Menü
Behalten Sie Ihre Datenlandschaft im Griff
Das Thema Data Governance ist in aller Munde und aus den verschiedensten Gründen wird dieses Thema immer wichtiger.
Das zeigt sich unter anderem auch in der angebotenen Palette an Werkzeugen.
Viele Tools, für verschiedene Aufgaben stehen bereit. Auch fallen viele verschiedene Begriffe im Zusammenhang mit Data Governance.
"Data Governance ist eine Sammlung von Methoden und Prozessen, die dazu beitragen, die formale Verwaltung von Datenbeständen innerhalb eines Unternehmens sicherzustellen.
Data Governance formalisiert die Definition, Produktion und Verwendung von Daten, um Risiken zu verwalten und die Qualität und Verwendbarkeit ausgewählter Daten zu verbessern."
Ein zentrales Ziel von Data Governance ist die Verbesserung der Datenqualität. Dazu ist vieles notwendig: von Data Stewardship über Data Discovery bis hin zu Data Security. Alle Bestandteile und Initiativen haben gemeinsam, dass sie die Entwicklung der Daten als wichtiges Ziel und als strategisches Mittel für die Zukunft sehen. Es braucht eine koordinierte Steuerung über den gesamten Daten-Lebenszyklus.
Der Satz "Data is the new oil" von Clive Humby aus dem Jahr 2006 ist vielen bekannt. Einen anderen Vergleich von Dan Vasset finden wir in Bezug auf Data Governance noch passender:
"Like water, data needs to be accessible, it needs to be clean und it is needed to survive."
Daten müssen grundsätzlich einmal verfügbar und auffindbar sein. Darüber hinaus muss auch die Qualität der Daten passen, um sie nutzen zu können. Denn: Unternehmen brauchen qualitative Daten um in Zukunft überleben zu können.
Einfach gesagt: Um seine Datenlandschaft im Griff zu behalten.
Die gängigsten Fragestellungen, die sich rund um Daten stellen, sind unter anderem:
Wir brauchen Data Governance also um
Wir brauchen Data Governance außerdem, um Rollen und Verantwortlichkeiten über Datenobjekte klar festzulegen. Oft werden Data Governance-Aufgaben schon implizit von jemanden erledigt, ohne dass er oder sie dazu eine bestimmte Rolle trägt.
Durch die klare Definition von Rollen werden solche implizite Verantwortlichkeiten manifestiert und Mandate vergeben. Damit schafft man Wertschätzung und hoffentlich auch die benötigten Ressourcen.
Zahlreiche Umfragen und Studien zeigen die Einschätzung von Führungskräften, dass es einen direkten Zusammenhang zwischen effektiver Nutzung von Daten und besseren Unternehmensergebnissen gibt. Beispielsweise glauben 77% der befragten Führungskräfte vom Harvard Business Review , dass eine erfolgreiche Datenstrategie entscheidend für den Geschäftserfolg ist.
Dabei ist es völlig egal, ob Sie das Wissen aus Ihren Daten für eine personalisierte Begeisterung ihrer Kunden einsetzen, daraus neuartige Produkt- oder Geschäftsideen entwickeln oder die Qualität Ihrer Produkte verbessern. Es ist auch weniger relevant, um welche Daten es sich handelt, Buchhaltungsdaten, IoT-Daten oder Daten aus Ihrer Produktion.
Wichtig ist, dass Ihre Basis immer hochwertige Daten sind. In der richtigen Qualität und Granularität. Data Governance setzt genau hier an. Damit haben Sie Ihre Daten im Griff und können das unglaubliche Potential heben, das bereits jetzt in Ihren Daten schlummert.
Ohne dass Unternehmen ihre Daten im Griff haben, also ohne Data Governance, wird es zukünftig sehr schwer sein, den Erfolg aufrecht zu erhalten oder auszubauen.Wenn wir mit unseren Projektpartnern das Thema Data Governance erarbeiten, wird eines sehr oft früh ersichtlich: Einige der betroffenen Aufgaben werden ohnehin bereits erledigt und gehören mehr oder weniger zum Tagesgeschäft.
So weiß man z.B. meist wer im Unternehmen zuständig ist, wenn
Aus Sicht von Data Governance werden diese Aufgaben der Rolle des "Data Steward" zugeordnet.
