zu ändern und für unterschiedliche Zwecke zu verwenden sind.

Bearbeitbarkeit ist vom Grundsatz her wertneutral zu betrachten, d.h. eine gute Bearbeitbarkeit birgt einerseits die Gefahr der gewollten oder ungewollten Verfälschung, andererseits aber auch die Möglichkeit der leichten Anpassung und universellen Verwendung. Die Informationsqualität in Bezug auf die leichte Bearbeitbarkeit ist also nur dann positiv zu bewerten, wenn sowohl eine leichte Änderbarkeit für berechtigte und eine nicht allzu leichte Manipulierbarkeit/Verfälschung für unberechtigte Datennutzer gegeben ist. Daher beziehen sich die nachfolgenden Beispiele im Positivfall auf leichte Verwendbarkeit, im Negativfall auf gewollt erschwerte Verwendbarkeit, durch die ein Schutz vor ungewollter Verfälschung erreicht werden soll. Stammdaten (positiv) Die E-Mail-Adresse ist als mailto:-Link angegeben. Hier kann wahlweise der Link angeklickt und der E-Mail-Client gestartet werden oder die E-MailAdresse kann kopiert und an anderer Stelle eingefügt werden. (negativ) Die E-Mail-Adresse ist als Grafik angegeben, um sich vor E-MailAdressen-sammelnden Robots zu schützen. Hier muss die E-Mail-Adresse für beide o. g. Anwendungsfälle abgetippt werden. Bewegungsdaten (positiv): Bei der Bestellung über das Internet wird dem Kunden ein Vorschlag für die Konfektionierung des bestellten Produkts gemacht. Der Kunde kann alle Vorschlagswerte nach seinem Bedarf überschreiben, das System selber prüft, ob die Kundenvorschläge realisierbar sind. (negativ): Bei der Bestellung über das Internet wird neben Benutzerdaten und Passwort je Transaktion eine PIN abgefragt. Durch alleiniges Wissen der Benutzerdaten ist damit eine Transaktion nicht manipulierbar bzw. eine Bestellung nicht auslösbar.

2.2.3.8 Fehlerfreiheit (free of error): Informationen sind fehlerfrei, wenn sie mit der Realität übereinstimmen.

In Informationssystemen abgelegte Daten sind meist zwangsläufig eine Vergröberung der Realität. Übereinstimmung mit der Realität wird daher an dieser Stelle als Widerspruchsfreiheit zur Realität verstanden. Die Genauigkeit selbst ist ebenfalls Teil der Fehlerfreiheit. Eine ungenau erfasste Adresse, z.B. Prime Minister, Downing Street 12, führt durch den Fehler in der Hausnummer nicht zwangsläufig dazu, dass ein Brief nicht zugestellt werden kann.

37

A Informationsquelität Grundlagen Stammdaten (negativ) Bundestag, 11111 Bärlin (positiv) Deutscher Bundestag, 11011 Berlin Bewegungsdaten (positiv) Bei jedem Verkauf eines Produktes wird die verkaufte Menge korrekt erfasst, so dass das Warenlager verlässlich automatisch wieder aufgefüllt werden kann. (negativ) Eingabefehler im Warenwirtschaftssystem führen zu Abweichungen vom tatsächlichen Warenbestand, was zu Lieferengpässen wegen fehlender Nachbestellung führt.

2.2.3.9 Eindeutige Auslegbarkeit (interpretability): Informationen sind eindeutig auslegbar, wenn sie in gleicher, fachlich korrekter Art und Weise begriffen werden.

Dabei ist maßgebend, dass die Informationen in geeigneter Sprache und Symbolen ausgedrückt und so klar formuliert sind, dass sie auf dem Weg vom Datensammler über alle Umwandlungsprozesse bis zum Nutzer stets in gleicher, fachlich korrekter Art und Weise begriffen werden. Stammdaten Die Laufzeit von Briefen kann beschrieben werden als Differenz zwischen dem Einlieferungsdatum und dem Auslieferungsdatum, ausgedrückt in jeweils vollen Tagen, unter Berücksichtigung des spätesten Entsorgungszeitpunktes der Einlieferungsstelle, ohne Berücksichtigung von Tagen ohne Zustellung. (positiv) Die „Laufzeit von Briefen“ ist eindeutig auslegbar, wenn die Merkmale (z. B. Einlieferungsdatum, Tag, Einlieferungsstelle) die internen Kundenanforderungen vollständig berücksichtigen, diese fehlerfrei definieren und dabei so klar beschreiben, dass alle Mitarbeiter dies in gleicher Weise begreifen. (negativ) Wären z. B. die „Tage ohne Zustellung“ oder die „spätesten Entsorgungszeitpunkte“ nicht eindeutig definiert und beschrieben, wäre die Laufzeit von Briefen nicht eindeutig auslegbar. Bewegungsdaten (positiv) Die in einem Aufgabenbereich eingesetzte Arbeitszeit könnte verschieden ausgedrückt sein: 1,5 Std oder 1h 30 min oder 90 min oder auch -1,75 Std oder -1h45min. Auch wenn diese Arbeitszeit mit einem negativen und damit offensichtlich falschen Wert angezeigt wird, ist dieser Wert immer noch eindeutig auslegbar.

38

2 Informationsqualität – Definitionen, Dimensionen und Begriffe (negativ) Die Erfassung der in einem Aufgabenbereich eingesetzten Arbeitszeit erfolgt in Tagen, wobei nicht definiert ist, ob es sich um die kalendarische Dauer von Beginn bis Ende der Arbeit oder die netto eingesetzten Arbeitstage handelt.

2.2.3.10 Objektivität (objectivity): Informationen sind objektiv, wenn sie streng sachlich und wertfrei sind.

Die Informationen müssen frei von Vorurteilen und unbefangen sein. Dies trifft grundsätzlich auf Rohdaten zu. Eine Bewertung und Messung von Objektivität kann nur in Kenntnis des Daten generierenden Prozesses vorgenommen werden. Im Umkehrschluss lässt sich Objektivität durch das Fehlen subjektiver Einflüsse definieren. Stammdaten Informationen über Herkunftsländer von Kunden im Kundenstammdatensatz. (positiv): Im Feld Land ist nur das Land in seiner offiziellen Bezeichnung enthalten: „Deutschland“ oder „Ghana“. Einträge wie „Sicher“ oder „Unsicher“ sind dann objektiv, wenn diese Einschätzung durch einen unabhängigen Sachverständigen anhand von festgelegten Kriterien vorgenommen wird. (negativ): Das Land wird um einen Zusatz wie „Entwicklungsland“, „Förderungswürdig“, „Sicher“ oder „Unsicher“ ergänzt. Dies ist nicht objektiv, wenn die Einschätzung auf Basis einer subjektiven Meinung des Informationsgebers getroffen wurde. Bewegungsdaten Für eine Wetterprognose werden die Wetterdaten der letzten Jahre an einem bestimmten Standpunkt benötigt. (positiv): Eine Übersicht enthält nur die Temperaturangaben. (negativ): Wetterdaten mit dem Zusatz „gutes Wetter“ oder „schlechtes Wetter“, wenn der Zusatz eine rein persönliche Präferenz wiedergibt, z.B. Schneefall = „schlechtes Wetter“.

2.2.3.11 Relevanz (relevancy): Informationen sind relevant, wenn sie für den Anwender notwendige Informationen liefern.

Notwendigkeit ist in diesem Zusammenhang nicht als mathematisch zwingende Bedingung für den Erfolg einer Entscheidung zu sehen. Vielmehr geht es darum, die Notwendigkeit der jeweiligen Information für eine Verbesserung der Zielerreichung zu beschreiben. D. h. auch wenn eine Information nur mit einer gewissen

39

A Informationsquelität Grundlagen Wahrscheinlichkeit zu einer besseren Entscheidung führt, so ist diese Information für sich allein betrachtet doch notwendig, um diese Verbesserung zu erreichen. Die Abgrenzung zur IQ-Dimension „Wertschöpfung“ (value-added) liegt darin, dass Informationen relevant sein können, aber nicht unbedingt immer einen konkret quantifizierbaren, monetären Wertschöpfungsbeitrag leisten. Stammdaten Personendaten, die in CRM-Systemen (Customer Relation Management System) als Kontakt zu Firmenkunden dienen. (positiv) Der Vorname „Franz“ ist relevant für die Dublettenvermeidung im CRMSystem. (negativ) Sehr geringe bzw. keine Relevanz hat die Augenfarbe „graugrün“. Bewegungsdaten Zeitangabe aus Logistikprozess oder Produktion. (positiv) Eine hohe Relevanz hat die sekundengenaue Bestimmung des Zeitpunktes für den Start einer Rakete zur ISS (Internationale Raumstation). (negativ) Sehr geringe bzw. keine Relevanz hat die sekundengenaue Zeitangabe zum Anlieferungszeitpunkt von Rohstofflieferungen.

2.2.3.12 Hohes Ansehen (reputation): Informationen sind hoch angesehen, wenn die Informationsquelle, das Transportmedium und das verarbeitenden System im Ruf einer hohen Vertrauenswürdigkeit und Kompetenz stehen.

Ein hohes Ansehen ist das Ergebnis von länger andauernden positiven Erfahrungen mit einer Informationsquelle (inkl. Transport und Weiterverarbeitung) – quasi eine induktive Qualitätsbeurteilung. Das Ansehen spielt vor allem dann eine Rolle, wenn andere Dimensionen der Informationsqualität wie z.B. Fehlerfreiheit nicht oder nur unzureichend gemessen werden können. Stammdaten (positiv): Die aus einer Call-Center-Applikation übernommenen Telefonnummern genießen ein hohes Ansehen, wenn die Erfahrung gemacht wurde, dass in dem System nur Telefonnummern gespeichert werden, unter denen die entsprechende Person erreicht wurde. (negativ): Die aus einem Webportal übernommenen Telefonnummern haben kein hohes Ansehen, da erfahrungsgemäß Interessenten in dieses Pflichtfeld häufig fiktive Telefonnummern eintragen.

40

2 Informationsqualität – Definitionen, Dimensionen und Begriffe Bewegungsdaten (positiv): Bei Rechnungen, die von Abteilung Y erstellt werden, könnte die Gesamtsumme der Rechnung ein hohes Ansehen haben, da dort manuell berechnete Rabatte von einer weiteren Person geprüft werden und dadurch bisher Rechenfehler immer entdeckt wurden. (negativ) Bei Rechnungen, die von Abteilung X erstellt werden, könnte die Gesamtsumme der Rechnung ein niedriges Ansehen haben, da dort Rabatte manuell abgezogen werden und es dabei in der Vergangenheit immer wieder zu Rechenfehlern kam.

2.2.3.13 Aktualität (timeliness): Informationen sind aktuell, wenn sie die tatsächliche Eigenschaft des beschriebenen Objektes zeitnah abbilden.

Bei Aktualität von Information wird auf die Zeitdimension der Anpassung von Informationen an Änderungen in der realen Welt abgehoben. In diesem Sinne besteht ein enger Zusammenhang mit der Dimension Fehlerfreiheit. Pünktlichkeit (der Informationsbereitstellung) wird hingegen als Zeitdimension der Vollständigkeit betrachtet und nicht als eigenständige IQ-Dimension angesehen. Wenn sich die Nutzung der Informationen im Laufe der Zeit verändert, kann das eine Änderung der Anforderungen an die Information zur Folge haben. Dies stellt jedoch keine Änderung der Informationsqualität dar. Stammdaten Organisations-Kürzel in Controlling-Reports. (positiv): Perfekte Aktualität wäre gegeben, wenn die Organisationskürzel nach jeder Änderung in den Report-Formularen vor der Nutzung an die geänderte Realität angepasst sind. Alle generierten Analysen und Reports, die die Entscheidungsträger nutzen, berücksichtigen zum Zeitpunkt der Reporterstellung die durchgeführte Organisationsänderung. (negativ): Inakzeptabel wäre es, wenn die Anpassung geschäftskritischer Stammdaten so erfolgen würde, dass entsprechende Reports und Analysen nicht termingerecht erstellt werden könnten. Bewegungsdaten (positiv): Währungswechselkurse werde in einem Händlerinformationssystem alle 1-3 Sekunden an die geänderten Marktdaten angepasst. Dies erlaubt die Nutzung der Wechselkursinformation für kurzfristige Kauf- oder Angebotsentscheidungen. (negativ): Die Währungswechselkurse werde in einem Händlerinformationssystem mit 30 Sekunden Verspätung an die geänderten Marktdaten angepasst. Die Wechselkursinformationen können nicht mehr für kurzfristige Kauf- oder Angebotsentscheidungen herangezogen werden.

41

A Informationsquelität Grundlagen

2.2.3.14 Verständlichkeit (understandability): Informationen sind verständlich, wenn sie unmittelbar von den Anwendern verstanden und für deren Zwecke eingesetzt werden können.

Stammdaten (positiv) Der Wohnort eines Kunden, an den Ware gesendet werden soll, ist als Adresse "Enge Gasse 17, 49152 Frankheim" erfasst. (negativ) Wohnort eines Kunden, an den Ware gesendet werden soll, ist als GPSKoordinate „642.85/156.50“ erfasst. Bewegungsdaten (positiv) Ein Produkt wird im Klartext „Deckenleuchte ‚matt’, 40 Watt,“ beschrieben. (negativ) Ein Produkt wird über eine Referenznummer „324-454-001“ beschrieben, die erst zusammen mit dem Produktionsdatum verständlich wird.

2.2.3.15 Wertschöpfung (value-added): Informationen sind wertschöpfend, wenn ihre Nutzung zu einer quantifizierbaren Steigerung einer monetären Zielfunktion führen kann.

Der Wertschöpfungsbeitrag von Information hängt direkt davon ab, dass die Nutzung der Information (Entscheidung) einen konkreten Wert im Sinne einer monetären Zielfunktion (Gewinn, Umsatz) hat. Der Wertschöpfungsbeitrag der Information bemisst sich dann an der Differenz zwischen dem Wert der Zielfunktion, der ohne die Information erreichbar wäre, und dem Wert, der durch die Nutzung der Information erreichbar ist. Da Informationen auch falsch genutzt oder (irrtümlich) ignoriert werden können, ist der Wertschöpfungsbeitrag einer Information auch dann gegeben, wenn sie nicht genutzt wird. Siehe auch die Anmerkung zu Relevanz (relevancy). Stammdaten Angaben zu Personen, die potenzielle Kunden sind, in Bezug auf die Zielfunktion Umsatz: (positiv) Der Nachname hat eine hohe Wertschöpfung, da durch die personalisierte Ansprache bei Direktmarketing der Erfolg (z.B. Bestellwahrscheinlichkeit, Umsatz) deutlich gesteigert werden kann. (negativ) Geschlechtsangaben haben eine niedrige Wertschöpfung, wenn gleichzeitig Anrede (Herr/Frau) und Vorname bekannt sind.

42

2 Informationsqualität – Definitionen, Dimensionen und Begriffe Bewegungsdaten Dokumentation eines Gesprächs in einem Call-Center in Bezug auf die Zielfunktion Reklamationsbearbeitung für Umsatz/ Kundenretention: (positiv) Die Wertschöpfung eines Gesprächsprotokolls zu einer ProduktReklamation ist hoch, wenn durch die Reaktion auf die Reklamation ein Kunde gehalten werden kann. (negativ) Die Wertschöpfung eines Gesprächsvermerks, in dem nur Datum und Uhrzeit vermerkt sind, ist ohne Vermerk des Gesprächsinhalts, Name und Kontaktdaten des Anrufers sehr gering.

2.2.3.16 Vollständigkeit der IQ-Dimensionen Die genannten 15 IQ-Dimensionen beschreiben die Anforderungen an Information aus Anwendersicht vollumfänglich. Es gibt jedoch einige Aspekte der Informationsqualität, die von Anwendern als sehr wichtig eingestuft werden, aber auf den ersten Blick scheinbar nicht durch die genannten IQ-Dimensionen abgedeckt werden. Hierzu zählt das Thema Dubletten bzw. Redundanzen (mehrfach vorhandene und veraltete Datensätze). Dass Dubletten und Redundanzen per se keine relevanten oder wertschöpfenden Daten für den Informationsnutzer darstellen, liegt auf der Hand. Dieser Aspekt wird durch die IQ-Dimension Wertschöpfung abgedeckt. Meist enthalten die Datensätze einer Dublettengruppe keine identischen Werte, obwohl sie dasselbe reale Objekt beschreiben. Dieser Umstand erschwert das Auffinden von Dubletten und rührt daher, dass einige dieser Datensätze in einem oder mehreren Datenfeldern eine der IQ-Dimensionen Fehlerfreiheit (z.B. Tippfehler), Aktualität (z.B. neue Adresse nach Umzug), einheitliche Darstellung (z.B. „J.S.Bachstr.“ vs „Johann-Sebastian-Bach-Str.“) oder Vollständigkeit verletzen. Als weiteres Thema ist die Sicherheit in vielerlei Hinsicht ein wichtiger Aspekt bei der Beurteilung von Informationen und Informationssystemen. Allerdings können alle Teilaspekte von Sicherheit als technische Hilfsmittel angesehen werden, die zu einer Qualitätssteigerung in einer oder mehreren der 15 IQ-Dimensionen führen und somit auch durch diese erschöpfend bewertet und beschrieben werden können. Z.B. stellt die Sicherheit vor unbefugtem Zugriff durch exklusive Kennworte eine Voraussetzung für die Wertschöpfung durch die exklusive Nutzung der Information dar. Dieser Aspekt der Sicherheit wird also durch die IQ-Dimension Wertschöpfung erklärt. Die folgenden datenschutzrechtlichen Sicherheitsaspekte stellen Voraussetzungen für die Verfügbarkeit von Daten her bzw. sicher, sind aber keine eigenständigen IQ-Dimensionen. Zum ersten stellt die Sicherheit vor unbefugtem Zugriff von personenbezogenen Daten die gesetzliche Voraussetzung für die Speicherung derartiger Daten dar. Und nur durch die Speicherung kann die Zugänglichkeit sichergestellt werden. Zum zweiten wird die Sicherheit vor Datenverlust zum Beispiel

43

A Informationsquelität Grundlagen durch Notfallkonzepte für Serverfarmen erhöht und damit die dauerhafte Zugänglichkeit von Daten gewährleistet werden.

2.3 Zusammenfassung und Ausblick Informationsqualität ist ein hochkomplexes Thema, das je nach Anwendungssituation und Problemstellung durch unterschiedliche Begriffe beschrieben werden kann. In dem vorliegenden Beitrag wird ausgehend von den Anforderungen der Informations-Nutzer (fit-for-use Konzept) ein schlüssiges, umfassendes und überschneidungsfreies Konzept zur Beschreibung von Informationsqualität anhand von 15 IQ-Dimensionen vorgeschlagen. Ziel ist, die Kommunikation über Themen des IQ-Managementes durch eindeutige und einheitliche Begrifflichkeiten zu vereinfachen und zu verbessern. Durch Beispiele werden die Definitionen operationalisiert, ohne dass durch die Vorgabe von Metriken eine Einschränkung auf messbare IQ-Dimensionen erfolgt. Dieses Konzept stellt eine Grundlage des Managements von Informationsqualität in Unternehmen dar. Voraussetzung für den sinnvollen Einsatz der IQDimensionen ist, dass die Anforderungen an die Informationsqualität vom jeweiligen Anwender genau definiert werden. Einen allgemeingültigen Vorschlag hierzu kann es nicht geben, da jedes Unternehmen und sogar jede Organisationseinheit eines Unternehmens sehr unterschiedliche Anforderungen an Informationen hat. Eine prozessübergreifende Sicherstellung einer guten IQ kann nur erreicht werden, wenn die jeweiligen Datenkonsumenten/verwender/nutzer an den Schnittstellen ihre relevanten IQ-Dimensionen genau mit ihren Anforderungen unterlegen und diese auch aktuell halten. Damit hat man die Möglichkeit, die Messgegenstände zur Bewertung der IQ klar zu strukturieren und kann damit sogar ein Benchmarking innerhalb eines Unternehmens durchführen. So kann innerhalb des Prozessablaufes über verschiedene Organisationseinheiten hinweg eine steigende oder fallende IQ nachvollzogen werden. Die 15 IQ-Dimensionen und 4 IQ-Kategorien basieren auf Ergebnissen einer Umfrage unter IT-Nutzern in den USA im Jahr 1996 und können deshalb einen Praxisbezug für sich in Anspruch nehmen. Allerdings haben sich die technischen Umfeldbedingungen in den letzten 11 Jahren grundlegend geändert und damit auch die Anwendungsmöglichkeiten für Informationssysteme. Vor diesem Hintergrund erscheint es sinnvoll, eine erneute Erhebung unter IT-Nutzern durchzuführen, um zu prüfen, ob das vorliegende Konzept immer noch umfassend ist und alle relevanten Aspekte der Informationsqualität aus Anwendersicht widerspiegelt. Es wäre dann auch wünschenswert, eine Umfrage unter deutschsprachigen ITNutzern durchzuführen, um die gewählte Begrifflichkeit durch statistische Methoden abzustützen.

44

2 Informationsqualität – Definitionen, Dimensionen und Begriffe

Literaturverzeichnis [Eppler & Wittig 2000] Eppler, M. J.; Wittig, D.: Conceptualizing Information Quality: A Review of Information Quality Frameworks from the Last Ten Years. In: Proceedings of the International MIT Conference on Information Quality, Cambridge, 2000. [Hildebrand 2006] Hildebrand, K.: Stammdatenqualität – der Schlüssel für optimale Geschäftsprozesse. In: ISreport, 10. Jg., 2006, Heft 11, S. 17 - 19 [Hinrichs 2002] Hinrichs, H.: Datenqualitätsmanagement in Data WarehouseSystemen. Diss., Oldenburg, 2002 [Lee et al. 2006] Lee, Y. W.; Pipino, L. L.; Funk, J. D.; Wang, R. Y.: Journey to Data Quality.MIT Press, Cambridge, 2006 [Naumann & Rolker 2000] Naumann, F.; Rolker, C.: Assessment Methods for Information Quality Criteria. In: Proceedings of the International MIT Conference on Information Quality, Cambridge, 2000. [Wang & Strong 1996] Wang, R. Y.; Strong, D. M.: Beyond Accuracy: What Data Quality Means to Data Consumers. In: Journal of Management Information Systems, 12. Jg., 1996, Heft 4 (Spring), S. 5 - 34

45

B Methoden – Techniken – Tools – Regelwerke/Standards

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement Bernd Heinrich, Mathias Klier

1.1 Einleitung Für eine ökonomische Betrachtung der Datenqualität (DQ) und insbesondere die Planung von DQ-Maßnahmen unter Kosten-Nutzen-Aspekten sind DQ-Metriken unverzichtbar (vgl. z.B. [Heinrich & Klier 2006; Naumann 2007; Pipino et al. 2002]). Deswegen wird im Folgenden die Fragestellung aufgegriffen, wie DQ zweckorientiert und adäquat quantifiziert werden kann. Dazu werden Metriken entwickelt und vorgestellt, die zum einen eine quantitative Analyse der zum Messzeitpunkt vorhandenen DQ ermöglichen sollen, um Handlungsbedarfe zu identifizieren. Zum anderen sollen Auswirkungen auf die DQ, wie z. B. zeitlicher Verfall oder die Durchführung von DQ-Maßnahmen, zielgerichtet – durch Vergleich des DQNiveaus zu zwei oder mehreren Messzeitpunkten – untersucht werden können. Die Identifikation und Klassifikation von DQ-Dimensionen wird in einer Vielzahl von wissenschaftlichen und praxisorientierten Veröffentlichungen thematisiert (vgl. z. B. [Wang & Strong 1996, English 1999; Eppler 2003; Helfert 2002; Hinrichs 2002; Lee et al. 2002; Jarke & Vassiliou 1997; Redman 1996]). Nachfolgend werden die DQ-Dimensionen Vollständigkeit, Fehlerfreiheit, Konsistenz und Aktualität näher untersucht und mit entsprechenden Metriken versehen. Diese Dimensionen werden zum einen in wissenschaftlichen Veröffentlichungen besonders intensiv diskutiert. Zum anderen spielen die genannten Dimensionen aber auch in der Praxis eine wichtige Rolle: So fanden sich Vollständigkeit, Fehlerfreiheit, Konsistenz sowie Aktualität beispielsweise in einer Studie von Helfert, die unter 25 größeren Unternehmen in Deutschland, Österreich und der Schweiz durchgeführt wurde, allesamt unter den fünf meist genannten DQ-Dimensionen wieder (vgl. [Helfert 2002]). Neben der Selektion von betrachteten DQ-Dimensionen wird zudem im Folgenden die „fachliche“ DQ fokussiert, die hinsichtlich der Spezifikation des Datenmodells weitgehend automatisiert und objektivierbar gemessen werden soll (vgl. spezifikationsorientierte DQ bzw. Konformitätsqualität nach [Juran 1999] und [Seghezzi 1996]). Inwiefern den Anforderungen der Datenverwender bei der Spezifikation des Informationssystems Rechnung getragen wurde, ist dagegen den Bereichen Anforderungsmanagement und Bedarfsanalyse zuzurechnen und kann vor allem mittels Fragebögen und Interviews untersucht werden. Dieser Aspekt wird hier ebenso wie beispielsweise die Qualität der Datenrepräsentation, die eher auf die

49 K. Hildebrand et al. (Hrsg.), Daten- und Informationsqualität, DOI 10.1007/978-3-8348-9953-8_3, © Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011

B Methoden – Techniken – Tools – Regelwerke/Standards „technische“ DQ im Sinne von Datenformat und Datenspeicherung abzielt, nicht weiter betrachtet. Die Zusammenhänge zwischen DQ-Metriken und der Planung von DQMaßnahmen im Rahmen eines ökonomisch orientierten DQ-Managements lassen sich anhand des DQ-Regelkreises graphisch veranschaulichen (siehe Bild 1):

DQDimension

Kennzahl Kennzahl DQ-Niveau Kennzahl Kennzahl (gemessen mit DQ-Metrik)

Nutzen

DQMaßnahme

Kosten

Abbildung 1: Datenqualitätsregelkreis

Den Regler, über den in den Regelkreis eingegriffen werden kann, stellen die DQMaßnahmen dar. Die Durchführung von DQ-Maßnahmen soll dabei eine Verbesserung der DQ – gemessen anhand der Metriken – zur Folge haben, wodurch ein entsprechender ökonomischer Nutzen resultiert. Ausgehend von einem bestimmten DQ-Niveau kann umgekehrt ebenfalls mithilfe der Metriken ex ante bzw. ex post die Steigerung der DQ durch entsprechende Maßnahmen abgeschätzt bzw. gemessen werden. Werden ökonomische Maßstäbe zugrunde gelegt, muss jedoch die Auswahl der DQ-Maßnahmen unter Berücksichtigung von Kosten-NutzenGesichtspunkten erfolgen (vgl. z. B. [Campanella 1999; Feigenbaum 1991; Machowski & Dale 1998; Shank & Govindarajan 1994]). Beispielsweise würde man bei zwei zu bewertenden, sich ausschließenden Maßnahmen, aus denen (annähernd) der gleiche ökonomische Nutzen resultieren würde, nur die kostengünstigere in Betracht ziehen. Im nächsten Abschnitt werden zunächst die allgemeinen Anforderungen an DQMetriken formuliert, bevor im darauf folgenden Abschnitt ein kurzer Überblick über ausgewählte Ansätze zur Quantifizierung von DQ gegeben wird. Im Anschluss daran werden Metriken für die vier oben genannten DQ-Dimensionen entwickelt sowie deren Eigenschaften diskutiert. Bevor abschließend die Ergebnisse zusammengefasst und weiterer Forschungsbedarf identifiziert werden, soll eine kurze Anwendung der Metrik für Aktualität im Customer Relationship Manage-

50

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement ment eines Mobilfunkanbieters einen Einblick geben, wie die Metriken im Rahmen eines ökonomisch orientierten DQ-Managements genutzt werden können.

1.2 Anforderungen an Datenqualitätsmetriken Um eine wissenschaftliche Fundierung zu gewährleisten und gleichzeitig eine praktische Anwendung zu ermöglichen, werden nachfolgend Anforderungen an DQ-Metriken definiert (in Teilen ähnliche Anforderungen finden sich auch bei [Even & Shankaranarayanan 2005] und [Hinrichs 2002]): [Normierung] Um die Interpretierbarkeit und Vergleichbarkeit der Metrikergebnisse zu gewährleisten, ist eine geeignete Normierung der Metrikergebnisse zu fordern. [Kardinalität] Um eine Analyse der zeitlichen Entwicklung der Metrikergebnisse (DQ-Niveau) und eine ökonomische Bewertung von Maßnahmen zu unterstützen, ist die Kardinalität der Metriken erforderlich (vgl. [Bamberg et al. 2007]). [Sensibilisierbarkeit] Um das DQ-Niveau zielgerichtet messen zu können, ist es notwendig, dass die Metriken für eine konkrete Anwendung sensibilisiert und für den jeweiligen Zweck, welcher der Messung zugrunde liegt, konfiguriert werden können. [Aggregierbarkeit] Um bei Zugrundelegung eines relationalen Datenbankschemas einen flexiblen Einsatz zu ermöglichen, soll die Metrik Ergebnisse auf Attributwert-, Tupel-, Relationen- sowie Datenbankebene liefern können. Dabei muss jedoch die Aggregierbarkeit der Metrikergebnisse auf einer Ebene zur nächst höheren Ebene gewährleistet sein. [Fachliche Interpretierbarkeit] In der praktischen Anwendung reicht in der Regel die bloße Normierung und Kardinalität der Metriken nicht aus. Vielmehr müssen die resultierenden Metrikergebnisse auch fachlich interpretierbar und reproduzierbar sein. Auf Basis dieser Anforderungen lassen sich existierende Beiträge (beispielsweise [Ballou et al. 1998; English 1999; Helfert 2002; Hinrichs 2002; Lee et al. 2002; Naumann et al. 2004; Redman 1996; Wang et al. 1995]) analysieren. Im folgenden Abschnitt wird kurz auf ausgewählte Beiträge eingegangen.

1.3 Bisherige Beiträge zur Messung von Datenqualität In der Literatur findet sich eine ganze Reihe von Ansätzen zur Quantifizierung von DQ, die sich neben den jeweils fokussierten DQ-Dimensionen vor allem in den zugrunde liegenden Messverfahren unterscheiden (vgl. z. B. Ansätze in [Wang et al. 1995]). So existieren nach [Helfert 2002] sowohl Verfahren, die auf der subjektiven Qualitätseinschätzung der Datenverwender beruhen, als auch Ansätze, die auf

51

B Methoden – Techniken – Tools – Regelwerke/Standards einer direkten Analyse des Datenbestands oder einer prozessorientierten Betrachtungsweise basieren. In der Folge werden ausgewählte Ansätze vorgestellt. Am Massachusetts Institute of Technology (MIT), das den Begriff des “Total Data Quality Managements“ geprägt hat, wurde zur Messung der DQ die AIM Quality (AIMQ)-Methode entwickelt [vgl. z. B. Lee et al. 2002]. Diese besteht aus drei Komponenten. Die erste ist das Product-Service-Performance-Model, das eine vorgefertigte Menge von DQ-Dimensionen in vier Quadranten aufteilt. Unterschieden wird dabei zum einen auf Grundlage der Messbarkeit des Kriteriums. Dabei wird differenziert, ob die Konformität hinsichtlich einer formalen Spezifikation (z. B. Vollständigkeit) oder einer subjektiven Erwartung des Datennutzers (z. B. Interpretierbarkeit) bestimmt werden kann. Zum anderen wird nach der Qualität des Datenprodukts (z. B. Fehlerfreiheit) und des Services (z. B. Rechtzeitigkeit) unterschieden. Die Messung der DQ erfolgt dann, basierend auf obigem Modell, mittels eines zweiten Bestandteils in Form einer Befragung der Endanwender nach deren Qualitätseinschätzungen. Als dritte Komponente von AIMQ werden mit Benchmark-Gap- und Role-Gap-Analyse eine anwendungsunabhängige sowie eine anwendungsabhängige Qualitätsanalyse der Messergebnisse vorgeschlagen. Problematisch bei der AIMQ-Methode ist, dass die Messung der DQ in der Regel auf einer subjektiven Qualitätseinschätzung basiert und anhand von Befragungen vorgenommen wird. Dieses Vorgehen ermöglicht in der Regel keine automatisierte, objektivierbare und beliebig reproduzierbare Analyse der DQ bzw. der erhaltenen Ergebnisse der Messung. Zudem ist eine zielgerichtete und fokussierte Messung der DQ auf den konkreten Anwendungszweck und -kontext hin nicht explizit vorgesehen, auch wenn diese durch die Befragung der Datennutzer in der Role-GapAnalyse natürlich implizit berücksichtigt wird. Da die Auswertung der Befragungsergebnisse über alle Datennutzer erfolgt, werden jedoch deren subjektive Qualitätseinschätzungen und somit die Anwendungskontexte vermischt. Dies kann zu Bewertungsproblemen führen, da die Nutzer in der Regel unterschiedliche Zielsetzungen verfolgen. Ein anderes hier zu nennendes Verfahren ist der Ansatz von Hinrichs. Dieser entwickelt Metriken für ausgewählte DQ-Dimensionen, um die Qualität eines Datenbestandes bewerten zu können (vgl. [Hinrichs 2002]). Das zugrunde liegende Verfahren zur Quantifizierung der DQ ist dabei sehr aussichtsreich, da eine objektivierbare, zielgerichtete Bewertung angestrebt und eine weitgehend automatisierte Messung ermöglicht wird. Allerdings können beim Praxiseinsatz durchaus auch Probleme auftreten, da die vorgestellten Metriken nur schwer interpretierbar sind, was eine Begründung und Erklärung der Messergebnisse in der Diskussion beispielsweise mit der Fachseite erschweren dürfte. So basieren einige Metriken, wie z. B. diejenige für die DQ-Dimension Fehlerfreiheit, auf der Bildung von Quotienten der Form

52

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement

1 , Abstandsbewertung 1 wobei die Abstandsbewertung aus dem Intervall [0; f] angibt, inwieweit ein Attributwert im Informationssystem von der entsprechenden Ausprägung der Realwelt-Entität abweicht. Dadurch wird zwar der Wertebereich der Metrik auf das Intervall [0; 1] beschränkt, jedoch geht durch die Quotientenbildung die Interpretierbarkeit der resultierenden Werte verloren (vgl. im Detail [Heinrich et al. 2007]). Zudem hängt die Größenordnung der Werte stark vom verwendeten Abstandsmaß und dessen Eigenschaften ab, was zusätzlich eine Vergleichbarkeit der Ergebnisse erschwert. Der Ansatz von Helfert unterscheidet grundsätzlich – basierend auf den Ausführungen von [Seghezzi 1996] und [Juran 1999] – die beiden Qualitätsfaktoren Designqualität und Ausführungsqualität (vgl. [Helfert 2002]). Dabei bezeichnet die Designqualität den Grad der Übereinstimmung zwischen den Anforderungen der Datennutzer und der entsprechenden Umsetzung in der Spezifikation des Informationssystems. Die Ausführungsqualität, die Helfert schwerpunktmäßig betrachtet, drückt dagegen aus, in welchem Maße diese Spezifikation durch das Informationssystem (tatsächlich) eingehalten wird. Diese Unterscheidung ist im Hinblick auf die Messung der DQ sinnvoll, da somit die (subjektive) Einschätzung der Konformität zwischen dem spezifizierten Datenangebot und dem Datenbedarf des Nutzers von der (objektivierbaren) Analyse der Übereinstimmung von vorhandenem und spezifiziertem Datenangebot getrennt wird. Den zentralen Aspekt bei Helfert stellt die Integration des DQ-Managements in die Metadatenverwaltung dar, die ein weitgehend automatisiertes und werkzeugunterstütztes Management der DQ ermöglichen soll. Die Qualitätsanforderungen sind dabei durch eine Regelmenge repräsentiert. Die Analyse der DQ basiert dann hauptsächlich auf der (automatisierten) Überprüfung derartiger Regeln, d. h. anhand der Analyse werden Qualitätsaussagen im Sinne von

Widerspruc hsfreiheit

1

Anzahl verletzte r Bedingunge n Anzahl spezifizie rter Bedingunge n

abgeleitet. Derartige Qualitätsaussagen sollen in aggregierter Form als Größen zur Quantifizierung der DQ Verwendung finden und somit Auskunft über die Qualität des Datenbestands geben. Insgesamt stellt Helfert in seinen Ausführungen jedoch keine konkreten Metriken vor, sondern hat vielmehr den Anspruch, ein ganzheitliches, proaktives DQ-Management auf einer konzeptionellen Ebene zu beschreiben. Neben den wissenschaftlichen Ansätzen sollen auch die beiden bekannten Konzepte von English und Redman aus der Praxis genannt werden. English verfolgt dabei die Total Quality data Management-Methode (vgl. [English 1999]), die an die Konzepte des Total Quality Managements angelehnt ist. Dabei führt er Vorge-

53

B Methoden – Techniken – Tools – Regelwerke/Standards hensmuster zur Messung der Datendefinitions- und Architekturqualität (das Informationssystem betreffend) sowie der Qualität der Datenwerte und der Datenrepräsentation an. Obwohl das Verfahren in einer Reihe von Praxisprojekten Verwendung gefunden hat, gibt es hier kein allgemeines, dokumentiertes Vorgehen zur Quantifizierung der DQ. Vielmehr wird der gesamte DQ-Regelkreis auf einer konzeptionellen Ebene betrachtet. Redman verfolgt im Gegensatz zu English einen stark prozessorientierten Ansatz und kombiniert Messverfahren für gezielt ausgewählte Abschnitte im Informationsfluss mit dem Konzept der statistischen Qualitätskontrolle (vgl. [Redman 1996]). Konkrete Metriken zur Quantifizierung der DQ werden dabei allerdings nicht entwickelt. Da die bestehenden Ansätze die zuvor definierten Anforderungen jedoch nicht oder nicht vollständig erfüllen – auch infolge unterschiedlicher Zielsetzungen, da sie zum Teil beispielsweise die subjektive Qualitätseinschätzung der Datenverwender fokussieren –, wird im Folgenden ein eigener Ansatz vorgestellt, der einen Beitrag zur wissenschaftlichen Fundierung sowie zur praktischen Einsetzbarkeit von DQ-Metriken leisten will.

1.4 Metriken und Messverfahren für DQ Die im Folgenden vorgestellten Metriken für die Dimensionen Vollständigkeit, Fehlerfreiheit, Konsistenz und Aktualität werden – orientiert an der Anforderung der Aggregierbarkeit – jeweils für die Attributwert-, Tupel-, Relationen- sowie Datenbankebene definiert. Dabei wird jede Metrik „bottom up“ entwickelt – d. h. eine Metrik auf Ebene n+1 (z. B. Vollständigkeit auf Tupelebene) basiert auf der entsprechenden Metrik auf Ebene n (Vollständigkeit auf Attributwertebene).

1.4.1 Metrik für die DQ-Dimension Vollständigkeit Unter Vollständigkeit wird hier die Eigenschaft verstanden, dass die Attribute im Informationssystem mit Werten belegt sind, die (semantisch) vom Wert NULL abweichen. NULL ist dabei kein erforderlicher oder definierter Attributwert, sondern lediglich ein Platzhalter für die Nichtbefüllung. Die Metriken auf Attributwert-, Tupel- sowie Relationenebene sollen dabei in Anlehnung an Hinrichs (vgl. [Hinrichs 2002]) definiert werden. Zusätzlich wird darauf eingegangen, welche Probleme bei der praktischen Anwendung der Metrik auftreten können und wie diesen zu begegnen ist. Auf Datenbankebene muss die Metrik zudem anders ausgestaltet werden, um eine objektivierbare Messung zu ermöglichen. Auf Attributwertebene wird die Metrik für Vollständigkeit QVollst.(w) folgendermaßen definiert, wobei w einen Attributwert im Informationssystem symbolisiert:

0 QVollst.(w) : ® ¯1

54

falls w

NULL oder w zu NULL (semantisch) äquivalent sonst

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement Die Qualität eines Attributwertes wird also hinsichtlich Vollständigkeit mit dem Minimalwert von null bewertet, falls das entsprechende Attribut nicht befüllt ist oder einen zu NULL (semantisch) äquivalenten (Default-)Wert enthält (z. B. Dummy-Wert). Ansonsten ergibt sich der Wert der Metrik auf Attributwertebene zu eins. Probleme bei der Metrik können dann auftreten, wenn ein Attributwert nicht aus Mangel an verfügbaren Daten mit NULL belegt ist, sondern, weil der entsprechende Wert in der Realwelt gar nicht existiert (z. B. Name des Ehepartners bei ledigen Personen). In diesem Fall wäre das entsprechende Attribut mit dem Wert NULL in der Tat richtig belegt und die Bewertung hinsichtlich Vollständigkeit müsste den Wert eins und nicht den Wert null liefern. Schwierigkeiten dieser Art können umgangen werden, indem Indikatoren dafür eingeführt werden, dass der entsprechende Wert in der Realwelt nicht existiert. So kann beispielsweise das Attribut Name des Ehepartners (automatisiert) mit „nicht verheiratet“ belegt werden, falls bei der Erfassung des Familienstandes ledig angegeben wird. Somit ist das entsprechende Attribut in der Datenbank befüllt und die obige Metrik liefert auf Attributwertebene den korrekten Wert eins. Vor der ersten Anwendung der Metrik müssen die Daten somit hinsichtlich der vorgestellten Problematik untersucht und ggf. auftretende Schwachstellen beseitigt werden. Hierbei wäre beispielsweise an eine Vervollständigung des Datenbestands mit Indikatoren zu denken, sofern dies technisch sowie fachlich möglich und sinnvoll ist und keine Seiteneffekte auf Ergebnisse anderer Metriken besitzt. Im Folgenden wird, basierend auf den obigen Ausführungen zur Attributwertebene, die Metrik auf Tupelebene formuliert. Sei hierbei T ein Tupel mit den Attributwerten T.A1, T.A2, …, T.A|A| für die Attribute A1, A2, …, A|A| und gi [0; 1] die relative Wichtigkeit von Ai in Bezug auf Vollständigkeit. Dann ergibt sich unter Verwendung der Metrik auf Attributwertebene die Metrik auf Tupelebene als gewichtetes arithmetisches Mittel: A

QVollst . T :

¦Q

Vollst .

