II

Inhaltsverzeichnis

Abk  ürzungsverzeichnis.  V

Abbildungsverzeichnis.   VI

1  Harmonisierte Stammdaten im Unternehmen als strategischer Erfolgsfaktor.  1

1.1  Problemstellung.  1

1.2  Abgrenzung des Themas.  3

1.3  Zielsetzung und Aufbau der Arbeit.  4

2  Begriffliche Grundlagen.  6

2.1  Daten im unternehmerischen Umfeld.  6

2.1.1  Definition des Datenbegriffs.  6

2.1.2  Abgrenzung zu den verwandten Begriffen Information und Wissen.  6

2.1.3  Stellenwert und Eigenschaften von Daten.  8

2.1.4  Datenarten und ihr Zusammenhang.  10

2.2  Stammdaten.  11

2.2.1  Arten.  11

2.2.2  Einfluss auf nachgelagerte Prozesse.  12

2.3.  Datenqualität.  15

2.3.1  Definition des Qualitätsbegriffs.  15

2.3.2  Definition des Datenqualitätsbegriffs.  16

2.3.3  Merkmale.  17

2.3.4  Ursachen von Datenqualitätsmängeln.  20

2.3.5  Auswirkungen von Datenqualitätsmängeln.  21

3  Unternehmensweite Harmonisierung von Stammdaten.  24

3.1  Zahlen und Fakten zur Situation in Unternehmen.  24

3.2  Konzeptionelle und organisatorische Rahmenbedingungen.  25

3.2.1  Das semantische Datenmodell als konzeptionelle Rahmenbedingung.  25

3.2.1.1  Datenmodelle  25

III

3.2.1.2  Vorgehensweisen bei der Datenmodellierung.  27

3.2.1.3  Qualitätsanforderungen.  29

3.2.2  Organisatorische Rahmenbedingungen.  32

3.2.2.1  Zentrales Management der Stammdaten.  32

3.2.2.2  Dezentrales Management der Stammdaten.  33

3.2.2.3  Mischform beider Modelle.  34

3.3  Mögliche Ansatzpunkte.  35

3.3.1  Pflegeprozess bestehender Stammdaten.  36

3.3.1.1  Datenpriorisierung.  36

3.3.1.2  Datenprofilierung.  37

3.3.1.3  Datenbereinigung.  39

3.3.1.4  Datenharmonisierung.  41

3.3.1.5  Datenüberwachung.  42

3.3.2  Neuerfassung von Stammdaten.  43

3.3.2.1  Technische Maßnahmen.  44

3.3.2.2  Personelle Maßnahmen.  45

3.3.2.3  Wirtschaftlichkeit.  45

3.3.3  Kritische Beurteilung.  46

3.4  Stammdatenmanagement - Die Lösung der SAP AG.  47

3.4.1  Die SAP AG - Ein kurzer Überblick.  47

3.4.2  Das Produkt SAP Master Data Management.  48

3.4.3  Die Komponenten von SAP Master Data Management.  49

3.4.3.1  Exchange Infrastructure.  50

3.4.3.2  Content Integrator.  51

3.4.3.3  Master Data Server  52

3.4.3.4  MDM Adapter  52

3.4.4  Das Master Data Management-Konzept.  53

3.4.4.1  Content Consolidation.  53

3.4.4.2  Master Data Harmonization  55

3.4.4.3  Central Master Data Management.  56

3.4.5  Nutzen und Kosten.  56

3.4.6  Kritische Beurteilung  58

IV

4  Der Einsatz von SAP Master Data Management am Beispiel eines fiktiven  

Handelsunternehmens.   60

4.1  Ausgangssituation.  60

4.1.1  Das Unternehmen.  60

4.1.2  Der Problembereich Bestellprozess.  60

4.1.3  Die Zielsetzung.  61

4.2  Vorgehensweise auf Grundlage des MD-MKonzeptes.  61

4.2.1  Zusammenführung der redundanten Stammdatensätze.  61

4.2.2  Pflege und unternehmensweite Verteilung der globalen Attribute.  62

4.2.3  Zentrales Master Data Management.  63

4.3  Fazit.  64

5  Schlussbetrachtung und Ausblick.  65

Literaturverzeichnis.   67

Verzeichnis  der Internet-Quellen  70

VI

Abbildungsverzeichnis   

Abb.  1: Existenz von Daten, Information und Wissen in Unternehmen.  

Abb.  2: Unterscheidung von Datenarten nach der Verwendung.  

Abb.  3: Entstehung der Kennzahlen aus den Belegen.  

Abb.  4: Aufbau von Statistiktabellen.  

Abb.  5: Ausgewählte Ansätze im Bereich Datenqualität.  

Abb.  6: Datenqualitätsmerkmale.  

Abb.  7: Generalisierung und Spezialisierung.  

Abb.  8: Kombination aus zentralem und dezentralem Stammdatenmanagement.  

Abb.  9: Prioritäten bei der Initialisierung des DQ-Managements.  

Abb  10: Die Komponenten von SAP MDM  

1

1 Harmonisierte Stammdaten im Unternehmen als strategischer

Erfolgsfaktor

1.1 Problemstellung

Die vorliegende Arbeit behandelt das Problem uneinheitlicher Stammdaten innerhalb der Systemlandschaft von Unternehmen. Das folgende Zitat beschreibt in kurzen Worten, worum es in der Hauptsache geht.

„Viele Unternehmen arbeiten heute mit inkonsistenten und mehrfach vorhandenen Daten, die das reibungslose Zusammenspiel in einem zunehmend globalen Firmen-geflecht erschweren.“ 1

Hinter diesem kurzen Zitat verbirgt sich der Kern des Problems. Die betroffenen Unternehmen stehen vor einer großen Herausforderung, die sie aufgrund der Komplexität der Datenorganisation zu bewältigen haben. Nachfolgend wird zum besseren Verständnis das oben genannte Zitat an einem Beispiel erläutert, bevor die Problemstellung weiter ausgeführt wird.

Die Ursache des Problems sind Daten wie die Adressdaten eines Kunden, die innerhalb der Systemlandschaft eines Unternehmens nicht einheitlich sind. Dateninkonsistenz wäre z. B. gegeben, wenn die Adressdaten nicht gelöscht sind, obwohl die Geschäftsbeziehung zum Kunden bereits beendet wurde. Bei mehrfach vorhandenen Daten - auch Datenredundanzen genannt - besteht das Problem, dass die Adressdaten eines Kunden z. B. doppelt erfasst und gespeichert wurden. Durch Eingabefehler kann es dabei zu Inkonsistenzen bei den Daten kommen, welche weitreichende Folgen für das Unternehmen haben können. Es werden Kosten verursacht, Geschäftsabläufe gestört oder die Kundenzufriedenheit beeinträchtigt.

Die IT-Landschaft ist in vielen Unternehmen, vor allem in großen Organisationen, sehr heterogen. Ursachen hierfür können Akquisitionen, Unternehmenszusammenlegungen, Teilungen, Umstrukturierungen oder sonstige organisatorische Veränderungen im

Zusammenhang mit der Dezentralisierung sein. ² Diese Situation kann zur Folge haben, dass Daten für ein und denselben Sachverhalt an verschiedenen Standorten des

¹ Alexander 2005a, S. 28.

² vgl. Würthele 2003, S. 42.

2

Unternehmens und in verschiedenen Systemen erfasst und gespeichert werden. Die bereits angesprochenen Probleme wie Datenredundanz und Dateninkonsistenz wären die Folge.

Das Problem heterogener IT-Landschaften beschränkt sich nicht nur auf national operierende Organisationen. Unternehmen verschiedenster Branchen müssen sich zunehmend einem globalen Wettbewerb stellen, wie beispielsweise die folgenden Ausführungen Römers darstellen. Demnach vollzieht sich aufgrund der technologischen Weiterentwicklung sämtlicher Unternehmensbereiche, der Konkurrenzsituation unter den Mitbewerbern sowie der Veränderung der allgemeinen Marktstrukturen in vielen Branchen eine zunehmende Internationalisierung. Ausländische Märkte gewinnen dadurch an Bedeutung. Folglich müssen sich Unternehmungen diesen veränderten

Wettbewerbsstrukturen stellen, wenn sie konkurrenzfähig werden oder bleiben wollen. 3

Bei der ganzen Problematik geht es jedoch nicht um Daten im Allgemeinen, sondern speziell um Stammdaten. Da sie für sämtliche Geschäftsprozesse und Anwendungssysteme eines Unternehmens benötigt werden, kommt ihnen eine besondere Bedeutung zu. Das bedeutet, dass sich Probleme bei der Stammdatenverwaltung zwangsläufig auf die Geschäftsprozesse auswirken und diese blockieren bzw. verzögern können. Dies kann sich nachteilig auf die Wertschöpfung auswirken und die Wettbewerbsfähigkeit eines Unternehmens beeinträchtigen. Somit wird die Harmonisierung der Stammdaten im Unternehmen zum strategischen Erfolgsfaktor. Entscheidend in diesem Zusammenhang ist, dass eine hohe Stammdatenqualität nach Möglichkeit langfristig sichergestellt wird, um auch langfristig am Markt wettbewerbsfähig zu bleiben.

1.2 Abgrenzung des Themas

Im Rahmen dieser Arbeit sind angrenzende Themenbereiche entweder bewusst ausgegrenzt oder nur am Rande behandelt worden. Des Weiteren werden bestimmte

³ vgl. Römer 1997, S. 17.

3

Gegebenheiten vorausgesetzt. Diese Selektion war zweckmäßig und notwendig, um eine Beschränkung auf die für die Arbeit wesentlichen Themenbereiche zu erreichen. Datenbankverwaltungssysteme gewinnen aufgrund der heutigen elektronischen Informationsflut immer mehr Bedeutung. Es findet sich kaum noch eine größere Organisation oder ein größeres Unternehmen, das kein Datenbankverwaltungssystem

für die Informationsverwaltung einsetzt. ⁴ Der Erfolg der relationalen Datenbanktechnologie liegt in ihrer relativ einfachen Struktur begründet. Dadurch besitzt sie heute eine

marktdominierende Stellung unter den Datenbankmodellen. ⁵ Wegen der weiten Verbreitung sowie der großen Bedeutung in den Unternehmen wird in dieser Arbeit ausschließlich auf der Grundlage relationaler Datenbankmodelle argumentiert, jedoch wird auf sie nicht näher eingegangen. Stattdessen wird ihre Konzeption in Form von semantischen Datenmodellen behandelt. Grund für diese Vorgehensweise ist, dass Datenqualitätsprobleme bereits im Zuge der Datenmodellierung entstehen und nicht erst beim daraus entstehenden Datenbankmodell. Ein qualitativ hochwertiges Datenmodell ist stets die Grundvoraussetzung für redundanzfreie und konsistente Datenbankmodelle. Des Weiteren ist die Arbeit so aufgebaut, dass es um die Stammdatenharmonisierung in bestehenden heterogenen Systemlandschaften von Unternehmen geht. Dies könnte z. B.

ein Unternehmen sein, dass neben SAP ^® R/3 ^® noch weitere Systeme diverser Hersteller

einsetzt. Unternehmen mit einer ausschließlich homogenen Systemlandschaft und einer zentralen Datenbank haben die Probleme uneinheitlicher Stammdaten in diesem Ausmaß nicht. Zu nennen sind hier vor allem Unternehmen, die ausschließlich das SAP R/3-System zur Stammdatenverwaltung einsetzen.

Auf den großen Themenbereich der Datensicherheit wird nur im Zusammenhang mit der Vermeidung von Dateneingabefehlern eingegangen.

Im Übrigen wird auf die Darstellung sämtlicher Themen verzichtet, bei denen die Stammdatenharmonisierung den Ausgangspunkt für weitergehende Maßnahmen bildet. Zu nennen sind hier z. B. Vorhaben zur Datenmigration.

⁴ vgl. Kemper/Eickler 2004, S. 17.

⁵ vgl. ebd., S. 69.

