Programmierte Maschinen sollen so viele mühsame Arbeiten übernehmen wie möglich. Günstiger, schneller, stabiler und vielleicht sogar besser: Automatisierungen geben IT-Vorhaben unkompliziert einen starken Rückenwind. Datenmigrationen sind aber Sonderfälle, weil es keinen «Rückgängig-Knopf» gibt. Automatisierungen sind hier riskanter. Besonders bei den hochkomplexen Datenlagen der Versicherungs- und Finanzbranche.
Bei automatischen IT-Abläufen bilden Regeln, Logiken, Trigger und Abhängigkeiten ein fein abgestimmtes Uhrwerk. Eine ungenügende Datenqualität ist dabei Sand im Getriebe. Schon kleine Unstimmigkeiten – etwa ungültige Codes, fehlende Abhängigkeiten oder inkonsistente Historien – multiplizieren ihre Probleme und riskieren Ausfälle, Fehlentscheide und Compliance-Risiken. Besonders übel ist es, wenn Datenfehler die Automatisierung ungehindert durchlaufen und im Zielsystem landen. Dort angekommen verursachen sie ein grösseres Problem als bisher, da fehlende Abhängigkeiten im neuen System noch schlechter nachvollziehbar sind. Schlimmer noch: einmal migrierte fehlerhafte Daten werden vom Kernsystem innert Minuten in die Umsysteme repliziert. So verteilen sich Lücken, falsche Zuordnungen oder Inkonsistenzen unwiderruflich über zahlreiche Systeme.
Es ist also essenziell, dass die Datenqualität stimmt. «Oft sind die Quelldaten schlechter als gedacht, unvollständig oder inkonsistent», sagt unsere Migrationsexpertin Ildiko Kutasi. Das passiert meist nicht aus Schludrigkeit, sondern ganz natürlich. Etwa durch Veränderungen im Angebot, während alte Verträge bestehen bleiben. Solche Ungereimtheiten stören den Betriebsalltag nicht weiter, sind für Datenmigrationen aber ein Problem.
Datenanalyse als unverzichtbarer Startpunkt
Wir beginnen ein Migrationsprojekt daher immer mit einer gründlichen Analyse. Dabei möchten wir einerseits erkennen, wie die Daten strukturell aufgebaut sind. Von den Tabellen über die Attribute, Codierungen, Formaten hin zu den fehlenden Werten. Wir halten nach Mustern Ausschau, die auf versteckte Probleme hinweisen. Schon bei dieser rein strukturellen Betrachtung zeigt sich oft, wie stark Systeme historisch gewachsen sind und wie viele Inkonsistenzen sich über Jahre angesammelt haben.
Andererseits zeigt eine fachliche Analyse, ob die Daten inhaltlich sinnvoll und logisch verknüpft sind. Abhängigkeiten zwischen Geschäftsobjekten müssen nachvollziehbar sein. Sonst weiss die Automatisierung nicht, wie sie bestimmte Fälle korrekt behandeln muss. Aus Erfahrung funktionieren Prozesse nur dann stabil, wenn fachliche Beziehungen sauber modelliert sind.
Mit einer sauberen Datenanalyse zeichnet sich nicht nur ab, welche Daten automatisierbar sind – sie deckt grundlegende Defekte auf.
Wer entscheidet, was gute Datenqualität ist?
Ein wesentlicher Punkt sowohl in der Analyse als auch später in der Verbesserung der Datenqualität ist das Festlegen von Verantwortlichkeiten, Regeln und Standards. Wir arbeiten bei Migrationsprojekten mit definierten Rollen: Fachverantwortliche, Testspezialisten, Datenanalystinnen, technische Expertinnen. Nur mit eindeutigen Kompetenzen und einer klaren Governance können wir die wichtigsten Fragen der Datenbereinigung beantworten.
- Wer entscheidet, was fachlich korrekt ist?
- Wer dokumentiert getroffene Entscheidungen?
- Wer priorisiert, welche Datenqualitätsmassnahmen zuerst umgesetzt werden?
- Wer entscheidet, wann die Datenqualität gut genug für die produktive Migration ist?
Wer in Qualität investiert, gewinnt
Sind die Verantwortlichkeiten definiert und liegt eine saubere Analyse vor, geht es an die Optimierung der Qualität. Jetzt wissen wir, bei welchen Problemzonen Automatisierungen an ihre Grenzen stossen und wer über das weitere Vorgehen entscheidet.
Um die Daten so effizient und gründlich wie möglich aufzubereiten, haben wir das iterative Vorgehen entwickelt. In mehreren Durchläufen migrieren wir Teile der Daten in eine Testumgebung und korrigieren mit jeder Iteration neu auftauchende Fehler. Dazu gehören neben Anpassungen im Mapping auch, dass wir die Daten immer wieder analysieren und die Migration im Test-Zielsystem verifizieren. Durch die wiederholte Verifikation erhalten wir konkrete Zahlen zur Verbesserung der Datenqualität: Wir können beobachten, wie sich die Menge der Fehler mit jeder Iteration verringert.
Sonderfälle können wir dank der objektorientierten Migration ganz von der Automation ausschliessen. Damit vermeiden wir aufwendige Anpassungen für wenige Einzelfälle. So stellen wir sicher, dass bei der produktiven Migration die Datenqualität stimmt, Einzelfälle isoliert und die Automationen perfekt eingestellt sind.
Dieses Vorgehen hat sich über zahlreiche Projekte hinweg bewährt. Es lohnt sich, der Datenqualität eine hohe Priorität beizumessen. Wer hier spart, automatisiert im Blindflug und zahlt später einen hohen Preis dafür. Unternehmen, die diese Extra-Meile mit uns gehen, profitieren von stabilen, verlässlichen und skalierbaren Automationen. Nicht nur das, die Daten sind nach der Migration in einem besseren Zustand als davor.
