Die Bedeutung eines Single Point of Truth

Es ist mittlerweile ein Allgemeinplatz, dass die Währung des Digitalen Zeitalters schlicht und ergreifend Daten ist. Vereinfacht gesagt wird mit einem Single Point of Truth System diese Währung auf kontrollierte, geplante und strukturierte Art und Weise in einen Mehrwert für das Unternehmen verwandelt.

Natürlich haben viele Unternehmen bereits ein vermeintlich sehr zentrales System, wie beispielsweise SAP. Die Belange der unterschiedlichen Fachabteilungen werden allerdings von diesem System eben nicht abgedeckt. Denn mit komplexeren Anforderungen, kann das bestandsführende System nicht die Funktion einer zentralen Informationsquelle erfüllen. Hinzu kommt noch, dass operative Systeme ständig genutzt werden, so dass sich der Datenbestand permanent ändert.

Zentrale Datenversorgung für Unternehmen

Der in der IT hierfür entwickelte, klassische Ansatz besteht in der Schaffung eines so genannten Data Warehouse (DWH). (Zuweilen auch Data Mart genannt.) Der Name ist Programm. Es gilt, die verschiedenen Daten des Unternehmens in vereinheitlichter Form, ähnlich einem Lager, für verschiedene interne „Kunden“ (also die Fachabteilungen und Geschäftsführung) zur Verfügung zu stellen.

Und zwar so, dass die Informationen in wohl definierten Zeitscheiben (Täglich, wöchentlich, monatlich, etc.) konsistent und verlässlich nutzbar sind. Übrigens kann das keine Applikation leisten kann, die im täglichen Betrieb operativ genutzt wird, weil dort ständig Änderungen vorgenommen werden, so dass nachvollziehbare und vergleichbare Auswertungen nicht gemacht werden können.

Die Herausforderungen

Dabei sind die Herausforderung aus IT-Sicht nicht einmal technischer Natur. Die Modellierung und Prozesse sind bekannt: Kimball, Data Vault 2.0, Snowflake, etc. Diese Methodiken definieren jeweils einen ähnlichen Prozess, der dazu dient, die Verarbeitung der Daten zu strukturieren. Da es sich bei einem Data Warehouse um ein klassisches Eingabe-/Ausgabe System handelt, kann man, grob gesprochen, die Datenverarbeitung in drei Schritte zerlegen

  1. Beladung
  2. Konsolidierung
  3. Ausgabe

Diese Prozesse müssen in angemessenen Zeitintervallen wiederholt werden, da sich die Datenquellen permanent ändern, denn man darf nicht vergessen, dass alle Datenquellen zu jedem Zeitpunkt die operative Realität des Unternehmens spiegeln.

Verwendung von Unternehmenskennzahlen im Data Warehouse

Aber die eigentliche Herausforderung beim Aufbau eines Data Warehouse ist die fachliche Einigung zur Interpretation und Nutzung von Unternehmensdaten. Diese Einigung ist nicht einfach zu erzielen, denn die Aufgaben der verschiedenen Bereiche eines Unternehmens haben für sich genommen Ziele die nicht immer überlappen. Salopp gesprochen: Der Einkauf will so günstig wie möglich einkaufen, aber die Qualitätssicherung will die höchstmögliche Produktqualität, egal zu welchem Preis.

Also stellt sich die Frage: Können sich alle Bereiche des Unternehmens auf eine einheitliche Interpretation von bestimmten Steuerungskennzahlen (z.B. KPI – Key Performance Indicator oder KRI – Key Risk Indicator) einigen. Wie — ganz exakt! — werden diese Kennzahlen berechnet? Welche Stichtage gelten für alle Bereiche? Etc.

Um ein entsprechendes DWH-Projekt umzusetzen ist ein starkes Mandat der Geschäftsführung (bzw. des verantwortlichen Managements) notwendig sowie eine Priorisierung, die es erlaubt, möglichst rasch den unternehmirischen Mehrwert für Entscheider greifbar zu machen.

0 Kommentare

Dein Kommentar

An Diskussion beteiligen?
Hinterlassen Sie uns Ihren Kommentar!

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert