Die Seminararbeit beantwortet die Fragen, welche Ansätze zur Messung der Datenqualität identifiziert werden können und welchen Einfluss die Datenqualität auf die Funktionalität und den Nutzen von Big Data hat. Darüber hinaus wird erörtert, welches Potenzial und welche Risiken sich aus der Verwendung und Auswertung von großen Datenmengen ergeben. In diesem Kontext wird insbesondere betrachtet, ob ein unzureichendes Datenqualitätsmanagement einen Einfluss auf die genannten Chancen und Herausforderungen hat.
Daten sind ein wichtiges Kapital für Unternehmen, da diese Grundlage für beinahe alle Geschäftsprozesse sind, sei es die Optimierung der Transportwege oder eine simple Preisauszeichnung eines Produkts. Im gegenwärtigen Informationszeitalter ist es besonders wichtig und entscheidend für den langfristigen Unternehmenserfolg, Daten zur Verfügung zu haben.
Es ist kein Problem in der globalisierten Welt von heute Unmengen an Daten zu sammeln und auszuwerten. Zusammengefasst unter dem Begriff Big Data versuchen Firmen über die Digital Analytics, dem Sammeln, Messen und Interpretieren von digitalen Daten, eine Differenzierung vom Wettbewerb zu erlangen. Doch ist vorrangig nicht die übermäßige Menge an Daten wichtig, sondern vor allem die Qualität und Verlässlichkeit.
Die Qualität der Daten kann maßgeblich sein für den Erfolg oder Misserfolg von Kampagnen, nicht zuletzt einer der Kernaspekte vieler Projekte beispielsweise von Marketingvorhaben. Einer Umfrage mit 421 Unternehmen unterschiedlichster Branchen zu Folge ist aber vor allem mangelnde Datenqualität und -validität einer der Schwachpunkte vieler Unternehmen. Ebenso steht eine hohe Datenqualität an der Spitze der Herausforderungen im Rahmen von Digital Analytics. Folglich besteht die Notwendigkeit, über entsprechende Ansätze die Datenqualität zu messen und zu prüfen, um den Datenbestand stets aktuell zu halten und damit im Konkurrenzwettbewerb stark zu bleiben.
Inhaltsverzeichnis
1. Einleitung
1.1. Motivation der Arbeit
1.2. Ziel der Arbeit und Forschungsfragen
1.3. Überblick zum Aufbau der Arbeit
2. Datenqualität
2.1. Grundlagen und Definition
2.2. Abgrenzung der Dimensionen
2.3. Bedeutung und Probleme im Kontext von Big Data
3. Ansätze zur Messung der Datenqualität
3.1. Total Data Quality Management
3.2. Anwendung von Datenqualitätskriterien und -metriken
3.3. Ansatz des Data Cleaning
4. Best Practices
4.1. Data Quality Scorecard
4.2. Oracle Product Data Quality Solutions
4.3. Data Cleansing Tool
5. Kritische Betrachtung der Verwendung von Big Data unter Datenqualitätsaspekten
5.1. Potenzial durch Optimierung und Individualisierung des Kundenmarketings
5.2. Fehlendes Unternehmensbudget als Problem
5.3. Grenzen der systematischen Informationsgewinnung
6. Zusammenfassung
Zielsetzung und thematische Schwerpunkte
Die Arbeit untersucht, welche Ansätze zur Messung der Datenqualität existieren und welchen Einfluss diese auf die Funktionalität und den Nutzen von Big Data haben. Dabei wird analysiert, welche Potenziale und Risiken sich durch die Auswertung großer Datenmengen ergeben und inwieweit ein unzureichendes Datenqualitätsmanagement den Unternehmenserfolg gefährdet.
- Grundlagen der Datenqualität und Begriffshierarchie
- Dimensionen und Messmethoden der Datenqualität
- Herausforderungen durch Big Data (Volume, Velocity, Variety, Veracity)
- Praktische Lösungsansätze (Data Quality Scorecard, Tools)
- Kritische Analyse von Marketingpotenzialen und Budgetsituationen
Auszug aus dem Buch
3.1. Total Data Quality Management
Eine der ersten Verfahrensweisen zur Ermittlung der Daten- und Informationsqualität bildet das „Total Data Quality Management“ (TDQM). Es geht auf den Pionier Richard Y. Wang zurück, der auf Basis des „Total Quality Managements“ (TQM) ein erweitertes Konzept zur ständigen Datenüberwachung entwickelte. Im Unterschied zum TQM, welches schwerpunktmäßig die Qualität von physischen Produkten durch ein verbessertes Qualitätsmanagement steigern möchte, lassen sich die Ansätze nach Wang auch allgemein gültig auf Datenbestände anwenden. Kern des Konzepts bildet das Informationsprodukt und dessen Informationsqualität.
