Database Reference
In-Depth Information
IBM-Studie von 2007 [Cor07] sind in einem mittleren Unternehmen etwa 50 unterschied-
liche Systeme im Einsatz, eine andere Studie von Accenture verzeichnet bis zu 200 unter-
schiedliche ERP-Systeme in großen, global agierenden Unternehmen. Informatica spricht
sogar von einer regelrechten Anwendungsschwemme [Inf11].
Hinter diesen Systemen liegen in der Regel für den jeweiligen Zweck entworfene und op-
timierte Datenbanken. Die darin enthaltenen Daten sind häuig redundant , oft sogar aus
anderen Systemen repliziert , denn die meisten Geschäftsprozesse benötigen ähnliche oder
sogar gleiche Daten. So benötigt das Marketing für Mailingaktionen die Kundenadressen,
ebenso die Kundenbetreuung, die Stammkunden mit einer Sonderaktion belohnen möch-
te. Auch die Logistik, die Waren an Kunden zustellt, muss die Kundenadresse kennen oder
die Buchhaltung, die eine Mahnung schicken muss. Eine von Omikron 2010 beauftragte
Studie [OMI12], in der 339 Unternehmen zum Umgang mit Kundendaten befragt wurden,
kommt zum Ergebnis, dass bei 60 % der befragten Unternehmen zwischen drei und zehn
separate Kundendatenbanken bestehen. Die Hoheit über diese Daten liegt bei 52 % der Be-
fragten im jeweiligen Geschäftsbereich.
Diese Art der isolierten Datenhaltung führt nicht nur zu redundanten, sondern naturge-
mäß auch widersprüchlichen Daten, da ein Datenabgleich oder -austausch nicht konti-
nuierlich oder gar nicht stattindet. Selbst ursprünglich identische Datenbestände begin-
nen im Laufe der Zeit auseinanderzudriften, wenn sie ohne unternehmensweit geltende
Standards autonom verwaltet werden. So entstehen Informationsinseln mit eigenen Struk-
turen, Kodierungen, Formaten, Standardwerten, semantischen Bedeutungen usw. (siehe
auch Abschnitt 2.3).
Dazu kommt die ständig weiter wachsende Datenlut durch die zunehmende Zahl von
Kanälen, über die Daten generiert werden sowie immer mehr proprietäre Formate. Schät-
zungen gehen davon aus, dass die Datenbestände um mindestens 50 % pro Jahr wachsen
[IDC11]. Andere Schätzungen sprechen sogar von 64 % pro Jahr [Inf11]. Dies macht es oft
unerlässlich, einen Teil der Altdaten auszulagern. So werden historische Daten häuig ge-
trennt von operativen Daten für das Tagesgeschäft gespeichert und müssen für Analysen,
die größere Zeiträume umfassen sollen, oft mühsam wiederhergestellt werden.
Diese Ausgangslage erschwert es, Prozesse über Bereichs- oder Standortgrenzen oder grö-
ßere Zeiträume hinweg verlässlich zu analysieren, da Daten einbezogen werden, die sich
in ihrer Aktualität, Detailliertheit, Genauigkeit, Zuverlässigkeit usw. unterscheiden können.
Daraus abgeleitete geschäftliche Entscheidungen sind oft wenig transparent und mitunter
nicht nachvollziehbar. Das Risiko falscher Entscheidungen wächst, inanzielle, juristische
und Imageprobleme können die Folge sein.
So wird z. B. in einer Postwurfsendung ein bestimmter Artikel beworben, der nur kurze
Zeit im Angebot ist. Es gab im Vorfeld keine Analyse des Einzugsgebietes und der Kunden-
struktur jeder Filiale, daher bekommen alle Filialen die gleiche Anzahl des Artikels. Zum
Verkaufsstart tritt die bekannte Situation auf, dass in einigen Filialen der Artikel nach we-
nigen Minuten ausverkauft ist, in anderen gibt es noch nicht einmal eine Nachfrage. Da es
keine zentrale Warenwirtschaft gibt, bleiben in der einen Filiale verärgerte Kunden zurück
und in der anderen eine Menge unverkaufter Artikel. Eine Empfehlung für die Kunden, die
andere Filiale aufzusuchen oder den Artikel von dort zu beschaffen, gibt es aus Unkennt-
nis der Situation nicht. Zum entgangenen aktuellen Umsatz kommen möglicherweise zu-
künftige Umsatzverluste, weil die verärgerten Kunden künftig woanders kaufen. Ähnlich
ärgerlich bzw. nachteilig sind fehlgeleitete oder doppelte Sendungen oder nicht zustellba-
Search WWH ::




Custom Search