Wie man eine Single Source of Truth schafft: Ein vollständiger Leitfaden
Zwei Personen öffnen zwei Tabellenkalkulationen und weisen zwei unterschiedliche Umsatzzahlen für denselben Monat aus. Beide arbeiten sorgfältig. Beide können ihre Zahl begründen. Keiner von beiden liegt falsch.
Das ist kein Datenproblem. Es ist ein Definitionsproblem im Gewand eines Datenproblems.
Die meisten Versuche, das Problem zu lösen, beginnen mit dem falschen Schritt: der Auswahl eines Tools. Die Lösung beginnt damit, schriftlich festzuhalten, was jede Kennzahl bedeutet und wer darüber entscheidet.
Dieser Leitfaden erklärt, was der Begriff wirklich bedeutet und welche vier Entscheidungen vor jeglicher Arbeit mit Tabellenkalkulationen getroffen werden müssen. Anschließend werden die drei manuellen Wege aufgezeigt und erklärt, wo die Grenzen der jeweiligen Methode liegen.
Was eine Single Source of Truth tatsächlich ist
Der Leitfaden von Workday zu SSOT definiert dies als „ein zentralisiertes System, in dem alle kritischen, aktuellen Geschäftsdaten aggregiert, bereinigt und allgemein zugänglich gemacht werden“.
Der Satz, auf den es noch mehr ankommt, folgt später auf derselben Seite. Eine Single Source of Truth „ist oft das Ergebnis der korrekten Nutzung der technischen Infrastruktur, nicht die Infrastruktur selbst“.
Lesen Sie das zweimal, bevor Sie irgendetwas kaufen. Ein Data Warehouse bietet Ihnen Speicherplatz. Einigkeit bringt Ihnen die Wahrheit.
Dieselbe Seite nennt Datensilos als Hauptursache für widersprüchliche Zahlen. Sie beschreibt sie als „isolierte Informationspools, die in voneinander getrennten Tools, Tabellenkalkulationen und Abteilungsservern gefangen sind“. Die empfohlene Vorgehensweise beginnt mit Governance statt mit der Plattform: Begriffe definieren, Verantwortliche ernennen, dann die Technologie auswählen, Daten bereinigen und schließlich phasenweise einführen.
Warum zwei Teams zwei unterschiedliche Zahlen erhalten
Fast immer liegt es an einer von vier Ursachen, und keine davon hat mit Rechenfehlern zu tun.
Unterschiedliche Filter. Ein Bericht schließt interne Konten und Testdatensätze aus. Der andere schließt sie ein. Niemand hat das dokumentiert, also ist es niemandem aufgefallen.
Unterschiedliche zeitliche Abgrenzungen. Ein Team grenzt den Monat zum Rechnungsdatum ab, das andere zum Zahlungsdatum. Beide Ansätze sind vertretbar, und sie werden nie übereinstimmen.
Unterschiedliche Nenner. Eine Quote besteht aus zwei Teilen. Ändert man den Nenner, verschiebt sich der Prozentsatz, ohne dass sich ein einziger Datensatz ändert.
Unterschiedliche Datenstände. Ein Export wurde am 1. durchgeführt, der andere am 3., und dazwischen sind drei Tage lang nachträglich erfasste Daten eingegangen.
Die vier Entscheidungen, die zuerst getroffen werden müssen
Halten Sie diese schriftlich fest, bevor Sie eine Formel anfassen. Ein Tabellenblatt für Definitionen direkt neben Ihren Zahlen ist die günstigste Governance, die Sie je einführen werden.
| Entscheidung | Die zu beantwortende Frage | Warum es wichtig ist |
|---|---|---|
| Definition | Was genau zählt als eine Einheit dieser Kennzahl? | Entscheidet, wer im Scope ist und wer nicht |
| Filter | Welche Datensätze werden ausgeschlossen und warum? | Meistens die mit Abstand größte Quelle für Abweichungen |
| Abgrenzung | Welches Datumsfeld grenzt den Zeitraum ab? | Zwei valide Optionen, zwei unterschiedliche Ergebnisse |
| Verantwortlicher | Wer genehmigt eine Änderung dieser Definition? | Ohne festen Namen weichen Definitionen schleichend ab |
Die Zeile für den Verantwortlichen wird von Teams am häufigsten übersprungen. Eine Definition ohne Verantwortlichen ist nur eine Empfehlung, und Empfehlungen werden jedes Quartal neu interpretiert.
