Ist Datenqualität Verschwendung?

Es war einmal ein Holzfäller.

Er ging jeden Tag in den Wald, um Bäume zu fällen. Bis es dunkel war musste er im Wald sägen und schuften und schwitzen und schaffte es gerade noch so, immer genug Bäume zu fällen.

Eines Tages kam ein Spaziergänger vorbei und sah wie der Holzfäller sich müht und mit seiner Säge kaum noch vorwärts kommt. Der Spaziergänger schaut sich das eine Weile an und fragt dann den Holzfäller: „Sie, Herr Holzfäller! Warum mühen sie sich so? Sie arbeiten ja mit einer ganz stumpfen Säge! Warum schärfen sie die nicht mal?“

Der Holzfäller unterbricht kurz genervt seine Arbeit und wischt sich die Schweißtropfen von der Stirn. „Ich habe keine Zeit, die Säge zu schärfen! Ich muss sägen!“

An diese Geschichte werde ich oft erinnert, wenn es in meinen Projekten um Stammdatenqualität geht. Ich habe in meiner täglichen Arbeit hauptsächlich mit Materialstammdaten, Arbeitsplänen und Stücklisten zu tun. Ich wette aber, dass man die Probleme auch auf andere Daten ausweiten kann. Sie werden bestenfalls stiefmütterlich behandelt und sind nur deswegen kein Problem, weil ja jeder weiß, dass die Planlieferzeiten sowieso nicht stimmen.

Das Thema ist schließlich nicht sexy, man kann sich keine Lorbeeren damit verdienen und in der Zielvereinbarung taucht es auch nicht auf. Wieso sollten Mitarbeiter also auf Stammdaten achten?

Die Antwort ist ganz einfach: Gute Daten sind nun mal leider die Basis für alles, was sich ihr Unternehmen in den schönsten Farben an Automatisierung und Industrie 4.0 ausmalt. Datenqualität bedeutet, dass ihre Daten die Realität adäquat widerspiegeln und somit zur Planung verwendet werden können. Je besser ihre Daten, desto höher ist auch die Qualität der Planung. Aus schlechten Daten lassen sich keine guten Vorhersagen treffen. Oder, noch klarer: Shit In, Shit Out.

Ich rede auch nicht von komplizierten Data-Mining-Projekten, die im Nachhinein eine Korrelation zwischen der Qualität der Currywurst in der Kantine und der Qualität ihrer Produkte erkennen. Ich rede von relativ simplen Dingen: Sinnvolle Dispositionsparameter, die dazu führen, dass der automatische MRP-Lauf nachvollziehbare Bestellmengen vorschlägt und sie nicht noch mal per Excel nachrechnen müssen. Wiederbeschaffungszeiten, die den Erfahrungswerten der Vergangenheit entsprechen und nicht aus Angst vor Versorgungsproblemen künstlich erhöht werden. Dazu dürfen sie sich ansonsten gerne noch mal Episode 5 anhören!

Natürlich ist Datenpflege nicht direkt wertschöpfend, das weiß ich selbst. Die Verschwendung, die durch Fehlentscheidungen aufgrund falscher Informationen entsteht, kann aber erheblich werden.

Stellen sie sich vor, sie haben einen neuen Mitarbeiter in der Auftragsbearbeitung. Er hat gerade seine Ausbildung abgeschlossen und ist jetzt in ihrer Firma für die Abwicklung von Kundenaufträgen zuständig. Von einem anderen Mitarbeiter wird ihm erklärt, wie das funktioniert: Neue Aufträge müssen im System eingegeben werden, dann wird die Verfügbarkeit des Materials im ERP-System geprüft und der Auftrag entsprechend an den Kunden bestätigt. Nach der Produktion oder Beschaffung des Materials muss er sich dann darum kümmern, dass der Versand pünktlich erfolgt.

