Mann zeigt auf digitalen, holografischen Bildschirm
Data Management

Warum Ihr Datenmanagement eine robuste Compliance-Strategie braucht

Ein zentrales Datenmanagement dient als Fundament für eine datengetriebene Entscheidungsfindung in Unternehmen. Mit einem zielgerichteten Datenmanagement wird sichergestellt, dass Daten für diejenigen, die sie benötigen, zugänglich, genau und aktuell sind. Folgende Aspekte beinhalten ein effektives Datenmanagement:

  1. Sinnvolle Datenarchitektur und -modellierung (Data Warehouse)
  2. Datenintegration und -migration (Data Lake)
  3. Datenqualität
  4. Datensicherheit und -schutz
  5. Datenanalyse und -nutzung
  6. Individuelles Nutzer- und Rechtekonzept (Data Governance)

Neben einer Datenmanagementstrategie ist eine Data Compliance Strategie wichtig. Data Compliance im Datenmanagement bezieht sich auf die Einhaltung von gesetzlichen Bestimmungen, Richtlinien, Standards, internen Vorschriften und Best Practices in Bezug auf die Erfassung, Speicherung, Verarbeitung, Sicherung, Nutzung und Weitergabe von Daten.

Data Compliance ist wichtig – oder etwa nicht?

Compliance ist zum Modewort geworden und alle sprechen davon. Ein Unternehmen sagt schnell, dass es ‘compliant’ sei, aber nur, weil der CEO keine Geschenke von Kunden annimmt, erfüllt ein Unternehmen noch lange nicht Compliance-Anforderungen. Compliance ist das übergeordnete Konzept, das sich allgemein auf die Einhaltung von Gesetzen und Vorschriften bezieht. Data Compliance ist ein spezifischer Bereich der Compliance, der sich auf die Verwaltung und den Schutz von Daten bezieht. Data Compliance ist für Unternehmen essenziell, um zum einen das Vertrauen der Kunden, Stakeholder und Partner zu gewinnen und zu erhalten, und zum anderen rechtliche Risiken zu minimieren und Reputationsschäden zu vermeiden.

Datenschutz, Datensicherheit, Datenintegrität, Datenzugriffskontrollen, Aufbewahrungspflichten sowie ein adäquates Informationsmanagement sind wichtige Bereiche im Data Compliance. Dabei ist Data Compliance besonders bei Organisationen mit Verarbeitung von personenbezogenen Daten von Bedeutung.

Data Compliance Standards variieren je nach Industrie, Land und Region, verfolgen aber die gleichen Ziele. Diese Ziele beinhalten die Einhaltung von Datengenauigkeit, Transparenz von Datenrechten und Schutz von sensiblen Daten. Im Laufe der Digitalisierung vermehren sich die gespeicherten Datensätze in Unternehmen rasant. Gleichzeitig wechseln Unternehmen im Rahmen der digitalen Transformation zunehmend zu einer cloudbasierten Speicherung. Für viele Unternehmen werden Daten dadurch immer wertvoller, denn sie helfen ihnen, durch Analysen Erkenntnisse aus Daten generieren und so bessere Geschäftsentscheidungen zu treffen.

Das Streben nach den Kriterien einer Data Compliance Management Strategie

Folgende wichtige Aspekte der Data Compliance gibt es im Datenmanagement:

  1. Datenschutzgesetze: Datenschutz-Grundverordnung (DSGVO) in der Europäischen Union. Diese Gesetze geben vor, wie personenbezogene Daten erfasst, gespeichert, verarbeitet und verwendet werden dürfen.
  2. Sicherheitsstandards: Angemessene Sicherheitsmaßnahmen müssen im Unternehmen vorhanden und implementiert sein, um die Vertraulichkeit, Integrität und Verfügbarkeit von Daten zu gewährleisten.
  3. Datenschutzrichtlinien und interne Vorschriften: Unternehmen sind für die Entwicklung interner Richtlinien verantwortlich, um sicherzustellen, dass alle Mitarbeitenden im Umgang mit Daten die Compliance-Anforderungen einhalten.
  4. Datenzugriffs- und Kontrollmechanismen: Ein Berechtigungskonzept mit Überwachungsmechanismen muss entwickelt werden, dass nur berechtigte Nutzer auf sensible Daten zugreifen können.
  5. Aufbewahrungspflichten: Der Gesetzgeber schreibt vor, wie lange bestimmte Arten von Daten aufbewahrt werden müssen.
  6. Berichterstattung und Audit: Unternehmen müssen Compliance-Nachweise erbringen können, um sicherzustellen, dass ihr Datenmanagement den geltenden Vorschriften entspricht.

