Datenqualität im Pharma-MDM: häufige Probleme und Lösungen

Datenqualität im Pharma-MDM: häufige Probleme und Lösungen

In Pharmaunternehmen steht Master Data Management (MDM) im Zentrum von Analytics, kommerziellem Betrieb, regulatorischem Reporting und Patientenkommunikation. Doch selbst die fortschrittlichsten MDM-Plattformen liefern keinen Mehrwert, wenn die Datenqualität im Pharma-MDM schwach ist.

Stammdaten von schlechter Qualität erzeugen nicht nur technische Schulden, sondern führen zu zersplitterten HCP-Sichten, unzuverlässigen Dashboards, doppelter Ansprache, Compliance-Risiken und falschen Geschäftsentscheidungen. In regulierten Umfeldern, die von Behörden wie der U.S. Food and Drug Administration und der Europäischen Arzneimittel-Agentur beaufsichtigt werden, können ungenaue oder widersprüchliche Stammdaten zudem operative und regulatorische Risiken mit sich bringen.

Im Folgenden gehen wir die häufigsten Probleme der Datenqualität im Pharma-MDM durch und zeigen praktische Wege, sie zu lösen.

1. So gestalten Sie ein Dashboard für Datenqualität im Pharma-MDM (Dubletten, Vollständigkeit und Survivorship-Konflikte)

Ein Datenqualitäts-Dashboard sollte als operativer Kontrollturm für Ihr MDM dienen. Sein Zweck ist nicht nur die Visualisierung, sondern die frühzeitige Erkennung von Qualitätsverlusten in Ihren Golden Records. In der Pharmabranche, wo die Genauigkeit von HCP- und HCO-Daten direkt die Vertriebsausrichtung, Patientenprogramme und Compliance beeinflusst, muss Ihr Dashboard laufend Dublettentrends, Attributlücken und Survivorship-Konflikte sichtbar machen.

Die wirksamsten Dashboards trennen übergreifende Gesundheitskennzahlen von umsetzbaren Ausnahmeansichten, sodass Management und Data Stewards mit derselben verlässlichen Datengrundlage arbeiten.

Management-Übersicht (oberste Ebene)

• Gesamtzahl der Stammdatensätze
• Dublettenquote (%)
• Vollständigkeit der Attribute (%)
• Offene Stewardship-Fälle
• Wöchentliche Trendindikatoren

So erhält das Management sofortigen Überblick.

Dublettenüberwachung

Verfolgen Sie die Matching-Leistung im Zeitverlauf:

• Gesamtzahl erstellter Cluster
• Zusammengeführte Datensätze pro Tag/Woche
• Dublettenanteil je Entität (HCP, HCO, Produkt)
• Neue Dubletten je Quellsystem
• Risikoreiche Cluster (Match-Scores im Grenzbereich)

Hilfreiche Kennzahlen:

• Dublettenquote = Dubletten / Gesamtzahl der Datensätze
• Durchschnittliche Clustergröße
• Verteilung der Match-Konfidenz

Vollständigkeit der Attribute

Messen Sie die Qualität auf Feldebene:

• Befüllungsgrad in % für Fachrichtung, Zulassungsnummer, Adresse, Zugehörigkeit
• Vollständigkeit je Quellsystem
• Vollständigkeit je Region
• Vergleich der Vollständigkeit von Golden Record und Rohdaten

Markieren Sie Felder, die für nachgelagerte Analysen kritisch sind.

Survivorship-Konflikte

Machen Sie sichtbar, wo Quellen voneinander abweichen:

• Anzahl der durch Survivorship überschriebenen Attribute
• Felder mit den meisten Konflikten (Adresse, Fachrichtung, E-Mail)
• Häufigkeit von Konflikten zwischen Quellen
• Manuelle Überschreibungen durch Stewards

Daran erkennen Sie, ob die Survivorship-Logik nachjustiert werden muss.

Stewardship-Betrieb

Verfolgen Sie Arbeitslast und Effizienz:

• Offene und abgeschlossene Fälle
• Durchschnittliche Bearbeitungszeit
• Alter des Rückstands
• Fälle nach Typ (Dublette / fehlende Daten / Konflikte)

Praxistipp

Gestalten Sie Dashboards immer entlang von Entscheidungswegen, nicht entlang von Visualisierungen.

