fbpx
Home Analysis for Office Die Bedeutung der Datenqualität für Analytics

Die Bedeutung der Datenqualität für Analytics

In der Welt der Analytics ist Datenqualität der Schlüssel zum Erkennen relevanter Muster und zum Treffen fundierter Entscheidungen. Nur durch präzise und verlässliche Daten können Unternehmen das volle Potenzial ihrer Datenanalyse ausschöpfen und wertvolle Erkenntnisse gewinnen. Mindere Datenqualität bedeutet mindere Einblicke – ein Luxus, den sich in der heutigen datengetriebenen Landschaft niemand leisten kann.

Inhaltsverzeichnis

Balken Infos
 

Data Driven Company oder datenbasierte Entscheidungen sind Ansätze, bei denen Firmen Entscheidungen aufgrund von Informationen fällen. Solche Informationen werden aufgrund von Definitionen von Systemen automatisch aufbereitet und in Reports oder Dashboards zur Verfügung gestellt.

Dabei verlässt man sich auf die Korrektheit, Vollständigkeit, Konsistenz und Aktualität der Informationen. Damit man der Qualität der Information vertrauen kann, ist es wichtig, dass die Datenquelle eine hohe Qualität aufweist.  

 

Wie wird Datenqualität definiert?

Datenqualität bezieht sich auf die Genauigkeit, Vollständigkeit, Gültigkeit, Konsistenz und Relevanz von Daten. Wenn Daten von guter Qualität sind, sind sie verlässlich und können vertrauenswürdige Informationen liefern. 

 

Was wird unter Analytics verstanden?

Analytics (auch Datenanalyse genannt) bezieht sich auf den Prozess der Untersuchung, Interpretation und Kommunikation von Daten, um Muster, Trends und Zusammenhänge zu entdecken. Analytics ermöglicht es, aus Daten wertvolle Informationen und Erkenntnisse zu gewinnen und diese zur Entscheidungsfindung oder zur Verbesserung von Prozessen und Leistung zu nutzen.

 

Warum ist Datenqualität für Analytics wichtig?

Die Datenqualität ist für Analytics von grosser Bedeutung, da sie direkten Einfluss auf die Qualität der Erkenntnisse und Entscheidungen hat. Nachfolgend werden einige wichtige Aspekte aufgezeigt, die im Zusammenhang mit Datenqualität stehen.

Analytics basiert auf Daten, und wenn diese fehlerhaft oder unvollständig sind, können die Ergebnisse unzuverlässig sein. 

Eine gute Datenqualität stellt sicher, dass die Ergebnisse vertrauenswürdig und aussagekräftig sind.

Analytics zielt darauf ab, genaue Informationen zu gewinnen. Wenn die Datenqualität niedrig ist, können Fehler und Ungenauigkeiten zu falschen Schlussfolgerungen führen. 

Hohe Datenqualität gewährleistet eine präzise Analyse.

Analytics wird häufig zur Unterstützung von Entscheidungen verwendet. Wenn die Datenqualität schlecht ist, können Entscheidungen auf falschen, verzerrten oder unvollständigen Informationen basieren. 

Gute Datenqualität ermöglicht eine fundierte Entscheidungsfindung. 

Datenintegrität ist definiert als die genaue und konsistente Aufrechterhaltung von Informationen während ihrer gesamten Lebensdauer. Datenintegrität bedeutet auch, dass es keine beschädigten Daten gibt.

Die Datenqualität unterstützt, dass relevante Daten in die Analyse einbezogen wird. 

Um umfassendere Erkenntnisse zu gewinnen, werden Daten aus verschiedenen Quellen in einem Data Warehouse zusammengeführt und harmonisiert. Idealerweise haben gleiche Daten auch gleiche Typen und Schlüssel. 

Hohe Datenqualität verringert die Komplexität in den Schnittstellen und den Aufwand der Harmonisierung und erhöht die Qualität der Analyse.

Um Prozesse zu automatisieren, muss ein System in der Lage sein, aufgrund der zugrunde liegenden Daten Entscheidungen treffen zu können. Z.B. automatisches Auslösen eines Serviceauftrags – ob dieser unter Garantie oder verrechenbar erstellt wird, hängt von den Stammdaten im Equipment ab. 

Hochwertige Daten sind die Basis für Automatisierungen.

Welche Punkte gilt es bei der Datenqualität zu beachten?

Puzzle Whitepaper Datenqualität
  • Vollständigkeit: Die Daten beinhalten sämtliche wichtigen Informationen oder Werte.
  • Genauigkeit: Die Daten sind korrekt und präzise, um verlässliche Ergebnisse zu erzielen.
  • Konsistenz: Die Daten sind in Bezug auf Formate, Werte und Einheiten konsistent, um eine korrekte Analyse zu ermöglichen.
  • Aktualität: Die Daten sind jederzeit auf dem aktuellsten Stand.
  • Datenvalidierung: Die Daten sind auf Plausibilität und Fehler überprüft, um ihre Qualität sicherzustellen.
  • Datenbereinigung: Die Daten sind von Inkonsistenzen, Duplikaten oder Fehlerwerten bereinigt.
  • OwnerShip: Es ist klar, in welchem Leading-System (OwnerShip) welche Daten von wem (Verantwortlichkeit) gepflegt werden.