Um diesen Compliance-Anforderungen gerecht zu werden, sollten Unternehmen mit der strategischen Ausrichtung des Data Compliance Managements beginnen. Die Data Compliance Strategie sollte auf die übergreifenden unternehmerischen Ziele und die spezifisch geltenden Compliance-Regeln abgestimmt sein

Weiterhin spielt die Unternehmenskultur eine zentrale Rolle, da diese den Wert des Datenschutzes und der Compliance anerkennt und verinnerlicht. Dies bedeutet, dass sich alle Mitarbeitenden bezüglich dieser Kriterien verpflichtet fühlen. Für jede Data Compliance Strategie ist es wichtig, dass diese klar definiert, messbar ist und realistische Ziele beinhaltet. Im Rahmen der Data Compliance Strategie spielen Tools und Technologien für den Umgang mit Daten eine wichtige zentrale Rolle. Neue Technologielösungen sollten jedoch mit Bedacht eingeführt werden. Vorher ist es wichtig, die bestehenden Strukturen des Datenmanagements im Unternehmen zu analysieren und bereits vorhandene Tools zu prüfen. Erst nach sorgfältiger Durchsicht sollten neue Lösungen implementiert werden. Compliance im Datenmanagement sollte nicht ausschließlich durch ein Datenmanagement Team überwacht werden. Zu empfehlen ist eine bereichsübergreifende Zusammenarbeit aus juristischen, technischen und operationellen Teams. Je nach Umfang der Compliance-Anforderungen können Schulungen für Mitarbeitende sinnvoll sein. Nach Etablierung der Compliance-Anforderungen sollte eine regelmäßige Überwachung der Performance im Unternehmen durchgeführt werden.

Data Compliance und Data Governance – zwei Konzepte komplettieren sich

Data Compliance und Data Governance sind für Unternehmen zwei wichtige eng miteinander verbundene, aber dennoch unterschiedliche Unternehmenskompetenzen. Während bei Data Compliance die Einhaltung von gesetzlichen Bestimmungen und internen Vorschriften im Vordergrund steht, ist Data Governance hingegen ein Rahmenwerk, das Prozesse, Prinzipien, Rollen und Verantwortlichkeiten vereint, um den Konsum, die Qualität, Sicherheit und Kontrolle von Daten sicherzustellen. Ziel von Data Governance ist, dass Daten effektiv genutzt werden können, um Geschäftsziele zu unterstützten, und dass Daten konsistent, vertrauenswürdig und geschützt sind.

Das Konzept der Data Compliance ist ein Teilaspekt von Data Governance. Unternehmen mit einer erfolgreichen Data Governance Strategie betrachten Daten als strategische Unternehmensressource („Data as an asset“) und Ziel ist die Nutzung und Wertsteigerung der Daten zu optimieren. Durch Data Governance wird die Struktur und die Prozesse festgelegt, die für eine effektive Verwaltung und Nutzung von Daten erforderlich sind, während Data Compliance die Einhaltung dieser Struktur und Prozesse darstellt.

Fazit

Compliance ist nicht nur ein Modewort, Compliance ist eine unverzichtbare Unternehmenskompetenz, um einen sicheren Umgang mit Daten zu gewährleisten und so langfristig wettbewerbsfähig zu sein.

