Wie Schweizer Organisationen Datenqualität erfolgreich sichern – Drei Beispiele

Gute Datenqualität ist kein Zufall, sondern das Ergebnis gezielter Massnahmen entlang Technologie, Architektur und Organisation. Im ersten Teil dieser Serie haben wir beleuchtet, warum Datenqualität zentral für den Erfolg datengetriebener Organisationen ist – und was sie konkret ausmacht. 

Jetzt wird es praktisch: Wir zeigen, wie drei Schweizer Organisationen mit sehr unterschiedlichen Voraussetzungen und Anforderungen das Thema angehen.

Gemeinsam ist ihnen: Sie haben erkannt, dass Datenqualität kein rein technisches Problem ist, sondern ein Querschnittsthema, das Business, IT und Organisation verbindet. Entsprechend setzen sie auf kombinierte Ansätze.

Drei Handlungsfelder für Datenqualität: Technisch, architektonisch, organisatorisch

Allgemein lassen sich die Massnahmen auf verschiedene Arten einordnen und kategorisieren. In dieser Serie werden wir uns speziell mit der folgenden Einordnung der Datenqualitäts-Massnahmen befassen:

1. Mit technischen/applikatorischen Massnahmen ist die Einführung neuer Tools oder Frameworks gemeint, sowie der verbesserte Einsatz bestehender, bereits vorhandener Fähigkeiten zur Sicherstellung und Prüfung der Datenqualität. Dabei geht es um den Einsatz von Datenqualitäts-Tools, KI-Modellen, Automatisierungswerkzeugen, die Erstellung von Monitoring- und Audit-Tools und weitere Massnahmen.
2. Mit architektonischen Massnahmen wird vor allem die technologische und Dateninfrastruktur eines Unternehmens hinterfragt, die für die Speicherung, Erfassung und Verarbeitung von Daten verantwortlich ist. Dazu gehören die Einführung von Daten-, Integrations- oder AI-Plattformen, die Definition und Pflege von Datenmodellen, die Erstellung von Integrations Patterns und sauberen Schnittstellendefinitionen sowie weitere Massnahmen.
3. Organisatorische Massnahmen betreffen vor allem die organisatorische Struktur im Unternehmen und Prozesse zur Sicherstellung der Datenqualität. Diese beinhalten die Steigerung der Datenmaturität durch Upskilling, Change Management, die Verteilung von Ownership und Verantwortlichkeiten, Team-Shaping, die Integration von Datenqualitätsmanagement in bestehende Prozesse sowie weitere Massnahmen.

Gute Datenqualität in der Praxis

Lasst uns also drei Beispiele aus der Schweizer Industrie- und Verwaltungssektor anschauen, die mit Daten Qualitätsproblemen zu kämpfen haben, und die Massnahmen diskutieren, die hierfür ergriffen worden sind.

SWICA: Technisch/Applikatorische Massnahmen für eine hohe Datenqualität

Die SWICA Gesundheitsorganisation ist eine führende Schweizer Kranken- und Unfallversicherung, die umfassende Versicherungs- und Vorsorgelösungen für Privatpersonen und Unternehmen anbietet. 

Ihr Ziel ist es, die Gesundheit ihrer Versicherten zu fördern und im Bedarfsfall eine schnelle und qualitativ hochwertige Versorgung zu gewährleisten. Um in diesen verschiedenen Tätigkeitsbereichen fundierte und vernetzte Entscheidungen treffen zu können, ist SWICA auf qualitativ hochwertige und fundierte Daten angewiesen.

Für die Datenanalyse und -aufbereitung setzt SWICA auf ein dezentralisiertes Data Mesh. Um bestehende Aufbereitungen auch im neuen System nutzen zu können, wurden in kurzer Zeit viele Datenaufbereitungen und grosse Datenmengen aus dem zentralisierten Data Warehouse auf das Data Mesh portiert. Um durchgehend eine hohe Datenqualität sicherzustellen, führte SWICA deshalb das Data Quality Framework «Great Expectations» ein.

Mit «Great Expectations» werden datenbasierte Bedingungen und Regeln definiert, nach denen die Daten während den Aufbereitungen validiert werden. Abweichungen zum bisherigen Datenstand, aber auch zukünftige Veränderungen werden fortlaufend erkannt. 

Durch die Definition in wenig technischen Begriffen ermöglicht es die Businessanforderungen verständlich und transparent in technische Anforderungen zu überführen - seien es simple Checks wie «Keine Duplikate in diesen Tabellen» aber auch statistische Aussagen wie «Die Altersstruktur unserer Kunden sollte in einem definierten Rahmen sein».

Die technische Überprüfung mittels eines Data Quality Frameworks garantiert fortlaufend hohe Qualität und ermöglicht es, zeitnah auf Abweichungen zu reagieren.