Auch wenn diese Rolle oft nicht offiziell besetzt wurde: Meist weiß man in diesem Fall, wen man fragen muss und wer über diese eine Datenquelle üblicherweise Bescheid weiß. Oft sind diese Aufgaben nicht formalisiert, sind aber aus der betrieblichen Realität nicht wegzudenken.
Es handelt sich dabei um implizite Verantwortlichkeiten. Oft haben die betroffenen Personen jahrelang Wissen und Erfahrung in ihrer täglichen Arbeit aufgebaut und sind dadurch in diese Rolle "hineingerutscht". Sie kümmern sich (neben ihren täglichen Aufgaben) um einen bestimmten Datenbereich.
Mit Data Governance werden solche Verantwortlichkeiten in eine Struktur gebracht und Verbindlichkeit geschaffen. Auch die dafür notwendigen Ressourcen werden so sichtbarer. Nur so kann sichergestellt werden, dass für jede Datenquelle eine Ansprechperson definiert wurde und jeder nachsehen kann, wie diese eine Kennzahl denn nun berechnet wird. Und dass dieses Wissen auch langfristig in Ihrem Unternehmen bleibt.
Data Governance umfasst viele verschiedene Begriffe und Definitionen. Wenn man sich damit beschäftigt, ist es wichtig sich über mögliche Irrtümer im Klaren zu sein.
Nummer 1: Data Governance ist nicht nur Data Stewardship!
Data Stewards bekleiden eine zentrale Rolle im Data Governance. Sie kümmern sich um die Daten und deren Qualität, deshalb sind natürlich besonders wichtig und eine Grundvoraussetzung. Aber das alleine ist noch kein Data Governance! Es braucht den organisatorischen Rückhalt und die dazugehörigen Prozesse für die Steuerung des Daten-Lebenszyklus von der Erzeugung über die Nutzung bis zur Archivierung bzw. Löschung der Daten.
Nummer 2: Data Governance ist keine Software!
Die Steuerung des Daten-Lebenszyklus kann ohne Zweifel durch Werkzeuge unterstützt und erleichtert werden. Diese können aber nur dann sinnvoll eingesetzt werden, wenn zuvor die organisatorischen Rahmenbedingungen mit Rollen, Prozessen und Ressourcen geschaffen wurden. Auch wenn Tool-Hersteller vieles versprechen, eine Software ersetzt nicht ein Data Governance-Programm.
Nummer 3: Data Governance ist kein Projekt mit einem Abschluss, sondern ein ständiger Prozess!
Dieser Punkt ist aus unserer Sicht besonders wichtig! Für die Vorbereitung und Einführung von Data Governance im Unternehmen sollte eine kompetente Projektgruppe gebildet werden. Darin sollten möglichst viele der betroffenen Stakeholder vertreten sein. Dieses Projekt soll die organisatorischen Rahmenbedingungen schaffen. Mit dem Abschluss des Einführungsprojektes startet erst die eigentlich Arbeit.
Nur wenn Data Governance sich in das Tagesgeschäft integriert und dauerhaft gelebt wird, kann es erfolgreich sein.
Im Rahmen von Kunden-Projekten und Data Governance Workshops stellt sich nach dem Einstieg ins Thema natürlich sehr bald die Frage: Wie starten wir nun am besten? Wie bringen wir unsere Data Governance Initiative "auf die Straße"?
Wir wollen Ihnen hier ein paar Tipps geben, wie Sie mit Data Governance am Besten starten.
Zu Beginn ist es aus unserer Sicht am Wichtigsten, den Status Quo zu erheben und zu analysieren. Niemand beginnt von Null, denn in jedem Unternehmen werden einige Aufgaben, die zu Data Governance gehören, ja ohnehin schon gemacht. Diese müssen sichtbar gemacht werden.
Bei dieser Analyse sollten Sie feststellen, wo es bereits gut läuft und wo es Probleme und damit Verbesserungsmöglichkeiten gibt. Außerdem sollte man sich die Frage stellen: Was kann ich aktuell NICHT machen, weil es die Datenqualität nicht erlaubt? Die Antworten darauf liefern uns bereits mögliche Inhalte für den Data Governance Business Case.
Dieser Business Case ist wichtig, denn er dokumentiert die Notwendigkeit und den Nutzen von Data Governance in Ihrem Unternehmen. Denn Eines ist auch klar: Sie benötigen das Mandat der Geschäftsführung. Ohne Rückhalt und entsprechende Ressourcen ist der Erfolg Ihrer Data Governance Initiative von Beginn an gefährdet.
