Daten als Vermögenswerte

Branchenspezifika beachten

Eine tatsächliche finanzielle Bewertung kann nur in Form einer Ex-Post-Betrachtung und einer entsprechenden Projektion in zukünftige Perioden erfolgen. Dies erfordert intensive Analysen des Datenbestandes, wobei die zu analysierenden Fragestellungen abhängig von der Branche und Datendomäne zu wählen sind. Eine regelmäßige Datenqualitätskontrolle ermöglicht Unternehmen, nicht reaktiv, sondern proaktiv Einfluss auf die Qualität ihrer Daten zu nehmen. Diese präventive Maßnahme sorgt für ein früheres Erkennen und Beseitigen der Probleme, die durch Datenqualitätsmängel entstehen. Der Einsatz einer Datenqualitätsmethodik forciert ein einheitliches stringentes Vorgehen zur Kontrolle und Überwachung der Datenqualität. Ziel einer solchen Methodik ist es, über ein iteratives regelmäßiges Messen, Analysieren der Ursache für Qualitätsmängel, Korrigieren und Kontrollieren, die Qualität der Daten zu steigern. Das Vorgehen orientiert sich in Grundsätzen an vorhandenen Qualitätsmanagement-Methoden wie beispielsweise Six Sigma. Vor dem Messen der Datenqualität werden Regeln definiert. Diese bewerten die Exaktheit der Daten durch ihre Vollständigkeit, Formatkonsistenz, Zuverlässigkeit sowie inhaltliche und zeitliche Plausibilität. Die daraus entstanden Kennzahlen bilden das Grundgerüst der auf das Unternehmen angepassten Datenqualitätsmethodik. Je früher das Unternehmen im Datenstrom eines Prozesses regelmäßig Kontrollen durchführt, desto höher ist die Wahrscheinlichkeit, dass eine zeitaufwendige Qualitätssicherung zum Prozessende entfällt. Die Installation eines zentralen Stammdatenmanagements mit vordefinierten Metadaten – die den konzernweiten Standards entsprechen – unterstützt die Überwachung der Datenqualität. Diese zentrale Standardisierung trägt dazu bei, unternehmensweite Transparenz und Vergleichbarkeit zu erreichen. Das Management sollte Regeln zum effektiven Umgang mit Daten konzernweit definieren. Der ­Aufbau einer Data-Governance-Organisation liefert den erforderlichen Ordnungsrahmen, um unter­nehmensweit effektiv mit Informationen umgehen zu können. Dabei wird die Datenqualität zu einem festen Bestandteil von betrieblichen Prozessen, Strukturen, Technologien und der Unternehmens­organisation. Durch die Definition von Standards, Richtlinien sowie Rollen und Verantwortlichkeiten liefert Data Governance das Rahmenwerk für einen effektiven Umgang mit Informationen. Folgende Aufgabenbereiche umfasst der Governance-Ansatz:
– die Festlegung strategischer Datendomänen
– die Definition von Prozessen sowie von Daten­eigentümerschaft und -verantwortlichkeiten
– die Auswahl konzernweiter Standards, zum Beispiel hinsichtlich der eingesetzten Methoden und Applikationen zum Daten(qualitäts)management
– die laufende Überwachung und das Reporting von Qualitätskennzahlen
– die Entscheidung über Investitionen und Projekte des Datenmanagements
Der richtige Einsatz von Software kann die festgelegten Informationsprozesse und Kennzahlen effektiv unterstützen. Enterprise-Architecture-Applikationen, Master-Data-Management-Tools, Business-Intelligence-Lösungen oder spezielle Data Quality Software erleichtern den strukturierten Umgang mit Daten und ermöglichen ein effektives Reporting an die Ansprechpartner im Management. Nicht in allen Belangen kann man Datenqualität als Corporate Asset betrachten. Einschränkungen entstehen bei der wirtschaftlichen Betrachtung der Datenqualität als Vermögensgegenstand: Die Bewertung sowie die Bilanzierung sind nicht wie bei den Positionen im Anlagevermögen durchzuführen. Da die Qualität der Daten nicht durch Lizenzen, Patente oder Urheberrechte – wie beispielsweise die immateriellen Vermögensgegenstände – bewertet werden kann, wird sie nicht als eigenständiges Wirtschaftsgut in der Bilanz aufgeführt. Datenqualität als Anlagegut ist in der Bilanzpolitik in Form von Abschreibungen oder Aufwertung der Anlagebestände nicht einsetzbar. Auch wenn das Konzept »Daten als Vermögensgegenstand behandeln« nicht im vollen Umfang umgesetzt werden kann, macht dieser Ansatz deutlich, welches Potenzial Datenqualität im Unternehmen hat und wie Datenqualitätsmanagement optimal im Unternehmen umgesetzt werden kann.

Marcus Messerschmidt ist Partner von Pricewater­houseCoopers, Marc Brockmann ist Manager im Bereich Advisory von PricewaterhouseCoopers

1. Daten als Vermögenswerte
2. Branchenspezifika beachten