Wie Sie mit SAP DQM die Qualität Ihrer Daten dauerhaft steigern

Seit dem Release 1809 von SAP S/4HANA ist SAP Data Quality Management (DQM) als Komponente von SAP Master Data Governance (MDG) aktivier- und nutzbar. Ab dem Release 1909  sogar für Produktdaten, den Business Partner und Custom Objects. Das Toolset umfasst verschiedene Fiori-Apps für die Ermittlung, Darstellung und Erhöhung der Datenqualität, beispielsweise beim Materialstamm oder beim Business Partner.

Sie suchen einen Projektbeschleuniger für Ihr Data Quality Management?

Unser Content Package EVIMENDO.dqm liefert Ihnen per Transport ein vorkonfiguriertes SAP DQM. Dank der ausgelieferten Regeln lernen Sie Ihre Daten besser kennen und haben anschließend die Möglichkeit, Ihr Data Quality Management individuell zu erweitern.

Die Fiori-Apps bieten unter anderem die Möglichkeit, Datenqualitätsregeln zu importieren und zu exportieren sowie Evaluations-Runs gegen den Datenbestand im System auszuführen. Zusätzlich lassen sich mithilfe von separaten Fiori-Apps Dimensionen und Score-Werte für die jeweiligen Regeln definieren.

Regeln per Rules Mining

Die Regeln können entweder selbst implementiert oder über die ebenfalls in SAP DQM verfügbare Rules-Mining-App generiert werden. Auf die Implementierung der Regeln und das dazugehörige Routing/Delegieren gehen wir weiter unten noch ausführlicher ein.

Die Rules-Mining-App bedient sich verschiedener HANA-Funktionen und einer Art von künstlicher Intelligenz (KI), um im aktuellen Datenbestand (Material oder Business Partner) mögliche Kombinationen von gefüllten Feldern und Schwellenwerte zu finden.

Speziell hat der Anwender die Möglichkeit, auf Tabellenbasis, zum Beispiel MARA oder BUT000, in Verbindung mit anderen Tabellen wie KNB1/KNA1 die gewünschten Kombinationen auszuwählen und durch die KI auswerten zu lassen.

Dimensionen für die Qualität

Die generierten Regeln können anschließend per Knopfdruck als Datenqualitätsregel implementiert werden. Um die Regeln in Kategorien einzuteilen, kann der Anwender in der App „Define Scores“ mit Dimensionen arbeiten.

Üblicherweise greifen Unternehmen auf folgende Dimensionen zu:

• Accessibility

• Timeliness

• Uniqueness

• Correctness

• Completeness

Diese Dimensionen können erstellt und mit den gewünschten Werten für Kritisch, Warnung und Zielwert versehen werden. Die bereits implementierten Regeln lassen sich den zugehörigen Dimensionen zuordnen. Auf Grundlage einer festzulegenden Gewichtung ergibt sich dann bei der Evaluierung in Kombination mit fehlerhaften Datensätzen ein Datenqualitäts-Score.

Aussagekräftige Evaluationen

Die Evaluierung ist ebenfalls in einer separaten App zu bedienen, gibt dem Anwender Auskunft über fehlgeschlagene Datensätze und liefert Informationen darüber, welche Regeln verletzt wurden. Darüber hinaus wird auch die Entwicklung der Datenqualität anhand aller bereits ausgeführten Evaluationen grafisch dargestellt.

Somit können Unternehmen schnell erkennen, ob beispielsweise ein Datenimport die Qualität verschlechtert hat oder die definierten Regeln die gewünschte Wirksamkeit im Hinblick auf die Datenqualität erzielen.

Hier besteht die Möglichkeit, direkt in einen Änderungsantrag oder einen Massenprozess zu springen. Alternativ kann der betroffene Datensatz dem verantwortlichen Fachbereich zur Korrektur zugewiesen werden.

Regel-Owner, Entwickler und Ansprechpartner

Wie erwähnt, gibt es – analog zur Korrektur der Datensätze – auch für das Erstellen und Implementieren der Datenqualitätsregeln ein entsprechendes Routing. Dadurch kann beispielsweise der Fachbereich eine Regel thematisch beschreiben und strukturieren und sie anschließend für die Implementierung in die Entwicklungsabteilung geben. Fachlich steht hinter jeder Regel ein Regel-Owner, ein Entwickler und ein Ansprechpartner. Hinter diesen Feldern steckt eine Berechtigungslogik, die beim Einrichten des SAP DQM gecustomized wird.

Technische Regeln: Scope und Condition

Die Regeln selbst bestehen immer aus zwei technischen Regeln, dem Scope und der Condition. Der Scope definiert, welcher Datensatz für die entsprechende Regel selektiert werden soll. Hieraus ergibt sich der 100%-Wert.

Ein Beispiel: Ein Anwender hat 10.000 Business Partner, in denen 2.000 deutsche Business Partner enthalten sind. Implementiert der Anwender nun eine Regel, die nur die deutschen Business Partner betrifft, und wählt er den Scope entsprechned, ergibt sich folglich 2.000 als Wert für 100%. Wenn dann in der Condition 1.000 Business Partner als fehlerhaft markiert werden, sind 50 % der Daten falsch.

Beim Erstellen der Regeln lässt sich auch festlegen, für welche Prozesse die Regel gelten soll. Das bedeutet, der Anwender kann auswählen, ob die Regel ausschließlich in der Evaluierung Anwendung findet oder zusätzlich in einem MDG-/MDC-Prozess oder einem Massenprozess ausgeführt werden soll. Damit ist auch für zukünftige Business Partner, die im System angelegt oder über einen MDC-Prozess eingespielt werden, sichergestellt, dass die Datenqualität erhalten bleibt.