T . Ai g i

i 1

A

¦g

i

i 1

Die Vollständigkeit eines Tupels wird folglich basierend auf der Vollständigkeit der enthaltenen Attributwerte berechnet. Dabei ist es möglich, diese je nach Zielsetzung mit Gewichtungen gi zu versehen. Dies ist insofern sinnvoll, da je nach zugrunde liegendem Zweck in einem Anwendungskontext die Attribute von unterschiedlicher Bedeutung sind. So sind z. B. für die Durchführung von Mailingkampagnen Attribute wie Name, Vorname, Adresse oder E-Mail besonders relevant,

55

B Methoden – Techniken – Tools – Regelwerke/Standards wohingegen bei telefonischen Kampagnen vor allem die Telefonnummer und nicht Adresse und E-Mail von Bedeutung sind. Im nächsten Schritt wird die Metrik auf Relationenebene definiert. Sei hierbei R eine nicht leere Relation oder ein mehrelementiger View. Dann ergibt sich die Vollständigkeit der Relation R auf Basis des arithmetischen Mittels der Vollständigkeitsbewertungen für die einzelnen Tupel Tj aus R (j = 1, 2, …, |T|) wie folgt: |T |

QVollst. R :

¦Q T Vollst .

j

j 1

|T |

Durch die Verwendung des arithmetischen Mittels werden dabei alle Qualitätsbewertungen auf Tupelebene gleich gewichtet und aufsummiert. Jedem enthaltenen Tupel kommt somit die gleiche Bedeutung zu. Dies ist deswegen sinnvoll, da in der Regel in einem Anwendungskontext die einzelnen, bereits selektierten Tupel (bspw. verschiedene Kundentupel in einer Marketingkampagne) nicht in unterschiedlicher Art und Weise behandelt oder genutzt werden. Sollte dies im Einzelfall notwendig sein, so sind ebenfalls Gewichtungsfaktoren nach obigem Muster denkbar. Für die Definition der Metrik für Vollständigkeit auf Datenbankebene sei D eine Datenbank, die sich als disjunkte Zerlegung der Relationen Rk (k = 1, 2, …, |R|) darstellen lässt – d. h., die gesamte Datenbank lässt sich in paarweise überschneidungsfreie Relationen Rk zerlegen, so dass jedes Attribut des Informationssystems in genau einer der Relationen enthalten ist (eine mathematische Formulierung dieses Sachverhaltes ist D = R1 R2 … R|R| Ri Rj = i z j). Weiter sei gk die relative Wichtigkeit der Relation Rk in Bezug auf die Dimension Vollständigkeit. Dann wird die Vollständigkeit der Datenbank wiederum auf Basis der Vollständigkeit der Relationen Rk (k = 1, 2, …, |R|) definiert: |R|

QVollst . D :

¦Q

Vollst .

Rk g k

k 1

|R|

¦g

k

k 1

Über die Gewichtungsfaktoren gk [0; 1] ist es dabei im Vergleich zu Hinrichs, bei dem sich die Vollständigkeit der Datenbank als ungewichtetes arithmetisches Mittel ergibt, möglich, die relative Wichtigkeit der einzelnen Relationen gemäß der jeweiligen Zielsetzung zu berücksichtigen. Das Vorgehen von Hinrichs hat zur Folge, dass hinsichtlich der verfolgten Zielsetzung kaum relevante Relationen genauso stark in die Berechnung eingehen wie besonders wichtige Relationen. Zudem ist für den Fall, dass das ungewichtete arithmetische Mittel Verwendung fin-

56

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement det, die Quantifizierung der Vollständigkeit auf Datenbankebene von der betrachteten Zerlegung der Datenbank abhängig. So kommt beispielsweise der Relation Rk mit k z 2 bei der disjunkten Zerlegung {R1, R2, R3, …, R|R|} ein relatives Gewicht von 1/|R| zu, wohingegen dieselbe Relation bei Verwendung der disjunkten Zerlegung {R1, R2', R2'', R3 …, R|R|} mit R2' R2'' = R2 und R2' R2'' = nur mit dem Faktor 1/(|R|+1) eingeht. Die Messung der Vollständigkeit mit Hilfe der Metrik kann in der Regel einfach mittels entsprechender SQL-Abfragen und bei Bedarf für den kompletten Datenbestand durchführt werden. Im nächsten Abschnitt wird eine Metrik für die DQDimension Fehlerfreiheit vorgestellt.

1.4.2 Metrik für die DQ-Dimension Fehlerfreiheit Unter Fehlerfreiheit wird hier die Eigenschaft verstanden, dass die Attributwerte im Informationssystem den zugehörigen Ausprägungen der modellierten Realwelt-Entität entsprechen – d. h., dass die im Informationssystem abgelegten Werte mit den tatsächlichen, realen Werten übereinstimmen. Nach Würthele existieren bei der Messung der Fehlerfreiheit grundsätzlich zwei Möglichkeiten: Beim „Alles oder Nichts“-Ansatz wird bei der Überprüfung ausschließlich zwischen fehlerfrei (Attributwert stimmt vollständig mit der Ausprägung der modellierten Realwelt-Entität überein) und nicht fehlerfrei (es existiert mindestens eine Abweichung) differenziert (vgl. [Würthele 2003]). Im Gegensatz dazu wird beim Toleranz-Ansatz der Umfang der Übereinstimmung (beziehungsweise der Abweichung) zwischen Attributwert und Ausprägungen der modellierten RealweltEntität gemessen und ist damit als Analyseergebnis zulässig. So kann berücksichtigt werden, ob die entsprechenden Attributwerte nur geringfügig oder in größerem Umfang von den realen Ausprägungen abweichen. Bei der im Folgenden entwickelten Metrik kann je nach verwendetem Abstandsmaß der „Alles oder Nichts“- oder der Toleranz-Ansatz Berücksichtigung finden. Die Vorteile der vorgestellten Metrik im Vergleich zu bisherigen Ansätzen liegen dabei vor allem in der Kardinalität und Interpretierbarkeit begründet. So können die resultierenden Werte grundsätzlich als prozentualer Wert für die Fehlerfreiheit des untersuchten Datenbestands verstanden werden. Im Weiteren wird die Metrik für Fehlerfreiheit dabei aus Platzgründen nur auf Attributwertebene vorgestellt. Sie kann jedoch analog zur Metrik für Vollständigkeit ebenfalls für die anderen Ebenen formuliert werden. Sei wI ein Attributwert im Informationssystem und wR der entsprechende Attributwert in der Realwelt. Sei zudem d(wI, wR) ein domänenspezifisches, auf das Intervall [0; 1] normiertes Abstandsmaß zur Bestimmung der Abweichung zwischen wI und wR. Mögliche Abstandsmaße sind beispielsweise folgende:

Der domänenunabhängigen Abstandsfunktion

57

B Methoden – Techniken – Tools – Regelwerke/Standards

0 falls wI wR d1 wI , wR : ® sonst ¯1

liegt der „Alles oder Nichts“-Ansatz zugrunde. Somit lassen sich zwei Fälle unterscheiden: Entweder der Attributwert im Informationssystem stimmt mit der Ausprägung der entsprechenden Realwelt-Entität überein (Abstand entspricht null) oder die Abweichung wird mit dem Maximalwert von eins festgelegt. Ein Abstandsmaß, das speziell bei numerischen Attributwerten eingesetzt werden kann, ist die Abstandsfunktion D

§ · wI wR ¸ , d 2 ( wI , wR ) : ¨¨ ¸ ^ ` w w max | |, | | I R ¹ © die den Wert null ebenfalls nur bei vollständiger Übereinstimmung annimmt. Allerdings kann über den Parameter D IR+ – je nach untersuchtem Attribut und verfolgter Zielsetzung der Messung – beeinflusst werden, wie stark die Metrik auf relative Abweichungen von wI und wR reagieren soll. So kann es beispielsweise im Fall einer Marketingkampagne bei der Untersuchung des Attributs PLZ notwendig sein, dass kleine Abweichungen relativ stark ins Gewicht fallen, da hierdurch eventuell das Kundenanschreiben nicht mehr zugestellt werden kann – hier ist D < 1 zu wählen. Soll die Abstandsfunktion dagegen „toleranter“ gegenüber kleinen Abweichungen sein, ist D > 1 angebracht – wie z. B. beim Attribut Hausnummer, da die Zustellung hier trotzdem noch möglich ist. Bei Verwendung dieser Abstandsfunktion muss allerdings beachtet werden, dass die Normierung des Maßes auf das Intervall [0; 1] nur dann gegeben ist, wenn die Werte wI und wR gleiche Vorzeichen haben. Andere Abstandsmaße d(wI, wR), die es ermöglichen, die Ähnlichkeit von Zeichenketten zu bestimmen, können auf Basis von Editierabstand, Hamming-Distanz und N-Grammen gebildet werden, wobei hier zum Teil eine Normierung auf das Intervall [0; 1] notwendig ist:

58

Der Editierabstand dEdit.(wI, wR) ist als kleinste Menge elementarer Operationen definiert, mit denen eine Zeichenkette in eine andere transformiert werden kann, wobei Einfügen und Löschen von einzelnen Zeichen ebenfalls als elementare Operationen zu betrachten sind. Wird zusätzlich das Ersetzen von Zeichen erlaubt, spricht man von der Levenshtein-Metrik dLev.(wI, wR), die durch Hinzunehmen der Transposition (Vertauschung benachbarter Symbole) als weitere zulässige Operation zur so genannten DamerauLevenshtein-Metrik dDa.-Lev.(wI, wR) ausgebaut werden kann, die speziell zur Tippfehlerkorrektur entworfen wurde. Bei Verwendung dieser Abstandsmaße muss der resultierende Wert noch auf das Intervall [0; 1] normiert werden. Diese Normierung kann dadurch erfolgen, dass die Werte durch

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement

das Maximum der Längen der beiden Zeichenketten wI und wR dividiert werden. Die Hamming-Distanz dHam.(wI, wR) summiert die Anzahl der Positionen, in denen sich die beiden Zeichenketten wI und wR unterscheiden. Definitionsgemäß existiert die Hamming-Distanz dabei nur für Zeichenketten gleicher Länge – bei Strings unterschiedlicher Länge kann jedoch der jeweils kürzere mit „Dummy-Zeichen“ aufgefüllt werden, die als nicht übereinstimmend gelten. Für zwei gleich lange Strings wI und wR mit |wI| = |wR| = m ergibt sich die auf das Intervall [0; 1] normierte Hamming-Distanz zu:

d Ham. ( wI , wR ) :

^i ^1,2,...m`| wI [i] z wR [i]` m

N-Gramme betrachten das gemeinsame Auftreten von Substrings in den zu vergleichenden Zeichenketten. Ein N-Gramm ist dabei ein zusammenhängender Teil einer Zeichenkette und hat die Länge N. Für die Zeichenketten wI und wR werden dabei jeweils alle enthaltenen N-Gramme gebildet und in entsprechenden Mengen abgelegt. Danach wird die Anzahl der in beiden Mengen gleichermaßen enthaltenen N-Gramme ins Verhältnis zur Anzahl der insgesamt in NG(wI) und NG(wR) enthaltenen N-Gramme gesetzt. So ergibt sich die Abstandsfunktion, deren Wertebereich auf das Intervall [0; 1] beschränkt ist, zu:

d N Gramm ( wI , wR ) : 1 2

NG ( wI ) NG ( wR ) NG ( wI ) NG ( wR )

Basierend auf einem Abstandsmaß d(wI, wR) kann die Metrik für Fehlerfreiheit auf Attributwertebene folgendermaßen definiert werden:

QFehl . wI , wR : 1 d wI , wR

Die Fehlerfreiheit eines Attributwertes wird somit mit dem Maximalwert von eins bewertet, falls der Attributwert im Informationssystem mit der modellierten Ausprägung der Realwelt-Entität (vollständig) übereinstimmt und das verwendete Abstandsmaß d(wI, wR) den Wert null liefert. Bei einer Abweichung zwischen wI und wR fällt der Wert der Metrik je nach verwendetem Abstandsmaß geringer aus. Allgemein ist bei Verwendung der Metrik für Fehlerfreiheit zu berücksichtigen, dass im Vorfeld möglicherweise (automatisierte) Data-Cleansing-Maßnahmen durchgeführt werden müssen. Dabei ist es insbesondere notwendig, dass eindeutig interpretierbare Abkürzungen über den gesamten Datenbestand hinweg „glatt gezogen“ und vervollständigt werden, damit die zugrunde liegenden Abstandsmaße und somit die darauf basierende Metrik richtig ausgewertet werden. Ein Beispiel für eine solche Maßnahme ist das Ersetzen der Abkürzung „Str.“ durch „Straße“. Nur durch Transformationen dieser Art kann sichergestellt werden, dass

59

B Methoden – Techniken – Tools – Regelwerke/Standards die Abstandsmaße korrekte Attributwerte auch als solche identifizieren und angemessene Ergebnisse liefern. Die Messung der Fehlerfreiheit kann dann direkt auf Basis obiger Metrik in Verbindung mit entsprechenden Abstandsmaßen zur Bestimmung der Fehlerfreiheit auf Attributwertebene erfolgen. Hierbei ist man in der Regel gezwungen, auf Stichproben zurückzugreifen und statistische Verfahren anzuwenden (vgl. z. B. [Helfert 2002]), da ein Abgleich zwischen den Attributwerten im Informationssystem und den tatsächlichen Ausprägungen der Realwelt-Entität erforderlich ist. Dieser Abgleich ist normalerweise nicht ohne weiteres technisch, automatisiert und mit akzeptablem Kostenaufwand für den gesamten Datenbestand durchführbar. Im Falle einer Stichprobe können jedoch bei ausreichend großem Umfang zumindest Schätzer für den Qualitätswert QFehl.(wI, wR) ermittelt und Rückschlüsse auf den gesamten Datenbestand gezogen werden. Im nächsten Abschnitt wird eine Metrik für die DQ-Dimension Konsistenz erläutert.

1.4.3 Metrik für die DQ-Dimension Konsistenz Unter Konsistenz ist die Eigenschaft der Widerspruchsfreiheit des Datenbestandes zu verstehen. Die Überprüfung basiert dabei im Folgenden auf logischen Zusammenhängen, die für die betroffene Datenmenge gelten sollen und durch die Regelmenge repräsentiert werden. Regeln, die auf statistischen Zusammenhängen beruhen und somit nur bestimmten Signifikanzniveaus genügen (d. h. im betrachteten Datenbestand ist der statistische Zusammenhang nicht notwendigerweise exakt und vollständig erfüllt), werden im Weiteren nicht betrachtet. Die Datenmenge ist demnach konsistent, wenn sie entspricht vice versa. Die Vorteile der im Weiteren vorgestellten Metrik liegen insbesondere in der Interpretierbarkeit, die durch Vermeidung der Quotientenbildung und die Wahrung der Kardinalität gewährleistet ist. Die resultierenden Werte der Metrik (auf Relationen- und Datenbankebene) sind dabei als prozentualer Anteil der untersuchten Datenmenge zu verstehen, der hinsichtlich der Regelmenge konsistent beziehungsweise regelkonform ist. Im Gegensatz zu anderen Ansätzen wird dabei auf Attributwert- und Tupelebene keine Priorisierung und Gewichtung innerhalb der Regelmenge vorgenommen, sondern lediglich zwischen konsistent und nicht konsistent im Sinne einer 0-1-Entscheidung differenziert. Dies entspricht dem obigen Verständnis von Konsistenz auf Basis logischer Zusammenhänge und verbessert die Ergebnisinterpretation. Im Weiteren wird die Metrik für Konsistenz nur auf Attributwert- und Tupelebene vorgestellt. Sie kann jedoch analog zur Metrik für Vollständigkeit ebenfalls auf Relationen- und Datenbankebene definiert werden. Sei w ein Attributwert im Informationssystem und eine ||-elementige Menge von Konsistenzregeln, die auf das entsprechende Attribut angewendet wird. Dabei

60

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement liefert jede Konsistenzregel rs (s = 1, 2, …, ||) den Wert null, falls der entsprechende Attributwert der Konsistenzregel genügt. Andernfalls ergibt die Auswertung der Regel den Wert eins:

0 falls w der Konsistenzregel rs genügt rs ( w) : ® sonst ¯1 Daraus ergibt sich die Metrik zur Bewertung der Konsistenz eines einzelnen Attributwertes:

QKons . ( w, ) :

1 r w s

s 1

Diese nimmt den Wert eins an, falls der Attributwert alle in der Regelmenge spezifizierten Konsistenzregeln erfüllt (d. h. rs(w) = 0 rs). Umgekehrt ist der resultierende Wert der Metrik auf Attributwertebene null, falls mindestens eine der spezifizierten Regeln verletzt ist (d. h. rs : rs(w) = 1). Als Konsistenzregel sind dabei unter anderem formalisierte Geschäftsregeln oder domänenspezifische Funktionen denkbar. Hierbei ist z. B. an Konsistenzregeln gedacht, die den Wertebereich eines Attributs überprüfen (z. B. 1067 d PLZ, PLZ d 99998, PLZ {0, 1, …, 9}5 oder Familienstand {„ledig“, „verheiratet“, „geschieden“, „verwitwet“}). Auf Tupelebene ergibt sich folgendes: Sei T ein Tupel und die Menge der vorhandenen Konsistenzregeln rs (s = 1, 2, …, ||), die auf das Tupel und die enthaltenen Attributwerte angewendet wird. Dann ergibt sich die Konsistenz des Tupels in Analogie zur Konsistenz auf Attributwertebene zu:

QKons . T , :

1 r T s

s 1

Das Ergebnis der Metrik hängt dabei zum einen von Konsistenzregeln ab, die lediglich einen einzelnen Attributwert betreffen. Zum anderen können auch Regeln einfließen, die sich auf mehrere Attributwerte oder das ganze Tupel beziehen. Die Metrik auf Tupelebene wird dabei dahingehend „bottom up“ entwickelt, dass diese auch alle Konsistenzregeln und damit auch die Bewertung der Konsistenz auf Attributwertebene umfasst. Falls somit ein Attributwert eines Tupels nicht konsistent bezüglich der Regeln auf Attributwertebene ist, so wird das betrachtete Tupel auch auf Tupelebene als nicht konsistent bewertet. Sind im Gegensatz dazu die Konsistenzregeln für alle einzelnen Attributwerte eines Tupels erfüllt, so müssen zudem auch alle Konsistenzregeln auf Tupelebene erfüllt sein, damit die Konsistenz gewährleistet ist. Ist anderenfalls mindestens eine Regel, die mehrere Attributwerte des Tupels (gleichzeitig) betrifft, nicht erfüllt, so erfolgt (insgesamt) eine Bewertung als nicht konsistent.

61

B Methoden – Techniken – Tools – Regelwerke/Standards Zusammenfassend wird ein Tupel somit nur dann als konsistent hinsichtlich der Regelmenge betrachtet, falls alle Regeln erfüllt werden (rs(T) = 0 rs). Ansonsten ergibt sich QKons.(T, ) zu null, egal ob eine Regel oder mehrere verletzt werden (Қrs : rs(T) = 1). Als Konsistenzregeln auf Tupelebene sind dabei neben denen, die bereits auf Attributwertebene zulässig sind, zusätzlich attributübergreifende Regeln und Zusammenhänge wie z. B. (Aktuelles Datum – Geburtsdatum < 16 Jahre) (Familienstand = „ledig“) denkbar. Die Messung der Konsistenz kann wiederum direkt mit Hilfe obiger Metrik in Verbindung mit entsprechenden SQL-Abfragen zur Prüfung der Konsistenzregeln erfolgen. Die Regeln auf Attributwert- und Tupelebene können dabei unter anderem unter Einbeziehung der Fachseiten auf Basis von Wertebereichen, Geschäftsregeln und logischen Zusammenhängen generiert werden. Im folgenden Abschnitt wird die Metrik für die DQ-Dimension Aktualität entwickelt.

1.4.4 Metrik für die DQ-Dimension Aktualität Unter Aktualität wird hier die Eigenschaft der Gegenwartsbezogenheit des Datenbestandes verstanden, d. h., inwiefern die im System erfassten Werte den aktuellen Gegebenheiten in der Realwelt entsprechen und nicht veraltet sind. Die Überprüfung basiert dabei – im Gegensatz zur Fehlerfreiheit – auf wahrscheinlichkeitstheoretischen Betrachtungen, um eine automatisierte Messung zu ermöglichen. Aktualität kann in diesem Zusammenhang als jene Wahrscheinlichkeit interpretiert werden, mit welcher die untersuchten Datenwerte noch aktuell sind. In dieser Interpretierbarkeit liegt auch der Vorteil der entwickelten Metrik im Vergleich zu existierenden Metriken, bei denen eine (wahrscheinlichkeitstheoretische) Interpretation der resultierenden Werte nicht möglich ist bzw. nicht vorgenommen wird. Die Metrik für Aktualität wird nur für die Attributwertebene vorgestellt, ist jedoch – analog zu oben – auch auf den anderen Ebenen definiert. Sei A ein Attribut, w ein entsprechender Attributwert im Informationssystem und Alter(w, A) das Alter des Attributwertes, das sich aus dem Zeitpunkt der Messung und dem Zeitpunkt der Datenerfassung errechnen lässt. Des Weiteren sei Verfall(A) die (ggf. empirisch ermittelte) Verfallsrate von Werten des Attributs A. Diese gibt den Anteil an Datenwerten des entsprechenden Attributs an, der durchschnittlich innerhalb einer Zeiteinheit inaktuell wird. Dann stellt sich die Metrik für Aktualität auf Attributwertebene wie folgt dar:

QAkt. w, A : exp(Verfall( A) Alter( w, A))

Unter der Annahme, dass die Gültigkeitsdauer der zugrunde liegenden Datenwerte exponentialverteilt mit dem Parameter Verfall(A) ist, stellt der Wert QAkt.(w, A) dabei die Wahrscheinlichkeit dar, mit welcher der vorliegende Attributwert w noch den aktuellen Gegebenheiten entspricht. Bei der Exponentialverteilung han-

62

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement delt es sich um eine typische Lebensdauerverteilung, die sich insbesondere im Rahmen der Qualitätssicherung bewährt hat. Bei Attributen wie z. B. Geburtsdatum oder Geburtsort, die sich in der Realwelt nie ändern, gilt Verfall(A) = 0 und die Metrik für Aktualität ergibt sich somit grundsätzlich zu eins:

QAkt. w, A exp(Verfall( A) Alter( w, A))

exp(0 Alter( w, A))

exp(0) 1

Zudem wird die Aktualität von Attributwerten, die zum Betrachtungszeitpunkt neu erfasst werden – d. h. Alter(w, A) = 0 – ebenfalls mit eins bewertet:

QAkt . w, A exp(Verfall ( A) Alter ( w, A))

exp(Verfall ( A) 0)

exp(0) 1

Die erneute Erfassung eines Attributwertes wird somit als Aktualisierung eines bereits vorhandenen Attributwertes interpretiert. Insgesamt ist festzuhalten, dass das Metrikergebnis und damit auch die DQ für ein bestimmtes, festes Alter umso geringer sind, je höher beim entsprechenden Attribut die Verfallsrate ist. Umgekehrt nimmt bei zunehmendem Alter die Wahrscheinlichkeit, dass der entsprechende Attributwert noch gültig ist, und somit das Metrikergebnis für die Aktualität auf Attributwertebene ab. Für die praktische Anwendung der Metrik ist es notwendig, für jedes Attribut den Parameter Verfall(A) der Wahrscheinlichkeitsverteilung festzulegen. Dieser ist als Verfallsrate zu verstehen und gibt an, welcher Datenanteil bezogen auf das jeweilige Attribut innerhalb einer Zeiteinheit inaktuell wird. Eine Verfallsrate von 0,2 drückt beispielsweise aus, dass im Laufe einer Periode von 100 Attributwerten des entsprechenden Attributs im Durchschnitt 20 Werte inaktuell werden. Dabei kann entweder auf Erfahrungswerte, statistische Werte (bspw. veröffentlichte Scheidungsraten des Statistischen Bundesamts als Grundlage zur Schätzung der Verfallsrate des Werts „verheiratet“ des Attributs „Familienstand“) zurückgegriffen oder mittels eigener Stichprobenuntersuchungen eine Schätzung vorgenommen werden. Betrachtet man z. B. eine Stichprobe vom Umfang M und misst für die entsprechenden Ausprägungen der Realweltobjekte die Änderungs- beziehungsweise Verfallszeitpunkte zu (u = 1, 2, …, M), dann ergibt sich ein im Sinne der Statistik erwartungstreuer Schätzer für den Verfallsparameter der zugehörigen Exponentialverteilung zu

M

.

M

¦z

u

u 1

Die Umsetzung der Messung hinsichtlich der DQ-Dimension Aktualität ergibt sich somit aus obiger Metrik in Verbindung mit den Schätzern für die Verfallsparameter und den Metadaten bezüglich des Zeitpunktes der Datenerfassung.

63

B Methoden – Techniken – Tools – Regelwerke/Standards Der nächste Abschnitt skizziert die Anwendung der Metrik für Aktualität im Rahmen des Customer Relationship Managements eines Mobilfunkanbieters.

1.5 Praktische Anwendung der Metrik für Aktualität Die praktische Anwendung der Metriken erfolgte im Rahmen des Kampagnenmanagement-Prozesses eines Mobilfunkanbieters. DQ-Probleme traten dabei u. a. bei der Kundenansprache auf. Diese führten bspw. bei Mailingkampagnen dazu, dass oftmals keine korrekte und individuelle Kundenansprache möglich war, was sich in geringeren Erfolgsquoten niederschlug. Am Beispiel der Vermarktung einer Tarifoption gestaltet sich die Anwendung der Metrik für Aktualität auf Tupelebene wie folgt: Zunächst gilt es, die relevanten Attribute und deren relative Wichtigkeit im Rahmen der Kampagne zu bestimmen. Dies waren die Attribute „Name“, „Vorname“, „Kontakt“ und „Produkt“ mit den zugehörigen Gewichtungen von 0,9, 0,2, 0,8 und 1,0. Demzufolge war insbesondere der aktuelle Tarif des Kunden („Produkt“) relevant, da eine Inanspruchnahme der Tarifoption nur für spezielle Tarife möglich war; der (korrekte) Vorname des Kunden hatte demgegenüber bspw. weniger Gewicht. Anschließend musste aus dem gegenwärtigen Zeitpunkt und dem Zeitpunkt der Datenerfassung bzw. der letzten Aktualisierung das Alter jedes einzelnen Attributwerts automatisiert berechnet werden. Im nächsten Schritt konnte dann, basierend auf empirisch bzw. mittels Stichprobentests ermittelten Verfallsparametern für die einzelnen Attribute, der Wert der Metrik auf Attributwertebene bestimmt werden. Für ein konkretes Beispiel siehe Tabelle 1: Tabelle 1: Ermittlung der Aktualität anhand der entwickelten Metrik (Beispiel) Ai

Name

Vorname

Kontakt

Produkt

gi

0,9

0,2

0,8

1,0

Alter(T.Ai,Ai) (in Jahren)

0,5

0,5

1,5

0,5

Verfall(Ai) (in 1/Jahr)

0,02

0,00

0,20

0,40

QAkt.(T.Ai,Ai)

0,99

1,00

0,74

0,82

Hier ergibt sich der Wert der Metrik auf Tupelebene durch Aggregation der Ergebnisse auf Attributwertebene unter Berücksichtigung der relativen Wichtigkeiten gi zu: Q Akt . (T , A1 ,..., A4 )

0,99 0,9 1 0,2 0,74 0,8 0,82 1 | 0,863 . 0,9 0,2 0,8 1

Demzufolge liefert die Metrik für Aktualität für das Beispieltupel T einen Wert von 86,3% – d. h. das Tupel ist für den speziellen Anwendungsfall (Vermarktung einer Tarifoption) zu 86,3% aktuell. Derartige Werte können nun im Kampagnenmana-

64

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement gement genutzt werden. Bspw. wurden so aufgrund von Erfahrungswerten diejenigen Kunden, die einen Wert kleiner als 20% hatten, erst gar nicht angeschrieben. Auswertungen von früheren Kampagnen hatten beim Mobilfunkanbieter gezeigt, dass bei derartigen Kunden eine Erfolgsquote von nahezu 0 resultiert. Neben diesem kurzen Beispiel für die Anwendung der Metrik, bei dem die Kosten für die Kampagne gesenkt wurden, konnten eine Reihe weiterer DQ-Analysen durchgeführt werden, um Kosten zu sparen oder den Nutzen zu erhöhen. Insgesamt konnte beim Mobilfunkanbieter duch die Anwendung der Metriken ein direkter Zusammenhang zwischen den Ergebnissen der DQ-Messung und den Erfolgsquoten von Kampagnen hergestellt werden. Dies hatte zur Folge, dass der Prozess der Kundenselektion für die Kampagnen deutlich verbessert werden konnte. Zudem konnten der Einsatz von DQ-Maßnahmen auf Basis der Metriken gezielter erfolgen und der damit einhergehende ökonomische Nutzen besser abgeschätzt werden. Der folgende Abschnitt fasst die Ergebnisse zusammen und würdigt diese kritisch.

1.6 Zusammenfassung und Ausblick Im Beitrag wurde die Fragestellung aufgegriffen, wie DQ adäquat quantifiziert werden kann. Ziel war dabei, Metriken für die DQ-Dimensionen Vollständigkeit, Fehlerfreiheit, Konsistenz und Aktualität vorzustellen, die eine objektivierbare, zielgerichtete und weitgehend automatisierbare Messung auf den Ebenen Attributwert, Tupel, Relation und Datenbank ermöglichen. Dabei wurde im Gegensatz zu bestehenden Ansätzen der Fokus insbesondere auf die Anforderung der Kardinalität der Metriken gelegt, um eine Untersuchung von DQ-Maßnahmen unter Kosten-Nutzen-Gesichtspunkten zu unterstützen. Die Metriken ermöglichen somit eine Quantifizierung der DQ und bilden die Basis für eine ganze Reihe ökonomischer Analysen. So können zukünftige Auswirkungen auf die DQ, wie z. B. zeitlicher Verfall oder die Durchführung von DQ-Maßnahmen, untersucht und damit ex ante Planungswerte mit ex post Messwerten verglichen werden. Dies sowie die Eignung der Metriken konnte in Zusammenarbeit mit Unternehmen bereits für ausgewählte Fälle auch unter praktischen Gesichtspunkten verdeutlicht werden (vgl. [Heinrich & Klier 2006; Heinrich et al. 2007]). Zukünftig ist darüber hinaus an modellbasierten Ansätzen zur ökonomischen Planung von DQ-Maßnahmen zu arbeiten, für deren Operationalisierung Metriken und Messverfahren für DQ unbedingt erforderlich sind. Daneben sind die vorgestellten Metriken zu erweitern und zu verbessern: Beispielhaft ist hier die Metrik für Konsistenz zu nennen, für die neben logischen Zusammenhängen ebenfalls auch eine fundierte Formulierung für statistisch ermittelte Zusammenhänge erforderlich ist. Darüber hinaus stellen die Weiterentwicklung der Metrik für Aktualität für den Fall, dass die Annahme einer exponentialverteilten Gültigkeitsdauer nicht gerecht-

65

B Methoden – Techniken – Tools – Regelwerke/Standards fertigt ist, sowie Ansätze zur Aggregation der Bewertungen für die einzelnen DQDimensionen zu einem Gesamtqualitätswert weiteren Forschungsbedarf dar.

Literaturverzeichnis [Ballou et al. 1998] Ballou, D. P.; Wang, R. Y.; Pazer, H.; Tayi, G. K.: Modeling information manufacturing systems to determine information product quality. In: Management Science 44 (1998) 4, S. 462–484. [Bamberg et al. 2007] Bamberg, G., Baur, F., Krapp, M.: Statistik. Oldenburg 2007. [Campanella 1999] Campanella, J.: Principles of quality cost. Milwaukee 1999. [English 1999] English, L.: Improving Data Warehouse and Business Information Quality. New York 1999. [Eppler 2003] Eppler, M. J.: Managing Information Quality. Berlin 2003. [Even & Shankaranarayanan 2005] Even, A.; Shankaranarayanan, G.: Value-Driven Data Quality Assessment. In: Proceedings of the 10th International Conference on Information Quality. Cambridge 2005, S. 221-236. [Feigenbaum 1991] Feigenbaum, A. V.: Total Quality Control. New York 1991. [Heinrich et al. 2007] Heinrich, B.; Kaiser, M.; Klier, M.: Metrics for measuring data quality - foundations for an economic oriented management of data quality. In: Proceedings of the 2nd International Conference on Software and Data Technologies. Barcelona 2007. [Heinrich & Klier 2006] Heinrich, B.; Klier, M.: Ein Optimierungsansatz für ein fortlaufendes Datenqualitätsmanagement und seine praktische Anwendung bei Kundenkampagnen. In: Zeitschrift für Betriebswirtschaft 76 (2006) 6, S. 559-587. [Helfert 2002] Helfert, M.: Planung und Messung der Datenqualität in DataWarehouse-Systemen. Dissertation. Bamberg 2002. [Hinrichs 2002] Hinrichs, H.: Datenqualitätsmanagement in Data WarehouseSystemen. Dissertation. Oldenburg 2002. [Jarke & Vassiliou 1997] Jarke, M.; Vassiliou, Y.: Foundations of Data Warehouse Quality – A Review of the DWQ Project. In: Proceedings of the 2nd International Conference on Information Quality. Cambridge 1997, S. 299–313. [Juran 1999] Juran, J. M.: How to think about Quality. In: Juran, J. M.; Godfrey, A. B. (Hrsg.): Juran’s Quality Handbook. New York 1999, Kap. 2, S. 1-18. [Lee et al. 2002] Lee, Y. W.; Strong, D. M.; Kahn, B. K.; Wang, R. Y.: AIMQ: a methodology for information quality assessment. In: Information & Management 40 (2002) 2, S. 133–146.

66

1 Datenqualitätsmetriken für ein ökonomisch orientiertes Qualitätsmanagement [Machowski & Dale 1998] Machowski, F.; Dale, B. G.: Quality costing: An examination of knowledge, attitudes, and perceptions. In: Quality Management Journal 5 (1998) 3, S. 84-95. [Naumann et al. 2004] Naumann, F.; Freytag, J.-C.; Leser, U.: Completeness of integrated information sources. In: Information Systems 29 (2004) 7, S. 583-615. [Naumann 2007] Naumann, F.: Aktuelles Schlagwort: Datenqualität. In: Informatik Spektrum 30 (2007) 1, S. 27-31. [Pipino et al. 2002] Pipino, L.; Lee, Y.; Wang, R.: Data quality assessment. In: Communications of the ACM 45 (2002) 4, S. 211-218. [Redman 1996] Redman, T. C.: Data Quality for the Information Age. Norwood 1996. [Seghezzi 1996] Seghezzi, H. D.: Integriertes Qualitätsmanagement – das St. Galler Konzept. München 1996. [Shank & Govindarajan 1994] Shank, J. M.; Govindarajan, V.: Measuring the cost of quality: A strategic cost management perspective. In: Journal of Cost Management 8 (1994) 2, S. 5-17. [Wang et al. 1995] Wang, R. Y.; Storey, V. C.; Firth, C. P.: A Framework for analysis of data quality research. In: IEEE Transaction on Knowledge and Data Engineering 7 (1995) 4, S. 623-640. [Wang & Strong 1996] Wang, R. Y.; Strong, D. M.: Beyond Accuracy: What Data Quality Means to Data Consumers. In: Journal of Management Information Systems 12 (1996) 4, S. 5-33. [Würthele 2003] Würthele, V. G.: Datenqualitätsmetrik für Informationsprozesse. Norderstedt 2003.

67

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode Niels Weigel Daten- und Informationsqualität ist ein Thema von enormer Reichweite. In den meisten Organisationen werden Problem und Schwierigkeiten mit dem vorhandenen Qualitätsniveau meist nur reaktiv erkannt und behandelt. Dass die mangelhafte Datenqualität nicht nur ein Problem spezieller Branchen ist, sondern sich übergreifend in der gesamten Wirtschaft präsentiert, zeigt eine kleine Übersicht, öffentlich bekannt gewordener Datenqualitätsprobleme. Im September 1999 verlor die NASA ihren Mars Climate Orbiter nach mehr als 9 Monaten Flugzeit auf Grund einer fehlerhaften Übersetzung von englischen Maßeinheiten nach metrischen Maßeinheiten in einem Bereich der Navigationssoftware. [Isbell & Savage 1999] Am 24. Juli 2002 wurden neun Minenarbeiter der Quecreek Kohlemine in Western Pensylvania durch einen Wassereinbruch aus einem alten Querstollen für drei Tage eingesperrt. Untersuchungen ergaben, dass die alten Karten nicht vollständig aktualisiert wurden. [MSHA 2003] Im Dezember 2005 versuchten Broker der Mizuho Securities 610.000 Aktien zum Wert von jeweils 1 Yen zu verkaufen. Gewünscht war der Verkauf von 1 Aktie im Wert von 610.000 Yen. Es handelte sich um einen Eingabefehler. [BBC 2005] Die Behandlung von Daten und Informationen analog zu Produkten in der Fertigungsindustrie ermöglicht es, die dort entwickelten Methoden zur Qualitätssicherung und zum Qualitätsmanagement auch auf die Daten und Informationen anzuwenden. Unterliegen Informationen einem strengdefinierten Produktionsprozess, so kann deren Qualität überwacht werden.

2.1 Die Bedeutung des Total Data Quality Management Der Begriff Total Data Quality Management enthält zusätzlich zu der „Datenqualität“ zwei wichtige Beschreibungen, die die grundlegenden Gedanken sehr gut darstellen. Unter dem Begriff “Management” versteht man die Steuerung des Ergebnisses. Er leitet sich von seiner lateinischen Bedeutung “manum agere = an der Hand führen” ab. Generell beinhaltet er einen Prozess, bei dem durch aktives Handeln unter Nutzung von Ressourcen erwünschte oder geplante Ergebnisse erzielt werden oder erzielt werden sollen. Das bedeutet, dass man mit allen Aktivitäten auf ein gemeinsames Ziel hin arbeitet. „Total“ wird im Deutschen häufig mit „ganzheitlich“ übersetzt und soll ausdrü-

68 K. Hildebrand et al. (Hrsg.), Daten- und Informationsqualität, DOI 10.1007/978-3-8348-9953-8_4, © Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode cken, dass die Datenqualität nicht mehr ein beliebiges Produkt einzelner Aktivitäten im Unternehmen ist, sondern gezielt vom gesamten Unternehmen getragen werden muss. Daraus ist ersichtlich, dass eine Total Data Quality Management Initiative in einem Unternehmen nicht nur Einfluss auf die Datenqualität selbst hat, sondern weitreichende Auswirkungen auf das gesamte Unternehmen hat. Datenqualität ist als ein elementarer Bestandteil der Unternehmensstrategie zu betrachten, und muss sich als solcher auch im organisatorischen Aufbau des Unternehmens wiederfinden.

2.1.1 Vorgehensmodelle In der Praxis haben sich verschiedene Vorgehensmodelle für Datenqualitätsprojekte etabliert. Ihre grundlegenden Wurzeln haben sie in den schon lange bekannten Methoden des Qualitätsmanagements, wie zum Beispiel Six Sigma zum Prozessmanagement in der Fertigungsindustrie. Aus diesen Methoden wurden für die speziellen Belange des Datenqualitätsmanagements Ableitungen von verschiedenen Pionieren gelegt. Einer der Pioniere des Total Data Quality Management ist Professor Richard Wang, der am MIT in Boston bereits 1988 begann, die Informationen und Daten ähnlich wie die Produkte in der Fertigungstechnik zu betrachten. Informationssysteme, die in den Unternehmen für die Verarbeitung von Daten und Informationen verantwortlich sind, sind dabei analog zu den Fertigungsstraßen in der Industrie zu betrachten. Dort werden qualitätssichernde Maßnahmen auch nicht nur am Ende des Produktionsprozesses ergriffen, sondern schon an einer Vielzahl von Stellen innerhalb des gesamten Herstellungsprozesses implementiert. Aus dieser Analogie „Daten wie ein Produkt betrachten“ ergaben sich aus den Arbeiten von Richard Y. Wang, Yang Lee, Elisabeth Pierce, Leo Pepino, Stuart Maddick et al. einige grundlegende wichtige Theorien. Beispiele hierfür sind die Definition der 3C (Collector, Custodian, Customer), den drei Arten von Informationsverarbeitern, die entsprechend unterschiedliche Anforderungen an die Datenqualität besitzen [Wang 1996] oder die einfache Visualisierung von Daten- bzw. Prozessflüssen aus der Datenqualitätssicht in den sogenannten Information Product Maps (IP Maps) [Balou 1998]. Sehr früh beschäftigte sich auch Tom Redman mit einem allgemeinen Ansatz zum Datenqualitätsmanagement. Dabei griff er die Qualitätsmerkmale von Deming auf und entwickelte daraus im Rahmen seiner praktischen Arbeit bei AT&T Bell Labs die für die Datenqualität relevanten Methoden [Redman 1996]. Einen vergleichbaren Ansatz dazu propagiert Larry English [English 1999] in seiner Theorie des Total Information Quality Management (TIQM). Er zieht für die Planung einer Datenqualitätsinitiative die klassischen Methoden von Six Sigma heran. Nach seinen Arbeiten durchlaufen Datenqualitätsprojekte die verschiedenen Phasen DefineMeasure-Analyse-Improve-Control, kurz auch als DMAIC bezeichnet.

