Warum Master Data Management (MDM) nicht hintenangestellt werden sollte und warum Process Mining in MDM-Prozessen helfen kann ... in diesem Blog-Artikel zeigen wir die Zusammenhänge eines effizienten Master Data Managements und doppelter Prozesseffizienz auf.

Master Data (deutsch Stammdaten) wurden bereits 2016 in der Studie „Reifegrad und Relevanz des Stammdatenmanagements“ der Management- und Technologieberatung BearingPoint als unabdingbare Basis für die Digitalisierung, Prozesseffizienz und Compliance erhoben. Der folgende Detailauszug verdeutlicht das. So wurden in der Studie unter anderem folgende zentrale Erkenntnisse gewonnen, was die Zielsetzung von Unternehmen hinsichtlich des MDM angeht*.

Über 80 Prozent der Teilnehmer betrachten die Verbesserung der Effizienz in den unternehmerischen Kernprozessen und die Erfüllung von Compliance-Anforderungen als Ziel ‚Wichtig‘ oder ‚Sehr Wichtig‘.

Mit 70 Prozent werden die Erhöhung der Qualität von Reporten als weiteres wichtiges Ziel angegeben, gefolgt von der Verbesserung des Managements des Produktlebenszyklus mit 60 Prozent ‚Wichtig‘ bis ‚Sehr Wichtig‘.

Weitere Ziele im Stammdatenmanagement, die thematisiert wurden:

Einsparung von Kosten in der Pflege von Stammdaten

Erleichterung von Mergers & Acquisitions, Business Outsourcing, Reorganisationen

Vereinfachung von Systemmigrationen & -neueinführungen

Verbesserung der Kundenansprache, der Kundenzufriedenheit (360° Customer View)

Unternehmen treiben oftmals zunächst die Digitalisierung der Kernprozesse voran und kümmern sich dann erst im Anschluss um das Thema Stammdaten selbst. Dabei steckt in der Optimierung des MDM-Prozesses doppeltes Potenzial.

Der MDM-Prozess 

Die Pflege der Stammdaten ist ein eigenständiger Prozess: der Master-Data-Management-Prozess (MDM-Prozess). Dieser hat die folgende Schlüsselrolle: Geschäftsprozesse mit qualitativ hochwertigen Stammdaten versorgen. Oder einfacher formuliert, hat er die folgende Zielsetzung:

Richtige Daten zur richtigen Zeit am richtigen Ort zu den richtigen Kosten.

BearingPoint (2016)

Das Thema Process Performance spielt im Kontext Master Data eine doppelte Rolle: zum einen muss der MDM-Prozess selbst möglichst effizient sein sowie von Automatisierungspotenzialen profitieren und darüber hinaus hat der MDM-Prozess Auswirkungen auf alle wichtigen Kernprozesse im Unternehmen und stellt somit ein Wirkungszentrum dar, was die Prozesseffizienz anderer Geschäftsprozesse angeht. In der Studie wurden die folgenden Hauptaufgaben des MDM aufgezeigt:

Effizienz der Kernprozesse: Versorgung der heute vorwiegend systemgestützten Kernprozesse mit korrekten und aktuellen Stammdaten.

Regulatory Compliance: Gewährleistung der Einhaltung regulatorischer Bestimmungen durch zweifelsfreie Identifikation und Klassifikation der grundlegenden Objekte.

Um diese Aufgaben zu realisieren, wurden Handlungsempfehlungen abgeleitet – die ersten drei wurden aus der Studie übernommen, leicht erweitert und um eine vierte ergänzt.

Handlungsempfehlungen

  1. Process Governance | Das Stammdatenmanagement ist in ein geregeltes Prozessmanagement zu überführen. Dies erfordert den Aufbau und den Einsatz einer Prozess-Governance mit den entsprechenden Methoden, Regeln und Rollen.
  2. Process Performance Indicators (PPIs) | Aufbau, Einführung und Überwachung von Process-Performance & Key-Performance-Indikatoren, welche die Effizienz der Pflegeprozesse und die Qualität der Daten messbar machen.
  3. Maßnahmen | Umsetzung der sich daraus ergebenden Anpassungen an Prozessen, Informationsarchitekturen und IT-Systemen.
  4. Impact Controlling  | Umsetzung einer Wirkungskontrolle von Digitalisierungsmaßnahmen, um den Fortschritt von Digitalisierungsmaßnahmen frühzeitig zu beobachten und diese zu steuern.

Dass und warum die Optimierung von MDM-Prozessen eine doppelte Schlüsselrolle für den Erfolg eines Unternehmens darstellt, ist nun offensichtlich geworden. Doch wo sollen Unternehmen anfangen? Wo drückt der Schuh am meisten? Wie können Unternehmen Schwachstellen in ihren Prozessen erkennen? Papier und Stift haben hier ausgedient. Auch manuelle Prozessmodellierung kostet Zeit und Geld – außerdem werden hierbei „nur“ Wunschszenarien definiert und nicht die Realität erkundet. Seit einigen Jahren gibt es eine Technologie zur automatisierten Analyse real stattfindender Geschäftsprozesse: Process Mining.

Process Mining für MDM-Prozesse

Dank Process Mining werden typische Hürden wie "heterogene Systemlandschaften" durch die flexible Anbindung an verschiedene Datenquellen quasi spielend überwunden, Ursachen von Verzögerungen komfortabel systemübergreifend analysiert und manuelle Aufwände minimiert. Repetitive Workflows können analysiert, optimiert und qualitativ hochwertig automatisiert werden – um nur einige Möglichkeiten zu nennen. Im Kontext MDM wurde deren Einsatz bislang in vielen Unternehmen vernachlässigt.

Webinar on Demand |Der Einsatz einer Process-Mining-Technologie im MDM-Prozess, sowie Optimierungs- und Automatisierungspotenziale 

Ein ausführliches Info-Topic „Process Mining im Master Data Management – eine beispielhafte Skizzierung anhand der Material-Data-Management-Prozesses [MMDM-Prozess]“, das den Einsatz von Process Mining in MDM-Prozessen vertieft, finden Sie im Insider-Fachportal ProcessMining BlackBox (die Registrierung ist kostenfrei möglich). Außerdem finden Sie hier diverse Informationen rund um Process Mining und Process Performance Management.