Frage: Wie ist das Team bei der Entwicklung des Data Quality Score vorgegangen?
Marco Lenhardt: Bei Banken sind Hunderte von Applikationen und Millionen von Datenfeldern im Einsatz. Gefragt war daher ein kennzahlenbasierter Ansatz, der in ein Qualitätslabel mündet. Um diesen Ansatz zu entwickeln, haben wir das Prinzip des Nutri Score aufgegriffen, der 2020 in Deutschland eingeführt wurde.
Mit ihm können Verbraucherinnen und Verbraucher auf einen Blick den Nährwert eines Lebensmittels erkennen und vergleichen. Der Data Quality Score ist ganz ähnlich aufgebaut: Er kennzeichnet jedes Produkt, jeden Bericht, jede Ziffer mit einem leicht verständlichen Qualitätshinweis – und lässt dabei sofort erkennen, wie valide die zur Verfügung gestellten Daten sind.
Man kann also sagen: Wir haben die Lösung für die komplexe Herausforderung im Supermarkt entdeckt – der Nutri Score stand ein Stück weit Pate bei der Entwicklung des Data Quality Score.
Frage: Wie wird der Score berechnet?
Marco Lenhardt: Bei der Berechnung des Data Quality Score werden die Daten auf verschiedenen Ebenen hinsichtlich ihrer Qualität bewertet und in der Folge immer stärker aggregiert. Die Qualitätsbewertung beginnt also bereits beim untersten Datenfeld und summiert sich bis – abhängig von der Kritikalität der Fehler – zum vollständigen Bericht.
Dabei kommt ein modulares System mit unterschiedlichen Aggregationsstufen zum Einsatz. Um ein derartiges System aufzubauen, müssen eine ganze Reihe von Roh- und Ergebnisdaten mit einbezogen werden, damit im Ergebnis ein leistungsfähiges und aussagekräftiges Setup entsteht.
Frage: Und wie sind die Erfahrungen?
Marco Lenhardt: Sehr positiv. Die Idee kam sowohl beim Vorstand und Aufsichtsrat als auch bei den Mitarbeitenden der Pfandbriefbank sehr gut an. Da das Label auf viele Bereiche anwendbar ist, gibt es zahlreiche Einsatz- und Anpassungsmöglichkeiten. Entscheidend ist die instituts-individuelle Parametrisierung der Analyse- und Aggregationslogik.
Sehr gut verwendbar ist der Data Quality Score insbesondere in DQ-Dashboards (Dashboards zur Datenqualität). Mit ihrer Hilfe lässt sich die Qualität unterschiedlicher Kennzahlen und Berichte überblicksartig darstellen, was die Entscheidungsfindung wesentlich unterstützen kann. Gleichzeitig wird deutlich, wo Qualitätsprobleme bestehen, und die Nutzenden können intuitiv über Drill-Downs zur Fehlerursache navigieren.
Und weil der Data Quality Score so leicht verständlich ist, fördert er auch das Mitwirken jedes einzelnen Mitarbeitenden. Wir sind daher davon überzeugt, dass der Data Quality Score auch in vielen anderen Unternehmen in der Finanzbranche großen Wert stiften kann.
