Dieses Thema haben wir in unserem letzten Blog schon kurz gestreift, hier möchten wir ein wenig genauer darauf eingehen. Wenn man unsere IT Erfahrung so zusammenrechnet, wird man wohl auf mehrere hundert Jahre kommen, vielleicht sogar auf ein ganzes Millennium. Was auch immer in dieser Zeit diskutiert wurde, ein Thema war immer dabei, aber gewiss nicht deshalb, weil es zeitlos ist: die Daten.

Egal, wo man hinkommt, egal, mit wem man spricht, immer heißt es, die Daten seien schlecht. Dabei spielt es keine Rolle, ob es um eine Datenübernahme geht/ging oder um eine Datenquelle für Analysen oder Marketingaktivitäten. Wenn man das über so viele Jahre hört, dann sind zwei Fragen ziemlich offensichtlich:

– was sind denn überhaupt gute Daten?

– wie kann man sicherstellen, dass sie nicht „schlecht“ werden?

Was sind gute Daten?

Man könnte lange darüber philosophieren, was gut oder schlecht per se überhaupt bedeutet. Auf der anderen Seite sind Daten ja kein Menü, das schmecken soll, und kein hergestellter Gegenstand, an dem man anhand von ISO festgelegten Parametern die Qualität der Produktion messen kann. Es sind einfach nur Daten. Daher kann es meines Erachtens weder gut noch schlecht geben.

Bei Daten geht es immer um den Zusammenhang oder das Ökosystem, in dem sie sich befinden. Beides ist sehr entscheidend für eines der beiden Kriterien. Daten sind Informationen, und Informationen leben davon, interpretiert zu werden. Ist die Interpretation schlüssig und hat man das Gefühl, die Information ist für den angedachten Zweck nützlich, dann sind die Daten offensichtlich gut, andersherum sind sie schlecht. Und da es eine „UND“-Verbindung zwischen zwei Bedingungen ist, und eine solche Verbindung nur dann logisch wahr ist, wenn beide wahr sind, ist es seltener gegeben, dass Daten gut sind, als schlecht.

Doch schauen wir uns mal die Punkte kurz im Einzelnen an.

Schlüssigkeit

Ein einzelner Datensatz sagt nichts aus, er macht erst Sinn in einer Kette weiterer Informationen. Z.B. ein Name und eine Adresse sind interessant, aber doch nur ein Name und ein Adresse. Beides bekommt erst dann eine Bedeutung, wenn sie innerhalb eines Angebots, eines Auftrags oder einer Bestellung verwendet werden. Und viel mehr noch, wenn Zahlungen zu den Vorgängen verbucht wurden. Dies ist natürlich nur ein sehr einfaches Beispiel. Erst, wenn diese Form der Zusammenhänge nachvollzogen werden kann, dann erscheinen die Daten als schlüssig.

Dabei gibt es immer wieder einen Status, d.h. ein zusammenfassendes Signal, wie wir einen aktuellen Status bewerten sollen. Dieser muss ebenfalls schnell ersichtlich sein und nachvollzogen werden können, nur dann erscheint das Ganze schlüssig und somit richtig. Dies ist dann allerdings schon die Vorstufe zum nächsten Punkt.

Interpretation

Die Schlüssigkeit bezieht sich auf die Verarbeitung einzelner Vorgänge. Natürlich geschieht hier auch eine Form der Analyse, indem Informationen zusammengefasst und weitergereicht werden. Man denke z.B. nur an den saldierten OPOS pro Kunde, an den Gesamtumsatz eines Jahres, etc. die direkt in einer Kundenmaske angezeigt werden.

Doch die eigentliche Interpretation geschieht in den Statistiken und Berichten. Hier werden sinnabhängig große Datenmengen konsolidiert, gruppiert und angezeigt. Erst wenn das Ergebnis verständlich und ausreichend ist, sind die Daten entsprechend gut.

Nutzen

Die Abgrenzung der einzelnen Punkte ist natürlich schwierig, da alles sehr nahe beieinander liegt. Analysen allein sind natürlich auch hilfreich und notwendig. Doch in diesem Punkt ist ein wesentlicher Teil der Weiterverarbeitung gemeint.

Per se ist ein System wie Odoo eine recht umfangreiche Datenkrake, die nicht nur hilft, Daten innerhalb von Abteilungen zu übergeben, die nächsten notwendigen Schritte zu steuern und am Ende transparent zu machen, sondern auch für den Vertrieb und für das Marketing aufzubereiten.

Die Kenntnis der Kundenbasis ist in beiden Fällen ein sehr essentieller Teil. Schauen wir uns an warum.