Jedes Diagramm sollte beantworten: Welche Maßnahme löst es aus?

2. Matching-Schwellenwerte und Survivorship-Logik für Fachbereiche verständlich erklären

Fachbereiche interessieren sich nicht für probabilistische Algorithmen, sondern für Vertrauen. Ihre Aufgabe ist es, Matching und Survivorship in geschäftliche Ergebnisse zu übersetzen, nicht in technische Mechanik. Statt Scores und Gewichtungen zu beschreiben, sprechen Sie über Sicherheit, Genauigkeit und Auswirkungen.

Nutzen Sie reale Szenarien und vermeiden Sie algorithmische Fachsprache.

Matching-Schwellenwerte erklären

Statt: „Wir verwenden probabilistisches Matching mit 85-%-Schwellenwerten.“

Sagen Sie: „Wenn zwei Profile bei Name, Adresse und Kennungen zu mindestens 85 % übereinstimmen, behandeln wir sie als denselben HCP.“

Erklären Sie anschließend die Ergebnisse:

Drei Matching-Zonen

• Auto-Merge-Zone (hohe Konfidenz) Das System führt automatisch zusammen, minimales Risiko
• Prüfzone (mittlere Konfidenz) Ein Data Steward validiert
• Kein-Match-Zone (niedrige Konfidenz) Die Datensätze bleiben getrennt

Übersetzung in die Geschäftssprache

• Höherer Schwellenwert = weniger falsche Zusammenführungen, mehr manuelle Arbeit
• Niedrigerer Schwellenwert = schnellere Automatisierung, höheres Risiko falscher Zusammenführungen

Es geht immer um die Balance zwischen Genauigkeit und Effizienz.

Survivorship erklären

Beschreiben Sie Survivorship als Feldverantwortung.

Beispiel: „Die Adresse kommt aus dem CRM, weil der Vertrieb sie pflegt. Die Fachrichtung kommt aus Anbieterdaten, weil diese zertifiziert sind. Die Zulassungsnummer kommt aus regulatorischen Datenfeeds.“

Fassen Sie dann zusammen:

Grundsätze der Survivorship

• Jedes Attribut hat eine vertrauenswürdige Quelle
• Bei mehreren vertrauenswürdigen Quellen entscheidet die Aktualität
• Bei Gleichstand entscheidet die Vollständigkeit
• Manuelle Überschreibung ist das letzte Mittel

Visuelles Erzählen hilft

Zeigen Sie:

• Rohquellen → Golden Record
• Welches Feld aus welcher Quelle stammt

Fachbereiche erfassen es visuell in Sekunden.

3. Stewardship im großen Maßstab operationalisieren

Stewardship scheitert, wenn sie reaktiv und manuell ist. Sie gelingt, wenn sie strukturiert, kennzahlengesteuert und in die täglichen Arbeitsabläufe eingebettet ist. In wachsenden Pharma-MDM-Programmen muss Stewardship wie ein Produktionsprozess funktionieren: mit Warteschlangen, SLAs, Verantwortlichkeiten und Leistungsmessung.

Betrachten Sie Stewards als Datenbetreiber, nicht als Aufräumkräfte.

Ein gestuftes Stewardship-Modell aufbauen

Stufe 1: Automatisierte Klärung

Wird über Systemregeln abgewickelt:

• Matches mit hoher Konfidenz
• Eindeutige Survivorship-Entscheidungen
• Standardvalidierungen

Ziel: 70–80 % automatisiert.

Stufe 2: Prüfung durch Business Stewards

Wird von Fachexperten bearbeitet:

• Matches im Grenzbereich
• Konflikte bei der Fachrichtung
• Abweichungen bei Zugehörigkeiten

Ziel: schnelle Bearbeitung mit klaren SOPs.

Stufe 3: Eskalation an die Data Governance

Wird von Governance-Verantwortlichen bearbeitet:

• Richtlinienänderungen
• Streitfälle zur Quellenpriorität
• Regeländerungen

Selten, aber entscheidend.