Verknüpfen Sie dies mit der Kennzahlenebene, über die Sie bereits berichten. Unser Leitfaden zu Früh- und Spätindikatoren (leading and lagging indicators) zeigt auf, welche Kennzahlen diese Behandlung verdienen – denn das gilt nicht für alle.
Wie Sie manuell vorgehen
Option 1: Zwei Versionen Zeile für Zeile abgleichen
Beginnen Sie mit der Abweichung und nicht mit der Theorie. Führen Sie beide Berichte in einer Arbeitsmappe zusammen und gleichen Sie die Datensätze mithilfe von XVERWEIS (XLOOKUP) über einen gemeinsamen Schlüssel ab.
Zeilen, bei denen kein Treffer erzielt wird, sind Ihr wichtigster Anhaltspunkt. Sie zeigen Ihnen, was eine Seite enthält und die andere nicht – genau der Filter, den niemand dokumentiert hat.
Achten Sie dabei auf Beinahe-Duplikate bei den Bezeichnungen. IDENTISCH (EXACT) vergleicht zwei Textwerte unter Berücksichtigung der Groß- und Kleinschreibung. Die Funktion findet Paare wie „ACME Corp“ und „Acme Corp.“, die dem menschlichen Auge leicht entgehen.
Der Haken an der Sache ist, dass dies nur für einen Monat hilft. Im nächsten Monat weichen dieselben zwei Berichte wieder voneinander ab, weil sich strukturell nichts geändert hat.
Option 2: Einen zentralen Datensatz erstellen und jeden Bericht daraus ableiten
Erst konsolidieren, dann berichten. Das Zusammenführen in Power Query unterstützt verschiedene Join-Arten, einschließlich Anti-Joins. Ein Anti-Join listet Datensätze auf, die in einer Quelle vorhanden sind, in der anderen jedoch fehlen.
Verwenden Sie EINDEUTIG (UNIQUE), um zu prüfen, ob der Schlüssel, über den Sie die Zusammenführung vorgenommen haben, tatsächlich eindeutig ist. Ein sich wiederholender Schlüssel führt unbemerkt zu fehlerhaften Gesamtsummen – und unbemerkt falsche Summen sind schlimmer als Summen, die einen Fehler verursachen.
Die Grenze ist der Wartungsaufwand. Jemand muss die Daten aktualisieren, und diese Person wird zu einer personellen Abhängigkeit.
Option 3: Ein Tabellenblatt für Definitionen neben den Zahlen führen
Eine Zeile pro Kennzahl: Name, Definition, angewendete Filter, verwendetes Datumsfeld, Verantwortlicher, letzte Überprüfung.
Das ist es, was einen Bericht im nächsten Quartal vergleichbar macht. Es ermöglicht Ihnen auch, die Frage „Warum unterscheidet sich das vom letzten Mal?“ in zehn Sekunden statt an einem ganzen Tag zu beantworten.
Die Einschränkung besteht darin, dass das Aufschreiben einer Definition diese nicht automatisch erzwingt. Das Tabellenblatt und die Formeln können auseinanderdriften, was meistens auch passiert.
Die gemeinsame Grenze. Alle drei Optionen setzen voraus, dass sich die Abweichung aus den Dateien herauslesen lässt. Wenn zwei Abteilungen völlig unterschiedliche Systeme nutzen, beginnt der Abgleich schon damit, überhaupt vergleichbare Exporte zu erhalten.