69

B Methoden – Techniken – Tools – Regelwerke/Standards Weitere Modelle, teilweise auch in Abwandlung von den oben beschriebenen Basismodellen finden sich für spezielle Anwendungsgebiete wie zum Beispiel für das Business Intelligence Umfeld [Moss 2004] [Helfert 2002] oder allgemeines Enterprise Knowledge Management [Loshin 2001]. Auch wenn diese Methoden zunächst unterschiedlich ausgeprägt sind und je nach Autor mal mehr Fokus auf die Werkzeuge, die Daten oder die Prozesse legen, haben sie doch alle einen gemeinsamen Nenner.

2.1.2 Datenqualitätsmanagement sichert Ihren Unternehmenserfolg Der Erfolg eines Unternehmens hängt elementar von der Qualität der im Unternehmen vorhandenen und genutzten Daten ab. Unternehmerische Planungen, strategische Entscheidungen, Kundenbeziehungen und Marketingaktivitäten im CRM-Umfeld stehen und fallen mit der Güte der zugrundeliegenden Datenbanken. Data Warehouse Systeme bilden die Grundlage für Geschäftsentscheidungen und liefern die Basis für Auswertungen. Fehlerhafte Daten liefern hier falsche Ergebnisse und führen somit zu falschen Entscheidungen. Die Sicherstellung der Datenqualität ist ein häufig immer noch unterschätzter Punkt in den Planungen der Unternehmen. Punktuelle Datenbereinigungen, die häufig ereignisgetrieben durchgeführt werden, erzielen nur kurzfristige Wirkung. Eine wirklich effektive Datenqualitätssteigerung, die auch nachhaltig den Erfolg eines Unternehmens sichert, basiert auf den Techniken des Total Data Quality Management (TDQM). Dabei werden die im Unternehmen vorhandenen Daten entlang ihres gesamten Lebenszyklus (Data Lifecycle) analysiert und qualitätsgesichert.

2.2 Phasen eines ganzheitlichen Datenqualitätsmanagements Unabhängig davon, woher der Anstoß zu einem Projekt zur Einführung des ganzheitlichen Datenqualitätsmanagements kommt, werden sich die einzelnen Projektschritte gleichen. Der ursprüngliche Auslöser für ein Datenqualitätsmanagement kann in der Fachabteilung liegen, die in der Zwischenzeit leidgeprüft ständig immer nur augenscheinlichen Datenqualitätsmängeln hinterher jagt. Oder in der IT, die wieder von allen anderen Abteilungen beschuldigt wird, dass “ihre” Daten wieder so schlecht sind, dass eine Marketing-Kampagne nicht erfolgreich verlief. Ebenso kann aus der Finanzabteilung der Anstoß kommen, da eine zentrale Sicht auf alle Lieferantendaten nicht möglich ist oder die Reports nicht den Anforderungen entsprechen, weil das zugrunde liegende Datenmaterial unzureichend ist. Die Initiative kann aber auch aus dem Führungsgremium kommen, da hier in der Zwischenzeit das Bewusstsein wächst, dass die Erfüllung unterschiedlicher rechtlicher Regularien im Unternehmen nur mit einer transparenten, guten Datenbasis möglich ist.

70

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode

Abbildung 1: Der FUZZY! DataCare® Process als Vorgehensmodell für Datenqualitätsprojekte

Ein Vorgehensmodell für Datenqualitätsprojekte, das sich im praktischen Einsatz bewährt hat, soll hier nun vorgestellt werden. Grundsätzlich muss sich ein Unternehmen, das sich für TDQM entschieden hat, die Projektschritte kombinieren, die für seine spezielle Aufgabenstellung notwendig sind. Die Vorgehensmodelle können nur eine Art Leitfaden darstellen, an denen sich die Unternehmen orientieren können.

2.2.1 Initiierung des Datenqualitätsprojekts Wie in allen Qualitätsmanagement-Projekten ist auch im TDQM die Vorbereitung und Initiierung des Projekts die wichtigste Phase. Nur wenn vor dem eigentlichen Kick-Off des Projekts alle vorbereitenden Aufgaben erledigt und die Rahmenbedingungen abgestimmt wurden, sind die Grundlagen für ein erfolgreiches Projekt geschaffen.

Definition der Datenqualitätsstrategie Die Datenqualitätsstrategie beschreibt, wie in dem Unternehmen die Qualität der Daten in Zukunft betrachtet werden soll. Die Bedeutung der Datenqualität für und der Einfluss auf das Unternehmen wird verbal beschrieben. Jeder Mitarbeiter kann daraus ablesen, warum gerade er einen Beitrag zur Datenqualität im Unternehmen leisten muss. Ebenso kann er auf der anderen Seite auch sehen, wie er von guter Datenqualität profitieren wird. Die vorhandene Datenqualität muss als ein wert-

71

B Methoden – Techniken – Tools – Regelwerke/Standards voller Beitrag zum Unternehmenserfolg formuliert werden und als solcher auch in der Unternehmensstrategie verankert werden. Wie dieser Beitrag sichergestellt wird, ist Inhalt der Datenqualitätsstrategie.

Definition der Zielsetzung Um den Erfolg des Datenqualitätsmanagements messen zu können, müssen konkrete Ziele formuliert werden. Es wird klar beschrieben, wohin die Reise zur Datenqualität gehen soll. Dabei gilt es zunächst auch, sich auf bestimmte Bereiche zu fokussieren und festzulegen, welche Daten, Systeme, Anwendungen oder Geschäftsprozesse in erster Priorität betrachtet werden sollen. Die Erfahrung zeigt, dass es für ein Unternehmen unmöglich ist, alle Datenqualitätsprobleme sofort anzugehen. Eine Analyse aller vorhandenen Daten würde das Projektteam zunächst erschlagen, da vermutlich eine sehr große Menge von unbewerteten Datenfehlern identifiziert wird. Es gilt also zunächst einen Fokus auf die wichtigsten, geschäftskritischsten Daten zu legen. Deren Bereinigung und Überwachung wird definitiv einen direkten Nutzen für das Unternehmen bringen. Eine einfache Befragung von Schlüsselpersonen im Unternehmen kann genutzt werden, um einen ersten Eindruck der vorhandenen Probleme zu erlangen. Dabei sollte die Fragestellung so gewählt sein, dass der Befragte sowohl seine subjektive Bewertung zu der vorhandenen Qualität einbringen kann, als auch eine Bewertung zu dem Einfluss der vorhandenen Datenqualität auf seine tagtägliche Arbeit und auf den Unternehmenserfolg. Mit diesen Informationen, gesammelt in verschiedenen Unternehmensbereichen und auf verschiedenen Hierarchieebenen, kann eine erste Priorisierung durchgeführt werden, um festzulegen, welche Informationen eine „gefühlte schlechte Datenqualität“ und dazu aber auch noch eine „hohe Relevanz für den Unternehmenserfolg“ besitzen.

Rollen im Datenqualitätsmanagement Innerhalb des Datenqualitätsmanagements sind vielfältige Rollen und Positionen zu besetzen. Das gilt nicht nur in einer späteren Projektphase, wenn erste Erkenntnisse zu dem aktuellen Status vorliegen und durch entsprechende organisatorische Maßnahmen die Qualität langfristig gesteigert wird, sondern auch in der frühen Phase der Projektteamzusammenstellung.

72

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode

Abbildung 2: Rollen des Datenqualitätsmanagement

Der Sponsor des gesamten Datenqualitätsmanagements ist unter anderem verantwortlich für den Aufbau einer entsprechenden Datenqualitätsstrategie innerhalb seines Unternehmens und die Definition der entsprechenden Kennzahlensysteme. Er muss einen Überblick über das gesamte Unternehmen besitzen und verstehen, welchen Einfluss schlechte Datenqualität auf das gesamte Unternehmen hat. Er kennt die elementare Bedeutung der betrachteten Daten für die Geschäftsprozesse und kann ebenso die Wichtigkeit und Relevanz der Geschäftsprozesse für den Unternehmenserfolg abschätzen. Er fällt Entscheidungen, verfügt über finanzielle Mittel zur Beschaffung von notwendigen Ressourcen und besitzt die Weisungsbefugnis über die im Projekt beteiligten Mitarbeiter. Der Sponsor muss eine übergreifende Strategie für ein unternehmensweites Datenqualitätsmanagement entwickeln, in das Unternehmen hineintragen und permanent vorantreiben. Die Erstellung und Publikation der unternehmensweiten Datenqualitätsvision gehört ebenfalls zu seinen Aufgaben. Der Sponsor muss dafür sorgen, dass alle organisatorischen Veränderungsmaßnahmen, die sich aus dem Datenqualitätsprojekt ergeben auch wirklich in dem Unternehmen umgesetzt werden. In vielen Projekten unterliegt diese Aufgabe dem CIO des Unternehmens.

73

B Methoden – Techniken – Tools – Regelwerke/Standards Die eigentliche Verantwortung für die laufende Überwachung und Verbesserung der Datenqualität unterliegt dann dem Datenqualitätsbeauftragten. In sein Aufgabengebiet fällt die Definition von firmeninternen Datenstandards. Er steuert die Anpassungen der IT-Infrastruktur passend zu den Anforderungen des Datenqualitätsmanagement. Diese Position des Data Quality Officer findet sich immer häufiger in den Unternehmen, die sich das Thema Datenqualitätsmanagement auf die Agenda geschrieben haben. Eine wichtige operative Rolle nimmt der Datenverwalter ein, der durch seine tägliche Arbeit tiefe Kenntnisse über unterschiedliche Daten im Unternehmen erlangt hat. Bei aufkommenden Fragen bezüglich der Qualität dieser Daten ist er unmittelbar einzubinden. Durch seine Erfahrung im Unternehmen formuliert er gemeinsam mit den Fachbereichen die bekannten Geschäftsregeln und fachliche Wertebereiche für einzelne Daten. Dieser Datenverwalter arbeitet in den ersten Phasen des Datenqualitätsprojekts eng mit dem Datenanalysten zusammen, der zunächst die vorhandenen Daten des Unternehmens durchleuchtet und versucht einen ersten Status Quo im Bezug auf die aktuell vorhandene Datenqualität zu ermitteln. Auffälligkeiten innerhalb der Daten, die er aufgrund statistischer Analysen ermittelt und hinter denen er entsprechende Datenqualitätsregeln vermutet, diskutiert er mit dem Datenverwalter. Weitere wichtige Rollen, die in dem Datenqualitätsmanagement involviert sind und zu Projektstart auch identifiziert und benannt werden müssen, sind die Qualitätsbeauftragten des Unternehmens, die Prozessverantwortlichen, die Prozessoder Anwendungsdesignverantwortlichen, die Datenbankadministratoren, der Datenschutzbeauftragte sowie externe Datenlieferanten. Alle diese Rollen müssen dem Datenqualitätsmanagement zuarbeiten und für Rückfragen jederzeit zur Verfügung stehen.

2.2.2 Definition der Datenqualitätsanforderungen Gemäß dem Grundsatz „You can only improve what you can measure!“ gilt es in einem Datenqualitätsprojekt zunächst alle Anforderungen an die Daten aufzunehmen und in entsprechende Datenqualitätsregeln umzuformulieren. Diese Datenqualitätsregeln (oder auch Business Rules) sind die Anforderungen unterschiedlicher Nutzer der Informationen. Es ist zu beachten, dass für ein und dasselbe Datenobjekt durchaus unterschiedliche Anforderungen an die Qualität der Daten existieren. Die Anforderungen an die Aktualität, Vollständigkeit und Fehlerfreiheit eines Interessentendatensatzes und von dessen Adress- und Kommunikationsdaten in einem Unternehmen werden innerhalb einer Organisation in verschiedenen Bereichen zu unterschiedlichen Zeitpunkten häufig wechseln. Das Marketing stellt für die Durchführung seiner Mailing-Kampagnen an alle drei IQ-Dimensionen hohe Anforderungen, schließlich soll das Werbematerial den Interessenten auch erreichen. Der Vertrieb dagegen hat

74

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode vielleicht primär ein viel höheres Interesse an einer korrekten Telefonnummer, da der Außendienstmitarbeiter den Weg zum Interessenten schon kennt und diesen bei einer Verzögerung auf jeden Fall anrufen möchte. Für die kaufmännische Abwicklung ist es wiederum enorm wichtig, dass die Firmierung aktuell und korrekt ist. Um nun zu einer bestimmten Information alle Anforderungen aufnehmen zu können, müssen unterschiedliche Wege eingeschlagen werden.

Externe Rechtliche Anforderungen Für eine Vielzahl von Prozessen und daran beteiligten Daten werden durch den Gesetzgeber Vorgaben gemacht, die die Inhalte der Daten, die Form der Verarbeitung oder aber auch die Verfügbarkeit der Daten und den Zugriff auf die Daten festlegen. Eines der größten Aufgabengebiete liegt hier zum Beispiel in der korrekten Archivierung von Daten im Unternehmen in Bezug auf die unterschiedlichen Aufbewahrungsfristen von steuerrechtlich oder vertraglich relevanten Dokumenten. Hier ist zu beachten, dass der Zugriff und damit die Verfügbarkeit von Informationen vom Gesetzgeber vorgegeben ist. Ebenso gibt es in einer Vielzahl von Branchen und Geschäftsprozessen bestimmte Informationen und Daten, die als Pflichtangaben erhoben und gespeichert werden müssen. Dies betrifft zum Beispiel die Legitimationsdaten, also Ausweisdaten, von Kunden einer Bank bei der Kontoneuanlage.

Externe Referenzinformationen Unternehmen, die auch außerhalb der Bundesrepublik Deutschland Geschäfte tätigen, werden in dem immer stärker aufkommenden Bereich Compliance vom Gesetzgeber verpflichtet, ihre Kundenbeziehungen zu überwachen und nur mit solchen Geschäftspartnern zu agieren, die nicht auf entsprechenden Embargooder Denied Person Listen stehen. Die Geschäftsführung muss hierzu nachweisen, dass sie in den Prozessen entsprechende Maßnahmen zur Vermeidung illegaler Geschäfte ergriffen hat. Zusätzlich zu diesen Negativlisten, gibt es natürlich auch je nach Anwendungsfall eine ganze Palette von Referenzlisten, die auf der Inhaltsebene vorgeben, wie die Daten, die in einem Unternehmen gespeichert werden, aussehen müssen. So werden zum Beispiel von der Nomenclature Générale des Activités Economiques dans l'Union Européene für Europa offizielle Branchencodes vorgegeben, die gerade beim Austausch von Informationen verwendet werden sollten. Sie stellen also ebenfalls Anforderungen an die genutzten Daten dar.

Unternehmenseigene Standards Neben diesen offiziell bekannten Datenqualitätsanforderungen, die sich sehr häufig branchenspezifisch als allgemeine Vorlagen in Projekten verwenden lassen, dürfen natürlich die vielfältigen, in jedem Unternehmen individuell gestalteten

75

B Methoden – Techniken – Tools – Regelwerke/Standards eigenen Standards in entsprechende Datenqualitätsregeln umgewandelt und erhoben werden. Das Auffinden und Dokumentieren dieser individuellen Standards ist häufig Aufgabe des Datenanalysten. Dabei greift er zunächst auf die in den Unternehmen häufig unterschiedlich gut ausgeprägten Dokumentationen zurück. Beschreibungen der Geschäftsprozesse, Datenmodelle, Schnittstellenbeschreibungen, Arbeitsanweisungen und Schulungsunterlagen dienen ihm als Quelle für mögliche Datenqualitätsregeln. Zusätzlich lässt sich aber auch in den vorhandenen Daten häufig eine Vielzahl von impliziten Datenqualitätsregeln identifizieren. Hierzu werden die Methoden des Data Profiling und des Data Mining angewandt, um auf den vorhandenen Daten eine ausführliche Analyse und Auswertung durchzuführen. Mit den entsprechenden Werkzeugen lassen sich auch aus größten Datenmengen Auffälligkeiten und Datenfehler erkennen, die sich dann gemeinsam mit dem zuständigen Fachbereichsmitarbeiter oder Datenverwalter (Data Steward) in zusätzliche Datenqualitätsregeln umformulieren lassen.

Technische Anforderungen (System, Anwendung, Datenbank) Zusätzlich zu den aufgeführten fachlichen und rechtlichen Anforderungen existieren noch eine ganze Reihe von technischen Anforderungen an die Daten, die sich meist aus Limitierungen der benutzten IT-Systemen ergeben. Auch wenn immer mehr Standardisierungen in technische Systeme Einzug nehmen, sind immer noch eine Vielzahl von unterschiedlichen Rahmenbedingungen für die in heterogenen Systemlandschaften verwendeten Anwendungen oder Datenbanken zu beachten. Gerade der Austausch von Informationen zwischen verschiedenen Systemen stellt eine häufige Quelle für Datenqualitätsprobleme dar. Deshalb ist es besonders wichtig, in der frühen Projektphase alle systemtechnischen Anforderungen aufzunehmen und zu dokumentieren. Hier gewinnt das Thema Metadaten-Management zunehmend an Bedeutung. Eine saubere, zentrale Dokumentation und Verwaltung der „Daten über die Daten“ bringt einen erheblichen Mehrwert. So kann zum Beispiel schon frühzeitig erkannt werden, dass in verschiedenen Systemen unterschiedliche Datentypen verwendet werden oder die Bezeichnungen von Daten variieren werden, da Feldbezeichnungen unterschiedlich lang sein können.

Umsetzten der fachlichen Anforderungen in technische Datenqualitätsregeln Für die Anwendung von Datenqualitätsregeln gilt es in den meisten Fällen von den Fachbereichen aufgestellte oder formulierte Anforderungen in meist sehr technische Aussagen zu übersetzten. Die eigentliche Messung der vorhandenen Datenqualität erfolgt im Allgemeinen auf entweder in Tabellenform vorliegenden Daten oder auf Datenströmen. Eine der größeren Herausforderungen des Datenqualitätsmanagements liegt hierbei darin, das in den Unternehmen häufig vorherrschende DatenqualitätsEsperanto aufzulösen. Fachliche Formulierungen aus den Geschäftsbereichen wie

76

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode zum Beispiel „Eine natürliche Person muss immer ein formal korrektes Geburtsdatum besitzen“ müssen von dem Datenanalysten bei der Implementierung der Datenqualitätsregeln in technische Formeln wie „If pflag =“N“ then FORMAT(DOB)=YYYY-MM-DD“ umgesetzt werden. Oder umgekehrt wird der Datenanalyst beim Data Profiling erkennen, dass die Spalte P_SCHL_X neben der Ausprägung „Herr“, „Frau“, „Firma“ noch in wenigen Fällen Werte wie „M“, „W“ und „unb.“ enthält. Den Anwender der FrontendApplikation, von dem er den gültigen Wertebereich für dieses Datenfeld erfahren möchte, muss er aber nach den möglichen Werten der Drop-Down-Liste im Datenfeld „Anrede“ auf der CRM-Maske fragen.

Zentrale Bereitstellung der Datenqualitätsanforderungen im Unternehmen Die in der ersten Phase ermittelten Datenqualitätsregeln spiegeln die gesamten Anforderungen des Unternehmens an die Datenqualität wieder. Diese umfassen die Geschäftsprozessregeln des Unternehmens, aber auch standardisierte oder rechtliche Vorgaben für Informationen. Die zentrale Verwaltung, Dokumentation und Bereitstellung dieser Regeln gehört zu den größten Herausforderungen, stellt aber auch einen wichtigen Meilenstein im gesamten Datenqualitätsmanagement dar. Die gemeinsame Abnahme der definierten Datenqualitätsregeln sollte den letzten Schritt in dieser Projektphase darstellen. Im Laufe des Projekts wird der Datenanalyst, der zum Beispiel im Data Profiling Auffälligkeiten in den Daten entdeckt, diese mit dem Datenverwalter abstimmen und dafür dann eine entsprechende Datenqualitätsregel aufstellen und prüfen. Erst nach Prüfung der Ergebnisse aus seinen Tests wird die Regel dann für die weitere Verarbeitung freigegeben.

77

B Methoden – Techniken – Tools – Regelwerke/Standards

Abbildung 3: Data Profiling und Regeldefinition

2.2.3 Messung der vorhandenen Datenqualität Nach der klaren und eindeutigen Formulierung der Datenqualitätsanforderungen in Form von Datenqualitätsregeln werden diese nun auf die zu analysierenden Daten angewandt.

Ermittlung der objektiven Datenqualitätszahlen Mit Hilfe dieser Datenqualitätsregeln erfolgt dann die eigentliche Messung der Datenqualität. Die gemeinsam festgelegten Regeln werden auf den gesamten Datenbestand angewandt. Üblicherweise wird ermittelt, wie viele Datensätze diesen Regeln widersprechen. Durch die Verwendung unterschiedlicher Metriken kann nun eine Qualitätszahl für die entsprechende Regel ermittelt werden.

78

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode

Abbildung 4: 15 IQ-Dimensionen

Für die meisten IQ-Dimensionen lassen sich einfache Metriken definieren. Für die Vollständigkeit wird zum Beispiel ein einfacher Quotient aus der Anzahl der gefüllten Datenfelder und der Anzahl der vorhandenen Datensätze gebildet. Dabei ist zunächst die Definition der Grundgesamtheit, das bedeutet, die Menge der Datensätze, für die eine bestimmte Datenqualitätsregel angewandt werden soll, von elementarer Bedeutung. In den meisten Fällen werden die implementierten Datenqualitätsregeln nicht auf komplette Tabellen angewandt, sondern nur auf einen relevanten Teil oder Ausschnitt einer Tabelle. Zu diesem Zweck werden hier häufig verschiedene Sichten oder Views auf die Tabellen generiert, die dann nur die relevanten Daten herausfiltern. So wird zum Beispiel für die Datenqualitätsregel „Eine natürliche Person muss immer ein gültiges Geburtsdatum besitzen“ auf die Geschäftspartner-Stammdatentabelle eine View generiert, die auf Grund eines Kennzeichens nur die Menschen herausfiltert. Nur auf diese Teilmenge wird dann entsprechend auch die Datenqualitätsregel angewandt.

Durchführung der Datenqualitätsmessung Nach der zentralen Implementierung der Datenqualitätsregeln kann die Anwendung der Regeln auf den Datenbestand und damit die eigentliche Datenqualitätsmessung in die einzelnen Fachbereiche verlegt werden. Durch entsprechende Pro-

79

B Methoden – Techniken – Tools – Regelwerke/Standards jektorganisation und Zugriffsrechte, können mit den verfügbaren Werkzeugen, die zentral definierten Datenqualitätsregeln von den einzelnen Mitarbeitern in ihrer Projektsicht angewandt und durchgeführt werden. So kann zum Beispiel durch eine entsprechende User-Verwaltung die Messung der Datenqualität auch für sensible Daten in einem gemeinsamen unternehmensweiten System implementiert und durchgeführt werden. Die Finanzbuchhaltung kann ihre rechnungsspezifischen Daten prüfen, die Personalabteilung die Qualität ihrer Mitarbeiterdaten und die Produktion ihre Produktionsdaten. Jeder Bereich kann nur seine Messungen sehen, das Datenqualitätsmanagement jedoch hat Zugriff auf alle Teilprojekte und kann die Gesamtdatenqualität des Unternehmens überblicken.

Fehlerlisten und Review der Regeln Neben den reinen Messergebnissen interessiert natürlich auch ein Aufstellung der fehlerhaften Daten zu jeder Datenqualitätsregel. Basierend auf diesen ermittelten Datenqualitätsfehlern wird der Datenanalyst auch eine Review-Phase für die Datenqualitätsregeln aufsetzten. Dies dient der eigentlichen Qualitätssicherung der Regeln und damit einer endgültigen Freigabe der implementierten Regeln. Gemeinsam mit dem Fachbereich wird der Datenanalyst die Ergebnislisten durchgehen und sich aus dieser optischen Kontrolle eine Abnahme der Datenqualitätsregeln einholen. Die Fehlerlisten können sehr unterschiedliche Formate besitzen. So kann eine Aufteilung nach Datenqualitätsregeln erforderlich sein oder eine konsolidierte Darstellung auf Datensatzebene, so dass jeder Datensatz nur einmal aufgeführt wird, egal ob er einer oder mehreren Datenqualitätsregeln widerspricht. Ebenso kann eine Gruppierung der Fehlerlisten nach Sachbearbeitern oder Teams notwendig sein. Alle diese Aspekte müssen bei der Aufbereitung von Fehlerlisten beachtet werden. Entscheidend hierfür ist die Frage nach der weiteren Verarbeitung der Listen im Unternehmen.

Wiederholbarkeit der Messung Die zentrale Verwaltung der Datenqualitätsregeln ermöglicht eine Nutzung und Anwendung dieser Regeln an verschiedenen Stellen im Unternehmen. Für eine laufende Überwachung der Datenqualität durch regelmäßig wiederkehrende Messungen auf dem Datenbestand ist es von Bedeutung, dass die definierten Regeln so flexibel gestaltet sind, dass sie ohne Aufwand auf unterschiedliche Datenstände angewendet werden können. Neben der interaktiven Messung der Datenqualität durch einzelne Mitarbeiter, die sicherlich in der ersten Phase wichtig ist, muss das System auch entsprechend aufgebaut sein, dass automatisierte Messungen der Datenqualität im Hintergrund möglich sind. Eine Einbindung der Datenqualitätsmessung in umfangreichere Abläufe ist von großer Bedeutung.

80

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode

Aufnahme der subjektiven Datenqualitätszahlen Einige der IQ-Dimensionen stellen keine rein technisch messbare Größe dar, sondern beruhen auf subjektiven Einschätzungen, die zum Beispiel im Rahmen ausführlicher Assessments von Mitarbeitern ermittelt werden können. Ein gutes Beispiel hierfür ist die IQ-Dimension „Hohes Ansehen“ – einer Information werden in dieser Dimension höhere Qualitätsmesswerte zugeordnet, wenn sie nach Einschätzung der befragten Anwender eine hohe Vertrauenswürdigkeit besitzt.

Darstellung der Datenqualität Eine der wichtigen Aufgaben des Datenqualitätsmanagement liegt darin, die in der Messung ermittelten Datenqualitätszahlen unterschiedlichen Interessengruppen in der von diesen gewünschten aussagekräftigen Form zu präsentieren. Dazu sind sowohl die Darstellungsformen als auch der Detaillierungsgrad zu beachten. Das Top-Management sieht die Datenqualität im Unternehmen als eine der wichtigen Kennzahlen für die gesamte Unternehmenssteuerung an, will aber eben auch nur diese eine Zahl in dem monatlichen Bericht oder im Management-Dashboard sehen. In der mittleren Managementebene ist der Wunsch nach etwas mehr Detaillierung größer, da sich die verschiedenen Bereiche vergleichen möchte. Auf der Fachbereichsebene ist ein sehr hoher Detaillierungsgrad erwünscht. Hier ist neben der ersten Sicht auf die gemessene Datenqualität, häufig der Wunsch vorhanden, im Bedarfsfall durchaus auf die einzelnen Komponenten, aus denen sich eine Gesamtbewertung zusammensetzt, zugreifen zu können. Daraus haben sich verschiedene Modelle für die Berechnung der verschiedenen Datenqualitätskennzahlen entwickelt. In sie fließen neben den technisch ermittelten objektiven Datenqualitätszahlen auch subjektive Einschätzungen oder Meinungen ein. Ein gut strukturiertes mehrdimensionales Datenqualitätskennzahlenmodell ermöglicht ähnlich einem Data Warehouse auch eine Vielzahl von Sichten und Darstellungen. Egal wie umfangreich eine Visualisierung im Unternehmen implementiert wird, Ziel der Datenqualitätsmessung soll die Transparenz bezüglich der vorhandenen Datenqualität sein. Dann endlich werden harte Fakten die endlosen Diskussionen bezüglich der Datenqualität beenden.

2.2.4 Analyse der Fehlerursachen Die Messung der Datenqualität zeigt einem Unternehmen, wie gut die gesammelten Daten den Anforderungen im Hinblick auf die Qualität entsprechen. Sinn und Zweck des Datenqualitätsmanagement soll es nun sein, die gefundenen Datenfehler nicht einfach nur zu bereinigen, sondern auf langfristige Sicht dafür zu sorgen, dass die entsprechenden Fehler nicht wieder auftreten können. Dazu gilt es herauszufinden, was die eigentlichen Ursachen für die Datenfehler sind.

81

B Methoden – Techniken – Tools – Regelwerke/Standards

Daten, Prozesse, Menschen Mögliche Ursachen für Datenqualitätsmängel können vielfältig sein. Diese finden sich nicht nur in den Daten selbst, sondern sehr häufig auch in den, die Daten verarbeitenden Anwendungen und Prozessen oder aber auch in den Mitarbeiter, Kunden, Lieferanten, ... also all denen, die die im Unternehmen anfallenden Daten bearbeiten. Aus diesem Grund muss die Fehlerursachenanalyse sich auch auf alle drei Bereiche erstrecken und sich keineswegs nur auf die Daten selbst beschränken.

Abbildung 5: Fehlerquellen: Daten, Prozesse, Menschen

Eine Vielzahl von Fehlerursachen wird sich erst durch intensive Diskussionen mit einzelnen Mitarbeitern im Unternehmen ermitteln und bewerten lassen. Die ITAbteilung wird wertvolle Informationen zu den eigentlichen technischen Systemen geben können und auch zu historischen Anwendungen und Verarbeitungen geben können. Aussagen wie: „Das kann nicht sein, da haben wir eine Plausibilitätsprüfung in das System eingebaut“ finden sich genauso schnell wie: „Ach je, der letzte User war MIGR, die Daten kommen alle aus der Datenmigration nach der Übernahme des Geschäftsbereichs“. Hier ist das Expertenwissen der Mitarbeiter nicht zu unterschätzen und muss aktiv eingefordert werden. Ähnliches gilt natürlich für die Analyse der Datenerfassung, die häufig als Fehlerquelle für Daten identifiziert wird. Daher ist es hilfreich sich den Prozess der Datenerfassung genau erklären zu lassen und dann auch noch einmal live zu beobachten, wie Daten wirklich erfasst werden. Häufig gibt es erhebliche Unterschiede zwischen den vorgeschriebenen und den aus praktikablen oder zeitlichen Aspekten gewählten Wegen, wie Daten in das System gelangen.

82

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode

Dokumentation Zur Dokumentation der verschiedenen Fehlerursachen können unterschiedliche Hilfsmittel zum Einsatz kommen. Eine der möglichen Fehlerursachen kann in dem technischen Datenmodel begründet sein. Häufig füllen großformatige Darstellungen der benutzten Datenbanken, deren darin enthaltenen Tabellen und Relationen die Wände der Projekträume. Trotzdem kann es hilfreich sein, für die innerhalb des Datenqualitätsprojekts verwendeten Datenquellen ein separates ER-Diagramm, unter Verwendung der entsprechenden Metadaten, aufzustellen. Vergleicht man dieses mit den bereits vorhandenen Dokumentationen, lassen sich sehr häufig Unterschiede zwischen Theorie und Praxis erkennen. Um die Verarbeitungsschritte der Daten innerhalb der Anwendungen sauber zu dokumentieren und zu protokollieren, können Datenflussdiagramme verwendet werden. Diese werden in verschiedenen Detaillierungsstufen genutzt und können schon erste Hinweise geben, wenn bei der Verarbeitung der Daten innerhalb eines Systems Probleme auftreten. Um bei anwendungsübergreifenden Prozessen eine Transparenz zum Datenaustausch zu erhalten, können Schnittstellenanalysen durchgeführt werden, um auszuschließen, dass gleiche Informationen in unterschiedlichen Systemen unterschiedlich genutzt werden. Neben diesen allgemeinen Verfahren zu der Dokumentation von Anwendungen und Daten, kann noch die sogenannte Information Product Map (IPMap) verwendet werden, mit denen die Verarbeitung von Daten in einem Informationsverarbeitungssystem graphisch dargestellt werden kann [Balou et. al. 1998].

Planung und Konzeption der Verbesserungsschritte Nach der Analyse und Dokumentation der einzelnen Fehlerursachen, gilt es nun die nächsten Verbesserungsschritte zur Steigerung der Datenqualität zu planen. Häufig ergibt sich eine Vielzahl von Datenqualitätsproblemen in unterschiedlichen Ausprägungen. Zunächst erscheint rein intuitiv ein Beginn mit der Korrektur und Bereinigung der häufigsten Fehler sinnvoll. Es sollte jedoch in Betracht gezogen werden, dass die reine Anzahl an Fehlern immer nur ein Aspekt für die Priorisierung bei der Datenqualitätsverbesserung ist. Wichtiger ist in Betracht zu ziehen, wie groß der Einfluss eines Datenfehlers auf das Unternehmen wirklich ist. Zusätzlich ist in Betracht zu Ziehen, welche Kosten und Aufwände durch den Datenfehler selbst und durch die Bereinigungsaufwände entstehen. Die Aufstellung einer Kosten-Nutzen-Rechnung für die Bereinigung oder die Nicht-Beseitigung eines Datenfehlers gehört zu der Konzeption der Verbesserungsschritte, genauso wie die detaillierte Ausarbeitung der einzelnen Aktivitäten mit möglichen Alternativen.

2.2.5 Verbesserung der Datenqualität Nach der Analyse der Datenfehler gilt es, im darauffolgenden Schritt die Ursachen zu bekämpfen und für die Verbesserung der Datenqualität zu sorgen. Hierbei können einmalige Bereinigungen für die initiale Optimierung sorgen. Zugleich gilt

83

B Methoden – Techniken – Tools – Regelwerke/Standards es aber, permanente qualitätssichernde Maßnahmen, zum Beispiel durch Prozessoptimierung oder Integration von qualitätssichernden Werkzeugen direkt in die Anwendungen, zu ergreifen. Bei allen aufgeführten Alternativen ist genau zu bewerten, welcher Weg der für das Unternehmen sinnvollste ist.

Datenbereinigung Die eigentliche Bereinigung der identifizierten Datenfehler ist einer der möglichen Schritte, die vorhandene Datenqualität zu verbessern. Als einmalige Aktivität implementiert, werden die aufgedeckten Datenfehler korrigiert und in den entsprechenden Tabellen gemäß den Anforderungen abgelegt. Dies kann durch automatisierte Prozesse erfolgen, wo dies mit entsprechender Werkzeugunterstützung möglich ist. In anderen Fällen kann es notwendig sein, dass die Bereinigung durch Mitarbeiter manuell erfolgen muss. Eine permanente Sicherstellung von guter Datenqualität erfordert eine Integration von Datenqualitätsmessungen und Datenqualitätsverbesserungsmodulen direkt in die Geschäftsprozesse oder Anwendungen. Getreu dem Bestreben, Qualitätsmängel bereits an der Stelle der Entstehung zu identifizieren und zu korrigieren, müssen entsprechende Datenqualitätstools bereits bei der Datenerfassung eingesetzt werden. Die verschiedenen Toolhersteller bieten dazu schon heute eine Vielzahl von sogenannten Links oder Connectoren, die eine einfache und direkte Integration in annähernd alle Standard-Anwendungssysteme ermöglichen. [BARC 2004].

Systemoptimierung Neben der reinen Bereinigung der Daten gilt es natürlich auch die Informationssysteme an sich zu betrachten und zur Steigerung der Datenqualität zu verbessern. Dies kann eine Anpassung und Veränderung des benutzten Datenmodells sein. Die Einführung von selbstdefinierten Normen für die Bezeichnung von Datenfeldern gleicher Bedeutung in unterschiedlichen Tabellen kann ebenso die Verständlichkeit steigern, wie die intensive Nutzung und Implementierung von verschiedenen Constraints oder Schlüsselbeziehungen, die die strukturelle Qualität der Daten sicherstellen. Dazu müssen eventuell die verwendeten Applikationen selbst und vor allem die Abbildungen der Geschäftsprozesse in den Systemen angepasst und überarbeitet werden. Dadurch kann sichergestellt werden, dass bei der Verarbeitung von Daten auf dem Weg von der Datenerfassung bis zur Datenspeicherung oder gar weiter zur Datennutzung keine Fehler entstehen. Die Weitergabe von Daten über eigentliche Systemgrenzen hinweg stellen auch sehr häufig Fehlerquellen dar. Deshalb ist für die Datenqualitätssteigerung auch auf die Gestaltung der verwendeten Schnittstellenprogramme ein besonderes Augenmerk zu legen.

Geschäftsprozessoptimierung Die Geschäftsprozesse bilden das Gerüst eines Unternehmens. Meist sind dies eingespielte Prozesse, die auf Grund ihrer Komplexität häufig nur ungern verän-

84

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode dert werden. Trotzdem kann es im Sinne der Sicherstellung guter Datenqualität notwendig sein, auch in die Kernprozesse eines Unternehmens einzugreifen. Die Geschäftsprozesse bestimmen wie die Daten verarbeitet werden. Anpassungen und Optimierungen von Geschäftsprozessen können notwendig sein, um identifizierte Datenqualitätsfehler langfristig zu beseitigen.

Schulung von Mitarbeitern Ein weiterer wichtiger Punkt für die Verbesserung der Datenqualität liegt in der intensiven Schulung der Mitarbeiter. Neben den Versuchen, die Mitarbeiter durch möglichst viele technische Maßnahmen bei der Arbeit mit den Daten zu entlasten, ist es ebenso wichtig, sie durch entsprechende Arbeitsanweisungen für ihre täglichen Aktivitäten zu unterstützen. Durch entsprechende Schulungsmaßnahmen können die Mitarbeiter außerdem dazu informiert werden, wie sie mit den entsprechenden Daten umgehen müssen und warum ihre tägliche Arbeit durchaus zu einer unternehmenswichtigen guten Datenqualität beitragen kann.

2.2.6 Permanente Überwachung der Datenqualität Die bisher beschriebenen Phasen eines Datenqualitätsprojekts führen dazu, dass im Unternehmen endlich ein einheitliches Verständnis herrscht was unter dem Begriff Datenqualität überhaupt verstanden wird. Durch Implementierung entsprechender Regeln kann wiederholt eine Ermittlung des aktuellen Stands der Datenqualität durchgeführt werden. Die Fehlerursachen wurden identifiziert und analysiert. Entsprechende Verbesserungsmaßnahmen wurden etabliert. Nun gilt es den einmalig erreichen hohen Qualitätsgrad nicht wieder absinken zu lassen, sondern durch regelmäßige Messungen mit denselben Datenqualitätsregeln eine permanente Überwachung zu realisieren. Aus diesen automatisierten Datenqualitätsmessungen können automatische Berichte generiert werden, die dann im Unternehmen publiziert die zeitliche Veränderung der Datenqualität zum Beispiel im Intranet darstellen. Durch entsprechende Überwachungsmechanismen können bei Erreichen vorher festgelegter Schwellwerte unterschiedliche Aktivitäten angestoßen werden. Diese können von der einfachen Benachrichtigung von Systemverantwortlichen per SMS oder E-Mail bis hin zur Aktivierung von automatisierten Folgeprozessen reichen. Die fortlaufende Überwachung der Datenqualität ermöglicht es dem Unternehmen auch jederzeit Auskunft über den aktuellen Status zu liefern.

2.3 Anreize für ein Datenqualitätsmanagement Eine der wichtigsten Aufgabenstellungen auf dem Weg zur Information Excellence ist es, das Thema Datenqualität nicht als eine alleinstehende, einmalige Aktion zu betrachten, sondern entsprechende organisatorische Maßnahmen zu ergreifen, die ein ganzheitliches Datenqualitätsmanagement unterstützen.

85

B Methoden – Techniken – Tools – Regelwerke/Standards Was sich ein Unternehmen also von einem ganzheitlichen Datenqualitätsmanagement erwarten kann, lässt sich in Anlehnung an Thomas Redman [Redman 1996] folgendermaßen formulieren:

Diejenigen, die erfolgreich ein Datenqualitätsprojekt durchlaufen haben, werden den Einfluss von schlechter Datenqualität verstehen. Sie werden weiterhin bemüht sein, die Qualität ihre Daten zu erhöhen, weil sie verstanden haben, dass qualitativ hochwertige Daten einen echten Mehrwert für ihr Unternehmen darstellen und nicht nur eine lästige Pflichtaufgabe.

