KI-Automatisierung von Frontend bis Kundenservice, Buchhaltung und Mahnwesen oder das ESG-Reporting selbst: In deutschen Unternehmen sind heute große Teile der Wertschöpfungskette digitalisiert. Dieser Status quo trifft auf stetig wachsende Berichtspflichten, vor allem in Gestalt von Nachhaltigkeits-Reporting (CSRD) und der EU-Lieferketten-Richtlinie (CSDDD). Ohne konsistente, integrierte Datenbasis lassen sich diese regulatorischen Vorgaben einerseits kaum noch erfüllen. Andererseits ist ein harmonisierter Datenbestand die Voraussetzung für den erfolgreichen Einsatz neuer Technologien von KI bis IoT.

Der IT-affine Finanzsektor hat seine Datenharmonisierung in den vergangenen Jahren – vor allem aufgrund regulatorischer Vorgaben, etwa des Basler Ausschusses – weit vorangetrieben und kann anderen Branchen als Vorbild dienen, beispielsweise bei der Vereinheitlichung von Prozessen und dem Abbau von Datensilos.

Die eigentliche Herausforderung: Datenorganisation

Daten werden oft als Gold des 21. Jahrhunderts bezeichnet. Besonders im rohstoffarmen Europa ist dieses Paradigma heute so zutreffend wie nie zuvor. Doch obwohl die meisten Firmen die Bedeutung von Daten erkannt haben, sind sie viel zu oft noch kein integraler Bestandteil der eigenen Wertschöpfungskette. Nicht nur im Finanzsektor.

Die größte Herausforderung bei der Integration und Harmonisierung liegt häufig nicht in der Technologie, sondern in der Organisation der Daten. In vielen Unternehmen sind Datenbestände über Jahre hinweg in unterschiedlichen Fachabteilungen und Anwendungen entstanden. Informationen werden nach verschiedenen Kriterien gepflegt, mehrfach vorgehalten oder widersprüchlich erfasst. Die Folge sind Datensilos, Inkonsistenzen und hoher Abstimmungsaufwand bei Auswertungen und Reporting-Prozessen.

Wenn jede Anwendung ihre eigenen Daten pflegt

Buchhaltung, HR, Rechnungswesen, Mahnwesen, Kundenservice – jede Fachabteilung arbeitet heute mit einer Unmenge von Tools und Anwendungen. Und jedes dieser Systeme verlangt in der Regel seine eigene Dateneingabe. Diese Applikationsgebundenheit von Daten und die Existenz der vielen verschiedenen Fachabteilungen begünstigen die Entstehung ebenjener Silos, die Unternehmen so dringend überwinden wollen.

Da Unternehmen diese Komponenten nicht abschaffen können, kommt das Konzept der Datendomäne ins Spiel. Daten werden dabei nach einer einheitlichen Matrix organisiert. Unabhängig von Filiale, Fachabteilung und Geschäftsbereich: Hier alle Privatkunden, hier alle Geschäftskunden, hier alle Mitarbeiter. Oder um im vorherigen Bild zu bleiben: Erst kommt der Besitzer, dann die Schuhgröße, dann das Modell, dann die Farbe. Und schließlich müssen vorhandene Fehler ausgebessert werden. Erst dann sind die entscheidenden Datenqualitätskriterien Vollständigkeit, Integrität, Präzision, Homogenität und Verfügbarkeit erfüllt.

So simpel es klingt: Die zentrale Herausforderung für viele Unternehmen besteht darin, zunächst den Keller aufzuräumen. Doch wie gelingt ihnen das?

Von der Datenstrategie zur Data Governance

Am Anfang steht die Entwicklung einer konsistenten Datenstrategie. Vom Kreditgeschäft über Cross- und Upselling bis Risikocontrolling: Wofür nutze ich meine Daten überhaupt? Für welche Geschäftsbereiche sind sie ausschlaggebend? Und welche neuen Geschäftsmodelle, zum Beispiel in Gestalt von KI-Services, will ich in Zukunft daraus entwickeln?

Der nächste Schritt ist die Herstellung von Daten-Governance. Also einer klaren Struktur mit klar geregelter Verantwortlichkeit: Welche Abteilung ist zentral für die Erhebung, Pflege, Verwaltung und Bereitstellung aller Unternehmensdaten zuständig? Und verantwortlich? Ähnlich wie ein Finanzministerium benötigt diese Stelle bereichsübergreifende Kompetenzen und Einblick in alle relevanten Datendomänen des Unternehmens.

Im nächsten Schritt erfolgt die Herstellung und Gewährleistung anhaltender Datencompliance: Jeder Mitarbeiter, jede Filiale und jede Fachabteilung muss das Schuhregal nach dem gleichen System organisieren. Jetzt und in Zukunft. Wenn das Unternehmen seine vielen verschiedenen Schuhkeller dann in ein einheitliches Zentrallager umgewandelt hat, kann es mit dem Ausbessern der Absätze beginnen – also Vollständigkeit und Korrektheit seiner Daten herstellen.

Werkzeuge für Integration und Datenqualität

Technologisch basiert Datenharmonisierung in der Regel auf mehreren Bausteinen, die unterschiedliche Aufgaben übernehmen. Master-Data-Managementsysteme sorgen dafür, dass zentrale Geschäftsobjekte wie Kunden, Produkte oder Lieferanten unternehmensweit einheitlich definiert und gepflegt werden. Datenkataloge schaffen Transparenz darüber, welche Datenbestände vorhanden sind, wo sie gespeichert werden und wer sie nutzt.