Wo der manuelle Weg an seine Grenzen stößt
Der erste Abgleich ist noch interessant. Beim dritten Mal ist es derselbe Nachmittag, der sich mit neuen Daten wiederholt.
Definitionen veralten, sobald sich das Geschäft ändert. Ein neuer Tariftyp, eine neue Region, ein umbenanntes Feld – und die im März definierte Regel deckt die Daten im September nicht mehr ab.
Auch Exporte verändern sich schleichend. Jemand ändert einen Filter im Quellsystem, und die ankommende Datei sieht zwar identisch aus, bedeutet aber etwas völlig anderes.
Und dann sind da noch die Kosten, die sich erst in einem Meeting zeigen. Wenn zwei Zahlen live aufeinanderprallen, müssen Sie die Abweichung sofort erklären – und die Erklärung liegt in einer Arbeitsmappe, die Sie nicht parat haben.
Genau deshalb gibt es diese Kategorie überhaupt. Die Übersicht über KI-Tools für Business Intelligence ohne Datenteam deckt die Tool-Seite dieses Problems ab.
Wie Sie es mit Powerdrill Bloom umsetzen
Schritt 1: Beide widersprüchlichen Exporte hochladen
Laden Sie die beiden Dateien, die nicht übereinstimmen, zusammen hoch. Powerdrill Bloom analysiert die Spalten direkt beim Import, sodass fehlerhafte Schlüsselformate, inkonsistente Bezeichnungen und leere Felder erkannt werden, noch bevor eine Gesamtsumme berechnet wird.
Schritt 2: Formulieren Sie die Definition in natürlicher Sprache
Beschreiben Sie die Regel, anstatt sie mühsam aufzubauen. Nennen Sie die Kennzahl, die auszuschließenden Datensätze, das Datumsfeld für die zeitliche Abgrenzung und die Gruppierung.
Stellen Sie dann die Fragen, die die Lücke aufdecken. Fragen Sie, welche Datensätze in einer Datei vorkommen und in der anderen nicht. Fragen Sie, welche Bezeichnungen sich nur durch Groß-/Kleinschreibung oder Zeichensetzung unterscheiden. Fragen Sie dann, wie hoch die Gesamtsumme bei der jeweiligen zeitlichen Abgrenzung ausfällt.
Schritt 3: Den abgeglichenen Bericht exportieren
Exportieren Sie die abgeglichene Tabelle, eine Abweichungsanalyse oder Folien, die die vereinbarte Definition direkt neben der Zahl enthalten.
Warum dies besser ist als ein manueller Abgleich
| Manueller Weg | Powerdrill Bloom | |
|---|---|---|
| Nicht übereinstimmende Datensätze finden | Anti-Join pro Dateipaar | Fragen, welche Datensätze fehlen |
| Beinahe-Duplikate bei Bezeichnungen erkennen | Hilfsspalten mit Berücksichtigung von Groß-/Kleinschreibung | Wird direkt beim Upload erkannt |
| Eine alternative Abgrenzung testen | Filter neu aufbauen und Summe neu berechnen | Die andere Regel formulieren und fragen |
| Im nächsten Monat erneut ausführen | Aktualisieren und hoffen, dass sich nichts verschoben hat | Datei austauschen, Regeln beibehalten |
Die dritte Zeile ist diejenige, die Diskussionen beendet. Die Möglichkeit, beide zeitlichen Abgrenzungen nebeneinander darzustellen, verwandelt ein „Deine Zahl ist falsch“ in ein „Unsere Regeln unterscheiden sich“ – und das ist eine lösbare Diskussion.
Häufige Fehler
Eine Plattform kaufen, bevor man sich auf Definitionen geeinigt hat. Speicherplatz bedeutet nicht Einigkeit. Definieren Sie zuerst die Begriffe und ernennen Sie Verantwortliche – genau in dieser Reihung.
Den Nenner nicht angeben. Bei jeder Quote müssen beide Hälften im Diagramm stehen. Ohne sie ist der Prozentsatz reine Dekoration.