Diejenigen, die erfolgreich ein Datenqualitätsprojekt durchlaufen haben, werden organisatorische Maßnahmen ergreifen, um entsprechende Verantwortungsbereich für die Datenqualität zu etablieren. Sie werden die Daten und Informationen, die in ihrem Unternehmen genutzt werden, als einen echten Unternehmenswert betrachten. Ein Hauptaugenmerk wird auf der Erzeugung und Verwaltung von qualitativ hochwertigen Daten liegen. Alle im Unternehmen, die Daten erfassen, werden sich an der Qualität der von ihnen erfassten Daten messen lassen müssen.

Diejenigen, die erfolgreich ein Datenqualitätsprojekt durchlaufen haben, werden ein perfektes Verständnis für ihre Geschäftsprozesse haben. In dem Unternehmen ist es vollkommen transparent, wer der Kunde ist und wie seine Anforderungen an die Prozesse und Daten sind. Für die Messung und Überwachung der Datenqualität sind stabile regelmäßige Prozesse etabliert. Zu den wichtigsten Daten können permanent Aussagen über deren Qualitätszustand gemacht werden. Auftretende Probleme können frühzeitig erkannt werden und man kann proaktiv dagegen ankämpfen.

Es gibt also eine ganze Reihe von guten Gründen, warum sich ein Unternehmen Gedanken zum Datenqualitätsmanagement machen sollte. Dabei gilt es aus den Erfahrungen Anderer zu profitieren und sich auf bewährte Prozesse und Methoden zu verlassen. Damit schaffen es die Unternehmen, am Markt wettbewerbsfähig zu bleiben oder sich um einen entscheidenden Schritt von den anderen Marktteilnehmern abzuheben.

86

2 Datenqualitätsmanagement – Steigerung der Datenqualität mit Methode

Literaturverzeichnis [Balou 1998] Balou, D., Wang, R., Pazer, H. & Tyi, G., Modeling Information Manufacturing Systems to Determine Information Product Quality, 1998, In: Management Science (44:4), April 1998, S. 462-484 [BARC 2004] Mathes, T., Bange, C., Keller, P., Datenqualitätsmanagement – 13 Werkzeuge zur Steigerung der Datenqualität, Oxygon Verlag, München, 2004, ISBN 3-937818-08-1 [BBC 2005] Probe into Japan share sale error, 9. Dezember http://news.bbc.co.uk/2/hi/business/4512962.stm (Zugriff am 30.5.2007)

2005,

[English 1999] English, L., Improving Data Warehouse and Business Infomration Quality, Wiley Computer Publishing, New York, 1999, ISBN 0-47125-383-9 [Helfert 2002] Helfert, M., Proaktives Datenqualitätsmanagement in DataWarehouse-Systemen, Logog Verlag, Berlin 2002 [Isbell & Savage 1999] Isbell, D. & Savage, D.: Mars Climate Orbiter Failure Board Releases Report, Numerous NASA Actions Underway in Response, 10. November 1999, http://www.spaceref.com/news/viewpr.html?pid=43 (Zugriff am 30.5.2007) [Loshin 2001] Loshin, D., Enterprise Knowledge Management – The Data Quality Approach, Academic Press, 2001, ISBN 0-12-455840-2 [Moss 2004] Moss, L., TDWI Data Cleansing: Delivering High-Quality Warehouse Data, The Data Warehousing Institute, February 2004 [MSHA 2003] Mine Safety and Health Administration: MSHA Issues Quecreek Investigation Report, 12. August 2003 http://www.msha.gov/Media/PRESS/2003/NR030812.htm (Zugriff am 30.5.2007) [Wang 1996] Wang, R., Strong, D., Beyond Accuracy: What Data Quality Means to Data Consumers. In: Journal of management Information Systems, 12 (1996) 4, S. 533 [Redman 1996] Redman, T. C., Data Quality for the Information Age, Artech House Computer Science, Boston, 1996, ISBN 0-89006-833-6

87

3 Strukturierte Datenanalyse, Profiling und Geschäftsregeln Marcus Gebauer, Ulrich Windheuser

3.1 Datenqualität In heutigen Diskussionen zum Thema Datenqualität wird häufig der Begriff der Informationsqualität synonym verwendet. Dies ist für die pragmatische Anwendung nicht von entscheidender Bedeutung, jedoch bestehen ein paar grundsätzliche, auch für das Verständnis der Datenqualität, wichtige Unterschiede. Aber auch die Autoren verwenden die Begriffe synonym. Die Abbildung 1 stellt den Zusammenhang zwischen Daten und Information dar.

Abbildung 1: Daten und Informationen (nach www.dmsbasics.de) Grundsätzlich können Informationen eines Unternehmens in solche, die formell strukturiert sind, und solche, die informell existieren, unterschieden werden. Betrachten wir im Weiteren die fassbaren ‚Formellen Informationen’, so bestehen diese immer aus zwei Teilen, den Daten und dem dazugehörenden Kontext. Ohne einen Bezug zu einem Kontext sind Daten wertlos, sie gehorchen immer einem Zweck innerhalb eines Prozesses. Erst vor dem Hintergrund einer zielgerichteten Nutzung werden aus Daten Informationen abgeleitet. Somit ist natürlich auch die Qualität von Daten nur im Kontext ihrer Nutzung beurteilbar. In diesem Sinne kann dann auch der Begriff der Informationsqualität synonym verwendet werden. Als pragmatische Definition der Datenqualität bietet sich folgende an:

88 K. Hildebrand et al. (Hrsg.), Daten- und Informationsqualität, DOI 10.1007/978-3-8348-9953-8_5, © Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011

3 Strukturierte Datenanalyse, Profiling und Geschäftsregeln Datenqualität ist die Gesamtheit der Ausprägungen von Qualitätsmerkmalen eines Datenbestandes bezüglich dessen Eignung, festgelegte und vorausgesetzte Erfordernisse zu erfüllen.

Als verkürzendes Schlagwort haben sich der Begriff Zweckeignung oder der englische Ausdruck Fitness for Use eingebürgert. Nun ist die oben genannte Definition sehr eingängig, dennoch bleibt die Aufgabe, diese mit Leben zu füllen, eine Operationalisierung herbeizuführen. Anhand der in Abbildung 2 dargestellten Datenqualitätspyramide lassen sich drei Stufen erfolgreicher Operationalisierung erschließen.

Datenqualität Datenqualitäts-

Gesamtheit unterschiedlicher Qualitätsmerkmale Einzelaspekt der Datenqualität

merkmale

Datenqualitätsmetrik

Objektive, messbare Größe, die in Bezug auf unterschiedliche Ausprägungen eines Qualitätsmerkmals sensitiv reagiert.

Abbildung 2: Datenqualitätspyramide Datenqualität lässt sich als Obermenge aller Datenqualitätsmerkmale verstehen, die die zweite Ebene der Pyramide bilden. Zur Evaluierung der Datenqualitätsmerkmale sind Datenqualitätsmetriken notwendig. Sie bilden das Qualitätsmaß, mit dem eine quantitative Aussage möglich ist. Diese Qualitätsmetriken bilden die operationelle Basis zur Bestimmung der Datenqualität. Bis hierher ist die Datenqualitätspyramide eine rein technische Vorgehensbeschreibung. Im Folgenden werden die Begriffe DQ-Merkmale und DQ-Metriken detaillierter erläutert.

89

B Methoden – Techniken – Tools – Regelwerke/Standards

3.2 Merkmale der Datenqualität Ein bekannter Ansatz zur Strukturierung der DQ-Merkmale ist der nach Larry English [English 1999]. Er unterscheidet die folgenden drei Hauptmerkmale mit ihren insgesamt 10 Untermerkmalen: Qualität der Datendefinition o Datenspezifikation o Geschäftsregeln o Integritätsbedingungen Inhaltliche Datenqualität (Korrektheit der Datenwerte) o Vollständigkeit o Eindeutigkeit o Einhaltung der Geschäftsregeln o Genauigkeit und Fehlerfreiheit Qualität der Datenpräsentation o Rechtzeitige Bereitstellung o Angemessenheit des Formats o Verständlichkeit des Formats Die Betrachtung der Datendefinitionsqualität ist der Einstieg und gleichzeitig die Basis für die weiteren Betrachtungen. Ohne vernünftige Definition ist z. B. eine nachvollziehbare Qualifizierung der inhaltlichen Qualität nicht möglich. Bei der Analyse eines Datenbestandes ist also zunächst auf die Metadaten, bestehend aus Pflichtenheft, Systemdokumentation, Datenmodell, etc. zu achten. In diesen sollten sich verständliche und vollständige Informationen zu den Datenobjekten finden. Die Datenspezifikation beschreibt die einzelnen Objekte wie z. B. Tabellen und Felder in ihrer absoluten fachlichen Bedeutung und Modellierung im System bzw. in der Datenbank. Es geht um Fragen wie „Welche Dinge der realen Welt (Produkte, Kunden, Verträge, …) finden sich im System? Wie und mit welchen Ausprägungen sind sie verschlüsselt?“, um klarzustellen, mit welcher „Sprache“ im System gearbeitet wird. Qualitätsaussagen zur Datenspezifikation drehen sich hierbei um „Existenz, Verfügbarkeit und Aktualität einer Dokumentation“, „Vollständigkeit der beschriebenen Objekte“ und „Verständlichkeit der Beschreibung“. Die Betrachtung der Geschäftsregeln geht noch einen deutlichen Schritt weiter. Geschäftsregeln beschreiben Abhängigkeiten und Beziehungen der modellierten Objekte untereinander. Drücken sich diese Abhängigkeiten im Datenmodell aus, so können diese in Form von Referenziellen Integritäten geprüft werden. Aber nicht alle Beziehungen können in einem System ausmodelliert werden. Diese sind implizit vorhanden, wenn beispielsweise die Programmlogik darauf aufbaut. Plausibilitätsprüfungen an einer manuellen Eingangsschnittstelle sind ein weiterer Hinweis auf die Existenz und Nutzungsmöglichkeit von Geschäftsregeln. Qualitätsaussagen hierzu behandeln offensichtlich die Güte des Datenmodells und die Existenz, Vollständigkeit und Richtigkeit von Plausibilitätsprüfungen am Dateneingang. Oftmals

90

3 Strukturierte Datenanalyse, Profiling und Geschäftsregeln leiden solche Qualität sichernden Maßnahmen unter höher gewichteten Performance-Anforderungen. Die inhaltliche Datenqualität ist bei akzeptabler Datendefinitionsqualität leicht prüfbar. Über die Datenspezifikation gelangt man leicht zu Kriterien zur Korrektheit (Vollständigkeit, Eindeutigkeit und Genauigkeit) der Datenwerte eines isoliert betrachteten Feldes. Mithilfe der Geschäftsregeln lassen sich Unplausibilitäten im Verhältnis zu anderen Feldinhalten und über die Integritäten Unstimmigkeiten zu in Beziehung stehenden anderen Datensätzen aufdecken. Im Unterschied zu den anderen Hauptmerkmalen lässt sich die inhaltliche Datenqualität automatisiert und reproduzierbar messen, wenn die bekannten Spezifikationen und Geschäftsregeln zur eindeutigen Aufdeckung von Datenfehlern genutzt werden. Die Qualität der Datenpräsentation ist durch Fragen der (zeitlichen) Verfügbarkeit, Angemessenheit des Formats und Verständlichkeit geprägt. Was nützen sauber dokumentierte und inhaltlich zu 100% korrekte Daten, wenn diese für den Nutzer zu spät oder gar nicht verfügbar sind. Weitere Probleme können z. B. die Darstellung von rein technischen Sichten (Feldnamen und Feldinhalte) sein, die für den Endanwender erst durch Studium und Auswendiglernen von Schlüsseltabellen zu fachlichen Inhalten werden. Die Anforderungen an die Präsentationsqualität sind also überwiegend durch die Anwender getrieben und nicht durch technische Gegebenheiten der Anwendung. Daher ist eine Feststellung dieser Qualität nur durch eine direkte Einbeziehung der Anwender möglich. Als Sonderfall ist sicherlich noch zu betrachten, dass auch nachgelagerte Systeme, die über eine Schnittstelle mit Daten versorgt werden, Anforderungen an die Datenpräsentation haben. Diese sind eher technisch orientiert. Über Transformationsmethoden können Daten umgeschlüsselt und damit dem lesenden System „verständlich“ gemacht werden. Daher ist Datenpräsentation in diesem Kontext nicht kritisch. Wichtiger sind vielmehr die Aspekte der korrekten Datendefinition. Ein alternativer Ansatz zur Strukturierung der DQ-Merkmale ist der nach Richard Wang [Wang 1996]. Wie in den vorangegangenen Abschnitten beschrieben unterscheidet English drei Bereiche, nach denen Datenqualität betrachtet werden kann. Dieses Modell ist insoweit recht pragmatisch, als dass es sich an den Erfordernissen eines zu implementierenden Datenmodells orientiert. Metainformationen zu Datenfeldern werden hier in dem Bereich der Datendefinition hinterlegt. Im Ansatz nach Richard Wang lassen sich zwei grundsätzliche Unterschiede erkennen. Zum einen legt Wang stärker den Datennutzer und damit das Thema Informationsqualität in den Vordergrund, zum anderen unterliegen in seinem Modell Metadaten den gleichen Anforderungen der Datenqualität wie Daten. Dies hat den Vorteil, dass keine akademische Diskussion über den Unterschied zwischen Metadaten und Daten geführt werden muss.

91

B Methoden – Techniken – Tools – Regelwerke/Standards Es sei bereits jetzt angemerkt, dass es letztlich in der Anwendung unerheblich ist, nach welchem Modell vorgegangen wird. In der praktischen Durchführung kommt es auf die Vollständigkeit der Überprüfung aller Bereiche an. Wang definiert Merkmale in vier Datenqualitätskategorien, die sich wiederum in insgesamt 16 Datenqualitätsdimensionen unterteilen.

Intrinsisch o Exaktheit o Objektivität o Glaubwürdigkeit o Reputation Kontextbezug o Vollständigkeit o Zeitgerechtigkeit o Wert steigernd o Relevanz o Informationsmenge Repräsentation o Interpretierbarkeit o Konsistenz o Durchgängigkeit o Verständlichkeit Verfügbarkeit o Bearbeitbarkeit o Zugang o Zugangssicherheit

Intrinsisch bedeutet, dass Informationen Qualität aus sich heraus haben können. Exaktheit ist wie beschrieben allerdings nur eine Form, wenn auch eine, die objektiv bestimmbar ist. Die anderen drei Dimensionen repräsentieren die mehr subjektive Beurteilung von Daten in deren Nutzung. Im Sinne der Informationsqualität werden Daten immer innerhalb eines bestimmten Kontextes betrachtet. So müssen sie relevant, zeitgerecht, in geeigneter Menge vorliegen und vollständig sein und im Sinne eines Betrages auch Wert steigernd sein. Im Gegensatz hierzu findet sich die Zeitgerechtigkeit im Modell nach English in der Datenrepräsentation. Die Kategorien der Repräsentation und der Verfügbarkeit betonen mehr die Bedeutung der IT-Systeme. Um die Informationsqualität zu beurteilen, sind die subjektive Kundensicht und die objektive Sicht, wie Daten im System hinterlegt sind, zu betrachten. Es ist notwendig beide Sichtweisen zu betrachten, da nur so die Qualität der Daten und Informationen umfassend betrachtet werden kann.

92

3 Strukturierte Datenanalyse, Profiling und Geschäftsregeln

3.3 Geschäftsregeln In den vorangegangen Abschnitten ist bereits deutlich geworden, dass die Prüfbarkeit von Datenqualität eng mit der Kenntnis von Geschäftsregeln zusammenhängt. Die Definition von geeigneten Metriken ist ohne Geschäftsregeln überhaupt unmöglich. Betrachten wir z. B. den einfachen Fall, dass in einem Kundenstammdatensystem die Adresse stets vollständig angegeben sein muss. Dies ist mindestens durch die Verwendungsnotwendigkeit im Schriftverkehr begründet und daher durch eine Geschäftsregel motiviert. Die resultierende Vollständigkeits-Metrik ist der Anteil der Kunden mit vollständig gefüllter Adresse. Dies lässt sich leicht auf die Betrachtung von Gültigkeitsbereichen, Plausibilitäten und Integritäten fortsetzen. Die Datenqualitätspyramide kann also um eine 4. Ebene ergänzt werden (s. Abbildung 3).

Datenqualität Qualitäts-

Gesamtheit unterschiedlicher Qualitätsmerkmale Einzelaspekt der Datenqualität

merkmale

Objektive, messbare Größe, die in Bezug auf unterschiedliche AuspräQualitätsmetriken

gungen eines Qualitätsmerkmals sensitiv reagiert Verschiedene Geschäftsobjekte werden

Geschäftsregeln

in einen fachlich logischen Zusammenhang gebracht

Abbildung 3: Erweiterte Datenqualitätspyramide Der Ansatz über Geschäftsregeln ist plausibel, jedoch nicht problemfrei. Denn: Geschäftsregeln sind selten dokumentiert: In den Dokumentationen unserer Systeme finden wir sicherlich Beschreibungen der Felder. Aber eine Beleuchtung des fachlichen Hintergrunds, warum ein Objekt definiert ist wie es ist fehlt in der Regel. Beschreibungen von Zusammenhängen zu anderen Datenobjekten werden ebenfalls nur selten zu finden sein. Geschäftsregeln werden nicht konsequent angewendet: Existieren z. B. Handlungsanweisungen, wie Daten zu pflegen sind, so werden diese oftmals umgangen. Dies geschieht teilweise bewusst, wie die Nutzung von DefaultWerten oder der Ausprägung „Sonstige“, oder unbewusst, da in der täglichen Arbeit eben Fehler passieren.

93

B Methoden – Techniken – Tools – Regelwerke/Standards

Geschäftsregeln sind oft nur unscharf formuliert: Geschäftsregeln sind in der Regel (umgangs-)sprachlich dokumentiert und dadurch unscharf. Teilweise sind sie veraltet und daher nicht vollständig korrekt oder generisch formuliert und nur durch die Anwendung von Zusatzwissen anwendbar.

Insgesamt sind Geschäftsregeln nicht direkt für eine systembezogene Nutzung geeignet und müssen durch Zusatzmaßnahmen für die Nutzung im Datenqualitäts-Management veredelt werden.

3.4 Methoden der Datenanalyse Die oben geschilderten Probleme mit der Bekanntheit und Exaktheit von Geschäftsregeln können mit Methoden der Datenanalyse gelöst werden. Die dahinter liegende Idee ist dabei, dass das in den Daten einer Datenbank versteckte Wissen dazu genutzt wird. Auch wenn die Datenqualität eines Datenbestandes verbesserungswürdig ist, so wird dieser dennoch erfolgreich in der Praxis eingesetzt und besitzt damit eine zumindest akzeptable Datenqualität. Somit ist das indirekt in einer Datenbank gespeicherte Wissen nicht falsch. Im Folgenden wollen wir beschreiben, wie mit einfachen Mitteln der Datenanalyse Geschäftsregeln gefunden werden können. Die geschilderten Beispiele stammen aus der Praxis (ein Projekt zur Kundendaten-Qualitätsanalyse).

01.02.1998

01.01.1998

01.01.1800

01.01.1950

Abbildung 4: Beispiele für Datenanalyse Die einfachste Art ist die Häufigkeitsauszählung von kategorischen Variablen. In Abbildung 4 links oben ist zu erkennen, dass die dritte Ausprägung von links nur

94

3 Strukturierte Datenanalyse, Profiling und Geschäftsregeln sehr selten vorkommt. Dies ist verdächtig und sollte weiter verfolgt werden. Eine Durchsicht der Dokumentation ergibt, dass das betrachtete Feld die „Anrede des Kunden“ und „Fräulein“ die auffällige Ausprägung ist. Es stellt sich heraus, dass dieser Kunde vor langer Zeit eingerichtet wurde (als die Ausprägung „Fräulein“ noch erlaubt war), zwischenzeitlich deaktiviert, aber nun wieder aktiviert worden ist. Ergebnis: Die Verschlüsselung ist fehlerhaft und muss korrigiert werden. Die Geschäftsregel lautet: Die Ausprägung „Fräulein“ ist als Anrede nicht mehr zugelassen. Bei der Betrachtung von kontinuierlichen Variablen sollte der Fokus auf die Ränder der Verteilung gelegt werden. In Abbildung 4 links unten wird gezeigt, dass in einem Datumsfeld die meisten Ausprägungen im Zeitraum 1900 bis heute angesiedelt sind, nur am linken Rand treten auffälligerweise Ausprägungen zu Anfang des 19. Jahrhunderts auf. Eine Betrachtung der Metadaten zeigt, dass es sich um das Feld „Geburtsdatum des Kunden“ handelt, welches zunächst den logischen Schluss einer Fehlverschlüsselung zulässt. Erst ein weiteres Nachlesen in der Feldbeschreibung zeigt, dass damit auch das Gründungsdatum eines Firmenkunden gemeint ist, welches durchaus im 19. Jahrhundert liegen kann. Ergebnis: Die gefundenen Auffälligkeiten sind also keine Fehler. Es ist jedoch zu empfehlen, die Feldbezeichnung zu erweitern, z. B. zu „Geburts- bzw. Gründungsdatum“. Die korrekte Geschäftsregel lautet: Ein Geburtsdatum vor dem 1.1.1900 ist bei natürlichen Personen (in Abgrenzung zu juristischen Personen) unplausibel. Die isolierte Betrachtung eines Feldes erlaubt, wie wir oben gesehen haben, nur die Erkennung von Fehlern am Rand einer Verteilung, jedoch nicht inmitten dieser. Die Betrachtung der rechten Seite von Abbildung 4 zeigt einen Zugang, dieses Manko zu umgehen. Und zwar können durch Gegenüberstellen zweier (in diesem Fall Datums-)Felder ggf. Muster erkannt werden, die wiederum zu Ausreißervermutungen führen. In dem gezeigten Beispiel liegen die Datenpunkte größtenteils auf der Hauptdiagonalen oder darunter. Nur ein Datenpunkt liegt oberhalb der Diagonalen und kann als Ausreißer angenommen werden. Eine fachliche Prüfung kommt zu folgendem Ergebnis: Der Ausreißer stellt den prozessual nicht möglichen Fall dar, dass einem Kunden ein Kredit ausgezahlt wurde, bevor dieser bewilligt worden ist. Ergebnis: Der Fehler ist im Stammdatensystem zu korrigieren. Die Geschäftsregel lautet: Das Kapitalauszahlungsdatum liegt nie vor dem Kapitalgenehmigungsdatum. Die Chronologie der Beispiele zeigt, dass das Hinzuziehen von weiteren Feldern bei der Erkennung von Fehlern hilft. Die Methoden der Visualisierung sind allerdings auf eine geringe Zahl von Feldern beschränkt. Sollen mehr als 3 – 4 Felder gleichzeitig betrachtet werden, so müssen weiterführende Analysemethoden eingesetzt werden. In der Praxis hat sich dabei die Data Mining-Methode der Regelinduktion besonders bewährt. Die Dimensionsgröße (= Anzahl der gleichzeitig betrachteten Felder) ist theoretisch unbeschränkt. Das Resultat der Regelinduktion sind klar formulierte „if-then“-Regeln, die direkt als Abfragen auf einer Datenbank

95

B Methoden – Techniken – Tools – Regelwerke/Standards angewendet werden können und auch für einen Laien leicht verständlich sind (natürlich vorausgesetzt, ihm ist die Bedeutung der Feldbezeichner bekannt). Beispiel für das Ergebnis einer Regelinduktion (hier auf Basis von Wertpapierstammdaten): IF Wertpapierstatus = „Nicht abgelaufen“ AND Wertpapierart = „Aktie“ THEN Zinssatz = ; SUPPORT = 40%, CORRECTNESS = 99,5%

Methoden der Regelinduktion erkennen solche Zusammenhänge automatisch, auch oder gerade wegen einer gewissen Unschärfe-Toleranz. Die oben genannte Regel hat einen Anwendungsbereich von 40% der Grundgesamtheit, d. h. der Bedingungsteil der Regel trifft auf 40% der gesamten Daten zu, und eine Korrektheit von 99,5%, d. h. die Einschränkung auf „Nicht abgelaufene Aktien“ bewirkt, dass das Zinssatzfeld fast immer leer ist. Die Regel hat also eine Unschärfe von 0,5 %. Genau solche Unschärfen sollen aber bei DQ-Analysen aufgedeckt werden. Ergebnis: Die identifizierte Unschärfe ist zu korrigieren. Die Geschäftsregel ergibt sich aus der „if-then“-Regel selbst: Bei nicht abgelaufenen Aktien ist das Zinssatzfeld leer.

3.5 Metriken im Detail In den voran gegangenen Abschnitten wurde der Zusammenhang zwischen Metriken und Geschäftsregeln erläutert und beispielhaft belegt. Außerdem wurde dargestellt, wie mit Mitteln der Datenanalyse Geschäftsregeln ermittelt werden können. Im Folgenden wird nun ausgeführt, wie verschiedene Regeltypen im Sinne von Metriken genutzt werden können. Grundsätzlich können drei Regeltypen unterschieden werden, die der Überprüfung verschiedener Aspekte von Datenqualität dienen. Die Regeln können in Messprojekten einzeln oder gemeinsam verwendet werden. Dabei ziehen unterschiedliche Messprojekttypen typischerweise auch die Verwendung unterschiedlicher Regeltypen nach sich:

Key Rules zur Überprüfung der die Tabellen verbindenden Felder gefolgt von Matching Rules zur Überprüfung, inwieweit die Tabellen überhaupt zueinander passen, gefolgt von Content Rules zur Überprüfung der Konsistenz der Inhalte der Datenzeilen, auch der unterschiedlicher Tabellen, die zueinander passen.

Alle Regeln erzeugen numerische Messergebnisse, die sich über selbst definierbare arithmetische Ausdrücke zu Qualitätsmetriken kombinieren lassen. Außerdem erzeugen alle Regeln auf Wunsch Fehlerlisten, die jeweils genau den Ausschnitt

96

3 Strukturierte Datenanalyse, Profiling und Geschäftsregeln aus der analysierten Datentabelle beinhaltet, der eine gegebene Regel verletzt. Beide Outputs – Metriken und Fehlerlisten – sind für die Validierung von Regeln und die Bewertung von Messergebnissen wesentlich. Die Regeln können hierarchisch in einer Baumstruktur hinterlegt werden, wobei die gleiche Regel in mehr als einem Zweig des Baums vorkommen kann. Dies ermöglicht es, verschiedene Sichten auf die Regeln zu definieren, etwa nach Priorität, betroffenen organisatorischen Bereichen, betroffenen Daten nutzenden Systemen oder auch fachlichen Gesichtspunkten. Die Baumstruktur wird im Reporting gespiegelt, so dass auch die Messergebnisse nach den definierten Sichten ausgewertet werden können (s. u.). Key Rules dienen zur Überprüfung von Schlüssel- und allgemeiner MultiplizitätsEigenschaften einzelner oder zusammengesetzter Felder. Vorzugeben ist die zu überprüfende Feldkombination sowie die erlaubten Multiplizitäten für gleiche Ausprägungskombinationen. Matching Rules dienen zur Überprüfung eines Matchings zwischen zwei Tabellen. Vorzugeben ist die Bedingung, über die die Tabellen zueinander in Beziehung stehen, sowie die erlaubten Multiplizitäten. Content Rules dienen zur Überprüfung von Dateninhalten. Die Überprüfung von Dateninhalten erfolgt stufenweise, wobei die Einschränkungen an die Inhalte mit jeder Stufe schärfer werden. Diese Messstufen sind nicht zu verwechseln mit den 16 Dimensionen der Datenqualität wie sie zum Beispiel in [Wang 1999] beschrieben sind. Dabei besteht nicht die Anforderung, dass die Datenfelder in der Prüfung alle Stufen bis zur höchsten durchlaufen müssen. Wird ein Datensatz auf einer Stufe als Fehler erkannt, durchläuft er die übrigen Stufen nicht weiter. Dies vermeidet, dass bei der Validierung der Regel, Fehler auf Fehlerlisten mehrfach betrachtet werden. Im Falle eines Geburtsdatums, dessen exakte Ausprägung sich häufig nur bei Überprüfung gegen Aktenlage bestimmen lässt, und gerade nicht automatisiert, kann die Stufe der Exaktheit nicht erreicht werden. Die einzelnen Stufen sind:

Completeness – die Überprüfung auf korrekte Füllung und Nicht-Füllung Format – die Überprüfung eines Feldinhalts auf Konsistenz mit einem vorgegebenen Muster Range – die Überprüfung eines Feldinhalts auf Zugehörigkeit zu einem vorgegebenen Wertebereich Plausibility – die Überprüfung von ein- oder mehrdimensionalen Relationen zwischen Feldern eines Datensatzes Accuracy – die Überprüfung ein- oder mehrdimensionaler funktionaler Abhängigkeiten zwischen Feldern eines Datensatzes

97

B Methoden – Techniken – Tools – Regelwerke/Standards

3.6 Datenqualität in der Anwendung Wie wir bereits im vorangegangenen Abschnitt dargestellt haben, lassen sich systematische, metrikbasierte Datenqualitätsmessungen ganz allgemein zur Beurteilung verschiedener Anforderungen aus dem Datenmanagement verwenden. Grundsätzlich unterscheiden wir die Messprojekttypen Typ a: Prüfung auf Konsistenz innerhalb eines Datenbestandes, Typ b: Prüfung von Daten haltenden Systemen gegen führende Systeme oder externe Referenzbestände, Typ c: Prüfung von Daten haltenden Systemen untereinander und Typ d: Prüfung von Datenmigrationen Abbildung 5 stellt die Informations- und Datenlandschaft eines Unternehmens mit den zugehörigen Abgleichen auf Datenebene dar. Ebene 0 spiegelt die Gesamtlage wider, auf Ebene 1 werden die vorhandenen Informationen in sogenannte Informationsgruppen gegliedert, denen wiederum auf der Ebene 2 Datenbestände zugeordnet werden, die die Grundlage der Informationen bilden. In der letzten Schicht sind die Messprojekttypen auf diesen Datenbeständen dargestellt.

Abbildung 5: Informationsgruppen und Ebenen der Datenqualität Grundsätzlich ist die Wahl der Informationsgruppen hochgradig unternehmensspezifisch und die Anzahl der Gruppen beliebig. Wir haben hier einen nicht untypischen Fall der Informationslandschaft als Beispiel genommen, wie er in Banken anzutreffen ist. So finden wir dort als Beispiel Stammdaten und Bewegungsdaten, wobei diese sich wieder in die entsprechenden Untergruppen aufteilen können. Auch diese Unterteilung ist wieder rein subjektiv. Im Grunde ist dieses Herunterbrechen die Kernaufgabe des Datenmanagements, die sich allerdings an den fachlichen Bedürfnis-

98

3 Strukturierte Datenanalyse, Profiling und Geschäftsregeln sen orientiert. Auf der untersten Gliederungsebene (z.B. Kunde, Mitarbeiter) sind den Informationsgruppen in der Regel Datenbestände zugeordnet. Diese bilden die Ebene 2 und auf ihnen erfolgen letztendlich die Prüfungen. In der Ebene 2 finden wir drei unterschiedliche Typen Datenbestände. Dies ist zum einen der Referenzbestand (Bestand 0), der häufig durch eine externe Datenquelle gebildet wird. Unter Unständen kann dies jedoch auch ein physischer Ordner sein, in dem Daten ‚auf Papier’ gehalten werden. Unternehmen definieren zudem einen führenden Bestand (Bestand 1), der neben den offiziellen Daten des Referenzbestandes auch interne unternehmensspezifische Daten / Informationen enthalten kann (Abbildung 6). Die nachgelagerten Bestände (Bestand 2) greifen dann auf diesen führenden Bestand zu und halten ihrerseits wiederum zusätzliche Informationen, die für die Nutzer dieser Systeme in ihrer täglichen Arbeit notwendig sind. Die beschriebene Vorgehensweise der zusätzlichen Speicherung erzwingt eine disziplinierte Umgangsweise mit Daten, ist jedoch operativ notwendig, begründet in den anwendungsspezifischen Anforderungen unterschiedlicher Fachbereiche.

Abbildung 6: Abgleichvarianten Abbildung 6 macht noch mal die verschiedenen Abgleichvarianten beispielhaft anhand inhaltlicher Daten-Ausprägungen in den unterschiedlichen Bestandstypen deutlich. Abgleiche unter den drei Bestandstypen (grüne, rote Pfeile) umfassen Prüfungen zum einen auf inhaltliche Identität oder Korrektheit logischer Ableitung. Information und Daten, die im Führenden Bestand zusätzlich gehalten werden, unterliegen der internen Konsistenzprüfung. Im Beispiel wird ein offiziell

99

B Methoden – Techniken – Tools – Regelwerke/Standards vergebener Branchenschlüssel mit einem intern abgeleiteten verglichen. Die Darstellung macht deutlich, dass sich aus technisch logischer Sicht die Abgleiche nicht unterscheiden. Die eigentliche Arbeit erfolgt auf der inhaltlichen Ebene, die im Wesentlichen von den prozessualen Gegebenheiten geprägt ist. Bei Ablösungen von Systemen wird regelmäßig die Qualität der neuen Software in Testzyklen auf Basis der Erfahrungen mit dem alten System oder der Erwartung an das neue System überprüft. Diese Tests werden mittlerweile durch ausgereifte Testsysteme unterstützt, mit deren Hilfe die Realität abbildende Testfälle abgearbeitet werden. Diese Testzyklen stellen sicher, dass die neue Software in ihren neuen und alten Funktionalität korrekt arbeitet. Dies bedeutet allerdings in der Regel nicht, dass die Daten und Informationen, die durch das System repräsentiert werden, nach der Migration auch wiedergefunden werden können. Diese gehen schlicht auf dem Weg von einem zum anderen System ‚verloren’, da

die den Systemen zugrunde liegenden Datenmodelle unterschiedlich sind, o dadurch gleiche Sachverhalte unterschiedlich verschlüsselt werden und o Informationen in unterschiedlicher Granularität abgelegt werden. das Datenmodell des Altsystems über seine Lebensdauer hinweg unkontrolliert angepasst wurde oder Wissen über das Altsystem und des zugehörigen Datenmodells nicht mehr oder nur eingeschränkt vorhanden ist.

Somit kann auch der Erfolg von Datenmigrationen mit den im vorangegangenen Abschnitt beschriebenen Methoden anhand der vorgefundenen Datenqualität beurteilt werden. In der Regel müssen die genutzten Datenqualitätsregeln hierbei angepasst werden. Reine Datenqualitätsmessungen sind für viele Bereiche eine operativ notwendige Maßnahme. Nur eine hohe Datenqualität erlaubt es Unternehmen z.B. regulatorischen Anforderungen zu genügen oder auch Business Intelligence erfolgreich zu betreiben. Insofern ist die Überprüfung der Datenqualität immer zielgerichtet durchzuführen und sollte keinem Selbstzweck folgen. Deming [Deming 1986] hat dies bereits in den 50er Jahren in einer seiner Regeln deutlich formuliert. Mitarbeiter werden, wenn sie quantitative Datenqualitätsziele erreichen müssen, diese, koste es was es wolle, zu erreichen suchen. Dies kann im schlechtesten Falle am Ende bedeuten, dass Unternehmen Geld für diese Messungen und Maßnahmen ausgeben, ohne dass irgendjemand davon profitiert.

100

Literaturverzeichnis [English 1999] English, Larry P.; ‘Improving Data Warehouse and Business Information Quality’, Wiley & Sons, New York, 1999 [Wang 1996] Wang, Richard Y.; Strong, Diane M.; ‚Beyond Accuracy: What Data Quality Means to Data Consumers’, Journal of Management Information Systems, 1996, Vol. 12, No. 4, pp.5-34 [Deming 1986] Deming, J. Edwards; ‘Out of the crisis’; MIT Press, Cambridge, Massachusetts, 1986

101

4 Datenbereinigung zielgerichtet eingesetzt zur permanenten Datenqualitätssteigerung 4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung

Marcus Zwirner Sind Datenfehler mit Hilfe der in den vorangegangenen Kapiteln beschriebenen Methoden und Techniken identifiziert worden, ist die Datenqualität damit (leider) noch nicht automatisch verbessert. Man hat zwar nun einen qualifizierten Überblick über die tatsächliche Situation und die existierenden Fehlerkonstellationen, aber die Korrektur steht noch bevor und stellt in einem Datenqualitätsprojekt oftmals eine besondere Herausforderung dar, da hierfür mitunter ein nicht unbedeutender Aufwand erbracht werden muss. Dank der vorherigen ausführlichen Datenqualitätsanalyse und –messung ist man nun jedoch in der Lage,

gezielt zu analysieren, wodurch die Datenfehler entstanden sind, zu definieren, welche Maßnahmen ergriffen werden müssen, um die Fehlerquellen zu beseitigen und die Datenfehler zu bereinigen und die verschiedenen Datenfehler und die notwendigen Maßnahmen zu priorisieren und in einen entsprechenden Projektplan zu überführen.

In diesem Kapitel wird schwerpunktmäßig das Vorgehen für effektive Korrekturmaßnahmen thematisiert, daneben aber auch die Methoden für ein Datenqualitätsmanagement und die Aspekte beschrieben, die zu berücksichtigen sind, um die für den jeweiligen Einzelfall sinnvollste Datenqualitätsmaßnahme ergreifen zu können.

4.1 Definition “Datenbereinigung” Bevor die verschiedenen Aspekte eines Datenbereinigungsprojektes vertieft werden, zunächst eine Definition des Begriffs “Datenbereinigung”. Bei Wikipedia [http://de.wikipedia.org/wiki/Datenbereinigung] ist beispielsweise folgende Definition zu finden: Zur Datenbereinigung (engl. data cleansing oder data scrubbing) gehören verschiedene Verfahren zum Entfernen und Korrigieren von Datenfehlern in Datenbanken oder anderen Informationssystemen. Die Fehler können beispielsweise aus inkorrekten (ursprünglich falschen oder veralteten), redundanten, inkonsistenten oder falsch formatierten Daten bestehen.

102 K. Hildebrand et al. (Hrsg.), Daten- und Informationsqualität, DOI 10.1007/978-3-8348-9953-8_6, © Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung Wesentliche Schritte zur Datenbereinigung sind die Duplikaterkennung (Erkennen und Zusammenlegen von gleichen Datensätzen) und Datenfusion (Zusammenführen und Vervollständigen lückenhafter Daten). Die Datenbereinigung ist ein Beitrag zur Verbesserung der Informationsqualität. Allerdings betrifft Informationsqualität auch viele weitere Eigenschaften von Datenquellen (Glaubwürdigkeit, Relevanz, Verfügbarkeit, Kosten...), die sich mittels Datenbereinigung nicht verbessern lassen.

Anders formuliert: Unter einer Datenbereinigung wird üblicherweise eine einmalige oder wiederholte (aber nicht permanente) Aktion zur Wiederherstellung einer korrekten Datenbasis verstanden. Selbst bei regelmäßig wiederholten Bereinigungsaktionen handelt es sich aber immer wieder um eine nachträgliche Korrektur bereits entstandener Datenfehler. Dieses Vorgehen kann im Einzelfall (z.B. bei relativ statischen Daten) durchaus sinnvoll und ausreichend sein. Bei kritischen Datenfehlern und hochdynamischen Daten liegt in solchen punktuellen Ansätzen jedoch oftmals ein Problem: Sie helfen i.d.R. nur temporär (kurzfristig) und verursachen einen erhöhten (Bereinigungs-) Aufwand und das u.U. sogar wiederholt. Zur Verdeutlichung folgendes Beispiel: Überträgt man seine Kontakte z.B. aus Microsoft Outlook® auf sein Mobiltelefon und stellt später fest, dass eine Telefonnummer nicht mehr aktuell ist, wird sehr häufig die Telefonnummer nur auf dem Mobiltelefon geändert. Nach einer erneuten Übernahme der Kontaktdaten aus Microsoft Outlook® ist die Änderung im Telefon u.U. wieder mit den ursprünglichen, veralteten Daten überschrieben und damit verloren (falls man bei der Synchronisation nicht entsprechende Einstellungen vornimmt). Die Korrektur der Telefonnummer muss erneut vorgenommen werden (nach einer u.U. wiederholten aufwändigen Recherche).

4.2 Ursachenanalyse Ein solches Vorgehen ist sicherlich nicht effektiv und stellt die Datenqualität vor allem nicht dauerhaft sicher. Idealerweise werden deshalb ergänzend zur Datenbereinigung auch Maßnahmen ergriffen, die die erneute Entstehung von Datenfehlern möglichst verhindern. Deshalb bedarf es vor einer Bereinigung einer genauen Analyse der Fehlerursachen, in der auch die bestehenden Prozesse und Datenflüsse untersucht werden müssen, um die Maßnahmen zielgerichtet durchzuführen. Im oben aufgeführten Beispiel mit der Telefonnummer ließe sich dann erkennen, dass die eigentliche Bereinigung besser im führenden Quellsystem (in diesem Beispiel Microsoft Outlook®) durchzuführen ist und sich durch die (regelmäßige oder

103

B Methoden – Techniken – Tools – Regelwerke/Standards bei Bedarf auch im Zusammenhang mit der Datenbereinigung außerplanmäßige) Synchronisation der Daten auf das Mobiltelefon dort ebenfalls auswirkt. Gleichzeitig könnte sich ein Bedarf für die Änderung der bisherigen Prozesse ergeben. Da es sich in der Praxis nicht als effektiv erweisen würde, eine neue Telefonnummer zunächst im Quellsystem (Microsoft Outlook®) zu erfassen, dann eine Synchronisation auf das Mobiltelefon durchzuführen, um damit endlich den Anruf tätigen zu können, wäre eine Lösungsmöglichkeit, auch eine Synchronisation in umgekehrter Richtung (vom Mobiltelefon nach Microsoft Outlook®) vorzunehmen (in der Praxis wird heute deshalb auch eine Synchronisation in beide Richtungen ermöglicht).