Schweizer Armee: Gute Datenqualität sicherstellen mit architektonischen Massnahmen 

Das Projekt Digitalisierung der Milizarmee (Dimilar) realisiert den «Dienstmanager» zur vereinfachten Interaktion mit Armeeangehörigen und zur Ablösung des physischen Dienstbüchleins. Der Dienstmanager bietet Armeeangehörigen Einblick in ihre Daten (z.B. Dienste, Diensttage) und ermöglicht digitale Anfragen (z.B. Dienstverschiebungen, Urlaubsgesuche, Adressänderungen). Seit August 2023 ist der Dienstmanager erfolgreich für die gesamte Milizarmee verfügbar.

Datenqualität, mit Fokus auf Datensicherheit, ist eine Kernanforderung von Dimilar. Insbesondere die frühe Entscheidung, eine Microservices-Architektur zu benutzen, war für die Erfüllung der Anforderungen sehr hilfreich.

Lösungsarchitektur: Microservices stärken die Datensicherheit und Verfügbarkeit

Die Microservices-Architektur teilt Code und Daten einer Anwendung auf mehrere unabhängige Dienste und Datenbanken auf, die jeweils einem verantwortlichen Team zugeordnet sind. Dies ermöglicht:

• Feingranularen Zugriffsschutz auf Code und Daten nach dem Need-to-Know-Prinzip.
• Klare Verantwortlichkeiten in kleineren Teams, was zu besserem Know-how, Ownership und sorgfältigerem Umgang mit Daten führt.
• Erhöhte Fehlertoleranz und Datenverfügbarkeit durch unabhängige Deployments und Entwicklungszyklen und entsprechend bessere Aktualität der Daten.

Datenarchitektur: Sorgfältige Domain-Modelle machen Daten verständlicher

Einige Daten werden von externen Systemen verwaltet und beim Dienstmanager lediglich gecached. Die dazugehörigen externen Datenmodelle entsprechen oft veralteten Standards und verwenden unklare Abkürzungen oder codierte Inhalte. 

Der Dienstmanager hingegen nutzt ein eigenes Domänenmodell, welches durch einen Anti-Corruption Layer vom externen Modell getrennt ist, wodurch ein klareres Verständnis der Daten geschaffen wird.

Eine Quelle von Missverständnissen ist oft auch der Sprachgebrauch selbst, zum Beispiel die Doppeldeutigkeit von Wörtern. In diesen Fällen hilft ein Prinzip aus dem «Domain-Driven Design», mit dem man die Fachdomäne in sprachlich konsistente Kontexts unterteilt, und entlang dieser Teilung die Microservices und Teams bildet. Innerhalb jedes Kontextes und Teams sind die Begriffe eindeutig, und so werden Missverständnisse vermieden.

Centris AG: Organisatorische Massnahmen zur Sicherstellung einer guten Datenqualität

Als spezialisierte IT-Dienstleisterin für Kranken- und Unfallversicherer vernetzt die Centris AG über ihre cloudbasierte Swiss Health Platform die Akteure des Schweizer Gesundheitswesens. 

Mit einem umfassenden Leistungsportfolio – von Beratung und Lösungsdesign über Systemintegration bis zum stabilen Betrieb mit Cybersecurity und Business Continuity – befähigt sie Versicherer, ihre Geschäftsprozesse effizient zu digitalisieren, regulatorische Anforderungen zu erfüllen und neue Geschäftsmodelle umzusetzen.

Im Sommer 2023 nahm Centris eine neue Integrationsplattform mit Streaming-Technologien in Betrieb, die eine Echtzeit-Anbindung an das Kernsystem bereitstellt und zugleich die Fertigungstiefe reduziert. Aufbauend darauf erfolgte eine agile Transformation mit dem Ziel, die Datenqualität sicherzustellen und klare Verantwortlichkeiten für die einzelnen Produkte zu schaffen.

Die Teams wurden entlang der Produktschnitte der jeweiligen Lösungen auf der Integrationsplattform neu organisiert. Sie arbeiten produktzentriert, mit eigenen Entwicklungszyklen, klar dokumentierten Contracts/Schemas und definierten Schnittstellen zu anderen Teams. Kafka fungiert dabei als zentrale Streaming-Technologie und Datendrehscheibe für eine ereignisgesteuerte Integration.

Durch diese Struktur sowie durch Prinzipien wie Contract-First, Shift-left-Testing und eine klar zugewiesene Datenverantwortung lassen sich insbesondere die intrinsischen Dimensionen der Datenqualität, wie Genauigkeit, Vollständigkeit, Konsistenz, Aktualität und Verständlichkeit, systematisch verbessern und absichern.

Fazit: Datenqualität ist eine Journey

Die Beispiele zeigen: Es braucht mehr als Tools und Technologien, um Datenqualität nachhaltig zu verbessern. Entscheidend sind:

1. Verantwortung und Ownership – auf technischer wie fachlicher Seite
2. Klar definierte Use Cases – als Bewertungsrahmen für Qualität
3. Interdisziplinäre Zusammenarbeit – zwischen Business, IT und Governance
4. Ein abgestimmter Mix aus technischen, architektonischen und organisatorischen Massnahmen

Datenqualität ist damit nicht nur eine Aufgabe für IT oder Datenabteilungen – sondern ein strategisches Thema, das Führung, Struktur und Kultur verändert und kontinuierlich weiterentwickelt werden sollte.