Zusammenfassend sind diese Schritte für eine Data Compliance Management Strategie von Bedeutung:

  • Start ist die strategische Ausrichtung des Data Compliance Managements.
  • Unternehmerische Ziele sind mit den Compliance Regeln abgestimmt.
  • Tools und Technologien sollten vor Einführung geprüft werden.
  • Eine bereichsübergreifende Zusammenarbeit der Teams ist zu empfehlen.
  • Schulungen können je nach Umfang der Compliance-Anforderungen sinnvoll sein.
  • Die Performance der Umsetzung von Compliance sollte regelmäßig überwacht werden.
Read More
Data Management

Terminologie im Datenmanagement-Geschäft: Data Lakehouse? – Kann ich dort meinen Urlaub verbringen?

Wenn Sie in der Datenmanagement-Branche tätig sind oder mit ihr in Kontakt stehen, werden Sie feststellen, dass viele Fachbegriffe verwendet werden. Die Terminologie von Anbietern und Beeinflussern kann recht unübersichtlich sein. Wenn Sie planen, eine Datenplattform aufzubauen oder Ihre bestehende zu verbessern, kann es eine ziemliche Herausforderung sein, zunächst die richtigen Konzepte für Sie auszuwählen (ohne Technologie, Tools und Implementierung zu berücksichtigen). Außerdem kann es schwierig sein, ein Konzept von einem kommerziellen Angebot zu unterscheiden, das von Anbietern verwendet wird. Daher möchten wir Ihnen einen Überblick über die allgemeine Terminologie und die Konzepte geben, die Ihnen vermutlich begegnen werden und die für Ihr Verständnis nützlich sind.

Warum sollte ich mich mit Datenmanagement befassen und die Zeit damit verbringen, die Ideen hinter den großen Worten zu lernen?

Letztlich geht es um eine bessere Entscheidungsfindung und um Zeit- und Kosteneinsparungen. Unternehmen wollen datengesteuerte Entscheidungen treffen und brauchen eine Demokratisierung der Daten. Eine Datenmanagement-Plattform kann als eine einzige Quelle der Wahrheit fungieren. Das bedeutet, dass die Abteilungen nicht mehr auf unterschiedliche Versionen derselben Fakten zugreifen müssen, was eine bessere Zusammenarbeit ermöglicht. Außerdem wird der Zugang zu den Daten vereinfacht und ist nicht mehr nur für höhere Managementebenen möglich. Daten können aufbereitet und bereitgestellt werden, z. B. für Analysezwecke. Durch die Speicherung nicht nur aktueller Informationen, die natürlich eine bessere Entscheidungsfindung unterstützen, sondern auch historischer Daten, wird auch die Grundlage für zukünftige Anwendungsfälle gelegt.

Allerdings ist nicht jede Datenmanagement-Plattform automatisch ein Selbstläufer. Es gibt kein Produkt, das Sie einfach kaufen können und das alle Ihre Probleme löst. Die Plattform muss selbst entwickelt werden. Um die Grundlagen für die Umsetzung einer hochwertigen Datenlösungsarchitektur zu schaffen, müssen Sie wissen, was Sie erreichen wollen. In den folgenden Abschnitten werden wir den ersten Schritt machen und Ihnen helfen, die allgemeinen Konzepte der Datenverwaltung zu verstehen.

Data Warehouse – Ein Urgestein, aber gut etabliert

Bei allen Terminologien, die wir im Folgenden beschreiben, einschließlich des Data Warehouse, geht es um das Konzept und nicht um eine Technologie. Schauen wir uns die Definition von Bill Inmon aus den 1990er Jahren an, die immer noch gültig ist: “Ein Data Warehouse ist eine themenorientierte, integrierte, zeitlich variable und nicht flüchtige Sammlung von Daten zur Unterstützung des Entscheidungsprozesses des Managements”. Eine Sammlung von Daten, d.h. ein Datenspeicher. Aber natürlich nicht irgendein Speicher oder einfach eine Kopie, sondern ein analysefähiger, der datengesteuerte Entscheidungen unterstützt. Ein Data Warehouse sammelt Daten aus verschiedenen Quellen. Entscheidend ist jedoch, dass es diese harmonisiert und zu einem konsistenten Ganzen zusammenfügt (integriert). Es geht also nicht um das System, aus dem die Daten stammen (was mehrere sein können), sondern um die Sache, die sie beschreiben (subjektorientiert). Wesentlich für datengestützte Entscheidungen sind nicht nur die Verfügbarkeit und Korrektheit der Daten, sondern auch ihre Aktualität. Daten können sich im Laufe der Zeit ändern, d.h. das Data Warehouse muss auch aktuelle Informationen enthalten (zeitvariant). Aber auch historische Daten können für die Analytik nützlich sein. Hier spielt das Data Warehouse seinen Vorteil aus, da es Daten im Laufe der Zeit sammelt und verarbeitet und somit historische Informationen liefern kann (nicht flüchtig).

