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
- Einleitung
- Motivation der Arbeit
- Ziel der Arbeit und Forschungsfragen
- Überblick zum Aufbau der Arbeit
- Datenqualität
- Grundlagen und Definition
- Abgrenzung der Dimensionen
- Bedeutung und Probleme im Kontext von Big Data
- Ansätze zur Messung der Datenqualität
- Total Data Quality Management
- Anwendung von Datenqualitätskriterien und -metriken
- Ansatz des Data Cleaning
- Best Practices
- Data Quality Scorecard
- Oracle Product Data Quality Solutions
- Data Cleansing Tool
- Kritische Betrachtung der Verwendung von Big Data unter Datenqualitätsaspekten
- Potenzial durch Optimierung und Individualisierung des Kundenmarketings
- Fehlendes Unternehmensbudget als Problem
- Grenzen der systematischen Informationsgewinnung
- Zusammenfassung
Zielsetzung und Themenschwerpunkte
Diese Seminararbeit befasst sich mit der Datenqualität im Kontext von Big Data. Sie untersucht verschiedene Ansätze zur Messung der Datenqualität und analysiert den Einfluss von Datenqualität auf die Funktionalität und den Nutzen von Big Data. Außerdem werden die Potenziale und Risiken der Verwendung und Auswertung großer Datenmengen beleuchtet.
- Bedeutung und Herausforderungen der Datenqualität im Zeitalter von Big Data
- Analyse verschiedener Ansätze zur Messung der Datenqualität
- Bewertung des Einflusses von Datenqualität auf Big Data
- Potenzial und Risiken der Verwendung von Big Data
- Best Practices zur Sicherstellung von Datenqualität
Zusammenfassung der Kapitel
Die Einleitung beleuchtet die Relevanz von Daten im 21. Jahrhundert und stellt die Herausforderungen der Datenqualität in den Vordergrund. Kapitel 2 definiert den Begriff der Datenqualität und erläutert seine verschiedenen Dimensionen. Kapitel 3 widmet sich verschiedenen Ansätzen zur Messung der Datenqualität, darunter das Total Data Quality Management und Data Cleaning. In Kapitel 4 werden Best Practices vorgestellt, wie beispielsweise die Data Quality Scorecard und Oracle Product Data Quality Solutions. Kapitel 5 diskutiert die kritische Betrachtung der Verwendung von Big Data unter Datenqualitätsaspekten und behandelt Themen wie Potenzial und Risiken der Datenanalyse.
Schlüsselwörter
Datenqualität, Big Data, Digital Analytics, Total Data Quality Management (TDQM), Data Cleaning, Datenqualitätskriterien, Datenqualitätsmetriken, Kundenmarketing, Potenzial und Risiken, Best Practices
- 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
