< Zurück   INHALT   Weiter >

1.5.5 Geschäftsregeln (Business Rules)

Die automatische Prüfung von Geschäftsregeln (engl. Business Rules) ist ein wichtiges Mittel sowohl für das proaktive als auch für das reaktive Datenqualitätsmanagement. Geschäftsregeln definieren die Ausführung und die Leistung von Geschäftsprozessen (Ross und Lam 2011). Geschäftsregeln formalisieren damit die Richtlinien (engl. business poli-

Abb. 1.15 Datenqualitätskosten. (nach Eppler und Helfert 2004, S. 318)

cies) im Unternehmen (OMG 2008). Sie helfen häufig dabei, dass Wissen „in den Köpfen“ der Mitarbeiter zu explizieren, damit es zur Wiederverwendung und Automatisierung in IT-Systemen festgehalten werden kann. Geschäftsregeln sind das Bindeglied zwischen dem Geschäftsprozessund dem Datenmanagement. Denn neben der Steuerung von Geschäftsprozessen dienen Geschäftsregeln auch dazu, Datenqualität zu messen und zu kontrollieren. In der Praxis werden diese Regeln teilweise auch als „Validierungsregeln“ oder „Prüfregeln“ bezeichnet.

Einfache Geschäftsregeln definieren z. B. Pflichtfelder in Eingabemasken. So könnte eine einfache Regel für die Anlage eines Kundenstamms lauten, dass ein Kundenstammdatensatz nur dann vollständig ist, wenn er eine Rechtsform (GmbH, AG usw.) besitzt. Wird dieses Feld nicht ausgefüllt, kann der Datensatz nicht weiter bearbeitet werden. Im Standard SBVR (Semantics of Business Vocabulary and Business Rules) der Object Management Group werden solche Regeln als strukturelle Regeln (engl. structural rules) bezeichnet (OMG 2008). Ein komplexeres Beispiel wäre beispielsweise eine Regel, die steuert, nach welchen Kriterien über die weitere Behandlung einer Beschwerde im Kundenservice entschieden werden sollte. Eine solche Regel wird in SBVR als operative Regel (engl. operative rule) bezeichnet. Tabelle 1.9 zeigt ein Beispiel für strukturelle und operative Regeln.

Formale Sprachen wie SBVR oder BPMN (Business Process Model and Notation) dokumentieren Geschäftsregeln so, dass sie sich einfach in Programmcode umsetzen lassen bzw. direkt maschinenlesbar sind. Die Gesamtmenge von Geschäftsregeln eines Unternehmens kann in einer Rule Engine verwaltet werden. Es ist Aufgabe des Datenqualitäts-

Tab. 1.9 Beispiel für eine Geschäftsrichtlinie und Geschäftsregeln. (Ofner 2013, S. 51)

Geschäftsrichtlinie

Neue Lieferanten müssen in Übereinstimmung mit (globalen, national oder regionalen) gesetzlichen Vorgaben und Bestimmungen aufgenommen werden. Der Prozess muss nachvollziehbar sein.

Strukturelle Regel

Es ist notwendig (engl. nach SBVR-Standard: „It is necessary that“), dass jeder Lieferant einen Sicherheitskennzeichen hat.

Operative Regel

Es ist unerlässlich (engl. nach SBVR-Standard: „It is obligatory that“), dass das Sicherheitskennzeichen jedes Lieferanten, der Produkte in die USA liefert, auf „ja“ steht.

managements, die für die Sicherstellung hoher Datenqualität relevanten Geschäftsregeln zu identifizieren, zu dokumentieren, umzusetzen und zu pflegen.

Zusammengefasst bieten Geschäftsregeln folgende Vorteile für das DQM:

• Automatisierung: Sie automatisieren Teile von Geschäftsprozessen und können diese damit beschleunigen und manuelle Aufwände reduzieren (z. B. durch automatisches Vor-Ausfüllen IT-gestützter Formulare).

• Fehlervermeidung: Geschäftsregeln helfen dabei, Flüchtigkeitsund vorsätzliche Fehler zu vermeiden (Prüfregeln verhindern, dass obligatorische Felder „vergessen“ werden können). Dies ist eine Maßnahme für proaktives Datenmanagement.

• Messung und Steuerung der Datenqualität: Datensätze können erst kontinuierlich oder periodisch auf Regelkonformität überprüft werden, nachdem Geschäftsregeln definiert und in IT-Systeme implementiert wurden. Nur so können automatisiert Fehler in Datensätzen entdeckt werden, bevor diese Fehler in Geschäftsprozessen verursachen. Dieses Wissen kann erstens dazu verwendet werden, Maßnahmen zur Verbesserung der Datenqualität zu initiieren (Maßnahme des reaktiven Datenqualitätsmanagements). Zweitens kann das Ergebnis der Datenqualitätsmessung über Geschäftsregeln in einem Datenqualitäts-Indikatorwert (auch „Datenqualitätsindex“ oder „Datenqualitäts-Zielwert“ genannt) ausgedrückt werden. Mit diesem Wert lässt sich die Veränderung der Datenqualität in einem System im Laufe der Zeit nachvollziehen und z. B. auch die Datenqualitätsentwicklung zwischen verschiedenen Geschäftseinheiten vergleichen.