Grundlagen des Data Warehouse: Zentrale Drehscheibe für Analysen und datengestützte Entscheidungen 

Zusammenfassend lässt sich sagen, dass ein Data Warehouse ein zentraler Ort ist, an dem Daten aus verschiedenen Quellen zusammengeführt und harmonisiert werden. Es enthält stets aktuelle Informationen, speichert aber auch historische Daten. Als solches ist es die zentrale Anlaufstelle für Analysen und datengesteuerte Entscheidungen.

Teilweise wird ein Data Warehouse auch über die Art der Daten definiert, die es enthalten kann. Mit den neuen Technologien wird diese Unterscheidung jedoch immer ungenauer. Im Allgemeinen kann ein Data Warehouse strukturierte Daten speichern, d. h. Daten, die in Tabellen gespeichert werden können. Zum besseren Verständnis denken Sie einfach an Daten, die Sie in Excel speichern können. Bis zu einem gewissen Grad können Data Warehouses auch semi-strukturierte Daten verarbeiten. Dabei handelt es sich um Daten, die z. B. in JSON- oder XML-Dateien gespeichert sind. Die dritte Kategorie sind unstrukturierte Daten. Das sind zum Beispiel PDFs oder Bilder. Dies führt uns jedoch direkt zum nächsten Abschnitt über Data Lakes.

Data Lake – Wofür entscheide ich mich, wenn ich meine Zeit nicht mit dem Modellieren und Organisieren von Daten verschwenden will?

Data Lake: Die kluge Wahl für zeiteffizientes Datenmanagement

Wie bereits erwähnt, führt uns der Begriff unstrukturierte Daten direkt zum Begriff Data Lake. Auch dieser ist heute ein weit verbreitetes und etabliertes Konzept im Datenmanagement. Es wurde eingeführt, um die Herausforderungen der explodierenden Datenmengen zu bewältigen und auch um den Bedarf an der Nutzung dieser unstrukturierten Daten in verschiedenen Anwendungsfällen zu decken. Dieser Trend wurde auch dadurch ermöglicht, dass die Speicherung in der Cloud wesentlich billiger geworden ist.

Ein Data Lake erfüllt einen ähnlichen Zweck wie ein Data Warehouse, indem er alle Daten in einem zentralen Repository speichert. Als Konzept ist er jedoch lockerer definiert als ein Data Warehouse, wie Sie zum Beispiel an dieser Definition von Gartner sehen können: “Ein Data Lake ist ein Konzept, das aus einer Sammlung von Speicherinstanzen für verschiedene Datenbestände besteht. Diese Bestände werden in einer nahezu exakten oder sogar exakten Kopie des Quellformats gespeichert und ergänzen die ursprünglichen Datenspeicher”.

Manch einer mag denken, dass das Konzept eines Daten Lakes wünschenswert ist, da er Daten in ihrem Rohformat enthält und daher keine Modellierungs- oder Overhead-Aufgaben erforderlich sind. An dieser Stelle möchten wir darauf hinweisen, dass dies ein Trugschluss ist. Auch Data Lakes benötigen dringend Datenmodellierungs- und Governance-Konzepte (mehr dazu in unserem nächsten Blog-Beitrag), da sie dazu neigen, zu Datensümpfen zu werden, wenn Daten einfach “weggeworfen” werden.

