Datenqualität erfolgreich steuern. Praxislösungen für Business-Intelligence-Projekte [Gebundene Ausgabe]

Über Datenqualität (DQ) sind in den vergangenen Jahrzehnten bereits viele Bücher erschienen, darunter Klassiker wie die Werke von Larry English oder Richard Wang. Anders als die meisten seiner Vorgänger behandelt das vorliegende Buch die DQ-Thematik jedoch mit dem speziellen Fokus auf Business Intelligence (BI). Die Autoren greifen damit eine Problematik auf, die in vielen Firmen Ursache immenser Schmerzen, riesiger Kosten und verpasster Chancen ist. Obwohl das Scheitern von BI-Projekte häufig auf schlechte DQ zurückzuführen ist und präventive Maßnahmen in der Literatur entsprechend eingefordert werden, fehlt es vielen Firmen vor allem bei Beginn ihrer BI-Initiative am Bewusstsein für die langfristigen Folgen von unterlassenem DQ-Management (DQM). Interessierten Projektverantwortlichen fehlte es bisher aber auch an einem guten Handbuch mit praktischen Ratschlägen für den Umgang mit DQ im BI-Projekt. Den Autoren ist genau für diese Zielgruppe ein trotz seiner Kompaktheit sehr hilfreiches Buch gelungen. Aus diesem lassen sich eine Vielzahl von einzelnen Anregungen entnehmen. Zudem wird dem Leser ein roter Faden für das Gesamtvorgehen an die Hand gegeben.

Im ersten Teil des Buches werden theoretische Grundlagen vermittelt: Einem einführenden Kapitel zu DQ und DQM folgen Ausführungen über die Ursachen und Auswirkungen von schlechter DQ. Im Anschluss machen die Autoren konkrete Vorschläge für ein organisatorisches Umfeld für DQM, zeigen eine Referenzarchitektur für BI-Anwendungen auf, die DQ-Aspekten gerecht wird und behandeln schließlich auch ausführlich hilfreiche DQ-Metriken. Der zweite und umfangreichste Teil des Buches ist der technischen Umsetzung von DQ-Zielen und DQ-Management gewidmet. Dabei widmen sie sich zunächst der Verbesserung der Datenqualität im Quellsystem, um sich dann von Kapitel zu Kapitel über Data Profiling und verschiedene Verfahren der Validierung, Bereinigung und Anreicherung von Datenqualität bis in die Ebene der Präsentation von Daten für die Endanwender vorzuarbeiten. Es folgen drei Spezialkapitel zu Metadaten, zum DQ-Monitoring und zur Auswahl geeigneter DQ-Produkte. Der kurze abschließende Teil zur Projektpraxis überträgt die beschriebenen Erkenntnisse und Verfahren in die verschiedenen Phasen eines BI-Projekts von der Vorstudie bis zum Betrieb.

Inhalt: Trotz seiner Inhaltsfülle und vieler erläuternder Grafiken halten Apel et al. ihr Buch in einem relativ kompakten Umfang. Dies gelingt ihnen, indem sie ihren Ideen eine inhaltlich nachvollziehbaren Struktur geben und ein klares Konzept von DQM vermitteln, ohne dabei zu sehr ins Detail abzugleiten. Die Autoren kommen erkennbar aus der Praxis, wissen aber ganz offensichtlich um den Wert eines roten Fadens und vermeiden daher die unsystematische Aneinanderreihung von Einzelmaßnahmen zur Gewinnung von DQ. Sie wissen zudem um die Probleme der Durchsetzbarkeit von DQM-Vorschlägen im Projekt- und Unternehmensalltag. Die vorgeschlagenen Maßnahmen sind daher eher schlank gehalten. Auf überflüssige - weil das Gesamtbild diskreditierende - Ansätze wird verzichtet. Trotz dieses Pragmatismus wird aber mehrfach explizit betont, dass DQM für erfolgreiche BI-Projekte systematisch angegangen werden muss, d.h. dass es nicht reicht, sich einzelne Maßnahmen aus dem Angebot des Buches herauszugreifen.
Den einleitenden theoretischen Teil beschränken die Autoren auf das Wesentliche - nämlich auf die für die Praxisanwendung relevanten Grundlagen, welche ein konsistentes und vollständiges Bild ergeben. Dies erleichtert es dem Leser, die konkreten Maßnahmen im zentralen Teil des Buches richtig einzuordnen. Zur Vertiefung sind vielfach Referenzen auf weiterführende Literatur angegeben, deren Lektüre zur Lösung konkreter Probleme jedoch nicht zwingend erforderlich erscheint.
Das Buch setzt die Erkenntnis voraus, dass ein Unternehmen BI-Anwendungen nicht ohne DQM erfolgreich einführen und nutzen kann, dass DQM also kein nice-to-have, sondern unverzichtbar ist. Diese Voraussetzung mag beim Leser auch jeweils gegeben sein, nicht aber unbedingt bei den Entscheidern in deren Unternehmen. Da DQM vor allem präventiv wirkt, müssen Budgets hierfür i.d.R. äußerst sorgsam motiviert werden. Leser, die die Vorschläge des Buches in ihrem Unternehmen zur Umsetzung bringen wollen, würden sich von den Autoren sicher noch ein paar Argumente für die unternehmensinterne Entscheidungsfindung wünschen.
Am Ende vieler Kapitel gibt es noch einen Abschnitt mit Empfehlungen, der gerne umfangreicher und tiefgehender hätte ausfallen dürfen. Gewünscht hätte man sich außerdem auch ein paar konkretere Aussagen zu Werkzeugen. Der Abschnitt zur Produktauswahl erläutert zwar grob die anzulegenden Kriterien, überlässt es aber dem Leser, die im Markt verfügbaren Tools selbst zu vergleichen.

Lesbarkeit: Das Buch wendet sich in Inhalt und Stil an Praktiker und Projektverantwortliche, setzt bei diesen aber keine tiefen Kenntnisse voraus, außer vielleicht ein grundsätzliches Verständnis von BI. Für seine Zielgruppe ist es verständlich gegliedert und gut lesbar geschrieben. Schaubilder, Bildschirmabzüge und tabellarische Übersichten sind in angemessenem Umfang und an den richtigen Stellen enthalten. Sie erleichtern so zusätzlich das Verständnis der textlichen Inhalte, die aber für sich genommen bereits leicht aufgenommen werden können. Dem Preis wie dem Thema angemessen erscheint die Qualität des Lektorats.

Praxistauglichkeit: Die Autoren vermitteln eine Vielzahl an hilfreichen praktischen Ratschlägen und Handlungsanleitungen. Diese sind größtenteils so konkret, dass sie gut umzusetzen sein sollten, sofern ein Unternehmen sich von vorne herein auf den DQ-Gedanken einlässt und die vorgeschlagenen Maßnahmen gleich zu Beginn seiner BI-Initiativen berücksichtigt. Genau hier liegt in den meisten BI-Projekten und selbst produktiven BI-Anwendungen leider oftmals das Problem: die Notwendigkeit eines DQM wird lange unterschätzt, und wenn die Probleme bemerkt werden, ist normalerweise bereits viel Geld investiert und viel Kredit bei Anwendern verspielt worden. Für viele der Rezepte der Autoren ist es dann zu spät bzw. ihre Umsetzung erfordert dann erheblichen zusätzlichen Aufwand, den in diesem Stadium evtl. erst recht niemand mehr treiben möchte. Wer nach DQM-Lösungen für laufende und bereits in Schwierigkeiten steckende BI-Projekte sucht, sollte auch von diesem ansonsten sehr hilfreichen Buch keine Wunderdinge erwarten. Er wird sich mit manchem Vorschlag in der Praxis schwer tun und sich selbst Gedanken machen müssen, wie man diesen jeweils auf die Situation des eigenen Unternehmens anpassen könnte. Auch wer nur ein bisschen Datenqualität" in sein Projekt einstreuen möchte und auf ein paar kleine Tipps und Tricks hofft, wird nach der Lektüre klar enttäuscht erkennen, dass DQM ein grundsätzliches Umdenken erfordert und nicht mit einem zusätzlichen Tool hier und einer weiteren Datenprüfung getan ist.