• Bewusstsein für DQM: Eine Initiative zur Bestimmung von Geschäftsregeln trägt dazu bei, bei allen beteiligten Mitarbeitern ein Bewusstsein für die Bedeutung von DQM im Allgemeinen zu schaffen. Damit erhöhen sich die Chancen, dass Mitarbeiter auch solche Datenqualitätsprobleme bemerken, die nicht mit Regeln geprüft werden können.

Allerdings ist die Verwendung von Geschäftsregeln auch mit einigen Herausforderungen verbunden:

• Explikation: Da das Wissen über Geschäftsregeln meist nicht in Dokumenten vorliegt (zumindest nicht an einer einzelnen Stelle), sondern „in den Köpfen der Mitarbeiter“ verborgen ist, besteht die größte Herausforderung darin, dieses Wissen zu dokumentieren[1].

• Verringerung der Prozessflexibilität: Sind Geschäftsregeln zu restriktiv definiert, können sie bei seltenen oder unvorhergesehenen Prozessvarianten zu Mehraufwänden oder erst recht zu falschen Eingaben führen, wenn Mitarbeiter Regeln „umgehen“ müssen.

• Überbewertung der Aussagekraft eines Datenqualitätsindex: Ein guter Datenqualitätsindex sagt lediglich aus, dass die Daten gemessen an allen bekannten und implementierten Regeln korrekt sind. Falls diese Regeln aber unvollständig oder veraltet sind, wird das Datenqualitätslevel überschätzt. Daraus folgt, dass Geschäftsregeln aktiv verwaltet werden müssen: Wenn sich die Geschäftswirklichkeit ändert, müssen auch die Regeln geändert werden. Darüber hinaus müssen Datenqualitätsmanager akzeptieren, dass niemals sämtliche Datenqualitätsprobleme mit automatischen Prüfregeln erfassbar sind. Deshalb darf die Schulung und fortwährende Motivation der Mitarbeiter, im Alltag mit „gesundem Menschenverstand“ auf Datenqualität zu achten, auch nach der Implementierung von Geschäftsregeln nicht vernachlässigt werden.

1.5.6 Data Governance

Data Governance unterscheidet sich von DQM. Data Governance verfolgt das Ziel, den Wert der Daten im Unternehmen zu maximieren (Otto 2011a). Die wertmäßige Betrachtung von Daten im Sinne eines Anlageguts geht ebenfalls zurück auf die Übertragung von Konzepten zur Bewirtschaftung materieller Güter auf den Umgang mit Daten (Horne 1995). Heute diskutieren Forschung und Praxis, ob der Wert von Daten für Unternehmen auch finanzbuchhalterisch erfasst werden kann und soll (Atkinson und McGaughey 2006). Grundsätzlich besitzen Daten nur dann einen Wert, wenn sie genutzt werden. Ihre Eignung zur Nutzung wiederum ist definiert als Datenqualität (s. o.). Niedrige Datenqualität schmälert den Wert der Datengüter im Unternehmen, weil ihre Nutzbarkeit gering ist (Even und Shankaranarayanan 2007). Unternehmen sind also bestrebt, mit dem DQM eine von der Geschäftsstrategie geforderte Datenqualität zu erreichen.

Die Beziehung zwischen DQM und Data Governance folgt der von der ISO vorgeschlagenen Unterscheidung zwischen Governance und Management (ISO/IEC 2008). In diesem Sinne bildet Data Governance die Führungsfunktion für das DQM. Denn Data

Abb. 1.16 Datenqualitätsmanagement und Data Governance. (Otto 2011a, S. 236)

Governance legt fest, welche Entscheidungen im Umgang mit Daten zu treffen sind und wer sie trifft. Aufgabe des DQM ist es, die datenqualitätsrelevanten Entscheidungen zu fällen und umzusetzen.

Abbildung 1.16 stellt diesen Zusammenhang grafisch dar.

  • [1] Der japanische Wissenschaftler Ikujiro Nonaka beschrieb 1991 in seinem Aufsatz „The Knowledge-Creating Company“ diesen Prozess als „Artikulation von implizitem Wissen“ („articulation of tacit knowledge“) (Nonaka 2007). Wir verwenden hier bewusst den Begriff „Explikation“, da er dem heutigen Sprachgebrauch und den jüngeren auf Nonaka aufbauenden Quellen entspricht
 
< Zurück   INHALT   Weiter >