< Zurück   INHALT   Weiter >

2.1.5 Erkenntnisse

Die wichtigsten Erkenntnisse des Projekts waren:

• Regulatorische Anforderungen wie Solvency II zwingen Unternehmen zum Aufbau eines unternehmensweiten Datenqualitätsmanagements. Oft machen erst solche externen Anforderungen den Handlungsdruck im ganzen Unternehmen sichtbar und sorgen für die notwendige Unterstützung durch die Geschäftsleitung des Unternehmens.

Abb. 2.5 Datenqualitätsbericht bei AGCS. (Baghi und Abraham 2013, S. 18)

Tab. 2.4 Weiterführendes Material zum Fall von AGCS

Quelle

Titel

Ergebnistyp

Wiss.

Praxis

Baghi und

Abraham 2013

Case study: Allianz Global Corporate & Specialty AG – data quality controlling and data governance

Fallstudie CC CDQ

Pfaffenzeller

2012

Data governance: data governance in an insurance company

Präsentation auf CC CDQ-Workshop

Pfaffenzeller

2013

Data governance: data governance in an insurance company

Präsentation auf Praxiskonferenz

• Der Nutzer der Daten (Datenkonsument) definiert die Anforderungen an Datenlebenszyklus und Datenarchitektur.

• Bewährte Ansätze des Qualitätsmanagements (z. B. der DMAIC-Zyklus) können auf das unternehmensweite Datenqualitätsmanagement übertragen werden. Datenqualitätsüberwachung ist dabei ein Prozess, der nicht einmalig, sondern kontinuierlich durchlaufen werden muss.

• Risikomanagement-Ansätze helfen bei der Bewertung der Datenqualität.

• Datenqualitätsüberwachung und Data Governance gehen Hand in Hand. Ohne klare Rollen und Verantwortlichkeiten laufen Maßnahmen zur Sicherung und zur Verbesserung der Datenqualität ins Leere.

• In komplexen Prozessund Systemlandschaften ist Datenqualität sowohl aus Datenkonsumentenals auch aus Datenquellensicht zu messen. Nur so sind Ursachenanalysen („Root Cause“-Analysen) möglich.

2.1.6 Weiterführendes Material

Für den Fall von AGCS liegen an verschiedenen Orten Details aus wissenschaftlicher und auch aus praktischer Perspektive vor (Tab. 2.4).

 
< Zurück   INHALT   Weiter >