Ist die strategische Entscheidung zum Start eines Data Governance Programms gefallen, stellt sich dann die Frage nach einem geeigneten Startpunkt. Entscheiden sich Unternehmen dafür, strukturiertes Data Governance einzuführen geschieht dies in der Regel im Rahmen von den bereits erwähnten Data Governance Initiativen, also einzelnen Projekten, die dazu dienen, schrittweise die strukturierte Steuerung von Datenlebenszyklen zu erreichen.
Bei der Auswahl an möglichen Kandidaten für eine Data Governance Initiative können verschiedene Richtungen eingeschlagen werden.
Der erste, eher technische Ansatz orientiert sich am Gesamtbestand der Daten im Unternehmen und versucht diesen greifbar zu machen. Daten werden katalogisiert und mit einem organisatorischen Überbau versehen. Der Vorteil dabei ist, dass die Menge an Daten zwar recht umfangreich, aber auch in ihrer Gesamtheit bekannt ist. Es besteht wenig Risiko, dass einzelne Bereiche "übersehen" werden und vor allem wird der gesamtorganisatorische Bedarf aufgezeigt. Spezialisierte Werkzeuge für Data-Catalogs und Data Profiling können hier unterstützen und einzelne Teilschritte können effizient automatisiert werden. Einer der Nachteile dieses Ansatzes ist die Fehlende Differenzierung und Priorisierung der Datenbereiche. Aufgrund der großen Menge an Daten und der hohen Komplexität (geschuldet den Anforderungen der operativen Prozesse und gegebenenfalls den Vorsystemen) wird nur schwer unterschieden, welche Daten nun angepasster Steuerungsmechanismen bedürfen und für welche bestehende Prozesse in den Vorsystemen ausreichend sind.
Eine anforderungsgetriebene Herangehensweise hingegen beginnt mit der Priorisierung der Daten und schafft somit einen Fokus auf jene Bereiche, deren strukturierte Steuerung (Governance) den größten Einfluss hat. Das Thema Daten wird sozusagen von Hinten aufgerollt. Beginnend mit den verwendeten Kennzahlen und Berichten wird evaluiert, welche Daten darauf Einfluss haben und ob deren aktuelle Steuerungsmechanismen gut genug oder ausbaufähig sind. Dieser Ansatz erleichtert es, einzelne "PainPoints" in der Datenlandschaft herauszuheben und das Data Governance Programm dahingehend zu priorisieren.
Die grundlegende Entscheidung bei der Wahl der Herangehensweise ist, ob die Governance Strukturen komplett neu aufgebaut werden sollen (mit dem Fokus auch wirklich alle Datenbereiche abzudecken), oder ob bestehende Strukturen umgebaut werden sollen und die Priorisierung nach Einfluss der Daten auf (entscheidungsrelevante) Kennzahlensysteme erfolgen soll.
Für eine erfolgreiche Data Governance Initiative sind entsprechende Ressourcen und der Rückhalt im Management essentiell.
Um die entsprechenden Personen davon zu überzeugen, stellt sich natürlich zwangsläufig die Frage, wer überhaupt die Stakeholder der Data Governance Initiative sind. Es gilt die Personen zu identifizieren, deren Unterstützung oder Mitwirkung erforderlich ist, aber auch jene Personen, die von einer erfolgreichen Umsetzung direkt profitieren. Diese können sowohl intern wie extern sein. Externe Stakeholder können beispielsweise Partnerunternehmen mit gemeinsamer Ausrichtung sein.
Sind die Personen identifiziert, gilt es noch inhaltlich entscheidende Fragen vorzubereiten:
In diesem Interview erklärt unser Chief Data Scientist Dr. Mario Schnalzenberger, warum Data Governance aus Sicht eines Data Scientisten wichtig ist.
In diesem Interview mit Mag. Julia Crosina-Schreiber, Leiterin der Rechtsabteilung der ACP Gruppe, erfahren Sie, welche Zusammenhänge es zwischen Data Governance und Datenschutz gibt, beziehungsweise wie Ihnen Data Governance bei der Einhaltung des Datenschutzrechtes hilft und welche Vorteile damit verbunden sind.