 

Um obengenannte Punkte sicherzustellen, hilft es, gewisse Kontrollmechanismen (z.B. ein Stammdaten-Management-System) sowie einen Prozess für den Life-Cycle eines Objekts einzuführen, der z.B. folgende Fragen klärt:

• Wann / warum wird ein Objekt erstellt?

• In welchem System wird es von wem erstell?

 

Für einen tieferen Einblick in das Thema können Sie unser kostenloses Whitepaper herunterladen. Im Folgenden finden Sie eine kurze Zusammenfassung der Inhalte:

Inhaltsverzeichnis Whitepaper

  • Sicherstellung der Datenqualität durch PDCA-Zyklus
  • Wo sind die grössten Defizite bezogen auf Datenqualität bei Unternehmen vorhanden?
  • Impact von Datenqualität in einem Business Prozess
  • Welchen Mehrwert bietet mir als Endnutzer Analytics Software?

 

Webinar

SAP Datasphere & SAP Analytics Cloud Feature-Update in Q2/24

Datum: 28.05.2024
Uhrzeit: 08.30 – 09.15 Uhr 
Mehr wissen?

Sie möchten tiefer in dieses Thema einsteigen? Dann freuen wir uns auf den persönlichen Austausch zum Thema Datenqualität  für Analytics!

Ihre Analytics Ansprechpartnerin
Nadine Matt_2
Nadine Matt
Customer Engagement & Communication Executive

Published by:

Roger Heckly

autor:IN

Wie hat Ihnen der Artikel gefallen?

Wie hilfreich war dieser Beitrag?

Klicken Sie auf einen Stern, um zu bewerten!

Durchschnittliche Bewertung 5 / 5.
Anzahl Bewertungen: 4

Bislang keine Stimmen! Seien Sie die erste Person, die diesen Beitrag bewertet!

INFORMATIONEN

Weitere Informationen

SAP Analysis for Microsoft Office vs. SAP Analytics Cloud Excel Add-In: Funktionen und Unterschiede

Dieser Artikel vergleicht die Features und Einsatzmöglichkeiten von SAP Analysis for Microsoft Office (AfO) und dem SAP Analytics Cloud (SAC)…

Wiki Big Query SAP Warehousing

Google BigQuery vs. SAP Warehousing

In diesem Wiki-Artikel werden zwei führende Lösungen für die Datenverwaltung und -analyse in der modernen datengetriebenen Welt vorgestellt: Google BigQuery und SAP BW. Beide Systeme bieten leistungsstarke Funktionen, unterscheiden sich jedoch in ihren Ansätzen und Einsatzbereichen.

Wiki SAC GCP Excelimport

SAC & GCP Excel-Import

Der Artikel beschreibt die SAC & GCP Lösung, mit der Excel Plandaten einfach und komfortabel in SAP Analytics Cloud (SAC) Modelle importiert werden können. Mit Hilfe von Excel-Templates und einer benutzerfreundlichen Web-Applikation werden die Daten lokal aufbereitet und über die SAC Data Import API automatisiert in das SAC-Modell übertragen.

Titelbild Wiki Was ist Artificial Intelligence (AI) (1)

Was ist Artificial Intelligence (AI)?

Artificial Intelligence steht für Künstliche Intelligenz (KI). Und da es keine allgemein anerkannte philosophische Definition von Intelligenz gibt, lassen sich auch unterschiedliche Auffassungen darüber finden, was Künstliche Intelligenz ist…

Titelbild Wiki Was ist Machine Learning (ML)

Was ist Machine Learning (ML)?

Machine Learning ist die Antwort auf eine der Fragestellungen an eine schwache Künstliche Intelligenz. Es handelt sich um ein fundamentales Konzept, um Algorithmen zu studieren, die sich selbst automatisch aufgrund von Erfahrungen (unter Verwendung von Daten) verbessern…

Wiki How to R - Beginners Guide (1)

How to R – Beginner Guide Zeitreihenanalyse

Wir beschränken uns in diesem kleinen Tutorial darauf, die wesentlichen Schritte in der Zeitreihenanalyse kurz in der Programmiersprache R zu skizzieren…

EU Taxonomie Wiki

EU Taxonomie – Implentierung in einem SAP-Analytics-System

Von der KPI Definition bis zum Reporting: Bewerten Sie Ihre Unternehmens-Aktivitäten Umsatz, CapEx und OpEx gemäss den EU Taxonomie Kriterien. Wir begleiten Sie Schritt für-Schritt bei der erfolgreichen Umsetzung der EU Taxonomie Richtlinien…

GDPR Cookie Consent with Real Cookie Banner