4

1.3 Zielsetzung und Aufbau der Arbeit

In Kapitel 2 werden als Einstieg in die Thematik die wichtigen grundlegenden Begrifflichkeiten und Zusammenhänge erläutert, die das nötige Hintergrundwissen vermitteln. Dabei wird zunächst der zentrale Begriff der „Daten“ und seine Einordnung im Unternehmen betrachtet. Nicht zuletzt aufgrund der eng verwandten Begriffe „Information“ und „Wissen“ ist es sinnvoll, hier zunächst eine klare Abgrenzung vorzunehmen. Vom allgemeinen Datenbegriff ausgehend wird anschließend auf den enger gefassten Begriff der „Stammdaten“ eingegangen und seine zentrale Bedeutung für Unternehmen verdeutlicht. Danach wird auf den Begriff der „Datenqualität“ übergeleitet, die den kritischen Faktor für Stammdaten darstellt. Im 3. Kapitel wird eine Auswahl von Ansätzen vorgestellt, mit denen Unternehmen in einer bestehenden Systemlandschaft ihre Stammdaten harmonisieren können. Im ersten Schritt wird auf die hierfür zu berücksichtigenden Rahmenbedingungen eingegangen. Anschließend wird aufgezeigt, mit welchen Ansatzpunkten Unternehmen eine Harmonisierung der Stammdaten erreichen können. Dabei wird unterschieden zwischen einem kontinuierlichen Pflegeprozess von bestehenden Stammdaten sowie Maßnahmen bei der Ersteingabe der Daten. Nach der Betrachtung dieser überwiegend manuellen Ansätze wird anschließend auf eine umfassendere Lösung eingegangen, das Produkt

„Master Data Management“ der Firma SAP ^® AG. Die Ausführungen hierzu wurden

aufgrund der zahlreichen systemtechnischen Details auf die wesentlichen Aspekte beschränkt. Auf Details wurde hier nur insoweit eingegangen, wie diese zum Verständnis der Zusammenhänge notwendig waren.

Die verschiedenen Ansätze werden am Ende ihrer Darstellung jeweils einer kritischen Beurteilung unterzogen. Dabei werden vor allem die Auswirkungen auf Unternehmen bei einer Umsetzung herausgearbeitet.

Zum besseren Verständnis der Vorgehens- und Funktionsweise von SAP Master Data Management wird im 4. Kapitel ein kurzes, selbstentworfenes Fallbeispiel angeschlossen. Dieses Beispiel basiert hauptsächlich auf den theoretischen Ausführungen in Abschnitt 3.4.4. Hierbei wird aufgezeigt, inwieweit sich durch einen Einsatz von MDM quantitative Nutzenpotentiale erzielen lassen. Dazu wird von einem fiktiven Unternehmen ausgegangen.

5

Im 5. Kapitel werden schließlich die Ergebnisse der Arbeit zusammengefasst. Zudem wird ein kurzer Ausblick auf die zukünftigen Entwicklungstendenzen im Bereich des Stammdatenmanagements vorgenommen.

Ziel der Arbeit ist es letztlich, im Rahmen der dargestellten Ansätze mögliche Vor- und Nachteile bei einer Umsetzung herauszuarbeiten und zu beschreiben, welche Punkte dabei beachtet werden sollten.

Das für die Arbeit verwendete Material besteht hauptsächlich aus Fachbüchern, Zeitschriftenartikeln sowie Internetquellen. Vor allem bei den Ausführungen zum Thema „SAP Master Data Management“ konnte auf die Hinzuziehung von

Internetquellen der SAP ^® AG nicht verzichtet werden. Hierzu ist noch anzumerken, dass die SAP ^® AG über keinerlei Berichte oder Bewertungen ihrer Kunden verfügt, die über

einen Einsatz von SAP MDM bislang berichtet haben (im Gegensatz zu diversen anderen SAP-Lösungen).

Es fiel auf, dass im Rahmen der Recherchearbeiten Informationen speziell zum Thema Stammdatenmanagement bzw. Stammdatenharmonisierung nur in Zeitschriftenartikeln und dem Internet existierten. Zu allgemeineren Themen wie Datenqualität oder Datenmanagement sind zwar weitere Quellen wie Fachbücher oder Dissertationen vorhanden, jedoch in relativ begrenzter Anzahl. Bei deren Auswertung entstand der Eindruck, dass die Ausführungen der jeweiligen Autoren nicht detailliert und umfassend, sondern meist oberflächlich und in knapper Form gehalten sind.