Er ist am Anfang natürlich sehr vorsichtig und macht alles mit größter Sorgfalt. Bei einem Auftrag wundert er sich ein bisschen, weil er etwas später bestätigt wird als der Rest, ansonsten sieht aber alles normal aus. Er schickt also die Auftragsbestätigung an den Kunden. Abends fragt ihn der Chef, wie der erste Tag war: Der neue Mitarbeiter sagt es wäre noch etwas schwierig, weil er ja so viel lernen muss, aber im Großen und Ganzen lief der erste Tag gut und er hat schon einiges verstanden. Zufrieden gehen beide nach Hause.

Am nächsten Tag steht leider gleich morgens wutschäumend der Vertriebschef auf der Matte: Ein wichtiger Kunde hat eben verärgert bei ihm angerufen und den Auftrag für das innovative, neue Produkt storniert! Ihm wurde eine Lieferzeit von zwei Wochen zugesichert, und jetzt muss er vier Monate auf die erste Lieferung warten! Das kann nicht sein, da geht er lieber zur Konkurrenz.

Was war passiert?

Der neue Mitarbeiter wusste einfach nicht, dass bei neuen Produkten eine Wiederbeschaffungszeit von 111 Tagen als Platzhalter eingetragen wird, weil noch keine Erfahrungswerte bekannt sind. Das hätte bei diesem Produkt natürlich erstmal die versprochene Lieferzeit sein sollen, aber da hat sein Vorgänger einfach kein großes Augenmerk drauf gelegt. Er wusste ja, dass dieses Produkt innerhalb von zwei Wochen fertig sein muss!

So etwas ist verdammt gefährlich, geht aber oft nicht so öffentlich schief und wird deswegen kaum wahrgenommen.

Die Herausforderung bei guten Daten ist, dass sie meistens nicht der eigenen Arbeit zugute kommen, sondern an anderen Stellen im Wertstrom gebraucht werden. Korrekte Arbeitspläne interessieren die Produktionsplanung sowie das Controlling, können aber wahrscheinlich von der Produktion am besten gepflegt werden. Saubere Stücklisten sollten eigentlich aus der Entwicklung kommen, helfen aber vor allem dem Einkauf und dem Lager. Preise und Lieferzeiten bei Einkaufsteilen sollten vom strategischen Einkauf entsprechend der verhandelten Verträge eingestellt werden, sind aber erst später für die Disposition und die Berechnung von Herstellkosten relevant.

Diese Eigenschaft können sie aber auch nutzen: Nur durch diese Querverbindungen über die Organisation hinweg haben sie nämlich Datenlieferanten und Datenkunden. Und wo ein interner Kunde ist, ist die Messung von Qualität ganz simpel: Sie fragen einfach.

(Ja, ich weiß, dass ich das schon mal empfohlen habe. Das werde ich auch noch öfter tun. Ich bin nämlich lieber Mentor oder Coach als Dozent. Und dafür muss man zuhören lernen. Und zuhören kann man nur, wenn was erzählt wird. Und das passiert eben am einfachsten, wenn man fragt. Da bin ich voll bei der Sesamstraße!)

Sie müssen also dafür sorgen, dass die zwei Rollen in ihrer Firma klar sind: Es gibt einen Verantwortlichen für gewisse Daten, und wahrscheinlich mehrere Kunden. Die Datenlieferanten müssen sich dann langsam daran gewöhnen, für schlechte Daten in Verantwortung genommen zu werden. Die Datenkunden müssen aufhören, um die schlechten Daten herumzuplanen. Das Controlling muss da beispielsweise oft kreativ werden. Stattdessen müssen sie Qualitätsprobleme in Zukunft an den Lieferanten zurückspielen. Kaputte Daten sind da nicht anders als kaputte Teile.

Ist diese Arbeit jetzt verschwendet? Jein. Gute Daten sind nicht direkt wertschöpfend, allerdings haben wir am Beispiel eben gesehen, das schlechte Daten auf jeden Fall Verschwendung sind. Deswegen gehört eine gute Datenqualität für mich zur unvermeidbaren Verschwendung und damit zu den Funktionen, welche die Wertschöpfung unterstützen. Sie sollten ihr also eventuell ein bisschen mehr Aufmerksamkeit zugestehen.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.