Auf Basis guter Daten können bessere Entscheidungen getroffen werden und innovative Geschäftsmodelle entwickelt werden.
In unserer datengetriebenen Gesellschaft werden für Unternehmen Daten in Zukunft so wichtig sein, wie es das Wasser für uns Menschen ist - überlebenswichtig.
Deshalb ist es auch unserer Sicht wichtig, dass in Bezug auf Daten folgende Grundsätze gelebt werden:
Daten sind eine wertvolle Ressource und Grundlage von Unternehmensentscheidungen! Sie sollten auch dementsprechend behandelt werden!
Hier muss das Credo lauten: Von "meinen Daten" zu "unseren Daten".
Daten sind eine wertvolle Ressource und Grundlage von Unternehmensentscheidungen. Sie sollten auch dementsprechend behandelt, kontrolliert und gesichert werden. Die Entscheidungsträger und alle handelnden Personen im Unternehmen müssen sich auf die Qualität und Verfügbarkeit der Daten verlassen können.
Für die unternehmenswerte Nutzung von Daten sind Regeln und Verantwortlichkeiten für die Definition und den Schutz von Daten notwendig.
Es ist wichtig, dass Daten nicht in "Silos" (Applikationen) gehalten, sondern unternehmensweit geteilt und nutzbar gemacht werden. Dazu ist es unbedingt notwendig, dass die Daten exakt definiert und für alle klar beschrieben werden. Ein gemeinsames Vokabular muss geschaffen werden. Dies erleichtert die korrekte Verwendung und die Verknüpfung von Daten aus verschiedenen Unternehmensbereichen.
Für die unternehmenswerte Nutzung von Daten sind Regeln und Verantwortlichkeiten für die Definition und den Schutz von Daten notwendig. Der Zugriff auf Daten muss durch definierte Schnittstellen erfolgen, Daten müssen vor unerlaubtem Zugriff geschützt werden.
Data Owners bzw. Data Stewards sind verantwortlich für die Definition, die Nutzung und den Schutz der Daten.
Gesetze und Richtlinien geben die Rahmenbedingungen vor. Die Nutzung von Daten muss aufgezeichnet und kontrolliert werden.
Gesetze und Richtlinien wie z.B. das österreichische Datenschutzgesetz (DSG) geben die Rahmenbedingungen für den Schutz und die Vertraulichkeit von bestimmten Daten vor, z.B. wenn es sich um personenbezogene und besonders schützenswerten Daten handelt.
Dementsprechend muss die Verteilung und Bereitstellung von Daten immer auch unter dem Gesichtspunkt des kontrollierten Zugriffs und Schutzes von sensiblen Daten geschehen.
Dies braucht ebenso klare Regeln und Verantwortlichkeiten. Die Nutzung von Daten muss aufgezeichnet und kontrolliert werden.
Die Standards und Regeln für Datenqualität müssen klar und nachvollziehbar definiert werden und messbar sein.
Die Standards und Regeln für Datenqualität müssen klar und für alle nachvollziehbar definiert werden. Datenqalität muss messbar sein, dadurch wird eine Kontrolle und Verbesserung der Datenqualität möglich.
Die Konsistenz, Zuverlässigkeit und Vollständigkeit der Daten sind wichtige Kriterien für die Nutzbarkeit von Daten im Unternehmen. Entscheidungsträger müssen sich auf die Verfügbarkeit und Korrektheit der Daten verlassen können.
Um diese Grundsätze im Unternehmen zu verankern und auch tatsächlich zu leben, braucht es Data Governance und ein Team, das für die Umsetzung sorgt.
Erstmals formuliert wurden diese Grundsätze vor rund 10 Jahren von Robert S. Seiner, einem der bekanntesten Experten und Autoren zum Thema Data Governance. Sie haben unserer Sicht nichts an Relevanz und Dringlichkeit verloren. Im Gegenteil - sie werden immer wichtiger.
Vereinfacht beschrieben ist der Zweck von Data Governance die Verwaltung und Organisation des Daten-Lebenszyklus.
Die damit verbundenen Handlungsfelder lassen sich in einem Data Governance Framework zusammenfassen und werden in einer gemeinsamen Data Governance Vision und Strategie zusammengefasst:
Es werden Rollen definiert und mit Personen besetzt, um die dazugehörigen Aufgaben für die Data Governance zu erledigen.