6

2 Begriffliche Grundlagen

2.1 Daten im unternehmerischen Umfeld

2.1.1 Definition des Datenbegriffs

In der einschlägigen Literatur existiert für den Datenbegriff keine einheitliche Definition. Es werden eigene Beschreibungen kreiert oder von anderen Autoren übernommen, die kontextabhängig oder allgemeingültig sind. Aufgrund dieser unterschiedlichen Annäherungsweisen an den Begriff wird bereits seine Vielschichtigkeit deutlich. Eppler nennt sogar zwei Definitionen für Daten, die im Kontext seines Buches gültig sind. Danach beschreibt er Daten einerseits als unausgewertete, bezuglose Ziffern oder Einträge. Andererseits sind sie die Rohfassung

durchzuführender Darstellungen. 6

Nachfolgend wird eine allgemeingültige und klare Beschreibung des Datenbegriffs vorgestellt, die im Rahmen dieser Arbeit Gültigkeit hat. Hierfür bieten sich die Ausführungen in Anlehnung an Stahlknecht/Hasenkamp an. Demnach bestehen Daten aus Zeichen. Dabei sind Zeichen in der Regel einzelne Buchstaben oder Ziffern. Wenn nun die Kombination bestimmter Zeichen wie Texte oder Zahlen einen informativen

Charakter enthält und dem Zweck der Verarbeitung dient, spricht man von Daten. 7

2.1.2 Abgrenzung zu den verwandten Begriffen Information und Wissen Bei der vorgenannten Definition stellt sich die Frage, was mit „informativem Charakter“ gemeint ist. Dazu ein Beispiel: Der Satz „Die Kundennummer des Kunden Meier ist 123456“ besteht aus einer Kombination von Zeichen, nämlich aus Buchstaben und Ziffern. Da diese dargestellten Zeichen eine Information für den Empfänger bzw. einen informativen Charakter enthalten und der Verarbeitung dienen, handelt es sich um Daten. Der Zusammenhang zwischen Daten und Informationen lässt sich wie folgt festhalten: Daten sind eine Darstellungsform, um Informationen übermitteln zu können.

⁶ vgl. Eppler 2003, S. 293.

⁷ vgl. Stahlknecht/Hasenkamp 1999, S. 9-10.

7

Diese Betrachtungsweise ist deshalb sinnvoll, weil Daten nur ein Mittel zum Zweck sind, um Informationen darstellen zu können. Das bedeutet, dass durch den Einsatz von Daten Informationen überhaupt erst sichtbar werden. Nach Hildebrand stellen Daten aufgrund ihrer reinen Darstellungsfunktion in Informationssystemen keine Information

dar. ⁸ Nach Stahlknecht/Hasenkamp sind Informationen umgangsprachlich das Wissen (Kenntnisse) über Sachverhalte und betriebswirtschaftlich gesehen zweckorientiertes

bzw. zielgerichtetes Wissen. 9

Auf den engen Zusammenhang der Begriffe Daten, Information und Wissen wird nachfolgend näher eingegangen. Die Begriffe sollen anschließend voneinander abgegrenzt werden können, wodurch Missverständnisse und Unklarheiten in ihrer Verwendung beseitigt werden sollen.

Nach Stickel ist Wissen die Gesamtheit aller Kenntnisse und Fertigkeiten auf einem bestimmten Gebiet. Unter anderem gehören auch Daten und Informationen

(Faktenwissen) zum Wissen. ¹⁰ Daten und Informationen werden hier als Bestandteil des Wissens angesehen. Hildebrand grenzt die Begriffe nach ihrer Abstraktheit ab, wobei Wissen die abstrakteste Form darstellt und Daten die geringste Abstraktheit bzw.

die höchste Konkretisierung aufweisen. ¹¹ Allerdings ist eine andere Betrachtungsweise der drei Größen ebenso denkbar, die von ihrer Existenz in einem Unternehmen ausgeht. Danach stellt Wissen eine Teilmenge verwendeter Informationen dar, und Informationen eine Teilmenge verwendeter Daten. Diese Betrachtung ist aus mehreren Gründen plausibel. Zum einen ist das Vorhandensein von Informationen im Unternehmen die Basis dafür, dass sich das Wissen der Mitarbeiter vermehren kann. Da jedoch dieses Wissen nicht alle vorhandenen Informationen umfassen kann, stellt Wissen immer nur einen Teilbereich aller Informationen dar. Informationen bilden diejenige Teilmenge aller Daten bzw. Zeichenkombinationen, die nach den Erfordernissen des Unternehmens geordnet und verfügbar gemacht werden. Oder anders formuliert: Ohne Daten können keine Informationen entstehen, und ohne Informationen kann kein Wissen entstehen (Abb. 1).

⁸ vgl. Hildebrand 2001, S. 4.

⁹ vgl. Stahlknecht/Hasenkamp 1999, S. 9.

¹⁰ vgl. Stickel 2001, S. 2.

¹¹ vgl. Hildebrand 2001, S. 4-5.