Data Lakehouse – Das klingt nach einem begehrten Urlaubsort

Data Lakehouse: Das Beste aus Data Lake und Data Warehouse zusammenführen

Dies ist wahrscheinlich der am schicksten klingender Name. Oben haben Sie wahrscheinlich bemerkt, dass die Grenzen zwischen den beiden Konzepten Data Warehouse und Data Lake mit der Weiterentwicklung der Technologien in der Praxis unschärfer geworden sind. Es ist nicht mehr so einfach, z. B. nach der Art der gespeicherten Daten zu unterscheiden, da diese sich überschneiden. Eine vorherrschende Konvention besagt, dass eine moderne Datenplattform sowohl Data-Lake- als auch Data-Warehouse-Funktionen haben muss und dass eine Aufgabe eines Data-Lakes darin besteht, ein universelles Sammelbecken für alle Daten zu sein. So kann der Begriff “Data Lake” beispielsweise zur Beschreibung der Landing Zone eines Data Warehouse verwendet werden (Stufe, in die Daten aus verschiedenen Quellen repliziert werden, bevor sie modelliert werden).

Dies zeigt, dass sich die Begriffe nicht mehr klar voneinander abgrenzen lassen. Das bekannteste kombinierte Technologiekonzept ist heutzutage ein Data Lakehouse. Dabei handelt es sich, wie der Name schon sagt, um ein Konzept, das Elemente von Data Lake und Warehouse kombiniert. Im Grunde ist es also ein ausgefallener Name für etwas, das sehr logisch zu machen ist.

Data Mart – Einfach unausweichlich

Data Mart: Eine wesentliche Komponente in Datenmanagement-Projekten

In Ihren Datenmanagement-Projekten werden Sie höchstwahrscheinlich auf einen Data Mart stoßen. Zumindest dann, wenn Sie Ihre Daten richtig modellieren (mehr dazu im nächsten Blogbeitrag). Ein Data Mart kann als eine Teilmenge eines Data Warehouse betrachtet werden. Sein Ziel ist es, anwendungsorientiert zu sein. Ihr Data Warehouse kann einen Satz harmonisierter und normalisierter Daten enthalten, die für mehrere Anwendungsfälle relevant sind. Ein Data Mart bereitet Daten so auf, dass sie den Bedürfnissen des Unternehmens und der Benutzer ideal entsprechen und für das Zielsystem (z. B. verschiedene BI-Tools) geeignet sind. D.h., es könnte mehrere Data Marts geben, die alle auf denselben Daten basieren, aber unterschiedlich aufbereitet sind.

Data Mesh – Das neue Kind im Block

Erforschung von Data Mesh: Dezentralisierte Datenverwaltung im Jahr 2024

Data Mesh ist ein neuer Begriff, der in diesem Blogbeitrag vorkommt. Er wurde von Zhamak Dehghani im Jahr 2019 entwickelt. Es ist wichtig zu beachten, dass Data Mesh kein Nachfolger eines Data Warehouses oder eines Data Lakes oder einer Kombination davon ist. Es ist auch kein Allheilmittel, das alle Probleme lösen wird. Lassen Sie uns jedoch besprechen, was es tatsächlich ist. Bisher war die Idee jeder Analyseplattform fast immer, ein zentralisiertes System um ein zentrales Datenteam herum zu haben. Es wurde jedoch festgestellt, dass dies zu einem Engpass werden kann, wenn die Analyseanfragen zunehmen und das Datenteam sie nicht alle bearbeiten kann. Daher folgt das Datennetz der Idee einer dezentralen, bereichsbezogenen Architektur. Das Fachgebietsteam übernimmt die Verantwortung für seine Daten und deren Verwaltung. Die Daten werden als Produkte für Verbraucher außerhalb der Domäne veröffentlicht. Das zentrale Datenteam ermöglicht es den Domänenteams, Datenprodukte zu nutzen und zu erstellen. Gute Governance-Prinzipien und Standardisierung sind dabei unerlässlich.

