DQ & BI: Wie Datenqualität durch Reporting kontinuierlich überwacht und verbessert werden kann

Strenge regulatorische Vorschriften hinsichtlich Compliance rücken die Datenqualität immer stärker in das Blickfeld der Aufsicht. Operativ ist die Datenqualität ebenfalls ein Erfolgsfaktor, denn nur eine hohe Qualität der gespeicherten Informationen bietet die Grundlage dafür, dass Banken Risiken rechtzeitig erkennen und aktive Risikosteuerung betreiben können. Wie in dem Blogbeitrag WHY-BI beschrieben, bilden die konsistente und korrekte Aufbereitung von Daten die Grundlage für state-of-the-art Business Intelligence Lösungen, welche wiederum das Fundament für gute Unternehmensführungen konstituieren. Durch die Verknüpfung dieser beiden Komponenten können umfangreiche Auswertungen und Reports auf Basis von Datenqualitätsunternehmensdaten erfolgen, welche der Schlüssel für erfolgreiche Entscheidungen durch das Datenqualitätsmanagement sind.

Anhand dieses Blogbeitrags soll das Zusammenspiel zwischen DQ (Datenqualität) & BI (Business Intelligence) in einer FSDP/M (Financial Services Data Platform/Management) geprägten Architektur grob dargestellt werden.

Was ist die FSDP/M?

Die SAP Financial Services Data Platform/Management ist eine offene Datenmanagement-Plattform für die Finanzdienstleistungsbranche, die ein fertiges Modell für Bankkunden bietet, bei dem Daten aus verschiedenen Quellen wie Kapitalmarktsystemen, Murex Data Mart, Retail Banking oder Investment Banking Daten aus verschiedenen Data Marts, die vor Ort oder in der Cloud konfiguriert sind, extrahiert werden. Auch können Daten aus Hadoop-Systemen oder anderen flachen Dateien und CSV-Dateien extrahiert, transformiert und in ein SAP Data Warehouse geladen werden. Das Laden der FSDP-Datenmodelle für die Bankenlösung auf HANA XSA 2. 0 wird SAP FSDM genannt.

Im Grunde genommen legt SAP FSDP oder FSDM den Grundstein für SAP FPSL (financial products subledger (= Nebenbuch für Finanzprodukte), um Finanztransaktionen, Finanzereignisse oder Geschäftsvorfälle aus Datenmodellen zu lesen, die bereits für Bankkunden in Native HANA XSA 2.0 definiert sind.

Banken nutzen hauptsächlich NON SAP Systeme für ihre OLTP-Systeme. Bei diesen Systemen kann es sich um Online-Handelssoftware, Post-Trade-Management-Software oder ein beliebiges NON SAP OLTP-System usw. handeln.

Wie spielt die Datenqualität hier mit ein?

Wie wir nun wissen, werden eine Vielzahl an Daten beim Laden, Verarbeiten und Ausgeben im Bezug mit der FSDP verwendet. Diese Daten müssen einen bestimmten Grad an Datenqualität aufweisen. Dieser „Grad“ kann anhand von Datenqualitätsdimensionen abgebildet werden. Mehr dazu hier: Datenqualitaetsdimensionen. Da eine Bank ein stark datengetriebenes Unternehmen mit einer Menge an anfallenden Datensätzen darstellt, bei welchen es zu Fehlern kommen kann, sollten Daten aus diesem Grund ständigen Prüfungen unterzogen werden.

Grundsätzlich lassen sich Daten an EVA-Schnittstellen (Eingabe, Verarbeitung, Ausgabe) messen. Diese Schnittstellen sind exemplarisch in Abbildung 1 zu erkennen. Hierbei agieren automatisierte DQ-Prüfungen, welche die Daten auf ihre Qualität hin kontinuierlich messen. Je nach Art der Prüfung und Messung werden verschiedene Messinstrumente verwendet, um der Art und Weise unterschiedlichster Daten gerecht zu werden. Mehr dazu hier: Implementierung von Datenqualitätsinstrumenten zur Operationalisierung von Datenqualitätsdimensionen.

DQ, DQM, Datenqualität, BI, Business Intelligence, Financial Services Data Platform, Financial Services Data Management, FSDP/M, FSDP, FSDM, Reporting, movisco, movisco AG, movisco analytics — Abbildung 1: Messlandkarte

Wozu dient nun der DQM-Haushalt?

Je nach Stand des Systems bestehen schon DQ-Prüfungen oder müssen anhand der angelieferten oder zu verarbeitenden Daten zunächst analysiert, entwickelt und produziert werden. Diese DQ-Prüfungen können Prüfregeln enthalten, welche sich aus Messinstrumenten, Messpunkten, Messarten, Messebenen und Messmethoden zusammensetzen. Des Weiteren werden DQ-Prüfungen bspw. durch eine Prüf-ID identifiziert. Anschließend werden diese in einem DQ-Inventar inventarisiert.