Strukturierte Warteschlangen anlegen

Statt eines großen Posteingangs:

• Warteschlange für Dublettenprüfung
• Warteschlange für fehlende Daten
• Warteschlange für Survivorship-Konflikte

Jede Warteschlange braucht:

• Prioritätsstufe
• SLA
• Verantwortliche Person
• Bearbeitungsstatus

Stewardship-KPIs verfolgen

Messen Sie:

• Durchschnittliche Bearbeitungszeit
• Täglicher Falldurchsatz
• Wiedereröffnungsquote
• Alter des Rückstands
• Überschreibungen pro Steward

Was gemessen wird, verbessert sich.

Feedbackschleifen automatisieren

• Häufige Konflikte → Survivorship-Regeln anpassen
• Wiederkehrende Dubletten → Matching-Schwellenwerte nachjustieren
• Fehlende Felder → Validierungslogik aktualisieren

Stewardship sollte das System kontinuierlich verbessern.

4. Widersprüchliche Attributwerte über Quellen hinweg

Widersprüchliche Attribute sind im Pharma-MDM unvermeidlich, weil dieselbe Entität in CRM, Abrechnungssystemen, bei Drittanbietern, in regulatorischen Feeds und internen Anwendungen gepflegt wird. Jede Quelle erfasst Daten für einen anderen Geschäftszweck: Der Vertrieb achtet auf Adressen, Anbieter auf die Fachrichtung, die Compliance auf Zulassungen. Ohne bewusst gestaltete Survivorship-Logik sammelt das MDM lediglich Widersprüche, statt sie aufzulösen.

Genau hier scheitern viele Programme unbemerkt: Die Datensätze werden korrekt gematcht, doch die Golden Profiles bleiben unzuverlässig, weil Attributkonflikte nie systematisch aufgelöst werden. Das Ergebnis sind „technisch gemasterte“ Daten, denen die Fachbereiche trotzdem nicht vertrauen.

Echtes Mastering entsteht erst, wenn Survivorship auf Feldebene angewendet wird und nicht nur auf Datensatzebene.

Typische Konfliktszenarien

• Unterschiedliche Fachrichtungen aus CRM und Anbieter-Feeds
• Mehrere Adressen aus Vertriebs- und Abrechnungsdaten
• Zulassungsnummer im regulatorischen Feed vorhanden, intern aber nicht
• E-Mail oder Telefonnummer nur in einem System aktualisiert

Diese Konflikte wirken sich direkt auf Segmentierung, Targeting, Analysen und Compliance aus.

• So beheben Sie es (in der Praxis)

  Survivorship auf Attributebene einführen: Statt einen einzigen Gewinner-Datensatz zu wählen, entscheiden Sie Feld für Feld. Erstellen Sie eine Survivorship-Matrix wie: Attribut, Primärquelle, Sekundärquelle, Entscheidungsregel bei Gleichstand: Adresse, CRM, Abrechnungsdaten, aktuellster Wert; Fachrichtung, Anbieter, CRM, Vollständigkeit; Zulassung, regulatorische Quelle, k. A., k. A. Klare Regelhierarchien anwenden: Nutzen Sie Kombinationen aus: Beispiellogik: So entfällt jede Unklarheit. Konflikthäufigkeit verfolgen: Messen Sie: Häufige Konflikte...

  • Adresse → CRM
  • Fachrichtung → Anbieter-Feed
  • Zulassungsnummer → regulatorische Quelle
  • E-Mail → aktuellste Aktualisierung
  • Vertrauensrangfolge der Quellen
  • Aktualität
  • Vollständigkeit
  • Konfidenzwert

• 5. Schwache Governance- und Stewardship-Prozesse

  Viele Pharma-MDM-Initiativen investieren stark in Matching-Engines und Pipelines, unterschätzen aber die Governance. Ohne Verantwortlichkeiten, Workflows und Rechenschaft verfallen Verbesserungen der Datenqualität schnell. Stewardship wird zur reaktiven Brandbekämpfung, Regeln verwässern und die Fachanwender verlieren das Vertrauen. MDM ist keine einmalige Integration, sondern ein Betriebsmodell. Governance legt fest, wem was gehört, Stewardship legt fest, wer was behebt...