Abb. 1: Existenz von Daten, Information und Wissen in Unternehmen, Quelle: eigene Darstellung

2.1.3 Stellenwert und Eigenschaften von Daten

Nachdem der Begriff der Daten grundlegend geklärt wurde, stellt sich die Frage, welchen Stellenwert Daten in Unternehmen besitzen und welche Besonderheiten sie aufweisen.

Daten stellen eine unternehmerische Ressource und damit einen Teil des Unternehmensvermögens dar. Unter anderem sind Daten für die Erstellung von Produkten und die Er-

bringung von Dienstleistungen eine unabdingbare Voraussetzung. ¹² Diese Aussage wird uneingeschränkt geteilt. Genau wie die klassischen Unternehmensressourcen Arbeit und Kapital sind Daten die notwendige Grundlage jedes betrieblichen Leistungserstellungsprozesses. Dieser Umstand wird nachfolgend anhand eines Beispiels aufgezeigt. Es wird davon ausgegangen, dass ein Lebensmittelhersteller einen Großhändler mit Namen Meier als Kunden in seiner Datenbank gespeichert hat. Dieser besitzt die Kundennummer 123456. Der Großhändler benötigt nun Ware und bestellt diese beim Hersteller. Dies hat zur Konsequenz, dass der Lebensmittelhersteller auf bestimmte Daten wie Lagerbestände zurückgreifen muss, um die Leistung erbringen zu können. Ohne die benötigten Daten wäre dies nicht möglich.

12 vgl. Dippold/Meier/Ringgenberg/Schnider/Schwinn 2001, S. 259.

9

Wenn Daten als Bestandteil unternehmerischen Vermögens gelten, so führt dies zur Frage, welchen Wert die Daten besitzen. In diesem Zusammenhang spielt der Begriff des Firmenwerts (Goodwill) eine Rolle. Ein Firmenwert entsteht im Laufe der Zeit z. B. durch den vorhandenen Mandantenstamm einer Rechtsanwaltskanzlei, der sich in Form von Geschäftsdaten darstellt. Wenn die Firma verkauft wird, zahlt der Käufer diesen Firmenwert zusätzlich zum Kaufpreis. Der Grund hierfür ist, dass der Käufer durch Übernahme des Mandantenstammes und damit der Daten sofortige Umsatzerlöse erzielen kann. Dies ist allerdings nicht der Fall, wenn der Käufer einen Mandantenstamm selbst aufbauen muss. Somit können Daten als immaterielles Vermögen eines Unternehmens angesehen werden.

Daten besitzen im Vergleich zu anderen Ressourcen nach Redman bestimmte

Eigenschaften, auf die nachfolgend eingegangen wird ¹³ : 1. Daten sind abstrakt, nicht konkret. Daten kann man nicht sehen, nur ihre Darstellungen auf verschiedenen Medien und in unterschiedlicher Repräsentation ist sichtbar.

2. Daten können problemlos vervielfältigt und nahezu unbegrenzt verteilt werden. 3. Daten werden im Gegensatz zu materiellen Ressourcen bei ihrer Verwendung nicht „verbraucht“, sie bleiben erhalten. Der Nutzen, den sie stiften, kann sich über ihren Lebenszyklus verändern, und zwar sowohl positiv als auch negativ. 4. Daten sind nicht austauschbar, da gerade die Aussagen, die in der Differenz zwischen Daten liegen, von Interesse sind. Beispielsweise ist bei der Analyse von Kunden weniger interessant, worin sie sich ähneln, als vielmehr, worin sie sich unterscheiden.

5. Von wenigen Ausnahmen abgesehen, gibt es für Daten keinen Markt, wo gekauft und verkauft wird, also gibt es auch keinen Preis. Das macht die Wertbestimmung schwierig und subjektiv. 6. Daten sind dynamischer als andere Ressourcen.

Zusammenfassend lässt sich feststellen, dass die genannten Ressourcen ausschließlich im Hinblick auf die Zielerreichung, nämlich der Leistungserstellung, gleich sind. Ansonsten weisen Daten im Vergleich zu den übrigen Ressourcen grundverschiedene

¹³ vgl. Redman, Thomas C.: Data Quality for the Information Age, Norwood 1996, zit. nach

Dippold/Meier/Ringgenberg/Schnider/Schwinn 2001, S. 260.