Genauso wie innerhalb eines Produktionsprozesses aus Rohmaterial über verschiedene Schritte ein fertiges Produkt entsteht, entstehen aus Rohdaten über mehrere Systemebenen Informationsprodukte (IP). Ziel des TDQM ist es eine möglichst hohe Daten- und Informationsqualität sicherzustellen. Durch den iterativen Durchlauf des sogenannten TDQM-Kreislaufs kann entsprechend die Qualität der Geschäftsprozesse, auf Basis derer die Daten gewonnen werden, optimiert werden.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung motiviert die Arbeit mit der Bedeutung von Daten im digitalen Zeitalter und definiert die Forschungsfragen rund um die Messbarkeit und den Nutzen von Datenqualität.
2. Datenqualität: Hier werden theoretische Grundlagen wie die Begriffshierarchie erläutert, Dimensionen der Datenqualität abgegrenzt und die spezifischen Herausforderungen im Kontext von Big Data aufgezeigt.
3. Ansätze zur Messung der Datenqualität: In diesem Kapitel werden theoretische Vorgehensweisen wie das Total Data Quality Management, der Einsatz spezifischer Metriken und der Ansatz des Data Cleaning behandelt.
4. Best Practices: Dieser Abschnitt beleuchtet praktische Methoden zur Überwachung und Verbesserung der Datenqualität, unter anderem durch Data Quality Scorecards und Softwarelösungen von Oracle und Uniserv.
5. Kritische Betrachtung der Verwendung von Big Data unter Datenqualitätsaspekten: Dieses Kapitel diskutiert Chancen im Bereich des Kundenmarketings, beleuchtet Budgethemmnisse und erörtert Grenzen bei der systematischen Informationsgewinnung.
6. Zusammenfassung: Hier werden die Kernerkenntnisse zusammengefasst, wobei betont wird, dass die Datenqualität einen entscheidenden Erfolgsfaktor für die Nutzung von Big Data darstellt.
Schlüsselwörter
Datenqualität, Big Data, Digital Analytics, Total Data Quality Management, TDQM, Datenbereinigung, Data Cleansing, Datenmanagement, Informationsqualität, Kundenmarketing, Datenmetriken, Datenvalidität, Unternehmensbudget, Datengewinnung, Kundendaten.
Häufig gestellte Fragen
Worum geht es in dieser Seminararbeit grundsätzlich?
Die Arbeit befasst sich mit der Bedeutung einer hohen Datenqualität als Voraussetzung für den erfolgreichen Einsatz von Big Data in Unternehmen.
Welche zentralen Themenfelder werden bearbeitet?
Die zentralen Felder umfassen die Definition von Datenqualität, die Messung mittels verschiedener Ansätze sowie die kritische Betrachtung der Anwendungsmöglichkeiten im Big-Data-Kontext.
Was ist das primäre Ziel der Untersuchung?
Ziel ist es, Methoden zur Messung von Datenqualität zu identifizieren und zu eruieren, wie diese die Funktionalität von Big-Data-Anwendungen beeinflussen.
Welche wissenschaftliche Methode wird verwendet?
Es handelt sich um eine theoretisch orientierte Arbeit, die auf einer umfassenden Literaturanalyse und der Untersuchung praktischer Frameworks und Software-Ansätze basiert.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen, Methoden zur Messung, Best-Practice-Beispiele für die Softwareanwendung sowie eine kritische Diskussion zu Potenzialen und Risiken.
Durch welche Schlüsselwörter lässt sich die Arbeit am besten charakterisieren?
Die wichtigsten Begriffe sind Datenqualität, Big Data, Data Quality Management, Messmethoden, Kundenmarketing und Datenvalidität.
Was besagt die Begriffshierarchie in der Arbeit?
Sie stellt die Stufen von Zeichen über Daten und Informationen bis hin zum Wissen dar, um die grundlegende Abgrenzung von Daten zu verdeutlichen.
Welche Rolle spielt die Datenschutz-Grundverordnung (DSGVO)?
Die DSGVO wird als ein Faktor genannt, der die Datengewinnung einschränkt und somit den Zugang zu vollständigen Datensätzen erschweren kann.
- Quote paper
- Lisa Meyer (Author), 2019, Datenqualität im Kontext von Big Data. Ansätze zur Messung der Datenqualität sowie Auswirkungen auf Funktionalität und Nutzen, Munich, GRIN Verlag, https://www.grin.com/document/540123