  • Keine klaren Datenverantwortlichen je Entität oder Attribut
  • Manuelle Änderungen ohne Prüfpfad
  • Keine Stewardship-SLAs
  • Keine Qualitäts-KPIs
  • Fachbereiche umgehen das MDM

• So beheben Sie es (Betriebsmodell)

  Verantwortlichkeiten klar festlegen: Benennen Sie: Jede verantwortliche Person genehmigt Regeländerungen und Qualitätsstandards. Stewardship-Workflows formalisieren: Schaffen Sie strukturierte Prozesse: Jeder Fall sollte Folgendes haben: Governance-KPIs verfolgen, mindestens: Governance ohne Kennzahlen beruht auf Meinungen. Änderungshistorie führen: Protokollieren Sie: Das schafft Transparenz und Prüfbarkeit. Fachbereiche einbinden: Vertrieb, Analytics und Betrieb müssen verstehen: Governance gelingt...

  • HCP-Verantwortliche
  • HCO-Verantwortliche
  • Produktverantwortliche
  • Ablauf der Dublettenprüfung
  • Klärung fehlender Daten
  • Bearbeitung von Survivorship-Konflikten
  • Eskalationswege
  • Priorität

• 6. Fehlendes kontinuierliches Monitoring

  Eine der gefährlichsten Annahmen im MDM ist, dass die Datenqualität nach dem Go-live stabil bleibt. Tatsächlich kommen neue Quellen hinzu, Anbieter ändern Formate und operative Systeme entwickeln sich weiter. Ohne kontinuierliches Monitoring verschlechtert sich die Qualität schleichend, bis Dashboards unzuverlässig werden und das Vertrauen verloren geht. Leistungsstarke MDM-Programme behandeln Monitoring wie Observability in Produktivsystemen: immer aktiv, automatisiert und proaktiv...

  • Die Dublettenquote steigt unbemerkt
  • Wichtige Attribute driften in Richtung leer
  • Survivorship-Konflikte nehmen unbemerkt sprunghaft zu
  • Der Stewardship-Rückstand wächst
  • Fachanwender melden Probleme, bevor die IT sie bemerkt

• So beheben Sie es (kontinuierliche Kontrolle)

  Qualitätsprüfungen automatisieren: Führen Sie täglich oder wöchentlich Validierungen durch für: Lösen Sie Warnungen aus, wenn Schwellenwerte überschritten werden. Trendanalysen einführen: Verfolgen Sie im Zeitverlauf: Trends sind wichtiger als Momentaufnahmen. Qualitätsschwellen festlegen, zum Beispiel: Machen Sie Verschlechterungen sofort sichtbar. Wöchentliche Durchsicht mit den Stewards: Kurzes operatives Review: Kleine wöchentliche Korrekturen verhindern große Ausfälle.

  • Dublettenanteil
  • Leerwertquote je kritischem Feld
  • Verteilung der Match-Konfidenz
  • Umfang der Survivorship-Überschreibungen
  • Vollständigkeit je Attribut
  • Dublettencluster je Quelle
  • Konflikthäufigkeit
  • Stewardship-Durchsatz

• Fazit

  Datenqualität im Pharma-MDM ist keine technische Nebensache, sondern das Fundament für alles Weitere: vertrauenswürdige HCP-Profile, genaue Analysen, regelkonforme Abläufe und fundierte Geschäftsentscheidungen. Dubletten, fehlende Attribute, widersprüchliche Werte, schwache Governance und fehlendes Monitoring sind keine isolierten Probleme. Sie sind zusammenhängende Signale für den Reifegrad. Um sie zu lösen, braucht es mehr als besseres Matching...

  • Sie gestalten Survivorship bewusst auf Attributebene
  • Sie operationalisieren Stewardship mit Verantwortlichkeiten, SLAs und messbaren KPIs
  • Sie überwachen die Qualität kontinuierlich, wie jedes Produktivsystem