Data Powerhouse – Der Begriff, der Sie zum Lächeln bringt

Das Potenzial von Data Powerhouse freisetzen: Mehr als nur ein Buzzword

Um ehrlich zu sein, handelt es sich hierbei eher um eine informelle Darstellung und weniger um eine formale Abhandlung. Es ist wichtig, dass der Text klar und prägnant ist und keine umständlichen Beschreibungen oder komplexe Terminologie enthält. Der Begriff ‘Datenozean’ ist ein Beispiel für eine Kombination von Begriffen, die zum Nachdenken anregen und auch zum Schmunzeln bringen können. Der Begriff ‘Data Powerhouse’ bezieht sich auf die Kombination der Nutzung von Microsofts ‘Power Platform’ mit einem Data Warehouse oder einem Data Lake. Es handelt sich hierbei um ein gutes Beispiel für unsere Behauptung in der Einleitung, dass es schwierig sein kann, zwischen einem Konzept und einem kommerziellen Angebotsnamen zu unterscheiden. Einige Personen verwenden den Begriff jedoch auch, um zu beschreiben, was aus Ihrem Unternehmen werden kann, wenn Sie eine effiziente Dateninfrastruktur implementieren.

Welchen schicken Namen soll ich jetzt wählen? Die Wahl der richtigen Datenmanagement-Strategie für Ihr Unternehmen

Am Ende können Sie es nennen, wie Sie wollen, solange Sie es richtig machen, es Ihren Bedürfnissen entspricht und Sie es anderen, mit denen Sie arbeiten, erklären können, so dass Sie alle auf derselben Seite stehen. INFORM DataLab kann Ihnen bei diesen Punkten auf dem Weg helfen, egal wo Sie gerade stehen. Wenn Sie eine Datenstrategie entwickeln möchten und sich fragen, wo diese hilfreich sein könnte und welchen Mehrwert Sie haben könnten, können Sie sich unser Angebot zur Datenstrategie ansehen. Falls Sie bereit sind, sich in den Aufbau Ihrer Datenarchitektur zu stürzen und nicht nur mit Begriffen zu jonglieren, stehen wir Ihnen ebenfalls gerne zur Seite (INFORM DataLab Data Management). Bleiben Sie außerdem dran für weitere hilfreiche Blogbeiträge. Im nächsten Beitrag werden wir der Frage nachgehen, ob Datenmodellierung im Jahr 2024 noch relevant sein wird.

Lernen Sie in unserem Data Vault Experience Workshop die Prinzipien und praktischen Anwendungen von Data Vault kennen. Sie werden die Bedeutung der Datenmodellierung, ihre Auswirkungen auf eine agile BI-Schicht und die Bausteine des Data Vault-Ansatzes kennenlernen. Anhand praktischer Übungen können Sie sich mit anderen Datenexperten austauschen und Ihr Wissen anwenden. Jetzt Anmelden!

Read More
Cloud
Data Management

Cloud-Migration – ein wichtiger Schritt auf dem Weg der digitalen Transformation

Entscheidungen in Unternehmen werden komplexer und müssen immer schneller getroffen werden. Gleichzeitig finden auf jeder Hierarchiestufe Entscheidungen statt​. Die Demokratisierung von Daten beschleunigt die Entwicklung hin zur Cloud. Daten-Demokratisierung bedeutet, dass Mitarbeiter Zugriff auf diese entscheidungsrelevanten Daten benötigen, und zwar:

  • ohne Hindernisse​,
  • von verschiedenen funktionalen Entitäten​,
  • mit Sicherheit und Governance-Richtlinien​,
  • On-Demand​,
  • pünktlich​.
    ​

Voraussetzung dafür ist eine Organisationskultur, die offen und datenbasiert ist.

