Sämtliche Firmen vom Kleinunternehmen bis hin zu den Globalplayers sammeln alles an Daten was sie kriegen können. Nur um bei der Auswertung festzustellen, dass die Qualität gar nicht ausreichend ist, um die gewünschte Aussage oder Entscheidung zu treffen. Mit den folgenden vier Tipps kann euch dies nicht passieren.
Es ist Dienstag und ich lade mir gerade die aktuellen Journaleinträge aus dem System runter, damit ich die geleisteten Regiestunden der letzten Monate miteinander vergleichen kann. Nur noch schnell ein Pivot-Tabelle erstellen und die gewünschten Werte anwählen. Als ich meine Tabelle kurz überfliege, stelle ich fest, dass der März doppelt so viele Stunden wie die restlichen Monate aufweist.
Der Fehler ist schnell gefunden.
Bullshit in, Bullshit out
Die Zeiterfassung wurde nicht korrekt im System erfasst bzw. verbucht. Somit hat das Ergebnis nicht die gewünschte Aussagekraft und muss zuerst von Hand korrigiert werden.
Damit euch nicht das Gleiche wie mir widerfährt, habe ich vier nützliche Tipps für euch und euer Unternehmen:
Tipp 1 – Sinn stiften: Zeigt euren Kolleg*innen auf, welche Vorteile saubere und korrekte Daten im System mit sich bringen. Den nur mit qualitativ einwandfreien Einträgen kann auch eine gute Entscheidungsgrundlagen für die Zukunft erstellt werden. Die Qualität der Daten ist im Bereich der nicht wertschöpfenden Prozessen ein wichtiger Grundbaustein, damit diese automatisiert werden und wir uns wieder auf die wertschöpfenden Prozesse fokussieren können.
Tipp 2 – Klare Verantwortung: Allen im Unternehmen muss bekannt sein, für welche Eingaben von Daten er oder sie verantwortlich ist. Wenn ich z.B. einen neuen Debitor im System anlege und bei der Landesvorwahl 041 anstatt wie definiert +41 eintrage, bin ich dafür verantwortlich, da der Eintrag von mir erstellt wurde. Es hilft, wenn die Verantwortlichkeit bereits in der Prozessbeschreibung definiert und geregelt ist. In der Regel ist in jedem Fachbereich eine Person für die Qualität der generierten Daten zuständig und trägt in ihrem jeweiligen Bereich die Verantwortung.
Tipp 3 – Schwarmintelligenz: Tauscht euch regelmässig zwischen den einzelnen Bereichen über eure Probleme und Erkenntnisse aus. Viele werden mit den gleichen Sachverhalten und Probleme zu kämpfen haben. Die Wahrscheinlichkeit besteht durchaus, dass jemand bereits eine Lösung für eine ähnliches Problem erarbeitet hat. Diesen Lösungsansatz könnt ihr dann weiterentwickeln und für euren Case anpassen. Nur zusammen kann ein gesamtheitliches Verständnis geschaffen werden.
Erkenne ich einen Fehler, dann korrigiere ich diesen.
Wenn ich einen Fehler im System sehe, dann korrigiere ich diesen (nach Möglichkeiten) auch. Ganz unabhängig davon, wer diesen Datensatz im System angelegt hat. Anschliessend informiere ich die entsprechende Person, damit dieser Fehler beim nächsten Mal nicht mehr passiert.
Tipp 4 – Validierungen/Default Werte: Unterstützt eure Anwender*innen so gut wie möglich bei der Eingabe von Daten. Durch eingebaute Validierungen können bestimmte Eingaben, welche nicht der definierten Qualität entsprechen, erst gar nicht gespeichert werden. Durch die Ergänzung mit Tooltips oder Mouseovers werden die User über die geltenden Regeln für die jeweiligen Eingabewerte informiert. Durch das Definieren von Default Values (Standardwerten) bekommen die User zum Beispiel beim Erfassen der Adressdaten automatisch die Postleitzahl eingetragen, nachdem sie den Ort ausgefüllt haben oder umgekehrt.
Das Sicherstellen einer hohen Datenqualität ist ein Knochenjob und benötigt manchmal viel Durchhaltewillen, sowie ein Management und Mitarbeitende, welche die Bedeutung und den Nutzen von einer guten Datenqualität erkannt haben.
Was sind eure Erfahrungen im Zusammenhang mit Datenqualität?