Eine einmalige große Konsolidierung als Ziellinie betrachten. Definitionen veralten durch Produkt- und Organisationsänderungen. Planen Sie daher lieber regelmäßige Überprüfungen ein, anstatt alles neu aufzubauen.
Annehmen, dass identische Bezeichnungen auch identische Datensätze bedeuten. Groß-/Kleinschreibung, Zeichensetzung und nachstehende Leerzeichen führen zu unbemerkten Duplikaten. Prüfen Sie dies vor dem Zusammenführen, nicht erst danach.
Exporte abgleichen, die an unterschiedlichen Tagen erstellt wurden. Nachträglich eingehende Daten wirken wie eine Abweichung. Gleichen Sie den Zeitstempel des Exports ab, bevor Sie die Zeilen abgleichen.
Definitionen an einem Ort dokumentieren, den niemand öffnet. Behalten Sie sie in derselben Datei wie die Zahlen und beschriften Sie das Diagramm mit der verwendeten Regel.
Den Verantwortlichen weglassen. Eine Definition ohne namentlich genannten Freigebenden ist eine Definition, die neu interpretiert wird. Ordnen Sie jeder Zeile eine Person zu.
Fazit
Eine Single Source of Truth ist in erster Linie Einigkeit und erst in zweiter Linie Infrastruktur. Definieren Sie jede Kennzahl, halten Sie die Filter schriftlich fest, legen Sie die zeitliche Abgrenzung fest, nennen Sie einen Verantwortlichen und leiten Sie dann jeden Bericht aus einem einzigen Datensatz ab.
Der teure Teil ist nicht der erste Abgleich. Es ist das Lebendighalten der Definitionen, während sich das Geschäft darunter verändert.
Wenn dieser Kreislauf Ihren Monatsabschluss auffrisst, testen Sie Powerdrill Bloom mit den beiden Dateien, die nicht übereinstimmen. Lesen Sie auch unsere Leitfäden zur Erstellung eines KPI-Dashboards aus einer Tabellenkalkulation und zur Festlegung von KPI-Zielen aus Ihren eigenen Daten. Die Seite zur KI-Datenbereinigung deckt den Vorbereitungsschritt ab.
Häufig gestellte Fragen
Was ist eine Single Source of Truth?
Es handelt sich um eine vereinbarte Reihe von Definitionen, Quellen und Berechnungen, aus denen jeder Bericht abgeleitet wird. Der Leitfaden von Workday beschreibt dies eher als das Ergebnis der korrekten Nutzung der Infrastruktur und nicht als die Infrastruktur selbst.
Benötige ich ein Data Warehouse, um eine solche Datenbasis zu haben?
Nein. Ein Data Warehouse bietet Speicherplatz und Skalierbarkeit, während die Einigung auf Definitionen und Verantwortlichkeiten dafür sorgt, dass die Zahlen übereinstimmen. Kleine Teams erreichen dies in einer einzigen, gut geführten Arbeitsmappe.
Warum zeigen zwei Berichte unterschiedliche Gesamtsummen?
Meistens liegt es an Filtern, zeitlichen Abgrenzungen, Nennern oder dem Zeitpunkt des Exports. Überprüfen Sie diese vier Punkte, bevor Sie von einem Rechenfehler ausgehen, denn die Arithmetik ist selten die Ursache.
Wer sollte für die Definition einer Kennzahl verantwortlich sein?
Eine namentlich genannte Person pro Kennzahl mit der Befugnis, Änderungen zu genehmigen. Geteilte Verantwortung führt meist dazu, dass die Definitionen in den verschiedenen Teams unbemerkt voneinander abweichen.
Wie oft sollten Definitionen überprüft werden?
Immer dann, wenn sich das zugrunde liegende Geschäft ändert, und ansonsten in einem festen Rhythmus. Neue Tarife, Regionen und umbenannte Felder machen Regeln ungültig, die zum Zeitpunkt ihrer Erstellung noch korrekt waren.