4.3 Bewertungskriterien für Datenfehler und Korrekturmaßnahmen Die Ursachen für Datenfehler können vielfältig sein. Angefangen beim Datenmodell und den Anwendungen, mit denen die Daten bearbeitet werden, über die Datenflüsse und bestehenden Prozesse, bis hin zu den beteiligten Anwendern „lauert“ überall der „Fehlerteufel“. Speziell der menschliche Einflussfaktor ist hierbei nicht zu vernachlässigen. Neben den allzu menschlichen Schwächen, wie z.B. Hör- und Tippfehler, können auch mangelnde Sorgfalt oder kriminelle Absichten zu Datenfehlern führen. Und schließlich darf auch der Erfindungsreichtum der Anwender nicht vergessen werden, wenn es darum geht, die Daten so „hinzubiegen“, dass die realen Geschäftsprozesse auch mit den durch Anwendungen gelegentlich eingeschränkten Möglichkeiten abgebildet werden können. Da wird beispielsweise schon mal ein Datenfeld, das eigentlich für den Ortsteil vorgesehen ist, für eine Telefonnummer „missbraucht“, da diese wichtige Empfängerinformation anderweitig nicht auf einen Lieferschein gedruckt werden kann. Entsprechend vielfältig können auch die Maßnahmen sein, die ergriffen werden müssen, um die bestehenden Fehler zu korrigieren und das Entstehen neuer Fehler zu verhindern oder zumindest das Risiko dafür zu reduzieren. Aus diesem Grund ist es unabdingbar, die notwendigen und möglichen Verbesserungsmaßnahmen zu konzipieren und zu bewerten. Oftmals wird man nämlich nicht in der Lage sein, alle auf Basis der erkannten Datenfehler identifizierten möglichen und notwendigen Maßnahmen gleichzeitig umzusetzen. Um eine Bewertung der existierenden Datenfehler (und davon abgeleitet der notwendigen Maßnahmen) vornehmen zu können, bieten sich die nachfolgend aufgeführten Kriterien an:

Bedeutung der Daten Hier gilt es zu bewerten, welche Bedeutung die betroffenen Daten für das Unternehmen und die Geschäftsprozesse haben und welche Konsequenzen sich aus Datenfehlern ergeben.

104

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung Mögliche Konsequenzen können beispielsweise sein:

o

Imageschaden, da Fehler in den Kundendaten in Mailingaktionen zu einer fehlerhaften Ansprache führen oder die Zielgruppe nicht eindeutig identifiziert werden kann und somit Cross-SellingPotenziale nicht genutzt werden können.

o

Fehlentscheidungen (strategisch wie auch operativ), da die für eine Entscheidung herangezogenen Informationen unvollständig und fehlerhaft und die “Verlässlichkeit” der Entscheidungsbasis nicht bekannt ist.

o

Erhöhtes Risiko, da ein Kunde mehrfach im Bestand ist (Dublette) und damit mehrfach ein Kreditlimit eingeräumt bekommt.

o

Schlechtere Einkaufskonditionen, da der Umsatz mit bestimmten Lieferanten nicht genau bekannt ist, wenn diese mehrfach im Lieferantenstamm existieren.

o

Zusatzaufwände für die Bearbeitung eines Geschäftsvorfalls, die Erstellung von Auswertungen und Analysen die Entwicklung und den Betrieb eines Systems, da Datenfehler immer erst adhoc korrigiert werden müssen.

o

Akzeptanz- und Vertrauensverlust eines Systems, da die Informationen nicht verlässlich sind oder erscheinen.

o

Fehlplanungen, da fehlerhafte Zahlen eine falsche Planungsbasis ergeben, was dann wiederum zu einer fehlerhaften Preiskalkulation und Rentabilitätsrechnung führen kann.

Grundlage der Anforderungen an die Datenqualität Hier wird bewertet, welche Bedeutung eine Quelle hat, in der Anforderungen an die Datenqualität direkt oder indirekt definiert sind und welche Konsequenzen bei Mißachtung der Anforderungen drohen. Mögliche Grundlagen sind: o

Gesetzliche Anforderungen, wie z.B. Basel II oder SOX (SarbanesOxley Act), bei denen die Richtigkeit und Verlässlichkeit von Finanzdaten unabdingbar sind und in denen auch entsprechende Kontrollmechanismen gefordert werden.

o

Aufsichtsrechtliche Anforderungen, wie z.B. die Meldung von Großund Millionenkrediten von Banken an das BaFin (Bundesanstalt für Finanzdienstleistungsaufsicht) gemäß KWG (Gesetz über das Kreditwesen).

o

Offizielle, öffentliche Standards, wie z.B. Adressierungsrichtlinien der Post

105

B Methoden – Techniken – Tools – Regelwerke/Standards

o

Strategische Entscheidungen eines Unternehmens, die beispielsweise Themen wie Optimierung der Geschäftsprozesse zur Kostenreduzierung oder Serviceverbesserung Forcierung einer CRM- / Marketing-Strategie Image-Kampagnen zur Kundenbindung und Neukundengewinnung zum Ziel haben.

o

Projektspezifische Anforderungen, die sich aus einem Projektauftrag ergeben.

o

Firmeninterne Standards, die sich z.B. aus Arbeitsanweisungen ergeben.

Art der Fehler Bei der Art der Fehler gilt es zu klassifizieren, ob es sich bei den Fehlern um eher technische oder fachliche Fehler handelt. Technische Fehler können beispielsweise sein: o

Widersprüche gegen eine logische, aber nicht in der Datenbank definierte referentielle Integrität (z.B. Adresse, die einem nicht existierenden Lieferanten zugeordnet ist)

Fachliche Fehler sind z.B.: o

Inhaltlich falsche, widersprüchliche oder unplausible Werte (z.B. E-Mail-Adresse ohne gültige Top-Level-Domain)

Die Fehlerkategorie lässt bereits Rückschlüsse auf die Art der möglichen Bereinigungsmaßnahmen und die Verantwortung für die Durchführung der Korrektur zu. So lassen sich technische Fehler oftmals nicht manuell durch einen Fachbereich bereinigen, da die zur Verfügung stehenden Anwendungen diese Art von Änderungen nicht unterstützen.

Art der möglichen Bereinigungsmaßnahmen Die Art der möglichen Bereinigungsmaßnahme hängt primär vom Fehlerfall und der zur Verfügung stehenden Anwendungen ab. Grundsätzlich gibt es die Optionen o o o

manuelle Bereinigung maschinelle Bereinigung und eine Mischform aus den beiden erstgenannten Varianten.

Eine manuelle Bereinigung wird entweder dann vorgenommen, wenn die Fehleranzahl und damit der manuelle Aufwand gering ist, oder wenn es keine einfachen Regeln gibt, nach denen ein gültiger Wert maschinell ermittelt und automatisiert korrigiert werden kann.

106

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung Die maschinelle Bereinigung kommt meistens dann zum Tragen, wenn es sich um eine (sehr) große Anzahl von Fehlern handelt und diese nach spezifizierbaren Regeln oder durch Abgleich gegen Referenzverzeichnisse automatisiert korrigiert werden können. Die Bereinigung selbst kann dann entweder über ein Anwendungsprogramm, das ggf. speziell für diese Bereinigung realisiert werden muss, oder mit Hilfe von Datenbankmitteln (z.B. SQL) erfolgen. Die Mischform aus manueller und maschineller Bereinigung kommt dann zur Anwendung, wenn ein Großteil der Daten nach einfachen Regeln maschinell korrigiert werden kann und identifizierbare Sonder- oder Zweifelsfälle einer manuellen Bearbeitung und Entscheidung bedürfen.

Änderungshäufigkeit der Daten Die Änderungshäufigkeit der Daten ist ein Indiz dafür, wielange es nach einer Bereinigung der Datenfehler dauern kann, bis wieder eine größere Anzahl von Fehlern entstanden ist und damit erneut eine Bereinigung notwendig wird. Um bei hoch dynamischen Daten eine häufige und aufwändige Bereinigung zu vermeiden, ist eine entsprechende Datenqualitätsstrategie zu wählen, die dieser Dynamik Rechnung trägt. Hierzu gehören neben der initialen Bereinigung auch Überlegungen, wie Datenfehler künftig am besten vermieden werden. Andererseits kann es bei eher statischen Daten genügen, diese initial zu bereinigen und ggf. in größeren zeitlichen Abständen regelmäßig zu überprüfen und bei Bedarf eine erneute Bereinigung durchzuführen.

Anzahl der Datenfehler Ein wichtiger Aspekt für die Beurteilung der Datenqualitätssituation ist sicherlich die Anzahl der vorhandenen Datenfehler. Eine große Anzahl von Fehlern stellt i.d.R. ein entsprechend großes Problem dar, sowohl in der Auswirkung, als auch für die Bereinigungsmaßnahmen. Setzt man an dieser Stelle mit Datenqualitätsmaßnahmen an, kann umgekehrt aber auch ein entsprechend großer positiver Effekt erzielt werden. Es muss allerdings berücksichtigt werden, dass bei einer großen Fehleranzahl manuelle Bereinigungen i.d.R. nicht mehr wirtschaftlich sinnvoll möglich sind. Die Fehleranzahl darf allerdings nicht alleine betrachtet werden, da es immer auch die Auswirkungen der Datenfehler zu bewerten gilt (siehe oben “Bedeutung der Daten”). Sollte man bei der Bewertung allerdings zu dem Schluss kommen, dass die Anzahl der Fehler hoch ist, die Auswirkungen jedoch gering sind, muss man u.U. auch den Datenbestand grundsätzlich in Frage stellen.

107

B Methoden – Techniken – Tools – Regelwerke/Standards

Maßnahmen zur Vermeidung neuer Fehler Häufig werden in Datenqualitätsprojekten zunächst einmal Maßnahmen zur (einmaligen) Bereinigung der festgestellten Datenfehler geplant. Wenn man allerdings bedenkt, wie aufwändig solche Maßnahmen z.T. sind und dass sie u.U. künftig nochmals notwendig werden, wenn die Fehlerquellen nicht beseitigt werden, stellt sich die Frage, ob es nicht effektivere Maßnahmen gibt. Hierzu zählen vor allem solche Maßnahmen, durch die die Entstehung neuer Datenfehler möglichst verhindert werden. Bei der Projektplanung gilt es o o

zu prüfen, ob für den einzelnen Fehlerfall eine permanente Fehlervermeidung erforderlich ist oder ob es ausreicht, einmalig oder regelmäßig wiederholt eine Bereinigung durchzuführen und diejenigen Maßnahmen zu identifizieren, die für den jeweiligen Fehlerfall geeignet und wirtschaftlich sinnvoll umsetzbar sind.

Aufwand für Datenqualitätsmaßnahmen Last but not least gilt es in einem Datenqualitätsprojekt selbstverständlich auch den Aufwand für Datenqualitätsmaßnahmen zu bewerten. Einerseits können mit wenig Aufwand “Quick wins” erzielt werden, die einen kurzfristig erzielbaren Nutzen bringen. Andererseits kann es auch sehr aufwändig sein, bestimmte Fehler bzw. Fehlerquellen zu beheben, insbesondere dann, wenn ein hoher manueller Anteil an der Korrektur notwendig ist. Sollte man sich allerdings aus Aufwandsgründen dafür entscheiden, bestimmte Maßnahmen nicht durchzuführen, muss man sich der Konsequenzen daraus bewusst sein und diese im weiteren Verlauf stets berücksichtigen (z.B. bei der Verlässlichkeit von Auswertungen und Analysen).

4.4 Methoden des Datenqualitätsmanagements Nachdem die verschiedenen Datenfehler und die zur ihrer Korrektur und ggf. künftigen Vermeidung notwendigen Maßnahmen bewertet sind, gilt es zu entscheiden, wie im weiteren Projektverlauf vorangegangen wird. Grundsätzlich gibt es für ein Datenqualitätsmanagement (DQM) folgende unterschiedliche Vorgehensweisen:

“Laissez faire” Kommt man zu der Erkenntnis, dass bestimmte Datenfehler o o

108

unkritisch sind und / oder nur so selten vorkommen, dass dadurch keine nennenswerten negativen Auswirkungen zu erwarten sind,

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung kann das Ergebnis lauten, dass keine besonderen Maßnahmen zu ergreifen sind, um die Fehler zu beheben. Der Aufwand ist in solchen Fällen an anderer Stelle sinnvoller investiert. Die Datenfehler bleiben erhalten oder werden u.U. im Rahmen der täglichen Arbeit “nebenbei” behoben, wenn zufällig ein solcher Fall bearbeitet wird.

Reaktives Vorgehen Bei einem reaktiven Vorgehen wird ein bestimmtes Datenqualitätsproblem genau dann durch eine einmalige Bereinigungsaktion behoben, wenn es auffällt. Diese Bereinigung kann manuell oder maschinell durchgeführt werden. Maßnahmen zur künftigen Vermeidung dieser Fehlerkonstellation werden ebenso nicht ergriffen, wie Überwachungsmechanismen eingeführt. Man geht dabei davon aus, dass die Datenfehler, falls sie in der Zukunft erneut auftreten, irgendwann durch ihre Auswirkungen wieder auffallen und man dann wieder darauf reagieren kann (z.B. durch eine erneute Bereinigungsaktion). Demzufolge helfen solche reaktiven Maßnahmen immer nur punktuell und temporär. Aufgrund der mangelnden Überwachung und des damit verbundenen Risikos, dass Datenfehler erst spät erkannt werden, sollte diese Methode nur dann gewählt werden, wenn die Auswirkungen solcher Datenfehler überschaubar und vertretbar sind.

Proaktives Datenqualitätsmanagement Bei einem proaktiven Datenqualitätsmanagement werden neben einer initialen Bereinigung der Datenfehler auch Maßnahmen zur o o o o

Beseitigung der Fehlerquellen, fortlaufenden Überwachung (Monitoring) der Datenqualität, Verhinderung neuer Datenfehler im laufenden Betrieb (präventive Maßnahmen) und / oder regelmäßigen Bereinigung neu entstandener Datenfehler

ergriffen. Erst dann kann man eigentlich von einem echten Datenqualitätsmanagement sprechen. Diese Variante ist sicherlich die aufwändigste Methode, weshalb sie auch nicht für alle Arten von Datenfehlern gewählt wird. Auf der anderen Seite wird dadurch der Erfolg des Datenqualitätsprojekts jedoch am besten und vor allem auch dauerhaft sichergestellt. Bei der Wahl der Methode wird sehr häufig die Bedeutung und die Änderungshäufigkeit der Daten als Entscheidungskriterium herangezogen. Je höher die Bedeutung und je dynamischer die Daten sind, umso wichtiger ist ein proaktives Datenqualitätsmanagement (siehe Abbildung 1).

109

B Methoden – Techniken – Tools – Regelwerke/Standards

Abbildung 1: Methoden des Datenqualitätsmanagement (DQM) in Abhängigkeit der Änderungshäufigkeit und Bedeutung der Daten

Daneben können aber auch weitere Kriterien für die Auswahl der geeigneten Methode herangezogen werden (siehe hierzu auch Kap. 4.3 Bewertungskriterien für Datenfehler und Korrekturmaßnahmen). Sowohl beim reaktiven Vorgehen, wie auch ganz besonders beim proaktiven Datenqualitätsmanagements empfiehlt es sich, in der Unternehmens-Organisation dauerhaft ein Datenqualitäts-Team zu etablieren, das

die einzelnen Maßnahmen des aktuellen Datenqualitätsprojekts koordiniert und überwacht, in künftigen Projekten die Datenqualitätsaspekte einbringt und beratend tätig ist, systematisch Fehler durch reproduzierbare Datenanalysen ermittelt und eigenständig Datenqualitätsmaßnahmen initiieren kann.

4.5 Datenqualitätsmaßnahmen im Detail Bei einem proaktiven Datenqualitätsmanagement gibt es eine Vielzahl möglicher Maßnahmen, mit deren Hilfe

die vorhandenen Datenfehler bereinigt werden, die Fehlerursachen behoben werden, präventiv Datenfehler in der Zukunft vermieden werden und die Datenqualität effektiv und dauerhaft sichergestellt wird.

In diesem Abschnitt werden diese Maßnahmen detailliert beschrieben.

110

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung In einem Datenqualitätsprojekt werden zumeist mehrere der nachfolgend beschriebenen Maßnahmen – z.T. kombiniert, teilweise auch unabhängig voneinander - ergriffen, da nicht für alle Fehlerarten dieselbe Vorgehensweise sinnvoll ist.

Systemoptimierungen Unter Systemoptimierungen sind all diejenigen Maßnahmen zusammenzufassen, die die Datenhaltung und Programme, mit denen die Daten verarbeitet werden, unmittelbar betreffen. Hierunter fallen:

Anpassungen des Daten- bzw. Datenbankmodells Sind Datenfehler darauf zurückzuführen, dass das vorhandene Daten(bank)modell die Darstellung von Informationen und/oder deren logische Beziehung nicht korrekt ermöglicht, muss das Daten(bank)modell angepasst werden. Beispiel: Sieht das Datenmodell nicht vor, dass zu einer Person mehrere Adressen oder mehrere Telefonnummern gespeichert werden können, müssen mehrere Datensätze für ein und dieselbe Person mit unterschiedlichen Adressen und/oder Telefonnummern angelegt werden (siehe Tabelle 1). Tabelle 1: Beispiele für vervielfältige Personendatensätze

Name

Adresse

Telefon-Nr.

Anmerkung

Marcus Zwirner Tübinger Str. 53 70178 Stuttgart

0711-901198-38

Besuchsadresse mit Tel.-Nr.

Marcus Zwirner Tübinger Str. 53 70178 Stuttgart

0711-901198-22

Besuchsadresse mit Fax-Nr.

Marcus Zwirner Tübinger Str. 53 70178 Stuttgart

0172-8042809

Besuchsadresse mit Mobil-Nr.

Markus Zwirner Postfach 150211 70075 Stuttgart

0711-901198-38

Postfachadresse mit Tel.-Nr.

Marcus Zwirner Eglosheimer Str. 40 71636 Ludwigsburg

07141-4433-38

ehem. Adresse mit Tel.-Nr.

...

...

...

...

Da die Personendaten auf diese Weise redundant existieren, sind Datenqualitätsprobleme durch abweichende oder widersprüchliche Informationen vorprogrammiert (z.B. unterschiedliche Schreibweisen des Namens, wie im vierten Datensatz in Tabelle 1). Ebenso ist es i.d.R. dann auch nicht möglich, die verschiedenen Datensätze korrekt zu klassifizieren (z.B. Erstwohnsitz,

111

B Methoden – Techniken – Tools – Regelwerke/Standards Zweitwohnsitz oder private Telefonnummer, geschäftliche Telefonnummer etc.), was eine effektive Nutzung erschwert oder gar verhindert. Im schlechtesten Fall existiert zwischen den einzelnen Datensätzen zu ein und derselben Person noch nicht einmal eine Beziehung, so dass u.U. gar nicht zu erkennen ist, dass sich die ganzen Datensätze auf eine einzelne Person beziehen. Ebenso lassen sich eine ganze Reihe von Datenqualitätsprüfungen auch direkt über ein Datenbanksystem abbilden. Hierfür können Mechanismen wie referentielle Integrität und Constraints verwendet werden, über die Beziehungen und Abhängigkeiten zwischen verschiedenen Objekten und zulässige Wertebereiche definieren werden können. Damit lassen sich Datenfehler durch oftmals einfache Anpassungen des Daten(bank)modells künftig automatisch verhindern, ohne dass aufwändige Anpassungen der Anwendungsprogramme erforderlich wären. Beispiel: Adressen können nur erfasst werden, wenn sie einem bestimmten, bereits existierenden Kunden oder Lieferanten zugeordnet werden. Außerdem muss der Name eines Kunden oder Lieferanten immer gefüllt sein, bei einer natürlichen Person zusätzlich noch der Vorname.

Anpassungen von Anwendungs- und Schnittstellenprogrammen Resultieren Datenfehler aus Programmfehlern, sind diese zu beheben, um nach einer Datenbereinigung nicht nochmals dieselben Fehler entstehen zu lassen. Zusätzlich kann es erforderlich sein, in den Anwendungsprogrammen – speziell, wenn sie zur Erfassung von Daten durch Anwender dienen – neue oder ergänzende Plausibilitätsprüfungen zu integrieren. Die Basis dafür können die Datenqualitätsregeln sein, die für die Datenqualitätsmessung verwendet wurden. Darüber können o o o

Formatprüfungen (z.B. für Telefon- und Handelsregisternummern, Datumswerte, E-Mail-Adressen etc.) Prüfungen gegen Wertebereichstabellen oder Referenzverzeichnisse (z.B. für Anreden, Titel, Rechtsformen, Branchenschlüssel, Telefonvorwahlen etc.) und Prüfungen von Datenfeldkombinationen und –abhängigkeiten (z.B. bei Firmen muss eine gültige Rechtsform erfasst werden oder Handelsregisternummer und das Amtsgericht, bei dem der Handelsregistereintrag vorgenommen wurde, sind immer gemeinsam zu erfassen)

abgedeckt werden (ergänzende Informationen siehe auch unten unter “Einbinden von qualitätssichernden Werkzeugen”). Damit wird der Anwender direkt beim Erfassen der Daten unterstützt und ggf. auf ungültige oder un-

112

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung plausible Informationen hingewiesen, bevor die Fehler in der Datenbank gespeichert werden. Zu diesem Zeitpunkt ist eine Korrektur i.d.R. sehr viel einfacher, schneller und kostengünstiger möglich, als bei einer nachträglichen Bereinigung, da bei der Erfassung der Daten die Unterlagen zum Geschäftsvorfall noch vorliegen oder u.U. sogar ein telefonischer Kontakt zum Kunden oder Lieferanten besteht, wodurch in Zweifelsfällen durch eine einfache und schnelle Rückfrage für Klärung gesorgt werden kann, während bei einer nachträglichen Bereinigung aufwändig recherchiert, evtl. die Unterlagen zum Geschäftsvorfall gesichtet und im Extremfall der Kunde oder Lieferant kontaktiert werden muss. Neben reinen Plausibilitätsprüfungen spielt jedoch auch die “Gebrauchstauglichkeit” (Usability) einer Anwendung eine wichtige Rolle für das fehlerfreie Arbeiten von Anwendern. Hierunter fallen u.a. o o o

eine möglichst übersichtliche Gestaltung von Erfassungsmasken (z.B. hinsichtlich der Ausrichtung und Gestaltung von Eingabefeldern) eine möglichst intuitive Dialogführung (z.B. hinsichtlich der Reihenfolge der Eingabefelder oder der verschiedenen Bearbeitungsschritte) effektive Suchfunktionen, um z.B. in umfangreichen Wertebereichstabellen (z.B. Berufs- und Berufsgruppenbezeichnungen) effektiv und schnell den gewünschten Eintrag zu finden .

Werden diese Aspekte in Anwendungsprogrammen vernachlässigt, werden Datenfehler geradezu provoziert. Entspricht z.B. die Reihenfolge der Eingabefelder für Namensinformationen nicht der “natürlichen” Reihenfolge (Anrede, Titel, Vorname, Nachname) kommt es dadurch zu Vertauschungen zwischen den verschiedenen Datenfeldern. Oder es führt dazu, dass bei umfangreichen Wertebereichstabellen der gesuchte Eintrag nicht effektiv und schnell gefunden werden kann (siehe auch unten unter “Einbinden von qualitätssichernden Werkzeugen”) und deshalb irgendein anderer Wert oder ein pauschaler Eintrag (z.B. “sonstige”) gewählt wird. Dieses Phänomen zeigt sich für unterschiedliche Daten immer wieder. Zumeist handelt es sich dabei um Pflichtfelder, die bei der Erfassung der Daten mit zulässigen Werten gefüllt sein müssen, für den aktuellen Geschäftsvorfall aber keine entscheidende Bedeutung hat. Aus Zeitgründen oder mangels genauer Information werden dann häufig Standardwerte eingetragen. Bei einer Datenanalyse zeigen sich solche Phänomene dann dadurch, dass ein bestimmter Wert in einem solchen Datenfeld statistisch überdurchschnittlich häufig vorkommt (z.B. der Wert “01.01.1901” als Geburtsdatum). Bei Schnittstellenprogrammen, die die Daten zwischen verschiedenen Systemen oder Anwendungsprogrammen übertragen, gibt es darüber hinaus noch die zusätzlichen Anforderungen, dass

113

B Methoden – Techniken – Tools – Regelwerke/Standards o

o

Wertebereiche für dieselbe Information idealerweise einheitlich über Systemgrenzen hinweg verwendet werden oder aber bei unterschiedlichen Wertelisten (z.B. Geschlecht “m, w, u” vs. “0, 1, 2”) zumindest eine korrekte Umsetzung gewährleistet ist und die Schnittstellen in Bezug auf die übertragenen Informationen vollständig sind, um auch im Zielsystem alle Daten zur Verfügung zu haben, die für die Weiterverarbeitung von Bedeutung sind. Andernfalls besteht die Gefahr, dass Datenfelder “missbraucht” werden, um Informationen auszutauschen, für die es keine andere fachlich korrekte Möglichkeit gibt (siehe Beispiel mit der Telefonnummer im Ortsteilfeld im Abschnitt “4.3 Bewertungskriterien für Datenfehler und Korrekturmaßnahmen”).

Geschäftsprozessoptimierung Auch nicht optimal ablaufende Geschäftsprozesse können die Ursachen für Datenqualitätsprobleme sein. Häufig treten Datenfehler dann auf, wenn

Prozesse über Organisationsgrenzen hinweg gehen und damit Schnittstellen existieren, an denen ein erhöhtes Risiko für Fehler gegeben ist, oder für einzelne Prozessschritte nicht alle Informationen oder Unterlagen vorliegen, die für eine fehlerfreie Bearbeitung erforderlich wären.

Hinzu kommt, dass das Bewusstsein, was die Daten für das Unternehmen bedeuten und was im weiteren Verlauf des Lebenszyklus der Daten damit gemacht wird, nicht immer in ausreichendem Maße vorhanden ist. Beispiel: Ein Vertriebsmitarbeiter erfasst bei der Neuanlage eines Interessenten zunächst nur die Daten, die für die Erstellung eines Angebots notwendig sind (also in erster Linie den Namen und die Adresse) und darüber hinaus evtl. noch ein paar “soft facts” als Freitext, die ihm evtl. für die Gewinnung des Auftrags wichtig erscheinen (z.B. persönliche Vorlieben und Hobbys des Interessenten). Kommt es dann zum Auftrag, ist es für die Auftragsabwicklung primär erforderlich, die Auftragsdaten (z.B. Bestellinformationen und Zahlungsbedingungen) schnellstmöglich zu erfassen, um den Auftrag kurzfristig abwickeln zu können. Will dann später das Marketing eine Kapagne durchführen, bei der die Zielgruppe über das Alter und Berufsgruppen selektiert werden soll, stehen die notwendigen Daten nicht oder nur unformatiert in einem Freitextfeld (weil z.B. durch den Vertriebsmitarbeiter dort erfasst) zur Verfügung. Da die Zielgruppe nicht korrekt ermittelt werden kann, ist der Erfolg der Marketingkampagne fraglich und Folgeaufträge (z.B. über Cross-Selling) gefährdet. Für die Optimierung der Geschäftsprozesse gibt es auch zur Vermeidung von Datenfehlern die klassischen Ansätze, bei denen

114

die zur Verfügung stehenden Ressourcen (sowohl in Bezug auf Personal, wie auch Arbeitsmittel und Informationen),

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung

die räumliche Situation verschiedener Organisationseinheiten, die an einem Prozess beteiligt sind, die Schnittstellen zwischen verschiedenen Beteiligten an einem Prozess, die Bearbeitungszeiten für die einzelnen Prozessschritte, sowie die Wartezeiten zwischen einzelnen Prozessschritten,

zu untersuchen und ggf. zu optimieren sind. Der Ansatz, die Geschäftsprozesse zu optimieren, um Datenfehler zu vermeiden, kann aufgrund u.U. erforderlicher organisatorischer Änderungen aufwändig sein, bietet aber gleichzeitig die Chance, als Nebeneffekt zur Reduzierung der Fehlerquote, Durchlaufzeiten und Prozesskosten zu reduzieren und die Produktivität zu erhöhen.

Datenbereinigungen Bei einer Datenbereinigung handelt es sich um eine initiale einmalige oder regelmäßige Aktion zur Wiederherstellung einer korrekten Datenbasis. Hierunter fallen beispielsweise

Korrekturen von Formatierungen (z.B. Umformatierung von Datumswerten, Telefonnummern, Handelsregisternummern, siehe auch Tabelle 2) Tabelle 2: Korrektur von Formatierungen am Beispiel von Datumswerten

Altes Datumsformat

Neues Datumsformat

19. Dez. 66

19.12.1966

19/12/1966

19.12.1966

19-12-1966

19.12.1966

1966-12-19

19.12.1966

Standardisierung oder Normierung von Daten (z.B. Rechtsformen von Firmen, Telefonnummern, Handelsregisternummern, Titel und akademische Grade, siehe auch Tabelle 3) Tabelle 3: Standardisierung von Daten am Beispiel eines akademischen Grades

Ursprünglicher Grad

Standardisierter Grad

Dipl.Betr.Wirt

Diplom-Betriebswirt

Dipl.-Betriebsw.

Diplom-Betriebswirt

Dipl.Betriebswirt

Diplom-Betriebswirt

Dipl.-Betriebswirt

Diplom-Betriebswirt

...

...

115

B Methoden – Techniken – Tools – Regelwerke/Standards

Strukturierung von Daten (z.B. Auftrennung von Telefonnummern in Ländervorwahl, Ortsvorwahl, Rufnummer und ggf. Durchwahl oder separieren von Anrede, Titel, Vor- und Nachname einer Person, siehe auch Tabelle 4) Tabelle 4: Strukturierung von Daten am Beispiel von Telefonnummern

Alter Wert (unstrukturiert)

Ländervorwahl Ortsvorwahl Rufnummer Durchwahl

(0711) 901198-0

0049

0711

901198

0

0711/901198-0

0049

0711

901198

0

0049-711-90 11 98-0

0049

0711

901198

0

+49(0)711 981190-0

0049

0711

901198

0

+49.711.981190.0

0049

0711

901198

0

...

Neue Struktur

...

...

...

...

Erweiterung von Wertebereichstabellen (z.B. für akademische Titel, Berufsbezeichnungen oder Branchenschlüssel), die auch für Plausibilitätsprüfungen oder Dropdown-Listen bei der Erfassung der Daten verwendet werden können Korrektur fehlerhafter Daten (z.B. Adressen) Identifikation und Bereinigung von Dubletten (mehrfach vorhandene Datensätze).

Grundlage für die Bereinigungen sind die bei der Datenqualitätsmessung verwendeten Datenqualitätsregeln und festgestellten Datenfehler. Über die Datenqualitätsregeln wurde definiert, welche Bedingungen die Daten erfüllen müssen, um als korrekt zu gelten. Die Herausforderung bei der Bereinigung besteht jedoch oftmals darin, bei den fehlerhaften Daten die für den Einzelfall gültigen und korrekten Werte zu ermitteln. Das ist dann verhältnismäßig einfach, wenn die Information aus einem anderen (verlässlichen) Datenfeld abgeleitet werden kann (z.B. die Anrede aus dem Geschlecht, sofern das Geschlecht korrekt angegeben ist, was seinerseits bei Bedarf noch über den Vornamen verifiziert werden kann). Ist eine solche Ableitung nicht möglich, können u.U. noch Referenzverzeichnisse herangezogen werden, mit deren Hilfe korrekte Werte ermittelt werden können (z.B. Telefonverzeichnis, Orts- und Straßenverzeichnisse, Firmenreferenzdatenbanken etc.). Falls auch keine geeigneten Referenzverzeichnisse zur Verfügung stehen, bleibt oftmals nur die Möglichkeit, Annahmen zu treffen und nach bestimmten Regeln

116

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung plausible Werte zu ermitteln, auch mit dem Risiko, dass die Annahme und die Regel für den Einzelfall nicht zutrifft (z.B. bei einem unrealistisch hohen Wert für die Anzahl der Personen, die in einem Haushalt leben, kann ein definierter Maximalwert oder ein Wert, der “unbekannt” repräsentiert, vergeben werden). Das kann auch bedeuten, dass fehlerhafte und unbrauchbare Informationen (z.B. alphanummerische Werte in einem nummerischen Feld) gelöscht werden. Hierbei gilt es selbstverständlich, die Auswirkungen auf mögliche Folgeprozesse genau abzuschätzen. Lässt sich dieses nicht ausreichend verlässlich umsetzen, bleibt letztlich nur eine aufwändige Einzelfallrecherche übrig (z.B. bei der Ermittlung des Geburtsdatums einer Person, das nicht von anderen Daten abgeleitet oder über Referenzdaten ermittelt werden kann, da ein Einwohnermelderegister nicht ohne weiteres öffentlich zugänglich ist). Welche der aufgeführten Varianten angewandt wird, hängt vom jeweiligen Fehlerfall, der Bedeutung der Daten und dem für die Bereinigung erforderlichen Aufwand ab. Grundsätzlich ergibt sich daraus die Unterscheidung nach maschinellen, halbmaschinellen und manuellen Bereinigungen. Wie bereits im Kap. 4.3 Bewertungskriterien für Datenfehler und Korrekturmaßnahmen unter “Art der Bereinigungsmöglichkeit” ausgeführt, sollten maschinelle oder halb-maschinelle Bereinigungen insbesondere bei einer großen Anzahl von Fehlern präferiert werden. Voraussetzung dafür ist allerdings, dass die fehlerhaften Daten nach spezifizierbaren Regeln oder durch Abgleich gegen Referenzverzeichnisse korrigiert werden können. Beim Abgleich gegen Referenzverzeichnisse ist allerdings darauf zu achten, dass einerseits die Qualität (insbesondere in Bezug auf Vollständigkeit und Aktualität) der Referenzdaten dazu geeignet ist, eine Bereinigung vorzunehmen (andernfalls entstehen u.U. neue und zusätzliche Datenfehler), und andererseits immer dann, wenn kein eindeutiger Schlüssel für die Identifikation oder Zuordnung eines Referenzdateneintrags zu den zu bereinigenden Daten existiert (z.B. eine Sozialversicherungsnummer oder Umsatzsteuer-Identifikationsnummer), ein fehlertolerant arbeitender Abgleichalgorithmus verwendet wird, der auch Ähnlichkeiten erkennt. Ein solcher Ähnlichkeitsalgorithmus ermöglicht, auch bei (geringfügigen) Abweichungen in der Schreibweise zwischen eigenem Datenbestand und Referenzverzeichnis den gewünschten Eintrag zu erkennen und damit deutlich höhere Trefferquoten und maschinelle Bereinigungsraten zu erzielen. Wird kein solcher Algorithmus genutzt, führen selbst geringfügige Abweichungen in der Schreibweise (u.U. bereits Unterschiede in der Groß-/Kleinschreibung oder der Darstellung von Umlauten) dazu, dass kein passender Eintrag in den Referenzdaten gefunden wird, wodurch wiederum keine maschinelle Korrektur möglich ist. Für solche fehlertolerant arbeitenden Abgleiche empfiehlt es sich, professionelle Abgleichprogramme von Software-Anbietern einzusetzen, die z.T. für spezielle Einsatzzwecke noch zusätzliche Speziallogiken beinhalten und zudem individuell

117

B Methoden – Techniken – Tools – Regelwerke/Standards für die eigenen Einsatzzwecke und Anforderungen konfiguriert werden können (u.a. über welche Datenfelder ein Abgleich erfolgen soll und welche Fehlertoleranzgrade dabei verwendet werden sollen). Klassische maschinelle oder halb-maschinelle Bereinigungen auf Basis von offiziellen Referenzdaten sind

Postalische Adressvalidierung und –korrektur durch Abgleich gegen AdressReferenzdaten mit Postleitzahl-, Orts- und Straßenverzeichnissen Dublettenidentifikation und –bereinigung (siehe Abbildung 2) oder Abgleich gegen Referenzdatenbanken (z.B. Firmenreferenzdatenbank, Umzugsdaten, Telefonverzeichnis, Anti-Terror-/Sanktionslisten usw.).

Abbildung 2: Beispiel einer Dublettenliste

Diese Häufung im Bereich des Adress-/Stammdatenmanagements ergibt sich aufgrund der vielfältigen öffentlich verfügbaren Referenzdatenverzeichnisse in diesem Umfeld. Grundsätzlich gelten die Ausführungen aber auch für Daten aus anderen Anwendungsbereichen, für die geeignete Referenzdaten verfügbar sind (z.B. für Bankverbindungen). Die Referenzdaten müssen dabei nicht immer öffentlich zugänglich sein, sondern können durchaus auch unternehmensintern aufgebaut und gepflegt werden. Es müssen dabei jedoch dieselben Qualitätskriterien (Vollständigkeit, Aktualität) erfüllt werden wie bei öffentlich zugänglichen Daten, damit sie für maschinelle Bereinigungen verwendet werden können. Bei fehlertoleranten Abgleichen, insbesondere bei der Dublettenidentifikation, sollten vorab noch alle Möglichkeiten ausgeschöpft werden, die eine Standardisierung der Daten erlauben. Durch eine solche Standardisierung können die fehlertoleranten Algorithmen zielgerichteter, insbesondere auf solche Daten, die nicht vorab standardisiert werden konnten, angewandt werden, wodurch sich mehr und qualitativ bessere (sicherere = verlässlichere) Treffer ergeben. Ohne Standardisierung muss

118

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung mit mehr Fehlertoleranz gearbeitet werden, was wiederum das Risiko erhöht, unerwünschte ähnliche Treffer zu erzielen. Je höher der Übereinstimmungsgrad zwischen den Daten ist, umso eher lassen sich die Ergebnisse maschinell weiterverarbeiten. Bei größeren Abweichungen vermindert sich die Verlässlichkeit eines Treffers, was bei Unterschreiten eines definierten Ähnlichkeitsgrads, dann dazu führt, dass ein solcher Treffer allenfalls noch manuell verarbeitet werden kann, um eine potentiell fehlerhafte Korrektur zu vermeiden. Beispiel: Vor einer Dublettenidentifikation empfiehlt es sich, durch einen Abgleich gegen Adressreferenzdaten (PLZ-, Orts- und Straßenverzeichnisse) eine Adressvalidierung und –standardisierung vorzunehmen, bei der z.B. die zuvor vorhandenen unterschiedlichen Schreibweisen einer “Johann-Sebastian-Bach-Str.” auf eine einheitliche Schreibweise korrigiert werden. Dadurch kann beim nachfolgenden Dublettencheck die Fehlertoleranz weitgehend auf die Namensinformationen reduziert werden. Und Datensätze, die sich zuvor nur durch unterschiedliche Schreibweisen in den Adressdaten unterschieden haben, können dadurch u.U. sogar als 100 %-ig identisch erkannt und gruppiert und möglicherweise maschinell zusammengeführt werden. Aber auch bei Ausnützung aller zur Verfügung stehende Mittel (insbesondere von Referenzverzeichnissen) lassen sich nicht alle Fehler maschinell korrigieren. Es kommt immer wieder vor, dass beim Abgleich gegen Referenzdaten kein oder bei Verwendung von fehlertoleranten Abgleichalgorithmen kein ausreichend passender Treffer gefunden wird. Solche Fälle lassen sich dann allenfalls noch manuell verifizieren und ggf. korrigieren. Aus diesem Grund sind auch bei maschinellen Bereinigungen immer ausreichend Ressourcen für manuelle Nacharbeiten einzuplanen. Bei der Konzeption und Durchführung der Bereinigungsmaßnahmen sollte außerdem berücksichtigt werden, dass diese künftig evtl. nochmals wiederholt werden müssen, vor allem wenn keine Maßnahmen ergriffen werden, die die Entstehung von neuen Datenfehlern vermeiden (siehe auch nachfolgenden Abschnitt “Einbinden von qualitätssichernden Werkzeugen”).

Einbinden von qualitätssichernden Werkzeugen Einmalige oder regelmäßige Bereinigungen dienen immer nur zu einer nachträglichen Korrektur bereits entstandener Datenfehler. Werden ausschließlich diese Maßnahmen ergriffen, muss man deshalb für einen gewissen Zeitraum (bis zur nächsten Bereinigung) mit den seit der letzten Bereinigungsaktion neu entstandenen Fehlern leben. Insbesondere bei sehr kritischen und hochdynamischen Daten ist das möglicherweise ein Zustand, der nicht akzeptabel ist. Für solche Fälle sind Maßnahmen zur Datenqualitätssicherung für den laufenden Betrieb zu realisieren, durch die permanent und präventiv die Entstehung neuer Datenfehler vermieden werden.