Data Governance steuert die mit den Daten verbundenen Prozesse und stellt die Basis für die Arbeit der entsprechenden Rollen dar.
Daten sind einer Reihe von internen und externen Regelwerken unterworfen, zB. der DSGVO oder spezifischen Security-Richtlinien.
Die Umsetzung von Rollen, Prozessen und Regelwerken wird durch den Einsatz von Technologien und Tools unterstützt.
Dass eine gute Datenqualität enorm wichtig ist, haben wir schon mehrfach angesprochen. Doch was sind die entscheidenden Merkmale für Datenqualität?
Wir finden diese 6 Kriterien besonders wichtig: Die Daten müssen vollständig, aktuell, konsistent, einzigartig, konform und genau sein.
Es müssen alle Daten vorhanden sein, um die jeweilige Aufgabe (operativ oder analytisch) bewältigen zu können. Ein Fehlen von notwendigen Daten führt dazu, dass Prozesse möglicherweise ins Stocken geraten. Um die Unterstützung von Geschäftsprozessen sicherzustellen, sind eine Definition von Pflichtfeldern (im Kontext der jeweiligen Aufgabe) sowie automatisierte Prüfungen an ausgewählten Prozesspunkten empfehlenswert.
Es ist ein mehr oder weniger schmaler Grat zwischen der obsessiven Sammlung aller möglichen Daten und deren Beschränkung auf prozessgegeben notwendige (und am Beispiel der DSGVO auch erlaubten) Menge an zu füllenden Attributen. Nicht mehr benötigte Daten belasten technische wie organisatorische Ressourcen und sind nachhaltig zu löschen.
Veraltete Informationen sind eine beträchtliche "Prozess-Bremse". Auf Basis von veralteten Daten werden nicht nur potentiell falsche Entscheidungen getroffen, sondern diese führen auch in manchen Fällen zu falschen / unnötigen Aktionen in operativen Prozessen. Ein gängiges Beispiel sind veraltete Kundendaten die zum Beispiel zu "falschen" Mailings führen. Zentralisierte Daten-Drehscheiben oder auch die dezitierte Festlegung auf "führende-Systeme" für einen bestimmten Datenbereich können hier Abhilfe schaffen, um das Datenqualitätsmerkmal für alle Beteiligten leichter erreichbar zu machen.
Dennoch muss nicht jeder Datenbestand in Echtzeit vorliegen. Eine genaue Betrachtung der Prozesse zeigt auf wo eine schnellere / hochfrequente Aktualisierung zur Produktivität beiträgt.
Datensätze verschiedener Systeme dürfen sich nicht widersprechen. Es kommt in der Praxis häufig vor, dass aus unterschiedlichen Gründen Daten in mehreren Systemen redundant gehalten werden. In vielen Fällen aus praktikabilitätsgründen eingeführt, führt dies im besten Fall „nur“ zu Mehraufwand für die Dateneingabe. Im schlimmsten Fall entstehen Fehler, etwa beim Übertrag der Daten in Folgesysteme oder deren Nutzung zu analytischen Zwecken. Heute aktuelle Integrationsmechanismen können hier Abhilfe schaffen, entbinden aber nicht von der "Designentscheidung", welche der redundanten (aber dennoch abweichenden) Daten nun als gültig zu sehen sind.
Begleitend zur Konsistenz passt die Einzigartigkeit. Doppelte Werte blähen nicht nur den Datenbestand unnötig auf, sondern sorgen bei Abweichungen (siehe Konsistenz) auch für unnötige Rückfragen und somit vermeidbare Prozessaufwände. Aus Sicht von Analyseaufgaben behindern solche mehrfachen Werte die Bildung von Kennzahlen erheblich. Ein automatisiertes Data Quality Monitoring oder Data Profiling bietet einen nachhaltigeren Weg zu sauberen Daten.
Daten müssen den Anforderungen der Systeme und der Prozesse entsprechen. Dieses Merkmal wird einerseits im Bereich von systemübergreifenden Schnittstellen schlagend (z.B. in Form standardisierter Datentypen für Datumswerte) aber auch für die Integration von Daten in analytische Modelle (klare Definition des Formates von Fremdschlüssel).
Verbesserungsbedarf in der Konformität zeigt sich jedoch frühzeitig in Auswertungen, da hier offensichtliche Probleme in der Verdichtung von Daten oder schon im Aufbau der OLAP Modelle ans Licht kommen.