Moderne Datenplattformen integrieren Informationen aus ERP-Systemen, Fachanwendungen, Portalen sowie internen und externen Datenquellen. Dabei geht es längst nicht mehr nur um strukturierte Daten aus Datenbanken, sondern auch um Dokumente, Sensordaten oder Datenströme aus IoT-Umgebungen.

Governance- und Control-Tower-Ansätze unterstützen Unternehmen dabei, Datenqualität, Verantwortlichkeiten und Compliancevorgaben zentral zu überwachen. Für die operative Qualitätssicherung kommen Data-Quality-Engines, Regelwerke und Dashboards zum Einsatz. Sie identifizieren beispielsweise Dubletten, fehlende Pflichtangaben oder fachliche Inkonsistenzen und machen die Entwicklung der Datenqualität messbar.

Datenqualität messbar machen

Unternehmen investieren oft große Summen in ihre Datenqualität. Doch wie können sie die Ergebnisse überhaupt beurteilen? Wo sind die Unterschiede zwischen Vergangenheit und Gegenwart, welchen konkreten Mehrwert hat das Unternehmen durch seine Investitionen erwirtschaftet? All das lässt sich heute mithilfe von Visualisierungswerkzeugen darstellen, die in den meisten Unternehmen ohnehin zum Standardwerkzeugkasten gehören. Diese können dann individuell festlegen, ob der für sie erstrebenswerte Qualitätsscore bei 60 oder 98 Prozent Genauigkeit liegen soll.

Notwendig dafür sind Erfahrung und Expertise. Banken und Versicherungen können sich selbst auf diese Reise begeben, was allerdings Ressourcen bindet – zeitlich und personell. Oder sie greifen auf das Fachwissen externer Dienstleister zurück. Zur Bewertung der Datenqualität kommen in der Praxis unterschiedliche Scoring-Modelle und Kennzahlensysteme zum Einsatz, mit denen Unternehmen Fortschritte messbar machen können. Anhand dieses Beurteilungssystems für Datenqualität können Finanzdienstleister die Effizienz ihrer Datenpools heute ablesen und unmittelbar den Zusammenhang zu ihrer Wertschöpfung herstellen.

Vom Datensilo zur zentralen Datennutzung

Das Ziel vieler Unternehmen besteht heute darin, Daten zentral bereitzustellen und für unterschiedliche Anwendungsfälle nutzbar zu machen. Also ein zentraler und einheitlich strukturierter "Aufbewahrungsort", der sämtlichen Unternehmensebenen direkten Zugriff auf die Datenbestände ermöglicht – bei garantierter Einhaltung der Compliance.

Ohne manuelle Anfragen an die IT können Mitarbeiter und Fachabteilungen auf diese Daten zugreifen und daraus eigenständig Anwendungen, Analysen und KI-Modelle entwickeln. Moderne Werkzeuge unterstützen dabei die Einhaltung von Berechtigungs- und Compliancevorgaben. Dadurch lassen sich neue Projekte deutlich schneller umsetzen. Mithilfe intuitiv zu bedienender Tools, die parallel alle Zugriffberechtigungen überwachen, entstehen so neue Projekte in bisher nicht dagewesener Geschwindigkeit.

Die Wirtschaft allgemein kann vom Finanzsektor viel lernen, doch auch andere Branchen haben bei ihrer Datenintegration jüngst viel erreicht – etwa große Retailer. Aber ob hausgemacht oder mit externen Partnern: Voraussetzung dafür sind und bleiben kontinuierliche Investitionen.

Das verdeutlicht ein Beispiel aus der Automobilindustrie: Während deutsche Hersteller heute rund fünf Jahre von der Entwicklung bis zur Marktreife eines neuen Modells benötigen, sind es in China oft bis zu zwei Jahre. Ausschlaggebend für eine Aufholjagd der deutschen Industrie wären die Digital-First- beziehungsweise Digital-Twin-Konzepte und Werkzeuge, deren Erfolg wiederum von Datenverfügbarkeit und Datenqualität primär abhängig ist. Bis zu 80 Prozent der Kosten eine Digital-Twin-Entwicklung entfallen auf das Thema Datenmanagement. Von einem derartig großen Effizienzgewinn bei der Time-to-Market können Firmen nur profitieren, wenn sie Datenharmonisierung als integralen Bestandteil ihrer betrieblchen Abläufe begreifen, inklusive der entsprechenden Investitionen.

Fazit

Der Erfolg moderner Datenplattformen hängt nicht allein von der eingesetzten Technologie ab. Erst das Zusammenspiel aus Data Governance, konsistenten Datenstrukturen und geeigneten Integrationswerkzeugen schafft die Voraussetzung für hohe Datenqualität und eine effiziente Nutzung vorhandener Informationen. Wer Datensilos konsequent abbaut, profitiert von schnelleren Prozessen, besserer Transparenz und einer belastbaren Grundlage für künftige Anforderungen.

Über die Autoren: Marco Lenhardt ist Partner bei KPMG im Bereich Financial Services und verantwortet global das Thema Datenmanagement und Reporting. Oleg Brodski ist Partner und Head of Lighthouse Germany - AI & Data Solutions bei KPMG im Bereich Consulting.