119

B Methoden – Techniken – Tools – Regelwerke/Standards Grundsätzlich eignen sich dafür all die Funktionalitäten, die auch zur initialen Bereinigung realisiert werden oder im Abschnitt „Systemoptimierungen“ unter dem Begriff „Gebrauchstauglichkeit“ beschrieben sind. Im Gegensatz zu den Bereinigungsmaßnahmen werden die Funktionalitäten hier nun allerdings zur „Echtzeit-“ und Einzelsatz-Prüfung in alle Anwendungen integriert, über die Daten neu erfasst oder geändert werden. Dies kann einerseits in Form eines individuellen Plausibilitäten-Moduls erfolgen, durch das die Prüfungen analog der Datenqualitätsregeln aus der Datenqualitätsmessung realisiert werden, wodurch beispielsweise

Formatprüfungen (z.B. bei Telefonnummern) Prüfungen gegen Referenzverzeichnisse oder Wertebereichstabellen und Prüfungen von Datenfeldkombinationen und –abhängigkeiten

ermöglicht werden. Andererseits lassen sich auch hierfür wieder professionelle Lösungen von Software-Anbietern nutzen, die verschiedene Spezialfunktionalitäten (z.B. für die Validierung von Adressen) und Lösungen für fehlertolerante Abgleichalgorithmen bieten. Die fehlertolerant arbeitenden Funktionen bieten dabei gleich in mehrerlei Hinsicht interessante und hilfreiche Ansätze. Einerseits können damit beispielsweise Prüfungen realisiert werden, mit denen Dubletten vermieden werden können. Andererseits erlauben solche Routinen auch effektive Suchverfahren für die Anwender. Dadurch lassen sich bestehende Datensätze schneller finden, was dann auch dazu genutzt werden kann, die Daten nicht erst vollständig eingeben zu müssen, um hinterher festzustellen, dass ein entsprechender Satz bereits existiert und die Neueingaben wieder verworfen werden. Außerdem können damit auch effektive Suchverfahren in umfangreichen Wertebereichstabellen (z.B. Berufsbezeichnungen) realisiert werden, damit der gewünschte Eintrag nicht erst langwierig in den zugehörigen Dropdown-Listen gesucht und ausgewählt werden muss, sondern über eine Freitexteingabe direkt gefunden werden kann. Mit Hilfe solcher Prüfroutinen erhält ein Anwender bei der Eingabe von fehlerhaften Daten unmittelbar Rückmeldung in Form von qualifizierten Fehlermeldungen und kann direkt darauf reagieren und den Fehler korrigieren, bevor dieser in der Datenbank gespeichert wird. Teilweise besteht dabei auch die Möglichkeit, automatisch Datenfehler korrigieren oder Datensätze vervollständigen zu lassen. Dies kann beispielsweise dann erfolgen, wenn durch Abgleiche gegen Referenzdaten die korrekten Werte eindeutig und ausreichend sicher erkannt werden können (z.B. bei einer Adressprüfung, wodurch die Schreibweise eines Straßennamens korrigiert und die Postleitzahl ermittelt werden kann).

120

4 Datenbereinigung zielgerichtet eingesetzt zur Datenqualitätssteigerung Wichtig ist es, solche „Live-Prüfungen“ vor allem auch dort einzusetzen, wo andere Maßnahmen nicht oder nur eingeschränkt umgesetzt werden können. Dies ist z.B. bei Internet-/E-Business-Anwendungen der Fall, wo keine echte Möglichkeit besteht, die Anwender so zu schulen, dass Datenfehler auf diese Weise weitgehend verhindert werden.

Etablieren eines Monitoringprozesses Bei einem proaktiven Datenqualitätsmanagement sind neben der Bereinigung von Datenfehlern und der Vermeidung neuer Datenfehler durch präventive Maßnahmen auch regelmäßige, fortlaufende Maßnahmen zur Überwachung und nachhaltigen Aufrechterhaltung der Qualität des Datenbestands unabdingbar. Dieser Monitoringprozess gliedert sich in zwei Teilbereiche:

regelmäßige (automatisierte) Messungen mit den definierten Datenqualitätsregeln und regelmäßige Validierung und Bereinigung der bestehenden Datenbasis.

Die regelmäßigen Messungen, bei denen die für die erste Datenqualitätsmessung definierten Datenqualitätsregeln wiederholt auf die (geänderten) Daten angewandt werden, dienen dazu, eine Kontrolle und historische Darstellung der Datenqualitätsentwicklung zu erhalten (Beispiel einer möglichen Darstellung siehe Abbildung 3). Dadurch lassen sich frühzeitig neuen Mängel erkennen, so dass kurzfristig darauf reagiert werden kann (idealerweise bevor die Fehler gravierende Auswirkungen hatten), oder bei wiederholt auftretenden Fehlern mögliche Schulungsmaßnahmen ableiten.

Abbildung 3: Darstellung einer Datenqualitätsentwicklung

Die regelmäßige Validierung und Bereinigung der bestehenden Datenbasis bezieht sich speziell auf Abgleiche gegen Referenzverzeichnisse. Bei jeder Aktualisierung eines verwendeten Referenzverzeichnisses müssen die Änderungen darin auch in

121

B Methoden – Techniken – Tools – Regelwerke/Standards der eigenen Datenbasis nachgezogen werden. Je nach Bereitstellungsform der Referenzverzeichnisse erfolgt dies durch einen vollständigen Gesamtabgleich oder durch die Verarbeitung von Differenzen-/Deltabeständen. Beispiele für solche Referenzdatenaktualisierungen sind

postalische Adressvalidierungen Adressaktualisierungen auf Basis von Umzugsdaten oder regelmäßige Dublettenprüfungen.

Schulung von Mitarbeitern Es soll an dieser Stelle nicht verschwiegen werden, dass Datenqualitätsmaßnahmen nicht immer aufwändig sein und durch den Einsatz von Software umgesetzt werden müssen. Eine durchaus effektive und kurzfristig umsetzbare Variante können Schulungen von Mitarbeitern sein. Darin werden die Mitarbeiter zum einen für das Thema “Datenqualität” sensibilisiert und zum anderen werden die wichtigsten Datenqualitätsregeln erläutert, damit diese bei der täglichen Arbeit berücksichtigt werden können. Idealerweise werden solche Schulungen noch durch Arbeitsanweisungen flankiert, die bei Bedarf auch als Nachschlagewerk dienen können. Eine solche Maßnahme ist natürlich nur dann geeignet, wenn möglichst alle Anwender dadurch erreicht werden und eine gewisse Fehlerquote, die auch durch Schulungen nicht verhindert werden kann, in Kauf genommen wird. Wie bereits im Abschnitt “Einbinden von qualitätssichernden Werkzeugen” erwähnt, ist diese Variante bei Internet-/E-Business-Anwendungen sicherlich nicht umsetzbar.

4.6 Zusammenfassung Leider gibt es nicht für jede Fehlerkonstellation, für jedes Unternehmen, für jedes Umfeld das eine Patentrezept, wie mit Datenfehlern am besten umzugehen ist. Hierfür sind konzeptionelle Überlegungen anzustellen, die zunächst einmal Aufwand bedeuten. Dieser Aufwand macht sich allerdings im Lauf eines Datenqualitätsprojekts bezahlt, da dadurch die für den Einzelfall effektivste Methode und Bereinigungsmaßnahme identifiziert werden kann und damit ineffektive und wiederholt aufwändige Tätigkeiten vermieden werden können. Wichtig ist dabei außerdem, sich bewusst für eine Vorgehensweise zu entscheiden, auch wenn das im Ausnahmefall u.U. einmal bedeuten mag, dass bestimmte Datenfehler nicht bereinigt werden. Mit Hilfe der in diesem Kapitel beschriebenen Bewertungskriterien lassen sich für solche Fälle dann aber wenigstens die Konsequenzen bewerten und künftig entsprechend berücksichtigen.

122

5 Datenintegration und Deduplizierung Jens Bleiholder, Joachim Schmid In Unternehmen liegen viele Daten heutzutage immer seltener vollständig an einem einzigen physikalischen Ort vor, sondern sind weltweit verteilt. Dies liegt zum einen an der immer besser gewordenen Infrastruktur, die eine solche Verteilung auf einfache Art und Weise ermöglicht, und zum anderen an der Tatsache, dass viele Unternehmen weltweit tätig sind. So fallen Daten weltweit an, werden aber jeweils lokal - vor Ort - gespeichert. Daher müssen oft mehrere Datenquellen genutzt werden, um einen aktuellen, vollständigen und genauen Überblick über die vorhandenen Daten zu gewinnen. Datenintegration hilft, indem sie Daten aus mehreren Quellen zusammenführt und einheitlich darstellt. Diese integrierten Daten können genutzt werden, um sich einen Überblick über das Unternehmen zu verschaffen, z.B. wenn Unternehmen fusionieren und nur noch eine Kundendatenbank bestehen bleiben soll, oder wenn zu einem Kunden die Daten aus den verschiedenen Fachabteilungen zusammengeführt werden sollen. Anhand eines solchen Beispiels, der Integration von Kundendaten zu Kfz- und Lebensversicherungen erläutern wir im Folgenden einzelne Techniken. Bei der Integration von Daten werden Probleme dadurch verursacht, dass die Quellen (a) verteilt, (b) autonom und (c) heterogen sind. Während die physische Verteilung der Daten, d.h. die Aufteilung auf mehrere Rechner an mehreren Standorten, aufgrund der heutzutage immer besseren Vernetzung das geringere Problem darstellt, verursachen Autonomie und Heterogenität größere Probleme bei der Integration von Daten. Die Autonomie der Quellen (alle Quellen werden unabhängig voneinander erstellt und gepflegt, z.B. von verschiedenen Personen oder verschiedenen Organisationen, auch innerhalb eines Unternehmens) bedingt dabei die Heterogenität der Quellen. Die Literatur (z.B. [Leser & Naumann 2006]) unterscheidet zwischen verschiedenen Ausprägungen von Heterogenität, die jeweils unterschiedlich problematisch sind. Technische Heterogenität (Datenquellen werden auf unterschiedlicher Hardware, mit unterschiedlicher Software betrieben) stellt heutzutage nur noch ein geringes Problem dar. Schwieriger stellt sich die Situation bei struktureller Heterogenität (gleiche Sachverhalte der Welt werden unterschiedlich modelliert), oder semantischer Heterogenität (modellierte Sachverhalte überlappen teilweise) dar. Techniken des Schema Matchings, im Folgenden vorgestellt, helfen hier. Bei der Integration müssen jedoch nicht nur die Heterogenitäten auf Schemaebene überwunden werden, sondern auch Heterogenitäten auf Datenebene (die gespeicherten Daten überlappen). Kundendaten sind, wie in unserem Beispiel, mehrfach vorhanden

123 K. Hildebrand et al. (Hrsg.), Daten- und Informationsqualität, DOI 10.1007/978-3-8348-9953-8_7, © Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011

B Methoden – Techniken – Tools – Regelwerke/Standards und unterscheiden sich möglicherweise. Bei der Überwindung der Datenheterogenität helfen Techniken der Dublettenerkennung sowie der Datenfusion. Bei der technischen Durchführung wird zwischen virtueller und materialisierter Integration unterschieden. Bei virtueller Integration verbleiben die Ursprungsdaten am ursprünglichen Ort, in den Datenquellen. Es wird lediglich eine einheitliche, integrierte Sicht auf die Daten ermöglicht. Bei materialisierter Integration hingegen werden die Daten aus den Quellen an einen zentralen Ort „kopiert“. Dem Vorteil der Materialisierung (Vollzugriff auf den gesamten Datenbestand bei niedrigen Anfrageantwortzeiten) steht der Nachteil entgegen, dass die Daten nicht so aktuell sind wie bei virtueller Integration, die Anfragen immer mit den aktuellen Daten der Quellen beantwortet. Nachteile bei virtueller Integration hingegen sind höhere Antwortzeiten und eine kompliziertere Anfrageplanung. Im Folgenden werden wir kurz einen Integrationsprozess vorstellen, bevor wir dann im Anschluss in den folgenden Abschnitten die Probleme der einzelnen Schritte des Integrationsprozesses beschreiben und Lösungsmöglichkeiten aufzeigen.

Datenintegration – ein Prozess

Anwendung Für den weiteren Verlauf des Kapitels nehmen wir einen dreistufigen Datenintegrationsprozess an, wie er Visualisierung/Export schematisch in Abbildung 1 zu sehen ist. Daten werden aus unterschiedlichen Datenquellen ausgelesen und Datenfusion Schritt 3: bei Bedarf vorverarbeitet. In einem ersten Schritt („Schema Matching“, siehe Abbildung 1) werden die unDublettenerkennung Schritt 2: terschiedlichen Repräsentationen der Daten in den Quellen angeglichen. Insbesondere wird durch Verfahren Schema Matching Schritt 1: des Schema Matchings eine Abbildung erstellt, die jeweils semantisch äquivalenten Attributen einer Quelle Vorverarbeitung die entsprechenden Attribute der anderen Quelle(n) zuordnet. Das Ergebnis dieses Schrittes ist eine verDatenquellen einheitlichte Darstellung der in den Quellen gespeicherten Objekte. In Schritt 2 („Dublettenerkennung“) Abbildung 1: Datenintegration als Prozess werden unterschiedliche Repräsentationen ein und desselben Objektes, sog. Dubletten, erkannt. Diese werden in einem dritten Schritt („Datenfusion“) zu einer einzigen Repräsentation zusammengefügt, wobei mögliche Datenkonflikte

124

5 Datenintegration und Deduplizierung aufgelöst und die Repräsentation bereinigt wird. Die nächsten drei Abschnitte beschäftigen sich jeweils mit einem dieser Schritte. Mögliche Erweiterungen des Prozesses, insbesondere der Schritt der Vorverarbeitung, werden abschließend in Abschnitt 5.4 dargestellt. Zur Veranschaulichung dient das folgende Beispiel aus der Versicherungsbranche. In unserem beispielhaften Versicherungsunternehmen existieren zwei Sparten: Kfz-Versicherungen und Lebensversicherungen. Beide speichern Kundendaten, wie in Tabelle 1 und Tabelle 2 zu sehen. Wie leicht zu erkennen ist, überlappen sich die Quellen nur teilweise, sowohl in den Informationen über die Kunden (Name und Anschrift wird von beiden gespeichert, Geburtsdatum und Kfz-Informationen nur von jeweils einer Quelle), als auch in den Personen, die erfasst sind (Jan und Janine Marten sind in beiden Quellen vorhanden, während Helga Martens nur in der ersten Quelle zu finden ist). Die Integration beider Quellen soll einen einheitlichen Überblick über alle Kunden der Versicherung bieten, z.B. wie in Tabelle 5 am Ende des Kapitels zu sehen. Ziel der Datenintegration ist es sowohl Schema- als auch Datenheterogenität zu überwinden. Tabelle 1: Datenquelle 1 (Lebensversicherung) Vorname

Name

Adresse

Ort

Geb.-Datum

Summe

Jan

Marten

Göthestr. 12

Berlin

1.12.1952

50.000

Janine

Marten

Gothenstr. 12

Berlin

21.5.1977

100.000

Helga

Martens

Göthestr. 12

Berlin

1.1.1954

100.000

Martin

Jahn

Buschweg 23

Hamburg

5.1.1966

75.000

Peter

Maier

Mozartweg 2

Hamburg

16.9.1982

100.000

Jens

Müller

Händelstr. 1

Köln

24.3.1970

50.000

Tabelle 2: Datenquelle 2 (Kfz-Versicherung) Name

Straße

Wohnort

Führerschein

Kfz-Typ

Janine Marten

Schillerplatz 3

Berlin

3 / 4.6.1996

VW Polo

Jan Marten

Goethestr. 12

Berlin

3 / 2 / 1.12.1970

Audi A2

Martin Jahn

Buschweg 23a

AHmburg

3 / 1.1.1987

Ford Focus

Peter Maier

Mozartweg 2

Köln

3 / 16.9.1982

Twingo

Maja Peters

Bachstr. 65

Köln

A / 23.8.2004

Citroen 2CV

Jens Müller

Händelstr. 1

Köln

3 / 25.3.1988

VW Golf 3

125

B Methoden – Techniken – Tools – Regelwerke/Standards

5.1 Schritt 1: Schema Matching Ziel des ersten Schrittes ist die Überwindung der Schemaheterogenität, d.h. die Angleichung der unterschiedlichen Darstellungen der Objekte in den verschiedenen Datenquellen. Dazu wird ein Mapping erstellt, eine Abbildung, die jedem Attribut der einen Quelle, das entsprechende, semantisch äquivalente Attribut der anderen zuordnet. Ein solches Mapping ist in Abbildung 2 dargestellt. Dort verbinden Linien die jeweils einander zugeordneten Attribute.

Anwendung

Visualisierung/Export

Datenfusion

Dublettenerkennung

Schema Matching

Solche einfachen Schemata wie in unserem Beispiel sind Vorverarbeitung leider nur selten in der Praxis anzutreffen. Die Erstellung eines Mappings wird erschwert durch kryptische oder Datenquellen zu kurze Attributnamen, große Schemata mit mehreren hundert oder tausend Tabellen und Attributen oder durch das Auftreten von Synonymen (verschiedene Worte für dasselbe Konzept) und Homonymen (gleiche Worte für verschiedene Konzepte). Von anderen erstellte und daher unbekannte Schemata, oder Schemata in Fremdsprachen sind weitere Probleme, die in der Praxis auftreten. Maschinelle Unterstützung bei der Erstellung eines Mappings wäre hilfreich, obgleich eine vollständige Automatisierung wohl nicht möglich ist. Die (semi-)automatische Erstellung solch eines Mappings bezeichnet man als Schema Matching. Das Problem des Schema Matchings stellt sich demnach wie folgt dar: Problem (Schema Matching): Gegeben zwei Tabellen, finde eine Abbildung von einer Tabelle auf die andere, welche die jeweils semantisch äquivalenten Attribute der beiden Tabellen aufeinander abbildet.

Mögliche Erweiterungen des Problems sind das Finden von (einer oder mehreren) Abbildungen zwischen mehr als zwei Tabellen, das Finden von 1:m und n:m Beziehungen, oder der Umgang mit Verschachtelungen, wie sie z.B. in XML Dokumenten zu finden sind. In Abbildung 2 ist bereits eine 2:1 Beziehung zwischen Vorname

Name

Name

Straße

Adresse

Ort

Wohnort

Abbildung 2: Mapping zwischen den beiden Quellen

126

Geb.-Datum

Führerschein

Summe

Kfz-Typ

5 Datenintegration und Deduplizierung „Vorname/Name“ in Quelle 1 und „Name“ in Quelle 2 zu sehen. Während aktuelle Schema Matching-Techniken 1:1 Beziehungen mittlerweile mit relativ großer Zuverlässigkeit finden, bestehen bei 1:n oder n:m Beziehungen noch Verbesserungsmöglichkeiten. Einen guten Überblick über vorhandene Verfahren bieten [Rahm & Bernstein 2001]. Schema Matching Verfahren zur Bestimmung von 1:1 Mappings lassen sich grob in zwei Klassen einteilen: Schemabasierte Verfahren nutzen lediglich die Informationen der Schemaelemente um ein Mapping zu erstellen, während instanzbasierte Verfahren vorhandene Daten mit einbeziehen. Das allgemeine Vorgehen ist jedoch in beiden Fällen identisch: Zwischen je zwei Attributen aus unterschiedlichen Quellen wird deren Ähnlichkeit mit Hilfe eines Ähnlichkeitsmaßes bestimmt. Die jeweils ähnlichsten Attributkombinationen werden dann zu einem Mapping kombiniert und als Vorschlag einem Experten zur endgültigen Entscheidung vorgelegt. Dabei ist zu beachten, dass das so entstandene Mapping nicht unbedingt korrekt ist, da u.U. mehrere Attribute einer Tabelle auf dasselbe Attribut der anderen Tabelle abgebildet werden. Auch die Optimalität eines solchen Mappings ist nicht gegeben. Zur Wahl eines globalen, möglichst guten Mappings bei bekannten Attributkombinationen und deren Ähnlichkeiten gibt es mehrere Ansätze, u.a. das Maximum Weighted Matching-Verfahren und das Stable-Marriage-Verfahren (siehe dazu auch [Melnik et. al. 2002]). Schemabasierte Verfahren verwenden Ähnlichkeitsmaße ausschließlich auf den Schemaelementen (Attributnamen), um äquivalente Attribute zu finden. Ein mögliches Ähnlichkeitsmaß ist die Levenshtein-Distanz ([Levenshtein 1965], auch als Edit-Distanz bezeichnet, siehe genauer Abschnitt 5.2.3.1). Bei der Verwendung der Levenshtein-Distanz als Ähnlichkeitsmaß werden die Attributnamen paarweise miteinander verglichen. Daher würden z.B. die „Name“-Spalten der beiden Tabellen aufeinander abgebildet, aber auch „Vorname“ und „Name“ könnten aufeinander abgebildet werden, da sie eine hohe Ähnlichkeit nach der Levenshtein-Distanz aufweisen. Des Weiteren sind z.B. auch „Ort“ aus Tabelle 1 und „Wohnort“ aus Tabelle 2 ähnlicher als alle weiteren Kombinationen von „Ort“ mit Attributen der zweiten Tabelle. Zur Verfeinerung des Ähnlichkeitsmaßes können auch Synonym/Homonym-Listen verwendet werden, oder der Tabellenname mit berücksichtigt werden. Mit diesen Erweiterungen kann man sich vorstellen, dass auch „Ort“ und „Wohnort“ aufeinander abgebildet werden. Der CUPID-Matcher [Madhavan et. al. 2001] ist ein Beispiel für einen solchen schemabasierten Matcher. Instanzbasierte Verfahren setzen das Vorhandensein von Daten voraus und nutzen diese Daten um ein Mapping zu erstellen. Hierbei sind grundsätzlich zwei unterschiedliche Vorgehensweisen denkbar: Vertikale Matcher betrachten die Daten eines Attributs; Attributen mit ähnlichen Daten wird ein höherer Ähnlichkeitswert zugewiesen als Attributen mit unterschiedlichen Daten. Da sowohl die Spalte „Adresse“ als auch die Spalte „Straße“ gleiche bzw. ähnliche Werte aufweisen, ist eine korrekte Identifizierung dieses Mappings möglich. Anhand einer an-

127

B Methoden – Techniken – Tools – Regelwerke/Standards deren Attributkombination („Geb.-Datum“ und „Führerschein“) kann man gleichzeitig auch die Schwierigkeiten bei solch einem Verfahren verdeutlichen. Da im Attribut „Führerschein“ auch das Ausstellungsdatum des Führerscheins enthalten ist, wird ein Ähnlichkeitsvergleich mit dem Attribut „Geb.-Datum“ eine recht hohe Ähnlichkeit ergeben, obwohl beide Attribute semantisch verschieden sind. Ein weiteres Beispiel für diese Homonym-Problematik auf Datenebene wären Attribute, die Fax-, bzw. Telefonnummern enthalten. Ein vertikaler instanzbasierter Matcher könnte diese nicht voneinander unterscheiden. Bei diesem Problem setzen horizontale instanzbasierte Matcher wie z.B. DUMAS [Bilke & Naumann 2005] an. Der Vergleich von Attributen basiert auf Ähnlichkeiten von Zeilen der beteiligten Tabellen, also auf Dubletten. Die grundlegende Idee ist es, das Wissen um Dubletten aus verschiedenen Tabellen auszunutzen, um Attribute genau dann aufeinander abzubilden, wenn die Werte in den Dubletten übereinstimmen. So können in unserem Beispiel mit Hilfe der Dubletten zu den Personen „Jan Marten“ und „Jens Müller“, Name und Anschrift korrekt aufeinander abgebildet werden. Korrekterweise würden auch die Attribute „Geb.-Datum“ und „Führerschein“ nicht miteinander in Beziehung gebracht werden, da die Werte der Attribute in den Dubletten unterschiedlich sind. Zur Bestimmung eines Mappings müssen dabei aber nicht alle vorhandenen Dubletten bekannt sein, es reichen schon einige wenige gefundene Dubletten aus, um ein einigermaßen brauchbares Mapping zu erstellen. Ein noch besseres Ergebnis erzielen Matcher, die mehrere der bekannten Techniken kombinieren, oder die Kombination der Ergebnisse von mehreren existierenden Matchern. In diesem ersten Schritt der Datenintegration wird somit entschieden, wie die Objekte repräsentiert werden und auf welcher Abstraktionsebene Objekte betrachtet werden. Es wird auch entschieden, welche Attribute einen Kunden charakterisieren und welche nicht. Mit Hilfe des Mappings können die Daten der Quelltabellen in eine einzige Tabelle transformiert werden, die dann im nächsten Schritt zur Dublettenerkennung genutzt wird.

128

5 Datenintegration und Deduplizierung

5.2 Schritt 2: Dublettenerkennung Durch das vorausgegangene Schema Matching wurde eine einheitliche Darstellung der Objekte erreicht. Anschaulich gesprochen sind wir nun in der Lage, die Datensätze aller Quellen in einer Tabelle zusammenzuführen (Outer Union, siehe Tabelle 3). Nun wird es i.d.R. aber so sein, dass in den zusammenzuführenden Datenbeständen dieselben Objekte mehrfach enthalten sind. In unserem Beispiel kann eine Person sowohl eine Lebensversicherung als auch eine Kfz-Versicherung abgeschlossen haben. Dies hat zur Folge, dass ein Realweltobjekt (im Beispiel: eine Person) durch mehrere Datensätze repräsentiert wird, z.B. Jan Marten durch die Datensätze mit den IDs 1 und 8. Datensätze, die dasselbe Realweltobjekt beschreiben, heißen Dubletten. Die Menge aller Datensätze, die dasselbe Realweltobjekt beschreiben wird als Dublettengruppe bezeichnet.

Anwendung

Visualisierung/Export

Datenfusion

Dublettenerkennung

Schema Matching

Vorverarbeitung

Datenquellen

Dubletten entstehen nicht nur durch Zusammenführen von Datenbeständen, sondern sind auch innerhalb eines Datenbestandes zu finden, wenn bei Neuanlage und Änderung von Datensätzen nicht die erforderlichen Gegenmaßnahmen getroffen wurden. Das Problem der Dublettenerkennung stellt sich demnach wie folgt dar: Problem (Dublettenerkennung): Gegeben eine Tabelle mit unterschiedlichen Repräsentationen von Realweltobjekten, erzeuge eine Spalte mit ID-Werten so, dass gleichen Realweltobjekten gleiche ID-Werte zugewiesen werden.

5.2.1 Auswirkungen von Dubletten Die Tatsache, dass einige Objekte durch mehrere Datensätze repräsentiert werden, macht es bereits unmöglich, die Anzahl der Objekte durch einfaches Zählen der Datensätze zu bestimmen. Sie liegt irgendwo unterhalb der Anzahl der Datensätze, der genaue Wert ist unbekannt. Werden an einem Datensatz, zu dem es Dubletten gibt, Änderungen vorgenommen, führt dies zu Inkonsistenzen, da in den Dubletten noch die alten Werte gespeichert sind. Ähnlich verheerend ist der Effekt beim Löschen eines Datensatzes einer Dublettengruppe. In diesem Fall wird durch das Löschen des Datensatzes das repräsentierte Objekt nicht vollständig aus dem Bestand entfernt, da die Dubletten weiterhin im Datenbestand vorhanden sind.

129

B Methoden – Techniken – Tools – Regelwerke/Standards Tabelle 3: Beide Beispieldatenquellen, in einer Tabelle zusammengefasst (Outer Union) ID

Quelle

Name

Straße

Wohnort

Geb.Datum

Summe

1

LV

Jan Marten

Göthestr. 12

Berlin

1.12.1952

50.000

A

A

2

LV

Janine Marten

Gothenstr. 12

Berlin

21.5.1977

100.000

A

A

3

LV

Helga Martens

Göthestr. 12

Berlin

1.1.1954

100.000

A

A

4

LV

Martin Jahn

Buschweg 23

Hamburg

5.1.1966

75.000

A

A

5

LV

Peter Maier

Mozartweg 2

Hamburg

16.9.1982

100.000

A

A

6

LV

Jens Müller

Händelstr. 1

Köln

24.3.1970

50.000

A

A

7

KFZ

Janine Marten

Schillerplatz 3

Berlin

A

A

3/ 4.6.1996

VW Polo

8

KFZ

Jan Marten

Goethestr. 12

Berlin

A

A

3/2/ 1.12.1970

Audi A2

9

KFZ

Martin Jahn

Buschweg 23a

AHmburg

A

A

3/ 1.1.1987

Ford Focus

10

KFZ

Peter Maier

Mozartweg 2

Köln

A

A

3/ 16.9.1982

Twingo

11

KFZ

Maja Peters

Bachstr. 65

Köln

A

A

A/ 23.8.2004

Citroen 2CV

12

KFZ

Jens Müller

Händelstr. 1

Köln

A

A

3/ 25.3.1988

VW Golf 3

Führerschein

Kfz-Typ

Diese IT-technischen Auswirkungen der Existenz von Dubletten können auf Unternehmensebene eine ganze Reihe unangenehmer Konsequenzen haben: –

–

130

Werden in der Lagerverwaltung Teile mehrfach geführt, so wird bei Unterschreitung des Mindestbestands in einer der Dubletten eine Bestellung ausgelöst. Die mehrfache Bevorratung des Mindestbestands kann z.B. im Anlagenbau zu erheblichen Mehrkosten führen. Verteilen sich die Bestellmengen zugekaufter Teile auf mehrere Dubletten, so können bei Bestellungen Mengenrabatte nicht genutzt werden.

5 Datenintegration und Deduplizierung –

–

Das mehrfache Anschreiben von Interessenten kann außer zu erhöhten Produktions- und Versandkosten auch zu mehrfacher Gewährung von Rabatten oder gar zur Verärgerung des Kunden wegen uneinheitlicher oder gar unpassender Kundenansprache führen. Fehleinschätzung von Kunden, deren Umsätze sich auf mehrere Datensätze verteilen.

Neben höheren Kosten ist – in der Außenwirkung – mit Dubletten meist auch ein Verlust an Reputation verbunden, der sich in einer Minderung von Umsatzchancen niederschlagen kann. Um beides zu vermeiden, müssen Dubletten entdeckt und entfernt werden.

5.2.2 Entstehung von Dubletten Eine bedeutende Eigenschaft von Dubletten ist, dass sie zwar dasselbe Objekt repräsentieren, die einzelnen Dubletten sich aber in einigen Datenfeldern durch unterschiedliche Werte voneinander unterscheiden. Vor allem in den Werten, durch die das Objekt eindeutig beschrieben wird, unterscheiden sich die einzelnen Datensätze voneinander. Dies sind meist die Namensfelder, also Datenfelder, die in Textform die Bezeichner der Objekte enthalten. Dubletten, die in den Namensfeldern identische Werte haben, sind leicht zu erkennen und werden in vielen Fällen durch Standardtechniken verhindert. Etwa durch ein UNIQUE-Constraint auf einer Datenbanktabelle. Sobald aber keine Identität in den Namensfeldern vorliegt, greifen diese Techniken nicht mehr. So kommt es, dass durch Tippfehler oder Hörfehler, z.B. bei der Eingabe im Callcenter, Kunden mehrfach angelegt werden, durch Hinzufügen, Weglassen oder Abkürzen zusätzlicher Bestandteile Adressen unterschiedlich erfasst werden („Frankfurt am Main“, „Frankfurt“, „Frankfurt a. M.“), oder durch Vertauschen der Reihenfolge Bauteile mehrmals angelegt werden („Hartmetall-Anbohrer“, „Anbohrer, Hartmetall“). Neben mangelnder Sorgfalt der Mitarbeiter spielt bei personenbezogenen Daten auch die bewusste Variierung der Angaben durch Kunden oder Interessenten eine zunehmende Rolle, sei es wegen eines Betrugsversuchs oder zum Schutz der Privatsphäre bei Webformularen mit zu vielen Pflichtfeldern. Auch Fehler in Unternehmensprozessen können die Ursache für Dubletten sein: Wenn beispielsweise beim Fahrzeugwechsel die Daten über die Versicherung des Altfahrzeugs nicht korrekt gelöscht werden. Oder wenn ein Interessent nach Vertragsabschluss sowohl als Neukunde, als auch weiterhin als Interessent geführt wird.

5.2.3 Erkennen von Dubletten Da Dubletten sich in den Werten, die das Objekt eindeutig beschreiben nur ähnlich sind, kommt es bei der Entdeckung von Dubletten darauf an, ähnliche Werte zu

131

B Methoden – Techniken – Tools – Regelwerke/Standards erkennen. Dazu werden Ähnlichkeitsmaße benötigt, die für je zwei Inhalte eines Datenfeldes einen Wert für ihre Ähnlichkeit errechnen.

5.2.3.1 Ähnlichkeitsmaße In den meisten Fällen werden Objekte durch Namensfelder – also Strings – eindeutig benannt. Zur Ermittlung der Ähnlichkeit von Strings gibt es eine ganze Reihe von Algorithmen, teilweise spezialisiert für einzelne Anwendungsbereiche. Algorithmen zur Bestimmung von phonetischer Ähnlichkeit werden schon seit fast 90 Jahren eingesetzt wie beispielsweise Soundex oder Metaphone. Sie eignen sich zum Erkennen von Strings mit ähnlicher Aussprache (z.B. Maier, Meyer, Mayr), haben aber u.a. den Nachteil, dass sie sprachspezifisch sind. Der wohl bekannteste Algorithmus zur Entdeckung von vertauschten oder hinzugefügten Buchstaben ist die Edit-Distanz von Levenshtein [Levenshtein 1965]. Dieser Algorithmus ermittelt die minimale Anzahl des Hinzufügens, Löschens oder Vertauschens von Buchstaben, um einen String in einen anderen zu überführen. Edit-Distanz (Jan, Janine) = 3 (3 Buchstaben hinzufügen) Edit-Distanz (Göthestr, Gothenstr) = 2 (1 Buchstaben vertauschen, 1 Buchstaben hinzufügen) Teilt man die Edit-Distanz durch die Länge des längeren Strings erhält man ein gutes Maß für die Ähnlichkeit der beiden Strings. Neben einigen Erweiterungen und Spezialisierungen der Edit-Distanz gibt es eine Reihe weiterer Ähnlichkeitsmaße für Strings: a) den Algorithmus von Jaro und Winkler [Winkler 1999], der insbesondere Vertauschungen von Buchstaben anspricht, und b) n-GrammVerfahren, bei denen zu einem String alle Teilstrings der Länge n betrachtet werden. Zum Prüfen der Ähnlichkeit wird bei n-Gramm-Verfahren die Anzahl gemeinsamer Teilstrings ermittelt. – –

Diese allgemein gehaltenen Algorithmen müssen aber im konkreten Anwendungsfall um anwendungsspezifisches Wissen ergänzt werden. So sollte z.B. dem Umstand Rechnung getragen werden, dass es im Datenfeld „Vorname“ eine spezifische Ähnlichkeit zwischen einem Namen und der dazu passenden Initiale gibt, z.B. „Peter“ ~ „P.“. Im Nachnamensfeld haben die beiden Strings „Lüdenscheid“ und „MüllerLüdenscheidt“ trotz vieler fehlender Buchstaben eine große Ähnlichkeit, da im Wesentlichen nur eine Komponente eines Doppelnamens fehlt und dies ein durchaus üblicher Erfassungsfehler ist. Dieser Umstand spielt vor allem dann eine Rolle, wenn auf einem Personenbestand eine Haushaltsbildung durchgeführt werden soll, d.h. wenn erkannt werden soll, welche Personen in einem Haushalt leben. Ein Beispiel für anwendungsfallspezifische Ähnlichkeitsmaße sind Datumsangaben. Sind sowohl Datenerfasser aus dem angelsächsischen wie aus dem deutschen Sprachraum mit der Erfassung von Datumsangaben betraut, dann ist eine

132

5 Datenintegration und Deduplizierung Vertauschung von Tages- und Monatsangabe ein durchaus üblicher Erfassungsfehler, dem durch ein geeignet angepasstes Ähnlichkeitsmaß Rechnung getragen werden sollte. D.h. dass der „05.06.07“ verglichen mit dem „06.05.07“ zwar nicht als identisch, aber doch mit einem höheren Ähnlichkeitswert bewertet wird als bei einem Vergleich mit dem „09.08.07“. Ist bei der Erfassung von Geburtsdaten nur das Alter der Person erkannt, so wird häufig das Geburtsjahr errechnet und als Tagesdatum der 1.1. eingegeben. In diesen Fällen sollte das Ähnlichkeitsmaß den 1.1. als „ähnlich“ zu allen anderen Tagen des angegebenen Jahres und des Vorjahres annehmen.

5.2.3.2 Ähnlichkeit auf Datensatzebene Nicht jedes Datenfeld spielt bei der Dublettenerkennung eine Rolle. Für all diejenigen Datenfelder, die bei der Dublettenerkennung verwendet werden, muss ein adäquates Ähnlichkeitsmaß gewählt werden. Bei einem Vergleich zweier Datensätze werden diese Ähnlichkeitsmaße auf die entsprechenden Felder angewandt. Um zu einem Gesamtwert für die Ähnlichkeit der beiden Datensätze zu kommen, müssen die Werte der einzelnen Datenfelder verdichtet werden. Dies geschieht in den meisten Fällen durch ein gewichtetes Mittel, d.h. jedem für die Dublettenerkennung verwendeten Datenfeld wird ein Gewicht zugewiesen, mit dem das Ähnlichkeitsmaß multipliziert wird. Die sich so ergebenden Produkte werden aufsummiert. Bei der Wahl der Gewichte empfiehlt sich eine Normierung auf 100%. Eine exakte Übereinstimmung der beiden Datensätze in Bezug auf die ausgewählten Datenfelder entspricht dann einer „100%-Dublette“. In manchen Anwendungsbereichen lassen sich mehrere Definitionen für Dubletten finden, die sich in den relevanten Datenfeldern oder den Gewichten zur Berechnung des Mittels unterscheiden. Die Möglichkeit gleichzeitig nach Dubletten unterschiedlicher Definitionen zu suchen und ggf. die Suche zu beenden, wenn mit irgendeiner der Definitionen eine Dublette gefunden wurde, hat entscheidende Auswirkungen auf die Performance eines Systems zur Dublettenerkennung.

5.2.4 Durchführung der Dublettenerkennung Für die Erkennung aller Dubletten in einem Datenbestand, müsste jeder Datensatz mit jedem anderen Datensatz verglichen werden. Dies bedeutet, dass die Laufzeit mit der Anzahl der Datensätze quadratisch wächst, denkbar ungünstige Voraussetzungen für eine Dublettenerkennung in großen Datenbeständen. Bessere Laufzeiteigenschaften hat der von Hernandez und Stolfo vorgeschlagene SortedNeighbourhood-Algorithmus [Hernandez & Stolfo 1998]. „Sorted Neighbourhood“ heißt so viel wie „sortierte Nachbarschaft“ und beschreibt damit bereits das Charakteristische dieses Verfahrens: der Datenbestand wird so sortiert, dass potenzielle Dubletten nahe beieinander stehen, so dass nur noch die „Nachbarschaft“ nach Dubletten durchsucht werden muss.

133

B Methoden – Techniken – Tools – Regelwerke/Standards Vor Beginn des Verfahrens muss zuerst ein Sortierschlüssel definiert werden, der die oben beschriebene Sortierung sicherstellt. Dafür werden Bestandteile der für die Dublettenerkennung wichtigen Datenfelder konkateniert, z.B. die ersten drei Buchstaben des Nachnamens gefolgt von den ersten beiden Buchstaben des Ortes und der Straße. Der Algorithmus beginnt mit der Erzeugung des Sortierschlüssels für jeden Datensatz. Anschließend wird der Datenbestand anhand des Sortierschlüssels sortiert. Bei geschickter Wahl des Schlüssels sind jetzt Dubletten dicht beieinander angeordnet. Zur Dublettenerkennung muss daher jeder einzelne Datensatz nur mit einem kleinen „Fenster“ von Datensätzen verglichen werden, die in der Sortierreihenfolge kurz vor oder nach ihm stehen. Eine Fenstergröße von etwa 20 ist in vielen Fällen ausreichend. Dadurch ist beim Sorted-Neighbourhood-Algorithmus eine wesentlich geringere Anzahl von Vergleichen notwendig. Tabelle 4: Gemäß Sortierschlüssel sortierte Tabelle (Sorted-Neighbourhood) Dublettengruppe

ID

Quelle

Sortierschlüssel

Name

Straße

Wohnort

1

3

LV

HMGB

Helga Martens

Göthestr. 12

Berlin

2

1

LV

JMGB

Jan Marten

Göthestr. 12

Berlin

3

2

LV

JMGB

Janine Marten

Gothenstr. 12

Berlin

2

8

KFZ

JMGB

Jan Marten

Goethestr. 12

Berlin

4

6

LV

JMHK

Jens Müller

Händelstr. 1

Köln

4

12

KFZ

JMHK

Jens Müller

Händelstr. 1

Köln

3

7

KFZ

JMSB

Janine Marten

Schillerplatz 3

Berlin

5

9

KFZ

MJBA

Martin Jahn

Buschweg 23a

AHmburg

5

4

LV

MJBH

Martin Jahn

Buschweg 23

Hamburg

6

11

KFZ

MPBK

Maja Peters

Bachstr. 65

Köln

7

5

LV

PMMH

Peter Maier

Mozartweg 2

Hamburg

8

10

KFZ

PMMK

Peter Maier

Mozartweg 2

Köln

…

Tabelle 4 zeigt den Datenbestand des Beispiels erweitert um die Spalte Sortierschlüssel. Als Sortierschlüssel wurden die Anfangsbuchstaben des Vornamens, des Nachnamens, der Straße und des Wohnortes gewählt. Damit ergibt sich für „Jan Marten, Göthestr. 12, Berlin“ der Sortierschlüssel „JMGB“. Nach der Sortierung gemäß dem Sortierschlüssel liegen die Dublettengruppen mit den ID-Paaren (1,8), (6,12) und (4,9) dicht beieinander. In diesem Fall wäre eine Fenstergröße von 3 Datensätzen ausreichend.