Daten müssen ausreichend genau sein. Denn nicht jeder Geschäftsprozess benötigt Daten bis auf die x-te Kommastelle (bzw. kann diese sinnvoll nutzen / darstellen). Die Genauigkeit betrifft jedoch nicht nur das "Datenformat" einzelner Attribute, sondern in vielen Fällen auch die Granularität der Daten. So können manche Werte z.B. nur auf Monat-Ebene sinnvoll in die Analysen integriert werden, wohingegen andere (z.B. Messdaten) in kleinen Zeitscheiben erforderlich sind.
Die Genauigkeit ist nicht nur Teil kontinuierlicher Qualitätsprüfungen, sondern vor allem eine Designentscheidung in Abstimmung mit den fachlichen Anforderungen.
Der Data Governance Business Case dokumentiert die Notwendigkeit und den Nutzen von Data Governance in Ihrem Unternehmen. Und er hilft Ihnen dabei, das Mandant der Geschäftsführung und damit die nötigen Ressourcen zu bekommen.
Je nachdem ob Sie als Unternehmen bereits datengetrieben arbeiten und z.B. ein Reportingsystem auf Basis eines umfangreichen Data Warehouse betreiben oder ob das Datenmanagement bei Ihnen noch wenig ausgeprägt ist, dieser Business Case muss natürlich immer individuell für jedes Unternehmen erstellt werden. Es gibt dafür keine allgemein gültige Variante.
Folgende 4 Schritte sind notwendig auf dem Weg zum Data Governance Business Case:
Zu Beginn steht die Analyse der bisherigen Aktionen und Initiativen im Bereich Daten-Management. Was wird bereits gemacht? Wie erfolgreich waren vorangegangene Projekte und inwieweit wurden die dazu gesetzten Ziele erreicht? Und falls ja, warum nicht? Was waren die Einflussfaktoren?
Ein Zweck von Data Governance kann nun sein, die Effizienz und Wirksamkeit dieser Projekte zu steigern, z.B. die Verbesserung der Datenqualität im Data Warehouse.
Um ihre Data Governance Intiative erfolgreich platzieren zu können, sollten die Data Governance Ziele auch an den allgemeinen Unternehmenszielen ausgerichtet werden.
Diese Ziele lassen sich meist in folgende Bereiche unterteilen:
In allen 3 Bereichen können Daten gezielt eingesetzt und genutzt werden, um diese Ziele besser umzusetzen. So können z.B. Kundengruppen gezielter angesprochen werden (mehr Umsatz), Prozesse verschlankt werden (Effizienz) und sensible Daten gemäß den Gesetzen behandelt werden (Risiko reduzieren).
Es ist wichtig, sich der aktuellen Problempunkte im Bereich Daten-Management bewusst zu sein. Diese Schwachstellen sind oft einzelnen Personen bekannt, selten aber für alle dokumentiert. In diesem Schritt sollten also alle "Pain points" identifiziert und dokumentiert werden, die aktuell die Zielerreich der Daten-Initiativen behindert.
Dazu sollten Mitarbeiter aus allen Bereichen befragt werden, z.B. mit der Frage "Was kann ich aktuell NICHT tun, weil es Daten nicht erlauben" (z.B. fehlende Verfügbarkeit, unzureichende Qualität, schlechte Performance bei Abfragen). Diese Erhebung kann in Form von persönlichen Interviews, in einem ersten Schritt aber auch mit einem schriftlichen Fragebogen per Email erfolgen.
Die gesammelten Ergebnisse dokumentieren die vorhandenen Problempunkte in ihrer Daten-Landschaft und bieten gute Ansatzpunkte, wo Data Governance Ihnen helfen könnte, ihre Ziele besser zu erreichen.
Auf Basis der Ist-Situation und identifizierten Problempunkte sowie den definierten Zielen sollen im letzten Schritt die Handlungsschwerpunkte für Ihre Data Governance Initiative definiert werden.
Diese können je nach Fokus unterschiedliche Bereiche betreffen, z.B.
Wichtig ist es, für jeden Handlungsschwerpunkt auch eine Kosten-Nutzen-Analyse anzuführen. So sollten neben dem erwartbaren Nutzen auch die erwartbaren Kosten dokumentiert werden.