Durch das Bestehen der DQ-Prüfungen und das erfolgte Messen der Daten werden nun DQ-Messergebnisse produziert. Diese Ergebnisse geben Aufschluss darüber, wie „sauber“ die Daten sind und bei welchen womöglich Fehler auftreten. Durch dieses Wissen können anschließend Datenaufbereitungsmaßnahmen wie die Berichtigung von Informationen, das erneute Formatieren von Daten und die Kombination von Datensätzen zur Anreicherung erfolgen. Unter Umständen können jedoch auch schon Fehlerquellen beim Laden von Daten aus Quellsystemen ermittelt werden, sodass durch deren unabhängigen und an anderer Stelle verantwortlichen Korrektur das Laden von fehlerhaften Daten in die FSDP schon im Vornherein unterbunden werden kann.

All das sind wichtige und notwendige Schritte hin zu einer besseren Datenqualität. Aber was bringt das Messen und Aufzeigen von Qualitätsfehlern, wenn die gewonnenen Ergebnisse vermutlich noch sehr granular und in technischer Art vorliegen und keine geeignete Übersicht besteht? Dazu bedarf es eines übersichtlichen, abstrakten und komplexitätsreduzierten DQ-Reports.

BI und der DQ-Report

Durch den Einsatz von BI-Systemen ist es möglich, den Informationsbedarf effektiv zu decken und komplexe Analysen flexibel und schnell durchzuführen. Berichte können interaktiv und transparent gestaltet werden. Zudem kann das System bei der Kontrolle unterstützen, indem Ursache-Wirkungs-Ketten aufgedeckt werden. Ein BI-gestütztes Reporting kann nicht nur bei der Erfüllung steigender gesetzlicher Anforderungen helfen, sondern steigert durch neu gewonnene Erkenntnisse auch die Wettbewerbsfähigkeit und Prozessqualität. Auch die movisco AG hilft bei der Umsetzung und Implementierung von Business Intelligence.

Der DQ-Report ist ein Teilaspekt der Business Intelligence. Bei einem DQ-Report werden Ergebnisse verwendet, um Datenqualitäts-KPIs anhand von Metriken zu bewerten. Gute Dashboards ermöglichen es auch, die gesamten DQ-Berichte aufzuschlüsseln, um die Datenqualität nach Abteilung, Quellsystem, Datendomäne und anderen Dimensionen anzuzeigen. Mit diesen Funktionen können Ursachenanalysen durchgeführt und die Auswirkungen einer schlechten Datenqualität beurteilt werden. Je nach Aufbau des Reports können die Ergebnisse, welche beim Messen produziert werden, in aggregierter, statischer Form oder auch dynamisch durch BI-Operationen wie dem Drill-Down granularer angezeigt werden. So können bspw. Diagramme eingesetzt werden, um einen aktuellen Stand abzubilden oder aber auch zeitliche Graphen, welche über die Veränderung der Datenqualität und sogar Forecasts berichten.

Zur Aufsetzung eines BI-DQ-Reports gibt es eine Vielzahl an Lösungen am Markt, jede mit ihren Vor- und Nachteilen. Mehr dazu hier: Toolauswahl Business Intelligence. Auch ging vor kurzem ein Blogbeitrag über SAPs Business Intelligence Tool SAP Analytics Cloud (SAC) online, welcher die Vorzüge der SAC im Bankenumfeld beleuchtet.

Fazit

Durch die Vielzahl an Daten in der heutigen Zeit sowie die Geschwindigkeit, in derer Daten entstehen und verschoben werden, ist ein hoher Grad an Datenqualität mehr als wichtig, vor allem bei unter Regulatorien stehenden Banken. Durch die Kombination von DQM und BI können sich richtige Personen an richtiger Stelle schnell eine Übersicht über das große Ganze verschaffen. Durch das kontinuierliche Messen der Daten sowie das Aufzeigen der Messergebnisse in geeigneter Form anhand eines DQ-Reports für das Datenqualitätsmanagement kann der Grad der Datenqualität im System transparent beobachtet, überwacht und per Maßnahmen verbessert und falschen Daten im System vorgebeugt werden.

Wie wichtig und wertvoll „saubere“ Daten im System sind und wie teuer „unsaubere“ Daten werden können, verrät der Blogbeitrag: “Money makes the World go round” – or is it data?!"

Über den Autor

Matthias Lenzer

Matthias Lenzer ist Consultant bei der movisco AG im Bereich Data Warehousing/Analytics in Frankfurt am Main und verfügt über eine mehrjährige Berufserfahrung in der Konzeption und Anforderungsanalyse von Softwareentwicklungsprojekten. Er besitzt einen B.Sc. in Wirtschaftsinformatik und ist zudem IHK geprüfter Fachinformatiker. Seine Expertise beinhaltet die Anpassung und Umsetzung von BI-Lösungen in Data Warehouse-Systemen mit SAP BW/4HANA, Analysis for Office und SAP Analytics Cloud sowie die Gewährleistung der Datenqualität durch das Datenqualitätsmanagement.