134

5 Datenintegration und Deduplizierung Entscheidend für die Güte des Algorithmus ist die Wahl des Sortierschlüssels. Hier liegt auch die Schwäche dieses Verfahrens: unterscheiden sich zwei Datensätze nur in einem Buchstaben und ist dieser Bestandteil des Sortierschlüssels, dann werden i.d.R. diese beiden Datensätze so weit auseinander sortiert, dass sie außerhalb des Fensters der zu vergleichenden Datensätze liegen und daher nicht miteinander verglichen werden. Hätten wir in unserem Beispiel den Sortierschlüssel so definiert, dass er mit dem ersten Buchstaben des Wohnortes beginnt, dann wäre das Dublettenpaar (4,9) „auseinander“ sortiert worden. Die Werte für den Wohnort unterscheiden sich durch einen Buchstabendreher am Wortanfang. Als Abhilfe dafür haben Hernandez und Stolfo mit Multipass eine Erweiterung ihres Algorithmus vorgeschlagen. Dabei werden mehrere Sortierschlüssel mit unterschiedlicher Strukturierung verwendet. Nacheinander werden für jeden dieser Sortierschlüssel die drei Schritte des Sorted-Neighbourhood-Algorithmus durchgeführt. Durch die unterschiedlichen Sortierschlüssel stehen bei jedem Durchlauf andere Datensätze nebeneinander, was die Chancen erhöht, neue Dubletten zu entdecken. Die hierbei entdeckten Dublettengruppen werden durch die Bildung der transitiven Hülle zusammengeführt. Bei der Bildung der transitiven Hülle wird vorausgesetzt, dass wenn D1 eine Dublette zu D2 sowie D2 eine Dublette zu D3 ist, auch D1 eine Dublette zu D3 ist und somit alle drei eine Dublettengruppe bilden.

5.3 Schritt 3: Datenfusion Sind die Schemata der beteiligten Tabellen angepasst, sowie Dubletten und Dublettengruppen bekannt, bleiben zuletzt noch reine Datenkonflikte übrig, die behandelt werden müssen. Reine Datenkonflikte liegen vor, wenn unterschiedliche Repräsentationen desselben Realweltobjektes (lt. Dublettenerkennung) unterschiedliche Werte für gleiche Attribute (lt. Mapping) aufweisen. Die Gründe für die Existenz solcher Datenkonflikte sind vielfältig, einige wurden in Abschnitt 5.2.2 bereits genannt.

Anwendung

Visualisierung/Export

Datenfusion

Dublettenerkennung

Schema Matching

Vorverarbeitung Bei Konflikten wird in der Regel zwischen Widersprüchen (unterschiedliche Werte) und Unsicherheiten (ein Wert im Konflikt mit Null-Werten) unterschieden. UnsiDatenquellen cherheiten treten bevorzugt in den Attributen auf, die nicht im Mapping enthalten sind und sind generell einfacher zu handhaben. Dabei wird in der Regel eine „nicht bekannt“-Semantik der Null-Werte vorausgesetzt. Der letzte Schritt im Integrationsprozess, der Schritt der Datenfusion, behandelt beide Konfliktarten in Daten und erzeugt ein für den Nutzer und den jeweiligen

135

B Methoden – Techniken – Tools – Regelwerke/Standards Anwendungsfall sinnvolles Ergebnis. In den meisten Fällen ist solch ein Ergebnis ein Ergebnis ohne Widersprüche. Das Problem der Datenfusion stellt sich demnach wie folgt dar: Problem (Datenfusion): Gegeben eine Tabelle mit markierten Dublettengruppen, erzeuge eine bereinigte Tabelle, die keine Widersprüche, und idealerweise genau eine Repräsentation pro Realweltobjekt enthält.

Sind die Dublettengruppen durch eine ID als eigenes Attribut bestimmt, besteht die Aufgabe darin, dieses ID-Attribut zu einem Primärschlüssel werden zu lassen. Bei der Behandlung von Konflikten gibt es eine Reihe von Strategien, die verfolgt werden können. Im Folgenden werden einige davon vorgestellt.

5.3.1 Konflikte ignorieren Die sicherlich einfachste, aber auch nicht unbedingt befriedigendste, Strategie ist es, die Konflikte einfach zu ignorieren und dem Nutzer z.B. alle unterschiedlichen Repräsentationen zugänglich zu machen und ihm damit die Entscheidung selbst zu überlassen, welche Repräsentationen weiterverwendet werden sollen. Die gewünschte Eigenschaft des ID-Attributs als Primärschlüssel wird dabei nicht erreicht. Zusätzlich bereitgestellte Metainformationen, z.B. über die Herkunft der Daten oder die Wahrscheinlichkeit der Korrektheit der Daten ermöglichen dem Nutzer eine bessere Entscheidung, entbinden ihn dabei aber nicht von der Entscheidung, welche der möglichen Repräsentationen weiter verwendet werden soll. Die relationalen Operatoren „Outer Union All“ und „Full Outer Join“ sind einfache Beispiele für Datenfusionsverfahren bei denen Konflikte ignoriert werden.

5.3.2 Konflikte vermeiden Fortgeschrittenere Strategien versuchen, Konflikte auf einfache Art zu vermeiden. Dies kann z.B. dadurch geschehen, dass in der Ergebnistabelle nur widerspruchsfreie, konsistente Realweltobjekte enthalten sind. Entfernt man exakte Dubletten (Dubletten, die in allen Werten übereinstimmen) und Dubletten, die nur Unsicherheiten aber keine Widersprüche enthalten, sind dies am Ende die Dublettengruppen der Größe 1, die also nur einen Datensatz enthalten. Ein Beispiel für solch eine Vorgehensweise ist das CONQUER-System [Fuxman et. al. 2005], bei dem SQLAnfragen an Daten so umformuliert werden, dass ein konsistentes Ergebnis zurückgegeben wird. Dieses Verfahren ist allerdings nicht für alle Klassen von SQLAnfragen anwendbar. Das konsistente Ergebnis im Beispiel besteht aus allen Datensätzen, außer den Dublettengruppen 2, 3 und 5 („Jan Marten“, „Janine Marten“ und „Jens Müller“). Diese Datensätze enthalten Widersprüche und sind daher nicht im Ergebnis enthalten. Eine weitere Strategie der Konfliktvermeidung ist die Rückgabe eines einzigen, bestimmten Datensatzes aus einer Dublettengruppe. Diese Strategie wird oft als

136

5 Datenintegration und Deduplizierung „Survivor“-Strategie bezeichnet und wird ob ihrer Einfachheit häufig in bestehenden Tools zur Datenreinigung verwendet. Das häufigste Auswahlkriterium ist hier die Herkunft der Daten. Eine vorher zu bestimmende Datenquelle wird bevorzugt behandelt und als Ergebnis wird der Datensatz einer Dublettengruppe zurückgegeben, der aus dieser Quelle stammt. Eine andere Möglichkeit, den überlebenden Datensatz zu bestimmen, ist das Alter der Daten. Sofern bekannt, z.B. als Zeitstempel in einem weiteren Attribut hinterlegt, kann so der jeweils aktuellste Datensatz zurückgegeben werden. Auch anhand der Daten selbst kann die Entscheidung für einen Datensatz getroffen werden. So kann im obigen Beispiel der Datensatz mit dem längsten Namen, oder der höchsten Versicherungssumme überleben. Eine solche datenspezifische Auswahl sollte jedoch mit Sorgfalt und abhängig vom jeweiligen Anwendungsfall angewendet werden. Liegen keine Metadaten vor, ist die Übernahme eines vorhandenen Wertes und das Ignorieren von Null-Werten (Strategie der Informationsübernahme) z.B. unter Verwendung der SQL-coalesce- Funktion möglich.

5.3.3 Konflikte auflösen Um die Nachteile ignorierender (Widersprüche bleiben bestehen) und vermeidender (nicht alle Daten werden berücksichtigt) Strategien zu vermeiden, müssen Konflikte aufgelöst werden, indem alle vorhandenen Daten berücksichtigt werden und daraus ein neuer Datensatz zusammenfügt wird. In gewissem Sinne ist dies die natürliche Erweiterung der vermeidenden Strategien, die Erweiterung um das Einbeziehen aller Werte. Bei der Konfliktlösung können unterschiedliche Strategien grob in zwei Gruppen unterteilt werden: Entscheidende Strategien übernehmen einen in den Daten bereits vorhandenen Wert, während sich vermittelnde Strategien auch für einen noch nicht vorhandenen Wert entscheiden können. Ein Beispiel für die erste Gruppe ist die Mehrheitsentscheidung, die Entscheidung für den am häufigsten auftretenden Wert. Die Intuition hinter dieser Strategie ist, dass die Mehrheit sich selten irrt, und dass ein Wert, der signifikant häufiger auftritt, mit hoher Wahrscheinlichkeit der richtige ist. Ein Beispiel für eine vermittelnde Strategie ist die Mittelwertbildung. Zu beachten ist, dass bei der Konfliktlösung sowohl vertikal als auch horizontal partitioniert werden kann, d.h. die Konfliktlösung ist sowohl spalten- als auch zeilenabhängig. Spaltenabhängig im Sinne, dass für jede Spalte eine andere Art der Konfliktlösung verwendet wird, und zeilenabhängig im Sinne, dass für unterschiedliche Abschnitte (z.B. alle Kunden aus Berlin, alle Kunden aus Hamburg, etc.) Konflikte unterschiedlich gelöst werden.

137

B Methoden – Techniken – Tools – Regelwerke/Standards Tabelle 5: Fusionierte Quellen, unter Angabe der verwendeten Konfliktlösungsfunktion Name

Straße

Wohnort

Geb.-Datum

Summe

Führerschein

Kfz-Typ

Choose(Kfz)

Longest

Choose(LV)

Newest

Average

Coalesce

Coalesce

Janine Marten

Schillerplatz 3

Berlin

21.5.1977

100.000

3 / 4.6.1996

VW Polo

Jan Marten

Goethestr. 12

Berlin

1.12.1952

50.000

3 / 2 / 1.12.1970

Audi A2

Martin Jahn

Buschweg 23a

Hamburg

5.1.1966

75.000

3 / 1.1.1987

Ford Focus

Peter Maier

Mozartweg 2

Köln

A

A

3 / 16.9.1982

Twingo

Peter Maier

Mozartweg 2

Hamburg

16.9.1982

100.000

A

A

Maja Peters

Bachstr. 65

Köln

A

A

Jens Müller

Händelstr. 1

Köln

24.3.1970

50.000

3 / 25.3.1988

VW Golf 3

Helga Martens

Göthestr. 12

Berlin

1.1.1954

100.000

A

A

A / 23.8.2004 Citroen 2CV

Konfliktlösende Strategien können auf einfache Art und Weise mittels Gruppierung und Aggregation umgesetzt werden. Dabei werden die Repräsentationen der Objekte nach der im Schritt „Dublettenerkennung“ vergebenen ID gruppiert und spaltenweise Konfliktlösungsfunktionen auf Repräsentationen mit gleicher ID angewendet. Einzelne Strategien, wie z.B. Mittelwertbildung können in einem Datenbanksystem recht einfach mit Hilfe bereits bestehender Aggregationsfunktionen nachgebildet werden. Andere, wie z.B. die Mehrheitsentscheidung, erfordern mehr Aufwand und den Einsatz von Erweiterungen des Datenbanksystems, wie z.B. die SQL-Erweiterungen für OLAP-Anwendungen oder die Möglichkeit benutzerdefinierte (Aggregations-)Funktionen verwenden zu können. Im letzteren Fall sind prinzipiell beliebig komplizierte und mächtige Funktionen möglich, die auch zusätzliche Informationen nutzen können. So ist es z.B. denkbar, taxonomisches Wissen zur Konfliktlösung auszunutzen, indem bei zwei in Konflikt stehenden Werten der speziellere oder das kleinste gemeinsame Oberkonzept (lowest common ancestor) gemäß einer Taxonomie verwendet wird. Bei einem Konflikt im Attribut „Wohnort“ zwischen den Werten „Hamburg“ und „Berlin“ könnte dieser durch den Wert „Deutschland“ aufgelöst werden. Weitere Details zu Strategien zur Konfliktbehandlung beschreiben [Bleiholder & Naumann 2006]. Dort wird auch die Umsetzung in einem integrierten Informationssystem beschrieben. Die im HumMer-System [Naumann et. al. 2006] verwendete Fuse-By-Technik bietet hier eine einfache Möglichkeit komplexe und mächtige Konfliktlösungen für Datenkonflikte zu spezifizieren.

138

5 Datenintegration und Deduplizierung

5.4 Erweiterungen Die Ergebnisse der Schritte Dublettenerkennung und Datenfusion hängen stark davon ab wie gut die Daten in den einzelnen Datenfeldern strukturiert und standardisiert sind. Sowohl die Strukturierung als auch die Standardisierung der Daten lassen sich durch geeignete Verfahren („data scrubbing“) verbessern. Diese Verfahren erhöhen zum einen die Treffergenauigkeit bei der Dublettenerkennung, zum anderen erweitern sie die Möglichkeiten der Datenfusion. Zusätzlich verbessert sich die Datenqualität hinsichtlich der IQ-Dimensionen Übersichtlichkeit, Fehlerfreiheit, Aktualität und der Einheitlichkeit der Darstellung. In den folgenden beiden Abschnitten wird kurz auf Strukturierung und Standardisierung eingegangen. [Schmid, 2004] enthält eine ausführlichere Beschreibung der Datenqualitätsprobleme, die sich dadurch beheben lassen.

5.4.1 Strukturierung Eine schlechte Strukturierung liegt dann vor, wenn es falsch zugeordnete oder eingebettete Werte gibt. Falsch zugeordnete Werte sind im falschen Datenfeld abgelegt. Wenn sich beispielsweise der Vorname im Nachnamensfeld und nicht im Vornamensfeld befindet, somit quasi in der Spalte verrutscht ist. Eingebettete Werte sind Werte, die zusammen mit anderen in einem einzigen Datenfeld stehen. Wenn z.B. neben dem Nachnamen auch noch die Anrede und der Titel im Nachnamensfeld zu finden sind. Beide Fälle führen bei der Dublettenerkennung zu Problemen. Im Falle der falsch zugeordneten Werte führt ein datenfeldweiser Vergleich der Datensätze dazu, dass „Äpfel mit Birnen“ oder wie im Beispiel erwähnt Vornamen mit Nachnamen verglichen werden. Im Falle der eingebetteten Werte treten zwei Probleme auf. Fehlt einer der in diesem Datenfeld gespeicherten Werte (z.B. der Titel) nur in einem der Datensätze, führt dies zu einem geringeren Ähnlichkeitswert, und zwar egal ob es sich um einen maßgeblichen Bestandteil handelt oder nicht. Sind in beiden Datensätzen alle Werte vorhanden, aber in unterschiedlicher Reihenfolge, so führt dies bei einigen Ähnlichkeitsmaßen zu starken Abwertungen. Zur Verbesserung der Strukturierung werden die Inhalte der Datenfelder geparst, in ihre Bestandteile zerlegt, klassifiziert und den passenden Datenfeldern zugeordnet. Zur Klassifikation und Zuordnung zu den passenden Datenfeldern werden in den meisten Fällen Referenzdaten wie eine Liste aller Titel und anwendungsfallspezifische Regeln benötigt.

5.4.2 Standardisierung Standardisierung von Datenfeldern zielt darauf ab, dass semantisch identische Inhalte identisch dargestellt werden. Dies meint im Grunde nichts anderes als eine hohe Informationsqualität in Bezug auf die IQ-Dimension Einheitliche Darstellung.

139

B Methoden – Techniken – Tools – Regelwerke/Standards Die folgenden Ortsnamen bezeichnen alle dieselbe Stadt: Tabelle 6: Nicht standardisierte Ortsnamen

Frankfurt a.M. Frankfurt am Main Frankfurt (Hessen) Frankfurt-Niederrad Die oben erwähnten Ähnlichkeitsmaße würden beim paarweisen Vergleich nicht unerhebliche Unterschiede messen. Und selbst auf Ortsnamen spezialisierte Ähnlichkeitsmaße würden keine Gleichheit feststellen. Praktischer ist hier, noch vor der Dublettenerkennung, eine Standardisierung der Datenwerte durchzuführen. Dazu wird im Rahmen eines Data Profiling u.a. eine Häufigkeitsverteilung der Werte in den einzelnen Datenfeldern durchgeführt. Zur Beseitigung der hierbei entdeckten Datenqualitätsmängel in Bezug auf die Dimension Einheitliche Darstellung gibt es mehrere Möglichkeiten. Bei Datenfeldern mit überschaubaren Wertemengen wie z.B. Anrede oder Titel, sollte eine unternehmensweit gültige Wertemenge festgelegt und umgesetzt werden. Im aktuell zu bearbeitenden Datenbestand kann dies durch einige UPDATEKommandos geschehen. Für eine unternehmensweite Umsetzung müssen alle Prozesse und Systeme betrachtet werden, in denen dieses Datenfeld vorkommt. Ähnlich verhält es sich, wenn die Unterschiede lediglich die Formatierung betreffen, z.B. bei Telefonnummern oder Datumsangaben. Auch hier muss möglichst ein unternehmensweites Format definiert werden. Im konkreten Einzelfall kann eine Umformatierung ein hilfreicher Schritt vor der Dublettenerkennung sein. Bei Datenfeldern mit sehr großer Wertemenge kann in einigen Fällen auf Referenzdatensysteme zurückgegriffen werden, z.B. bei Adressen, Bankverbindungen, Telefonnummern, Anti-Terrorlisten. Für diese Anwendungsbereiche gibt es ein Verzeichnis der gültigen Werte in diesem Bereich. So kann beispielsweise von der Deutschen Post ein Verzeichnis aller Postleitzahlen, Ortsnamen und Straßennamen bezogen werden. Ein Referenzdatensystem basiert auf einem solchen Verzeichnis und führt darauf eine fehlertolerante Suche aus, quasi eine „Ähnlichkeitssuche“. Wird beispielsweise an ein Referenzdatensystem auf Basis postalischer Verzeichnisse eine Adresse übergeben, so sucht das System die ähnlichste Adresse und gibt diese aus. Dabei kann es sein, dass Ein- und Ausgabe identisch sind. In diesem Fall hat nur eine Validierung stattgefunden. Wenn Ein- und Ausgabe aber unterschiedlich sind, hat eine Standardisierung oder gar eine Korrektur stattgefunden. Der Einsatz von Referenzdatensystemen führt daher nicht nur zu einer Verbesserung in der IQ-Dimension Einheitliche Darstellung, sondern auch zur Verbesserung

140

5 Datenintegration und Deduplizierung der Fehlerfreiheit und – bei entsprechender Aktualisierungsrate der Referenzdaten – auch zur Verbesserung der Aktualität.

5.5 Zusammenfassung Datenintegration bezeichnet das Zusammenführen von Daten aus mehreren Quellen, wobei sowohl Schema- als auch Datenheterogenitäten überwunden werden. Ein integrierter Datenbestand erlaubt es dem Nutzer auf einheitliche Art und Weise auf einheitlich strukturierte Daten zuzugreifen. Neben der Feststellung von äquivalenten Schemaelementen (Schema Matching) und äquivalenten Objektbeschreibungen (Dublettenerkennung) ist die Lösung von Datenkonflikten (Datenfusion) Teil des hier anhand eines Beispiels illustrierten Datenintegrationsprozesses. Für jeden Teilschritt werden prototypisch Lösungsmöglichkeiten aufgezeigt und erläutert, sowie erste Verweise in relevante Literatur gegeben. Datenintegration im Allgemeinen und die hier vorgestellten Techniken führen dabei in der Regel zu einer Verbesserung der Informationsqualität bezüglich der IQ-Dimensionen Zugänglichkeit, Vollständigkeit, Übersichtlichkeit, Fehlerfreiheit und Einheitliche Darstellung.

Literaturverzeichnis [Bilke & Naumann 2005] Bilke, A. und Naumann, F. Schema Matching using Duplicates. In: Proceedings of ICDE, 2005, S. 69-80. [Bleiholder & Naumann 2006] Bleiholder, J. und Naumann, F. Conflict Handling Strategies in an Integrated Information System. In: Proceedings of IIWeb workshop, 2006. [Fuxman et. al. 2005] Fuxman, A., Fazli, E. und Miller, R. J. ConQuer: Efficient Management of Inconsistent Databases. In: Proceedings of SIGMOD, 2005, S. 155166. [Hernandez & Stolfo 1995] Hernandez, M. und Stolfo, S. The Merge/Purge Problem for Large Databases. In: Proceedings of SIGMOD, 1995, S. 127-138. [Madhavan et. al. 2001] Madhavan, J., Bernstein, P. und Rahm, E. Generic Schema Matching with CUPID. In: Proceedings of VLDB, 2001, S. 49-58. [Leser & Naumann 2006] Leser, U. und Naumann, F. Informationsintegration – Architekturen und Methoden zur Integration verteilter und heterogener Datenquellen. dpunkt, Heidelberg, 2006. [Levenshtein 1965] Levenshtein, V. Binary Codes Capable of Correcting Spurious Insertions and Deletions of Ones. In: Problems of Information Transmission, 1965, 1, S. 8-17.

141

B Methoden – Techniken – Tools – Regelwerke/Standards [Melnik et. al. 2002] Melnik, S., Garcia-Molina, H. und Rahm, E. Similarity Flooding: A Versatile Graph Matching Algorithm and its Application to Schema Matching. In: Proceedings of ICDE, 2002, S. 117-128. [Naumann et. al. 2006] Naumann, F., Bilke, A., Bleiholder, J., und Weis, M. Data Fusion in Three Steps: Resolving Schema, Tuple, and Value Inconsistencies. In: Data Engineering Bulletin. 29(2), 2006, S. 21-31. [Rahm & Bernstein 2001] Rahm, E. und Bernstein, P. A. On Matching Schemas Automatically. Technischer Bericht, Microsoft Research, 2001. [Schmid 2004] Schmid, J. The Main Steps to Data Quality In: Advances in Data Mining, 4th Industrial Conference on Data Mining, ICDM 2004, Revised Selected Papers, Springer, S. 69-77. [Winkler 1999] Winkler, W. The State of Record Linkage and Current Research Problems. Statistics of Income Division, Internal Revenue Service Publication R99/04.

142

6 Definition von Datenarten zur konsistenten Kommunikation im Unternehmen Andrea Piro, Marcus Gebauer Probleme in der Informationsqualität (IQ) treten in den unterschiedlichsten Bereichen eines Unternehmens auf und werden durch die unterschiedlichsten Bereiche verursacht. Daher ist es um so wichtiger, diese Probleme klar und eindeutig kommunizieren zu können. Insbesondere wenn Kollegen fachübergreifend IQProbleme beheben wollen, kann dies schwierig sein. Erst wenn klar ist, worüber geredet wird, und häufig sind dies Datenfelder und ihr Inhalt, kann das Problem eindeutig beschrieben und gelöst werden. Dieses Kapitel zeigt Möglichkeiten einer effektiven Kommunikation zur Lösung dieser Probleme auf. Wir schlagen eine Strukturierung von Informationen mit festgelegten Begriffen und Definitionen vor. Eingangs werden Kriterien zur Beschreibung von Daten und deren Kontext dargestellt. Da eine Begriffsdefinition in einer Unternehmenspraxis zeit- und kostenintensiv sein kann, erfolgt im Anschluss ein Vorschlag, wie mit einer Auswahl an Beschreibungskriterien Daten und deren Kontext für IQ-Zwecke strukturiert werden können.

6.1 Einleitung und Zielsetzung In fast jedem Unternehmen gibt es eine Schwierigkeit. Im Rahmen von Projekten oder Problemanalysen müssen verschiedene Fachbereiche und IT-Verantwortliche über ihre Informationen, IT-Lösungen, Prozesse und Datenflüsse sprechen. Hat jeder Bereich für sich noch eine klare Vorstellung über die einzelnen Themen, so ist die gemeinsame Kommunikation hierüber oft sehr schwierig. Grund sind die unterschiedlichen Sichtweisen auf Informationen. Diese führen zu unterschiedlichen Bewertungen und eben auch zu unterschiedlichen Bezeichnungen und Beschreibungen des Gegenstandes Information. Die Granularität von Ordnungsbegriffen und die Ordnungsbegriffe selbst sind von den unterschiedlichen Bereichen des Unternehmens abhängig. Eine Kommunikation miteinander ist ohne Verständnisprobleme meist nicht möglich. Das kostet oft Zeit und Nerven. Die Lösung dieses Problems ist die Entwicklung und Anwendung einer gemeinsamen Sprache über Informationen im Unternehmen. So wird eine Kommunikation über Bereichs- und Prozessgrenzen hinweg möglich. Bei der hohen Anzahl unterschiedlicher Informationen und Daten in den Prozessen eines Unternehmens, ist eine einheitliche und klare Begriffsdefinition und Strukturierung der Datenarten, wie in diesem Kapitel vorgeschlagen, sinnvoll und notwendig. Grundlage des Vor-

143 K. Hildebrand et al. (Hrsg.), Daten- und Informationsqualität, DOI 10.1007/978-3-8348-9953-8_8, © Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011

B Methoden – Techniken – Tools – Regelwerke/Standards schlages ist die Struktur der Informationslandschaft gemäß DMSBASICS [Tremba 2005].

6.1.1 Informationsqualität und Datenarten Insbesondere im Umfeld des IQ-Managements ist eine einheitliche Sprache unerlässlich. Informationen und Daten spielen in der Strukturierung von IQ-Problemen zur sinnvollen Adressierung abgeleiteter Maßnahmen eine entscheidende Rolle. Die Elemente der Ordnung sind übergreifende Begriffsdefinitionen, die ein einheitliches Verständnis der Datenarten sicherstellen. Diese bilden das Raster, in dem Informationen abgelegt, gefunden, erzeugt und gelenkt werden. Dies ist eine wichtige Voraussetzung dafür, dass die Verwendung der Struktur funktioniert. Das Ziel des hier vorgestellten Vorschlages ist es, die Begriffe zur Beschreibung von Daten in eine eindeutige und im gesamten Unternehmen genutzte Ordnung zu bringen. Um unterschiedliche IQ-Probleme mit fehlenden, fehlerhaften oder inkonsistenten Daten, die unter Umständen aus unterschiedlichen Abteilungen zentral gemeldet werden, übersichtlich und anschaulich darstellen zu können, müssen die genannten Probleme strukturiert werden. Die genannten betroffenen Daten1, sind dabei ein Merkmal, nach denen strukturiert werden kann. Die folgenden Definitionen stellen die Bedeutung der Bestimmung der Datenart in der Problemanalyse heraus. Die Bestimmung der bei einem Problem betroffenen Datenart ist entscheidend für das Verständnis des Problems selbst. Dazu wird die Verwendung einer Strukturierung von Informationen mit festgelegten Begriffen und Definitionen vorgeschlagen. Für die Zielsetzung, Informationsprobleme zu bewerten, werden nicht alle Beschreibungskriterien zwingend benötigt. Eine Auswahl bleibt dem Nutzer vorbehalten, der sich an den fachlichen Anforderungen in seiner Organisation orientiert.

6.2 Datenarten in der Informationslandschaft Daten spielen in den Geschäftsprozessen eines Unternehmens eine zentrale Rolle. Sie werden informationstechnologisch klar strukturiert und besitzen immer einen offiziellen und formellen Charakter. Neben den Daten hat auch der Kontext, in dem Daten leben, diesen offiziellen und formellen Charakter. Er ist durch den verfolgten Zweck und den dazugehörenden Prozess charakterisiert. Erst durch den Kontext, in dem Daten leben und benutzt werden, werden hieraus nutzbare Informationen. Ohne Kenntnis des Kontextes ist letztendlich keine Bewertung der Informationsqualität möglich [Strong et al. 1997].

1

Es handelt sich hierbei um die Angabe der Daten, in denen die Probleme sichtbar werden.

144

6 Definition von Datenarten zur konsistenten Kommunikation im Unternehmen Die Merkmale von Daten und deren Kontext führen uns zur Strukturierung der Datenarten. Daten sind das inhaltliche Element einer Information und der Kontext ist das beschreibende Element. Daten benötigen also zu ihrer Interpretation immer einen Kontext. Allerdings scheinen Daten häufig aus sich heraus deutbar und verständlich zu sein. Dieses implizite Verständnis eines Datenfeldinhaltes kann erhebliche Probleme in der Informationslandschaft verursachen. Die Nummer „1802“ kann eine interne Durchwahlnummer oder eine Kundennummer sein. Erst mit dem Wissen um den Kontext werden Daten verständlich und für das gesamte Unternehmen nutzbar.

6.3 Beschreibungskriterien In diesem Abschnitt stellen wir Beschreibungskriterien vor, mit denen die Definition der Datenarten erfolgt. Beschrieben werden dabei die inhärenten Eigenschaften der Daten und der Kontext, in dem ein Datum sich befindet.

Die Eigenschaften von Daten werden durch Format, Struktur, Inhalt, Stabilität, Verarbeitung und dem Business Object beschrieben. Die Kontextinformationen von Daten bilden die Angaben zu den Prozessen, in denen das Datum benötigt wird und zu verschiedenen Verwendungszwecken.

Tabelle 1: Beschreibungskriterien für formelle Informationen EIGENSCHAFTEN

KONTEXT

Format

Prozess

Struktur

Zweck

Inhalt Stabilität Verarbeitung Business Object Daten können nach den in Tabelle 1 aufgeführten Kriterien, eindeutig oder mehrfach beschrieben werden. Die Kriterien Format, Inhalt, Struktur, Business Object und Stabilität sind nur einmalig zu vergeben. Ein Datum kann z.B. nur ein bestimmtes Format haben. Die Kriterien Verarbeitung, Zweck und Prozess können das Datum durch Mehrfachnennungen beschreiben, da ein Datum bspw. in verschiedenen Prozessen zum Einsatz kommen kann.

145

B Methoden – Techniken – Tools – Regelwerke/Standards

6.3.1 Beschreibung der Eigenschaften Die Eigenschaften von Daten lassen sich anhand von sechs Kriterien beschreiben. Je mehr Kriterien zur Beschreibung genutzt werden, desto genauer kann das Datenfeld beschrieben werden und desto eindeutiger ist seine Identifizierung möglich.

6.3.1.1 Format Mit dem Format wird ein Datum IT-technisch spezifiziert. Ein Datenfeld kann alphanumerisch, numerisch, integer, floating point, etc. definiert sein, wobei auch die Länge eines Feldes ein beschreibendes Merkmal ist.

6.3.1.2 Struktur Das Kriterium Struktur unterscheidet Daten nach drei grundsätzlichen Kriterien. Strukturierte Daten sind Daten, zu denen strukturgebende Informationen – Metadaten – vorhanden sind, durch die die Daten definiert sind. Diese Metadaten können unter anderem Auskunft geben über:

Format des Datums, Erlaubte Werte für das Datum, Semantische Bedeutung.

Semistrukturierte Daten sind Daten, die in einzelnen Bestandteilen strukturiert sein können, in der Gesamtheit jedoch keine spezifische, eindeutige Struktur aufweisen. Vielfach entstehen semistrukturierte Daten dort, wo Textfelder in Datenbanken mit unterschiedlichen strukturierten Daten gefüllt werden. Folgende fiktive Beispiele geben einen Eindruck hierüber. 1.

Textfeld = „Mustermann; Heinz; Musterstadt; 12345; 0123 2312312“

2.

Textfeld = „23451; Rainer Dück; 0123 2561432“

Hierbei kann es durchaus sein, dass beide Einträge in einer Datenbank vorkommen, da unterschiedliche Mitarbeiter für die Eingabe verantwortlich sind. Jedes einzelne Element kann dabei einer Struktur folgen, die Gesamtheit ist in der Struktur jedoch nicht einheitlich. Aus unstrukturierten Daten ist die Informationsgewinnung stark von der Interpretation durch den Informationsempfänger abhängig. Das heißt nicht, dass unstrukturierte Daten nicht auch strukturierte Informationen enthalten können, in der Regel sind diese allerdings nicht direkt und eindeutig erkennbar. Ein Beispiel für unstrukturierte Daten sind E-Mails.

6.3.1.3 Inhalt Das Kriterium Inhalt unterscheidet Daten danach, ob sie den eigentlichen Inhalt (d.h. Bestandteil der Informationen) beschreiben, also Sachverhalte beinhalten, um die es tatsächlich geht, oder diese lediglich beschreiben. Wir unterscheiden hier

146

6 Definition von Datenarten zur konsistenten Kommunikation im Unternehmen zwischen Inhaltsdaten und Metadaten (siehe Tabelle 2). Eine allgemeingültige Unterscheidung zwischen Metadaten und „normalen“ Daten gibt es nicht. Metadaten werden in unserem Beispiel als Daten verstanden, mit deren Hilfe andere Daten beschrieben werden können. Tabelle 2: Eine Niederlassung wird mit einem Meta- und Inhaltsdatum beschrieben Feldname

Feldinhalt

Inhalt

Niederlassungsnummer

NL001

Metadatum

Niederlassungsname

Niederlassung München

Inhaltsdatum

Inhaltsdaten definieren wir als Daten, die das Objekt direkt bezeichnen. Beispielsweise beschreibt der Name einer Niederlassung inhaltlich direkt die entsprechende Niederlassung. Metadaten ordnen die Inhaltsdaten einer festgelegten Struktur zu. Zum Beispiel die Nummer der Niederlassung. Hier wird das Objekt einem Ordnungsbegriff (Schlüssel) zugeordnet, der die Niederlassung nicht inhaltlich beschreibt, sondern für sämtliche Informationen zur Niederlassung steht.

6.3.1.4 Stabilität Die Stabilität unterscheidet die Daten nach der (relativen) Zeitdauer, in der die Daten unverändert bleiben. In der Regel werden fixe und variable Daten, auch Stamm- und Bewegungsdaten genannt, unterschieden. Stammdaten Stammdaten, auch fixe Daten genannt, sind Daten, die sich nach ihrer Eingabe in ein System selten ändern. Daher müssen sie nicht jedes Mal neu eingegeben werden. In der Regel werden sie dauerhaft zentral gespeichert und prozessbedingt ausgelesen. Hierzu gehören beispielsweise Mitarbeiternamen, Organisationsnummern, Kontonummern oder Artikelbezeichnungen. Bewegungsdaten Bewegungsdaten, auch variable Daten genannt, sind Daten, die sich in einem Geschäftsprozess häufig ändern. Solche Daten müssen für jeden Geschäftsvorfall entweder eingegeben werden oder aus vorhandenen Daten abgeleitet bzw. berechnet werden. Beispiele hierfür sind Bestellmengen, Wertpapierkurse oder Kontensalden.

147

B Methoden – Techniken – Tools – Regelwerke/Standards

6.3.1.5 Verarbeitung Das Kriterium der Verarbeitung unterscheidet nach der Stellung der Daten im Datenverarbeitungsprozess:

Eingabedaten Speicherdaten Ausgabedaten

Eingabedaten sind Daten, die in das System eingepflegt werden. Zum Beispiel: Name eines Neukunden, Bestellmengen oder der Betrag einer Transaktion. Speicherdaten sind Daten, die das System bereits gespeichert hat. Zum Beispiel: Daten, die nach ihrer Eingabe ins System in diesem verbleiben und nicht nur für eine einmalige Berechnung verwendet werden. Zum Beispiel: Name und Anschrift eines Kunden, Bestellmenge eines Artikels durch einen Kunden. Ausgabedaten sind Daten, die vom System bereits prozessiert wurden. Zum Beispiel: Ergebnisdaten einer Kostenkalkulation. Die Eigenschaft „Verarbeitung“ ändert sich für ein Datum im Prozessablauf. Somit sind Doppelnennungen, je nach dem zu welchem Zeitpunkt das Datum betrachtet wird, möglich.

6.3.1.6 Business Object Daten können einem Business Object2 (BO) zugeordnet werden, da sie ein Objekt beschreiben. Das BO verknüpft Daten mit ihrer fachlichen Verwendung und damit auch der Verantwortung für den Inhalt. Ein Geschäftsvorfall (Gesamtprozess) benötigt für seine Abwicklung immer Informationen aus mehreren BO. Das Beispiel in Abbildung 1 zeigt, dass eine Geschäftsabwicklung im Versandhandel Informationen der BOs Kunde, Produkt und des verantwortlichen Mitarbeiters benötigt. Die Zuordnung eines Datenfeldes zu einem Business Object sollte immer eindeutig und dauerhaft vorgenommen werden. So beschreiben Kundennummer, Kundenname und Adresse in unserem Beispiel das BO „Kunde“. Die Produktbezeichnung beschreibt das BO „Produkt“. Die Personalnummer das BO „Mitarbeiter“. Die Zuordnungen können auf verschiedene Weise vorgenommen werden. Wichtig ist, dass die Zuordnung einmal festgelegt, dokumentiert und allgemeingültig ist.

2

Wir verwenden hier den in der Literatur gängigen englischen Ausdruck.

148

6 Definition von Datenarten zur konsistenten Kommunikation im Unternehmen

Abbildung 1: Nutzung von Informationen aus verschiedenen Business Objects in einem Prozess

6.3.2 Beschreibung des Kontextes Eine sinnvoll eingesetzte und notwendige Information ist niemals losgelöst von einem festgelegten Kontext. Informationen ohne Kontext finden in einem Unternehmen keine sinnvolle Verwendung. Die Kriterien “Prozess” und “Zweck” beschreiben gemeinsam den Kontext, in dem sich ein Datum befindet. Erst durch die Einbettung der Information in die Prozesse und in die Zweckbestimmung erhalten die Informationen einen Wert für das Unternehmen. Im Folgenden werden die beiden Kriterien anhand von Beispielen genauer erläutert.

6.3.2.1 Prozess Das Kontext-Kriterium Prozess kann aus zwei verschiedenen Fragestellungen entstehen. Zum einen kann die Frage „In welchem Prozess wird das Datum generiert?“ zum anderen kann die Frage „In welchem Prozess wird die Information genutzt?“ gestellt werden. Wir konzentrieren uns auf die Frage nach der Nutzung im Prozess, da wir diesen Aspekt später bei der Bewertung von InformationsProblemen verwenden. Bei einer Definition gemäß der Nutzung in einem Prozess sind Doppelnennungen sehr wahrscheinlich. Eine bestimmte Information kann in n Prozessen genutzt werden. Beispiel: Die „Stückeanzahl“ einer Wertpapiertransaktion dient sowohl der Geschäftsabwicklung, der Bewertung der Bestände, der Verbuchung als auch der

149

B Methoden – Techniken – Tools – Regelwerke/Standards Erstellung von Auswertungen für die Steuerung des Unternehmens. Generiert wird die Information jedoch nur einmal im Prozess „Geschäftsabschluss“. Die Struktur kann den Prozessen und Sub-Prozessen der Ablauforganisation entsprechend herunter gebrochen werden. Auf die Differenzierung gemäß der SubProzesse sollte evtl. verzichtet werden, um nicht zu komplex zu werden und um unempfindlicher gegenüber Änderungen der Ablauforganisation zu sein.

6.3.2.2 Zweck Im Kontext-Kriterium Zweck sind generell Mehrfachnennungen zu erwarten. Die meisten Daten dienen immer unterschiedlichen Zwecken innerhalb der Gesamtprozesse eines Unternehmens. Eine Kundennummer wird für die Rechnungsabwicklung genauso benötigt wie für die Erstellung einer Übersicht aller Aufträge eines Kunden für die Marketingabteilung. Für das Datenfeld „Kundennummer“ mit dem Eintrag „123654“ kann eine komplette Beschreibung anhand aller Kriterien wie folgt aussehen. Tabelle 3: Komplette Beschreibung eines Datums für die weitere Analyse Kundennummer – „123654“ Kriterium

Nennungen

Beschreibung

Format

einmalig

Numerisch

Struktur

einmalig

Strukturiert

Inhalt

einmalig

Metadatum

Stabilität

einmalig

Stammdatum

Verarbeitung

mehrfach

Business Object

einmalig

Prozess (der Nutzung)

mehrfach

Geschäftsanbahnung Geschäftsabschluss Geschäftsabwicklung Buchung & Überwachung und weitere

Zweck

mehrfach

Reklamationsbearbeitung Kundenanfragen beantworten Übersicht aller Kundengeschäfte erstellen und weitere

150

Eingabedatum Speicherdatum Kunde

6 Definition von Datenarten zur konsistenten Kommunikation im Unternehmen

6.4 Beispiele für den Praxiseinsatz Sind die relevanten Beschreibungskriterien unternehmensintern identifiziert und definiert, können diese für die Analyse und Visualisierung des Status der Informationsqualität eingesetzt werden.