Das im Rahmen des TDWI Buchprogramms erschienene Buch der Autorengemeinschaft APEL, BEHME, EBERLEIN, MERIGHI stellt eine der ersten deutschsprachigen Publikationen dar, die sich dem Thema Datenqualität aus theoretischer und praktischer Sicht widmen.

Im Theorieteil wird der Leser mit den Begrifflichkeiten der Datenqualität bzw. des Datenqualitätsmanagements vertraut gemacht. Darüber hinaus wird Ursachenforschung zu mangelnder Datenqualität und deren Auswirkung betrieben. Nicht zuletzt zeigen die Autoren, dass selbst verschiedene ITIL-Vorgaben auf das Datenqualitätsmanagement zu übertragen sind.

Die technische Umsetzung stellt den inhaltlichen Schwerpunkt der Publikation dar. Getreu dem Motto, "das Übel an der Wurzel zu packen", werden die relevanten Stellhebel zur Verbesserung der Datenqualität präsentiert.
Dabei sind die 4 Unterkapitel zum Data Profiling (II.2), zur Datenvalidierung und -filterung (II.3) sowie zur Standardisierung (II.3) und zur Datenanreicherung (II.4) besonders gut gelungen. In diesen Passagen reichen die Autoren ihre Expertise in transparenter Form an den Leser weiter. Die Ausführungen sind von höchster Praxisrelevanz und werden von eingängigen Beispielen flankiert. Ganz gleich, ob es sich um Schritte vor dem Datenimport, wie etwa beim Profiling, oder um Aktivitäten während des ETL-Prozesses handelt, stets gelingt es den Autoren anwendbare Methoden, Verfahren bzw. Prozesse aus ihrer "Trickkiste" hervorzuzaubern.
Fast schon selbstverständlich hat auch das Thema der Dubletten den gebotenen Platz erhalten.
Das thematische Umfeld wird durch Unterkapitel zur richtigen Präsentation (II.6), zu Metadaten (II.7 sowie zum Data Quality Monitoring (Ii.8) abgerundet.

Von besonderem Interesse der Praktiker dürften die Abschnitte zur Produktbetrachtung (Ii.9) sowie die Beschreibung eines BI-Beispielprojekts (III) sein.

Zusammenfassend kann das vorliegende Buch als absolut empfehlenswert bezeichnet werden, wenn man mit dem Thema Datenqualität aus Entwicklungs- oder auch Betriebssicht konfrontiert ist.
Durch die inhaltliche Breite der Ausarbeitung werden Anfänger grundlegend informiert, gleichwohl finden auch erfahrene Experten profunde Ansätze für praktische Problemfälle.

(Prof. Dr. Roland Künzel)

Vom A bis Z gut geschrieben und sehr umfassend.

Für den täglichen Gebrauch ausgezeichnet. Habe ein Data Quality Team gemäss diesem Buch erfolgreich aufgebaut.

Ein Must-Have und einmalig zum Thema geschriebenes Buch.

Würden nur doch endlich auch CEO, CIO etc die Topsch(r)ott's begreifen, dass Datenqualität Chefsache ist.

===

Einen grossen Makel hat jedoch die Qualität des Drucks, nach 2-3 Tagen lesen, fielen bei mir schon die Seiten auseinander.

Und ich passe auf alle meine Bücher gut auf! Aber die Bindung hat versagt.