6.4.1 Analyseebenen der Informationsqualität Die Beschreibung der Datenarten gemäß der vorgestellten Kriterien ist für die Beschreibung eines IQ-Problems hilfreich. Die Analyseebenen eines IQ-Problems bilden das erkannte Problem, die Auswirkungen und die zugrunde liegenden Ursachen (Abbildung 2) ab.

Abbildung 2: Analyseebenen der Informationsqualität Das Problem beschreibt den erkannten Sachverhalt, der im Unternehmen als Fehler identifiziert wird. Die Beantwortung der Frage nach der Datenart, welche fehlerhaft ist oder Probleme bereitet, ist hierbei von entscheidender Bedeutung. Die Angabe des eigentlichen Datums ist ebenso wichtig wie die Nennung des Kontextes, in dem sich das Datum befindet. Für die Beschreibung des Problems sind insbesondere die Kriterien Inhalt, Verarbeitung, Stabilität und Business Object relevant . Die Auswirkung beschreibt den Zustand, der sich auf Grund des erkannten Problems tatsächlich oder voraussichtlich ergibt. Die Auswirkungen sollten belegt werden oder, wenn sie nicht gemessen wurden, mindestens auf Basis von Erfahrungswerten angegeben werden. Die Analyse der Auswirkungen ist für die Einschätzung des Risikos, welches verursacht wird, und damit zur Festlegung der Behebungspriorität, notwendig. Für einen ersten Eindruck über die Auswirkungen des Problems, eignen sich die Beschreibungskriterien Verwendungszweck und Prozess (wenn das Kriterium den Prozess beschreibt, in denen das Datum genutzt wird). Die Ursache eines Problems ist immer auf mehreren Ebenen beschreibbar, wobei es immer mehrere Ursachen geben kann, die ein Problem verursachen. Auf dem Weg zur Lösungsfindung, kann eine Beschreibung der Datenarten sehr hilfreich sein.

151

B Methoden – Techniken – Tools – Regelwerke/Standards

6.4.2 Visualisierung des IQ-Status Anhand der Beschreibungskriterien der Datenarten ist es möglich, unstrukturierte Meldungen zu IQ-Problemen übersichtlich darzustellen, die Positionierung und Gewichtung von Problemen abzuleiten und den gesamten Stand der IQ für ein Unternehmen transparent zu machen. Jedes Kriterium ist als übersichtliche Managementinformation nutzbar. Diese Darstellung dient einer einheitlichen Kommunikation im Unternehmen und als Lageplan und Basis für die notwendigen nächsten Schritte zu Verbesserung der Informationsqualität. Als Beispiel gehen wir von 20 identifizierten IQ-Problemen in einem Unternehmen aus. Die Meldungen hierzu sind noch unstrukturiert und in unterschiedlichem Detaillierungsgrad dargestellt. Die Tabelle 4 zeigt beispielhaft identifizierte Probleme sortiert nach ihrem Eingangsdatum. Die Liste der Problemmeldungen, ist unstrukturiert und in diesem Zustand weder bearbeitbar noch aussagekräftig. Es ist nicht erkennbar, welche Datenarten im Unternehmen die größten Probleme verursachen. Jeder der genannten Problemmeldungen bedarf einer Kurzrecherche anhand der Beschreibungskriterien, resp. der Rückfrage beim meldenden Bereich, um zu klären, welche Datenfelder fehlen oder fehlerhaft sind und somit zu den genannten Problemen führen. Nach erfolgter Recherche ist die Beschreibung der Datenarten möglich und somit können die Sachverhalte übersichtlich zusammen gefasst den IQ-Status im Unternehmen beschreiben. In unserem Beispiel ergibt die genauere Analyse, dass es sich tatsächlich um 23 IQProblemmeldungen handelt. Die Meldungen 10 und 15 aus dem Marketing sind inhaltlich identisch. Die Meldungen 1, 5, 8 und 12 beinhalten jeweils zwei Problemmeldungen 3. Im einzelnen werden folgende Datenfelder in den Meldungen angesprochen: Artikelbezeichnung, Artikelnummer, Auftragsvolumen, Bonusbetrag, Buchung (Zahlungseingang), Händlerkonditionen, IT-Berechtigungen, Kompetenzträger, Kostenstellen, Kundenadresse, Kundenname, Kundennummer, Liefertermin, Raumdaten und Rechtsform des Kunden.

3

Hier gehen wir davon aus, dass in solchen Fällen mehr als ein Feld betroffen ist. Beispielsweise Name- und Adressfeld.

152

6 Definition von Datenarten zur konsistenten Kommunikation im Unternehmen Tabelle 4: Liste festgestellter IQ-Probleme (Meldeeingang) Nr

Datum

Melder

Beschreibung

1

19.02. Rechtsabteilung

Fehlende Informationen über Namensänderungen und Fusionen der Firmenkunden.

2

24.02. Poststelle

Bei Umzug des Mitarbeiters innerhalb des Unternehmens, werden die Raumdaten nicht aktualisiert.

3

02.03. Einkauf

Zeichnungsberechtigter für Kostenstellen nicht gepflegt, oder nicht mehr im Unternehmen.

4

30.03. Personal

Bonuszusagen zu spät in den Systemen.

5

29.04. Vorstandsstab

Fehlende Kundeneinträge.

6

01.05. Einkauf

Konditionen der Händler nicht im Verzeichnis.

7

17.05.

Kostenstellen fehlen.

8

18.05. Verkauf

Artikelliste ist unvollständig.

9

30.05. Rechnungswesen

Fehlende Buchungen der ausländischen Niederlassungen.

10

24.06. Marketing

Adressverteiler für Publikationen fehlerhaft.

11

28.06.

Kundennummer wird nicht geliefert.

12

21.07. Verkauf

Doppelte Kundenstämme im Kundesystem.

13

24.08. IT-Abteilung

Probleme mit den IT-Berechtigungen der Mitarbeiter.

14

25.08. Personal

Adressänderungen der Mitarbeiter werden nicht gepflegt.

15

27.08. Marketing

Broschürenversand: Kundenadresse fehlerhaft.

16

23.09. Verkauf

Liefertermine können nicht angegeben werden.

17

24.09. Rechnungswesen

Fehlende Artikelnummern.

18

11.12. Steuerung

Kundenportfolien sind unvollständig.

19

12.12. Steuerung

Kostenstellen sind nicht mehr aktuell.

20

13.12. Steuerung

Falsche Zuordnung der Kostenstellen zum ergebnisverantwortlichen Bereich.

Rechnungswesen

Steuerung

Unter Verwendung der Kriterien Business Object, Stabilität und Prozesse in eine übersichtliche Darstellung gebracht, ergibt sich aus den erkannten IQ-Problemen in den verschiedenen Auswertungen in Abbildung 3 bis Abbildung 5 folgendes Bild.

153

B Methoden – Techniken – Tools – Regelwerke/Standards

Business Object

14 12 10 10 8 6 4 4

3

3 2

2

1

0 Kunde

Lieferant

Mitarbeiter

Organisation

Produkt

Transaktion

Abbildung 3: Das Business Object Kunde ist in unserem virtuellen Fall am häufigsten von IQ-Problemen betroffen

Stabilität

20

18

15

10 5 5

0 Stammdaten

Bewegungsdaten

Abbildung 4: Die Auswertung zeigt: Auffällig häufig liegen die Probleme in den Stammdaten begründet

154

6 Definition von Datenarten zur konsistenten Kommunikation im Unternehmen Betrachten wir bei der Auswertung die betroffenen BOs, so ist zu erkennen, dass die meisten erkannten Probleme sich im BO Kunde wiederfinden (Abbildung 3). Ein solches Ergebnis kann zu dem Schluss führen, die Kundenstammdaten führenden Systeme zu überprüfen und die Erfassungs- und Pflegeprozesse hierzu zu überarbeiten und zu optimieren. Auf jeden Fall sollte die Problemlösung dieses BO hoch priorisiert angegangen werden. Das Bild, welches die Auswertung nach Business Object zeichnet, wird durch die Analyse des Kriteriums Stabilität in Abbildung 4 noch unterstützt. Kundendaten sind meist Stammdaten. Unser Beispielunternehmen hat deutlich weniger Probleme im Umfeld seiner Bewegungsdaten. Ein wichtiger Indikator für die Priorisierung einer Behebung sind die Auswirkungen von IQ-Problemen im Unternehmen. Die Auswertung nach den Kernprozessen des Unternehmens ergibt zum einen, dass alle Kernprozesse des Unternehmens betroffen sind (Abbildung 5). Dies macht eine unternehmensweite IQAktivität sichtbar erforderlich. Zum anderen ist erkennbar, welche Prozesse am häufigsten betroffen sind. Die IQ-Probemmeldungen zu den Prozessen Geschäftsanbahnung, Geschäftsabwicklung und Buchung & Überwachung bieten sich als die Problemfelder an, mit denen eine weiterführende Analyse, d.h. eine Messung der IQ-Probleme, beginnen sollte. Prozesse

16 14

13

12 10

11

10 7

8 6 4

5

5

ro ze ss

g

U nt er st üt zu ng sp

un d Bu

ch un g

sik os te ue ru n

ac hu Ü be rw

ic fts ab w es ch ä

Ri

ng

ng kl u

hl u G

es ch ä

fts ab sc G

G

es ch ä

fts an ba hn un

g

ß

2 0

Abbildung 5: In allen Prozessen des Unternehmens haben IQ-Probleme Auswirkungen

155

B Methoden – Techniken – Tools – Regelwerke/Standards

6.5 Zusammenfassung Wir haben in unserem Vorschlag gezeigt, wie durch die Anwendung einheitlicher Begriffsdefinitionen der Kommunikationsprozess im Unternehmen vereinfacht werden kann. Neben der Verwendung in Prozessdokumentationen, Datenflussbeschreibungen, bietet es sich an, eine solche Begriffswelt auch für die Beschreibung von IQ-Problemen zu nutzen. Vor allem in der Kommunikation verschiedener Bereiche, z.B. zwischen Fach- und IT-Abteilung, ist eine einheitliche Begriffswelt nützlich, da sie ein gemeinsames Verständnis für IQ-Probleme schafft. Wie unser Beispiel gezeigt hat, können mit einfachen Auswertungen auf Basis der neuen Begriffsdefinition weitergehende Erkenntnisse über die Ursachen von Problemen erzielt werden. Nur so ist eine unternehmensweit einheitliche Darstellung des IQ-Status erreichbar. Vor allem die übersichtlichen Visualisierungsmöglichkeiten der einzelnen Problemschwerpunkte geben Hinweise auf notwendige weitere Analyserichtungen und strategische Entscheidungen. Eine einheitliche Begriffsfindung und -verwendung ist in den meisten Unternehmen schwer umzusetzen, da es – besonders in großen Unternehmen – bereichspezifische Besonderheiten gibt. Viele „Alleingänge“ einzelner Bereiche in einem Unternehmen sind eine Frage der Unternehmenskultur. Für dieses Konzept ist eine Sensibilisierung der Mitarbeiter und des Managements notwendig. Diese muss vermitteln, dass alle im Unternehmen an ein und den selben Unternehmensprozessen teilhaben, die selben Daten nutzen und schlussendlich die selben Unternehmensziele haben. Eine einheitliche Begriffswelt unterstützt diesen kulturellen Gedanken. Insgesamt ist die Beschreibung der Datenarten bei allen Informationen möglich. Welche Kriterien herangezogen werden und welche Daten letztendlich in die Beschreibungen eingehen, muss im jeweiligen Unternehmen festgelegt werden.

Literaturverzeichnis [Tremba 2005] http://www.dmsbasics.de (Zugriff am 24.04.2005) [Strong et al. 1997] Strong, D.M., Lee, Y.W. und Wang, R.Y.: Data quality in context. Commun. ACM 40, 5 (1997), pp. 103–110

156

7 Suchmaschinen und Informationsqualität: Status quo, Problemfelder, Entwicklungstendenzen1 Suchmaschinen und Informationsqualität

Christian Maaß, Gernot Gräfe

7.1 Ausgangssituation Das Thema Informationsqualität wird in den vorangegangenen Beiträgen umfangreich betrachtet. Die dabei geführte Diskussion zielt vordergründig auf organisatorische Dimensionen der Datenqualität, die strukturierte Datenanalyse oder Datenmanagementprozesse im Unternehmen ab. Dabei liegt ein Großteil der zur Unterstützung von Entscheidungsprozessen herangezogenen Informationen in Datenbanksystemen bzw. in einem Data Warehouse vor. Auf Basis verschiedener Analysetools (z. B. Online-Analytical-Processing) lassen sich diese Informationen dann systematisch auswerten. Allerdings können Entscheidungen nicht allein aufgrund der unternehmensintern vorliegenden Informationen getroffen werden. Vielmehr gilt es auch die aus der Unternehmensumwelt relevanten Informationen zu verarbeiten, die zum Teil über das Internet zugänglich sind. Im Gegensatz zu unternehmensinternen Datenbanksystemen handelt es sich beim Internet um ein schwach strukturiertes und offenes Netzwerk, weshalb die im Unternehmenskontext eingesetzten Analysetools kaum weiterhelfen, um Informationen mit hoher Qualität herauszufiltern. In dieser Situation spielen Suchmaschinen eine wichtige Rolle, um Informationen zu identifizieren und anhand verschiedener Kriterien in Form einer Suchergebnisseite zu sortieren. Konservative Schätzungen gehen davon aus, dass über Suchmaschinen zwischen 70 und 85 Prozent aller Informationsrecherchen im Internet erfolgen >Förster & Kreuz 2002, S. 68@. Teilweise beziffert man diesen Wert sogar auf über 90 Prozent >Schulz et al. 2005, S. 20@. Ungeachtet dieser herausragenden Stellung von Suchmaschinen kann konstatiert werden, dass die Qualität der Suchergebnisse oftmals nur gering ist. So liegt der Anteil relevanter Treffer, in Abhängigkeit der verwendeten Suchbegriffe, oft nur zwischen 20 und 45 Prozent >Machill & Welp 2003@. Ursächlich hierfür ist vor allem der Umstand, dass die gegenwärtig dominierenden Suchmaschinen zur Bewertung der Seiteninhalte vordergründig auf strukturelle Kriterien abstellen, wie z. B. die Linkstruktur von Webseiten. Die eigentlichen Informationen auf den Webseiten werden nicht inhalt-

1

Beide Autoren haben Ihre Arbeiten zur Informationsqualität im Forschungsprojekt THESEUS fortgeführt, das unter dem Förderkennzeichen 01MQ07014 vom BMWi gefördert wird.

157 K. Hildebrand et al. (Hrsg.), Daten- und Informationsqualität, DOI 10.1007/978-3-8348-9953-8_9, © Vieweg+Teubner Verlag | Springer Fachmedien Wiesbaden GmbH 2011

B Methoden – Techniken – Tools – Regelwerke/Standards lich interpretiert. Folglich sind viele der gefundenen Webseiten inhaltlich nicht relevant. Der Begriff Informationsqualität bezieht sich in diesem Beitrag damit ausschließlich auf die Relevanz der Suchergebnisse oder anders formuliert auf die Frage, inwieweit Suchmaschinen dazu in der Lage sind, die aus der Perspektive des Nutzers relevanten Suchergebnisse als erstes anzuzeigen. Vor diesem Hintergrund werden in jüngerer Zeit immer häufiger Diskussionen über das so genannte semantische Web geführt, mit dem man die Vision einer um semantische Informationen angereicherten Version des vorhandenen World Wide Web verfolgt. Im semantischen Web soll es für Suchmaschinen möglich sein, Suchanfragen nicht nur anhand der eingegebenen Zeichenkette zu bearbeiten. Stattdessen würde über die reine Zeichenkette hinaus die inhaltliche Bedeutung der Suchwörter bei der Bearbeitung einer Suchanfrage berücksichtigt. Im Vergleich zu herkömmlichen Suchmaschinen wäre insofern mit einer Verbesserung des Status quo zu rechnen, d. h. die Informationsqualität der Suchergebnisse könnte sich signifikant verbessern. Bislang konnten sich semantische Suchmaschinen jedoch nicht etablieren. Vielmehr muss diagnostiziert werden, dass viele Autoren der Vision des semantischen Webs sehr kritisch gegenüberstehen. Stellenweise werden die in diesem Kontext diskutierten Ideen als „akademisch“ und „realitätsfern“ deklariert. In Anbetracht der kontrovers verlaufenden Diskussion soll in diesem Beitrag hinterfragt werden, inwieweit semantische Suchdienste zu einer Verbesserung der Informationsqualität auf den Suchergebnisseiten führen können und welche Vorund Nachteile mit ihnen im Vergleich zu den gegenwärtig dominierenden Suchmaschinen einhergehen. Zu diesem Zweck gilt es zunächst die Funktionsweise und die Problemfelder algorithmenbasierter Suchmaschinen aufzuzeigen. In diesem Zusammenhang soll insbesondere geklärt werden, wie algorithmenbasierte Suchmaschinen (wie z. B. Google oder Yahoo) auf die Qualität von Webseiten und damit indirekt auf die Informationsqualität schließen. Sodann wendet sich der Beitrag der Diskussion semantischer Suchmaschinen zu und hinterfragt deren praktische Relevanz im Allgemeinen und deren Beitrag zur Erhöhung der Informationsqualität im Speziellen. Ein Fazit schließt den Beitrag ab.

7.2 Charakterisierung algorithmenbasierter Suchmaschinen 7.2.1 Funktionsweise algorithmenbasierter Suchmaschinen Algorithmenbasierte Suchmaschinen nutzen zur Informationsbeschaffung und -auswertung Roboterprogramme. Sie analysieren automatisch die im Web auffindbaren Seiten. Indem sie selbstständig den dort platzierten Hyperlinks folgen, können sie in einem vergleichsweise kurzen Zeitraum einen großen Teil des Webs analysieren und für anschließende Suchanfragen erschließen. Die auf diesen Seiten vorgefundenen Hyperlinks sowie die dort vorgefundenen Seiteninformationen werden dazu in einer speziellen Datenbank gespeichert, dem so genannten Index. Auf ihn greift die Suchmaschine im Zuge einer Suchanfrage zurück und gleicht die

158

7 Suchmaschinen und Informationsqualität eingegebenen Suchbegriffe mit dem dort gespeicherten Datenbestand ab, um die Ergebnisliste zu generieren. Bei der Generierung der Suchergebnisseite werden die im Index gesammelten Informationen genutzt, um eine Rangfolge der Webseiten in Bezug auf ihre Relevanz zu bilden. Die eigentliche Analyse und Bewertung der Index-Informationen erfolgt anhand verschiedener Kriterien, die sich in zwei Bereiche einteilen lassen >Lewandowski 2005@, >Maaß & Scherm 2007@: x

Anfrageabhängige Ranking-Faktoren (vgl. Kapitel 7.2.2),

x

Anfrageunabhängige Ranking-Faktoren (vgl. Kapitel 7.2.3).

7.2.2 Anfrageabhängige Ranking-Faktoren Bei anfrageabhängigen Ranking-Faktoren erfolgt die Sortierung der Suchergebnisliste anhand des verwendeten Suchbegriffs, wobei zur Bestimmung der Relevanz eines Webdokuments auf Verfahren des Information Retrieval zurückgegriffen wird. Beim „traditionellen“ booleschem Retrieval werden die eingegebenen Suchanfragen nach dem Prinzip der Exaktheit bearbeitet. Demnach wird ein Dokument immer dann als relevant erachtet, wenn der Suchbegriff in der identischen Schreibweise, d. h. als gleiche Zeichenkette, auf einer Webseite identifiziert werden konnte. Dieses Prinzip der Dokumentenbewertung hat sich in der Vergangenheit jedoch als manipulationsanfällig erwiesen. So haben z. B. die Bereitsteller von Webseiten häufig gesuchte Suchbegriffe – selbst wenn sie nicht im Zusammenhang mit der eigentlichen Webseite standen – gezielt auf der betreffenden Webseite versteckt, um bessere Platzierungen in den Ergebnislisten von Suchmaschinen zu erzielen. Um solchen Manipulationsversuchen vorzubeugen, ermitteln Suchmaschinen deshalb die so genannte „Keyword density“ >Maaß & Scherm 2007@. Bei dieser Prüfkennziffer wird die Anzahl aller Wörter der Webseite ins Verhältnis zu dem gesuchten Begriff gesetzt, um potenziellen Manipulationsversuchen entgegenzuwirken. Es ist allerdings als problematisch anzusehen, dass die Suchmaschinenbetreiber – die ihre Sortierkriterien als Betriebsgeheimnis ansehen – in der Regel keine genaue Auskunft darüber geben, welchen Wert die „Keyword density“ annehmen darf. Deshalb stehen die Entwickler bei der inhaltlichen Aufarbeitung und Optimierung von Webseiten vor einem Trade-off: Einerseits interpretieren Suchmaschinen eine hohe Dichte der Schlüsselwörter als Indikator für relevante Webseiten. Andererseits erachtet man einen zu hohen Wert der „Keyword density“ als Manipulationsversuch >Lexikon Suchmaschinenoptimierung 2006@. Ein weiterer wichtiger anfrageabhängiger Einflussfaktor ist darin zu sehen, ob das betreffende Suchwort durch entsprechende HTML-Tags (Hypertext Markup Language) hervorgehoben wird. So werden z. B. die als Überschriften deklarierten Textteile höher als herkömmliche Textpassagen bewertet. Dem liegt die Annahme zugrunde, dass die in den Überschriften verwendeten Schlüsselwörter wichtige Seiteninhalte umschreiben und daher für die Beurteilung der inhaltlichen Relevanz

159

B Methoden – Techniken – Tools – Regelwerke/Standards der Seite besonders geeignet sind. Tabelle 1 zeigt vor diesem Hintergrund die wichtigsten anfrageabhängigen Ranking-Faktoren im Überblick. Tab. 1: Anfrageabhängige Ranking Faktoren >in Anlehnung an Lewandowski 2005@ Ranking-Kriterium

Erläuterung

Dokumentspezifische Wortgewichtung

Relative Häufigkeit des Vorkommens eines Wortes in Abhängigkeit von der Anzahl der Wörter im gesamten Dokument.

(Keyword Density) Wortabstand

Bei Anfragen mit mehreren Suchbegriffen wird im Text einer Webseite der Abstand der Suchbegriffe voneinander berücksichtigt.

Reihenfolge der Suchbegriffe bei einer Such- In der Suchanfrage werden die am Beginn stehenden anfrage mit mehreren Begriffen Begriffe höher gewichtet als weiter hinten stehende Begriffe. Metatags

Vorkommen der Suchbegriffe in den Metatags einer Webseite.

Stellung der Suchbegriffe innerhalb des Vorkommen der Suchbegriffe am Beginn eines DokumenDokumentes tes wird höher gewertet als späteres Auftreten. Hervorhebung von Begriffen durch HTML- Hervorgehobene Begriffe (fett, kursiv) sowie SchlüsselElemente wörter in den Überschriften und Seitentitel werden höher bewertet. Groß-/Kleinschreibung

Dokumente, in denen die Suchbegriffe in exakt der eingegebenen Form, inklusive der Groß- bzw. Kleinschreibung der einzelnen Zeichen des Wortes vorkommen, werden bevorzugt.

Inverse Dokumenthäufigkeit

Relative Häufigkeit des Vorkommens eines Wortes in Dokumenten des gesamten Index; seltene Begriffe werden bevorzugt.

Ankertext

Vorkommen der Suchbegriffe im Linktext eines Dokumentes, welches auf das Zieldokument verweist.

Sprache

Dokumente, die in der Sprache des bei der Suchanfrage benutzen Länderinterfaces verfasst sind, werden höher bewertet.

Geo-Targeting

Seiten, die ihren „Standort" in der Nähe des Benutzers haben, werden bevorzugt.

Ein grundlegendes Problem bei anfrageabhängigen Ranking-Faktoren ist darin zu sehen, dass algorithmenbasierte Suchmaschinen in der Regel nicht zwischen Synonymen (sinnverwandte Wörter) oder Homonymen (gleich lautende Wörter mit unterschiedlicher Bedeutung) im Zuge einer Recherche unterscheiden können.

160

7 Suchmaschinen und Informationsqualität Folglich verweisen die Suchergebnislisten häufig auf vollkommen unterschiedliche Dokumente. So finden sich zu der Suchanfrage „Morgenstern“ z. B. Informationen zum gleichnamigen Schriftsteller, zu Himmelskörpern und zu mittelalterlichen Waffen – eine Bewertung bzw. Interpretation der Suchergebnisse in Bezug auf deren Inhalt wird insofern nicht vorgenommen. Daneben wird die Analyse der Informationen im Internet dadurch erschwert, dass zahlreiche Inhalte im Web nicht für Suchmaschinenroboter zugänglich sind. Das gilt zum einen für so genannte Rich Internet Applications. Dabei handelt es sich um Internet-Anwendungen, die von ihrer Handhabung her klassischen DesktopAnwendungen ähneln und grundsätzlich sehr anwenderfreundlich sind. Allerdings sind die dort vorzufindenden Informationen in der Regel nicht im HTMLText, sondern in einer separaten Datei gespeichert. Damit sind sie – wie das z. B. bei Flash-Anwendungen der Fall ist – für Suchmaschinen nicht zugänglich. Zum anderen bestehen bei der Indexierung von dynamischen Webseiten Probleme, da sie erst während des Seitenbesuchs für einen bestimmten Anwender generiert und zusammengestellt werden. Solche dynamischen Seiten sind vor allem bei Onlinehändlern vorzufinden. Dort werden die Inhalte einer Seite erst im Zuge des Besuchs einer Seite zusammengesetzt. Somit ist es für Suchmaschinenroboter nicht möglich, dynamisch generierte Webseiten ex-ante zu indizieren. Aus diesen Ausführungen geht hervor, dass bei anfrageabhängigen RankingFaktoren die Bedeutungsinhalte der Informationen nicht ausgewertet werden. Gleichzeitig haben sich anfrageabhängige Ranking-Faktoren als manipulationsanfällig erwiesen. Um diesen Problemen zu begegnen, werden daher in der Praxis anfrageabhängige und anfragunabhängige Ranking-Faktoren kombiniert.

7.2.3 Anfrageunabhängige Ranking-Kriterien Bei anfrageunabhängigen Ranking-Kriterien wird die Relevanz und Qualität einer Webseite unabhängig von der Suchanfrage beurteilt. Beispiele für diese Kriterien finden sich in Tabelle 2. Dazu zählt z. B. die Seitengröße, deren Aktualität oder die Anzahl der Klicks der Nutzer auf ein bestimmtes Dokument. Im Vordergrund steht bei den anfrageunabhängigen Ranking-Kriterien die Analyse der Linkstruktur, um auf die allgemeine Relevanz und Qualität von Webseiten zu schließen. Dem liegt die Annahme zugrunde, dass auf relevante und qualitativ hochwertige Webseiten besonders viele Hyperlinks verweisen. Im Gegensatz dazu sind Seiten mit inferioren Inhalten häufig überhaupt nicht verlinkt. Nicht zuletzt aus diesem Grund haben vor allem kommerzielle Webseiten ein Interesse daran, auf möglichst vielen Seiten verlinkt zu sein, da in diesem Fall die Linkpopularität und damit auch die Platzierung auf den Suchergebnisseiten steigt. Neben verschiedenen legalen Möglichkeiten die Linkstruktur zu verbessern, wird zu diesem Zweck jedoch häufig auf zweifelhafte Methoden und „Optimierungsmaßnahmen“ zurückgegriffen, die oft gegen die Richtlinien der Suchmaschinenbetreiber verstoßen. Die folgenden drei „Methoden“ sind dabei besonders häufig in der

161

B Methoden – Techniken – Tools – Regelwerke/Standards Praxis anzutreffen und führen bei Aufdeckung in der Regel zu negativen Bewertungen und/oder einem Ausschluss der Webseite aus dem Datenbestand von Suchmaschinen: x

Linkfarmen

x

Doorway-Pages

x

Cloaking

Bei Linkfarmen handelt es sich um Ansammlungen von Webseiten, auf denen gezielt zahlreiche Hyperlinks platziert werden, um auf die vorderen Plätze der Suchergebnisseite zu gelangen. Suchmaschinen können solche Linkfarmen in der Regel jedoch identifizieren und setzen bei einem Manipulationsverdacht die betreffenden Webseiten auf eine Sperrliste. Diese Seiten und ihre Links werden anschließend bei der Ermittlung eines Rankings nicht mehr berücksichtigt. Doorway-Pages werden auch als Brücken- oder Weiterleitungsseiten bezeichnet. Diese Seiten werden suchmaschinengerecht aufgearbeitet und verfügen in der Regel über keine Inhalte. Ihr Zweck besteht ausschließlich darin, möglichst hohe Platzierungen in den Trefferlisten zu erzielen. Dieses Ziel lässt sich bei Brückenseiten wesentlich einfacher als bei der Originalseite erreichen, da bei der Aufarbeitung des Quellcodes keine Rücksicht auf die Darstellung der Inhalte genommen werden muss. Aus diesem Grund ist es bei solchen Seiten relativ einfach, wesentlich mehr Schlüsselwörter und Hyperlinks als auf der Originalseite zu platzieren. Klickt ein Anwender auf der Suchergebnisseite auf den Link solcher Brückenseiten, wird er automatisch auf die eigentliche Webseite weitergeleitet. Streng genommen ist darin jedoch ein irreführendes und wettbewerbswidriges Verhalten zu sehen, da den Anwendern durch die optimierte Seite falsche Inhalte vortäuscht werden. Ähnlich verhält es sich auch beim so genannten Cloaking. Hier versuchen die Betreiber von Webseiten durch spezielle Softwarelösungen auf dem Webserver des Seitenanbieters zu erkennen, ob es sich bei dem Besucher um Menschen oder Suchmaschinenroboter handelt. Letztgenannte werden dann auf eine für sie optimierte Seite weitergeleitet, auf der – analog den zuvor skizzierten Doorway-Pages – in der Regel zahlreiche Hyperlinks und ausgewählte Schlüsselwörter platziert werden. Aufgrund des Einsatzes solcher Techniken in Kombination mit DoorwayPages wurde Anfang des Jahres 2006 das Unternehmen BMW kurzfristig aus dem Index der Suchmaschine Google gelöscht >Ihlenfeld 2006@. Aus diesen Ausführungen geht hervor, dass auch anfrageunabhängige RankingKriterien nur bedingt geeignet sind, um auf die Informationsqualität von Inhalten zu schließen. Die oben dargestellten Kriterien stellen keinen inhaltlichen Bezug zu der Suchanfrage her. Trotzdem haben sie eine große Bedeutung bei der Bewertung der Relevanz innerhalb einer Trefferliste. Mit semantischen Suchmaschinen wird nun der Anspruch erhoben, eine entsprechende inhaltliche Auswertung vorzunehmen und somit die Informationsqualität bei Suchanfragen im Internet zu erhöhen.

162

7 Suchmaschinen und Informationsqualität Tab. 2: Anfrageunabhängige Rankingfaktoren >in Anlehnung an Lewandowski 2005@ Ranking-Kriterium

Erläuterung

Verzeichnisebene

Je höher das Dokument innerhalb der Hierarchie seiner Website steht, desto höher wird es bewertet.

Anzahl eingehender Links

Je mehr Links auf das Dokument verweisen, desto bedeutender wird es angesehen.

Linkpopularität

Der Wert für die Autorität/Qualität eines Dokumentes wird aufgrund der Verlinkungsstruktur berechnet. Links, die von Webseiten kommen, die diesen allgemeinen Kriterien entsprechend sehr wichtig sind, werden höher gewichtet als Links von weniger bedeutsamen Seiten.

Klickhäufigkeit

Dokumente, die von vielen Benutzern einer Suchmaschine angesehen werden, nachdem die Suchmaschine diese Dokumente in ihre Suchergebnisliste präsentiert hat, werden höher bewertet.

Aktualität

Aktuelle Dokumente werden höher bewertet als ältere. Der Suchmaschinenroboter berücksichtigt zu diesem Zweck das angegebene Datum des letzten Updates einer Webseite.

Dateiformat

Dokumente im Standardformat HTML werden höher bewertet als solche in anderen Formaten (PDF, Word, usw.).

Größe der Site

Dokumente von umfangreichen Webangeboten werden höher bewertet als solche von kleinen Sites.

7.3 Semantisches Web und semantische Suchmaschinen 7.3.1 Vision und Grundlagen des semantischen Webs Mit dem semantischen Web wird die Vision einer um semantische Informationen angereicherten Version des World Wide Web verfolgt, um den Automatisierungsgrad bei der Verarbeitung von Wissen und damit auch die Informationsqualität im Zuge von Suchanfragen zu erhöhen: „The Semantic Web is not a separate Web but an extension of the current one, in which information is given well-defined meaning, better enabling computers and people to work in cooperation“ >Berners-Lee et al. 2001@. Mit semantischen Informationen sind hier Metadaten gemeint, die die eigentlichen Inhalte in einem maschinenlesbaren Format beschreiben. Auf dieser Grundlage ist es denkbar, natürlichsprachige Fragen an das Web zu stellen und entsprechende Antworten zu erhalten >John 2006, S. 5@. Im Gegensatz zu algorithmenbasierten Suchmaschinen würden Suchanfragen somit nicht anhand der Zeichenketten der Suchwörter oder struktureller Kriterien wie der Linkstruktur beur-

163

B Methoden – Techniken – Tools – Regelwerke/Standards teilt. Vielmehr sollen semantische Suchmaschinen die Bedeutungsinhalte der indizierten Webseiten analysieren und mit diesen Informationen sehr viel genauer die relevanten Seiten für eine spezifische Suchanfrage in der Ergebnisliste präsentieren. Vor diesem Hintergrund stellt sich die Frage, auf welchem Wege Mensch und Computer ein gemeinsames Verständnis über ein bestimmtes Themengebiet und dessen Informationsinhalte aufbauen können. An dieser Stelle setzt die Diskussion um Ontologien an. Mit ihrer Entwicklung wird der Anspruch erhoben, ein gemeinsames Vokabular über einen bestimmten Ausschnitt der Realität zu bilden. Entsprechend führt Gruber aus: „An ontology is an explicit specification of a shared conceptualization“ >Gruber 1995@. Um ein Verständnis für Ontologien zu entwickeln, ist es hilfreich, zunächst auf andere Formen der Wissensrepräsentation, wie z. B. Taxonomien und Thesauren einzugehen. Bei erstgenannten handelt es sich um kontrollierte Vokabulare mit hierarchischen Beziehungen untereinander. Im Beispiel in Abbildung 1 ist die betrachtete Person zugleich Student und Akademiker. Darüber hinausgehende Zusammenhänge werden jedoch nicht erfasst. So lässt sich mit Hilfe einer Taxonomie z. B. nicht der Sachverhalt abbilden, dass es sich bei dem englischsprachigen Wort „Ph.D Student“ um ein Synonym für das Wort „Doktorand“ handelt. An dieser Stelle setzen Thesauren an, die neben der Kategorisierung auch die Abbildung von Zusammenhängen zwischen verschiedenen Begriffen über vordefinierte Relationen ermöglichen. Auf diesem Wege lassen sich Wörter mit unterschiedlicher Schreibweise oder unterschiedliche Begriffe mit ähnlicher Bedeutung in Verbindung bringen. Ein solcher Thesaurus wird beispielsweise auch in der Textverarbeitungssoftware Microsoft Word verwendet, um dem Autor Vorschläge für alternative Formulierungen zu unterbreiten. Analog dieser Vorgehensweise können Thesauren auch dazu verwendet werden, um sinnverwandte Wörter im Zuge von Suchanfragen zu berücksichtigen. Sämtliche Eigenschaften von Taxonomien und Thesauren lassen sich auch durch Ontologien abbilden. Sie erfassen darüber hinaus die semantischen Zusammenhänge zwischen den verschiedenen Objekten. Ein solcher Zusammenhang besteht z. B. zwischen einem Autor und einem von ihm verfassten Text, der sich wiederum auf ein bestimmtes Thema bezieht (vgl. Abb. 1). Die wesentliche Stärke von Ontologien im Gegensatz zu anderen Formen der Wissensrepräsentation ist darin zu sehen, dass sie neues Wissen aus den vorhandenen Inhalten ableiten können. Dies setzt voraus, dass zuvor bestimmte Regeln (Relationen) spezifiziert werden, anhand derer mit Hilfe einer Ontologie automatisch logische Schlussfolgerungen gezogen werden können.

164

7 Suchmaschinen und Informationsqualität

Objekte der Realität

kennt

behandelt in

Thema

Person

Dokument

schreibt Student

Akademiker

Doktorand

Ph.D Student

Synonym

Softwarelizenzen

GPL

LGPL

ähnlich

Zusammenhänge, die durch eine Taxonomie erfasst werden Zusammenhänge, die sich zusätzlich durch einen Thesaurus abbilden lassen Zusammenhänge, die zusätzlich durch eine Ontologie erfasst werden

Abb. 1: Formen der Wissensrepräsentation im Überblick >in Anlehnung an Ullrich 2003, S. 8@

Eine solche Regel auf abstraktem Niveau könnte z. B. lauten (vgl. Abb. 1): Wenn eine „Person“ ein „Dokument“ zu einem „Thema“ verfasst, kennt die „Person“ folglich dieses „Thema“. Aufgrund einer solchen Relation kann die Ontologie nun automatisch die Schlussfolgerung ziehen, dass Student A über Kenntnisse zum Thema Softwarelizenzierung verfügt, ohne dass dieser konkrete Sachverhalt irgendwo explizit dokumentiert ist. Mit dem semantischen Web wird somit der Brückenschlag „von einem Netz aus Verweisstrukturen zu einem Netz aus Inhaltsstrukturen vollzogen“ >Hansen & Neumann 2005, S. 508@. Der zu erwartende Anstieg der Informationsqualität bei Suchanfragen ist bei der Verwendung von Ontologien vor allem darauf zurückzuführen, dass Inhalte automatisch strukturiert und in ein bestimmtes Modell der Wissensrepräsentation eingeordnet werden (vgl. Abb. 2). Auf dieser Grundlage ließen sich Suchanfragen realisieren, wie z. B. „Welche Personen verfügen über Kenntnisse zum Thema Softwarelizenzierung?“. Die in diesem Kontext bestehenden technischen Herausforderungen werden im weiteren Verlauf ausführlich behandelt.

165

B Methoden – Techniken – Tools – Regelwerke/Standards

Steigende Informationsqualität

Ausführen und Verarbeiten von Modellen

+

Explikation von Konzepten und Relationen

Extraktion/ Bestimmung relevanter Informationen

HTML, .txt, .doc

Indizierung

Kategorisierung

Strukturierung

Validierung

Abb. 2: Steigende Informationsqualität durch semantische Verarbeitungsprozesse >John 2006, S. 15@

7.3.2 Technische Grundlagen des semantischen Web Um im weiteren Verlauf die praktische Relevanz semantischer Suchmaschinen und deren Beitrag zur Verbesserung der Informationsqualität herausarbeiten zu können, gilt es zunächst auf die grundlegenden Standards für semantische Suchmaschinen einzugehen. Das ist auch insofern von Bedeutung, da das W3C (World Wide Web Consortium) zu diesem Zweck neue Standards entwickelt hat. Die vorhandenen Internetstandards genügten den besonderen Anforderungen in diesem Kontext nicht. So sind sie – wie z. B. die Auszeichnungssprache HTML – „lediglich“ darauf ausgerichtet zu spezifizieren, wie Inhalte von Webseiten im Webbrowser dargestellt werden sollen. Die Weiterverarbeitung dieser Informationen durch Maschinen ist nur sehr eingeschränkt möglich. An dieser Stelle setzt XML (Extensible Markup Language) an. Dieser Standard zielt auf die Erstellung von maschinen- und menschenlesbaren Dokumenten, wobei er in den letzten Jahren besonders als Datenaustauschformat an Bedeutung gewonnen hat. Allerdings lassen sich auf Basis von XML noch keine semantischen Informationen abbilden. Um diese Lücke zu schließen, wurde der RDF-Standard verabschiedet (Resource Description Framework), der auf einer XML-Syntax aufbaut und bei dem es sich vereinfacht ausgedrückt um eine Wissens- bzw. Repräsentationssprache handelt, die der Beschreibung von Inhalten auf Grundlage so genannter RDF-Tripples dient >Stru-

166

7 Suchmaschinen und Informationsqualität ckenschmidt & van Harmelen 2005@. Ein solches Tripple besteht aus einem Subjekt, Prädikat und Objekt und ermöglicht es Maschinen, logische Schlüsse über die auf diesem Wege abgebildeten Zusammenhänge zwischen Subjekten und Objekten zu ziehen. Abbildung 3 zeigt den Aufbau eines solchen RDF-Triples anhand eines konkreten Beispiels.

Abb. 3: Aufbau eines RDF-Triples

7.3.3 Problemfelder und Herausforderungen im Bereich der semantischen Suche Wenngleich das Potenzial semantischer Suchmaschinen auf dem ersten Blick viel versprechend erscheint, konnten sie sich in der Praxis bislang noch nicht durchsetzen. Das liegt unter anderem an dem hohen Modellierungsaufwand, der mit der Erstellung von Ontologien verbunden ist. In diesem Kontext wird weiterhin der geringe Standardisierungsgrad von RDF-Aussagen kritisiert >Diestelkamp & Birkenhake 2005@. Während in HTML z. B. eindeutig definiert ist, dass es sich bei dem Tag