Möchten Unternehmen den Schritt in die Cloud gehen, zahlt sich das schnell aus. Laut einer Studie von Microsoft und Forrester Consulting wird durch die Migration in die Cloud bei den befragten Unternehmen eine Steigerung des Return on Investment von 238 Prozent drei Jahre nach dem Projektstart prognostiziert. Darüber hinaus rechnen die befragten Unternehmen mit einer Produktivitätssteigerung in der IT um bis zu 25 Prozent, in den Teams der Datenbankadministratoren um bis zu 40 Prozent. Hinzukamen Einsparungen bei Hardware, Netzwerk, Speicher und Wartung in Millionenhöhe. ​

Und das sind nur die harten, wirtschaftlichen Vorteile. Hinzukommt Transparenz durch eine zentrale Datenplattform, eine sogenannte Single Source of Truth, in die alle relevanten Datenquellen im Unternehmen einfließen und wo Daten so aufbereitet sind, dass sie direkt für aussagekräftige Analysen und weitere Datenanwendungen genutzt werden können.

Gründe für die Cloud-Migration

So ist einer der Gründe für den Umzug in die Cloud, dass zeitintensive Entwicklungen wegfallen. Erfolgen beispielsweise Akquisitionen oder weitere Standorte kommen hinzu, die an die On-Premise-Umgebung gekoppelt werden müssen, vereinfacht die Cloud durch ihre flexible Skalierbarkeit diese Ankoppelung. Dadurch entsteht zusätzlich eine schnelle Reaktionsfähigkeit bei unerwartetem oder rapidem Unternehmenswachstum.

Die Skalierbarkeit wirkt sich auch positiv auf die Innovationsfähigkeit von Unternehmen aus:  Benötigt ein Unternehmen beispielsweise eine Data-Science-Komponente, ist dies in der Cloud schnell umsetzbar. Innovative Entwicklungen werden so nicht mehr zu umfangreichen, zeitintensiven Projekten, sondern können agil erprobt werden. Denn die schnelle Implementierung der Cloud erlaubt Unternehmen, weitere Datenlösungen ohne viel Zeit und Kosten umzusetzen. Die Time-to-Market wird hier auf ein Minimum reduziert.

Außerdem bietet die Cloud eine sehr schnelle Reaktionsfähigkeit für Unternehmen. Der Aufwand, eine virtuelle Maschine aufzusetzen, reduziert sich im Vergleich zur On-Premise-Lösung auf wenige Minuten. Dementsprechend schnell können Unternehmen reagieren, wenn zusätzlicher Data-Center-Space benötigt wird.

Häufig kommt die Frage nach On-Premise oder Cloud auch erst mit dem Ende von Verträgen in Unternehmen auf. Egal, ob das Auslaufen des Vertrags für Data-Center-Leasing, Software, Hardware, Software-Support oder notwendige Aktualisierungen der Grund für die Cloud sind – beim Vergleich der Vor- und Nachteile beider Lösungsversionen überzeugt die Cloud meist durch geringere Kosten und Implementierungszeit sowie bessere Skalierbarkeit.

Zusätzlich verfügen die bekannten Cloud-Anbieter im Gegensatz zu den meisten Unternehmen oft über Tausende Mitarbeiter, die sich nur um die Sicherheit der Lösungen kümmern und schließen folglich Sicherheitslücken. Ebenso ernst genommen wird bei diesen Anbietern das Thema Compliance – so können die meisten Unternehmen in Bezug auf Zertifizierungen und Datenrichtlinien aus Kapazitätsgründen kaum mit renommierten Cloud-Anbietern mithalten.

Ab in die Cloud – aber wie?

Der Schritt in die Cloud muss nicht zwangsläufig großer Aufwand sein – wenn man die nötige Expertise mitbringt. Vielen Unternehmen fehlt dieses Know-how für eine schnelle, reibungslose Migration noch. Denn hier sind einige Faktoren zu beachten. So sind die am Markt zu findenden Tools für die Migration nur zielführend, wenn sie für den richtigen Zweck an der richtigen Stelle eingesetzt werden.

Gerade in Zeiten des Internet of Things können die zu migrierenden Daten mehrere Gigabyte die Stunde bedeuten. Um standardisierte Hubs für die Migration dieser Milliarden Datensätze zu bauen, muss man wissen, wie die genaue Cloud-Architektur aussieht und wie die Abfragen optimal laufen sollten. Komponenten-Mapping und den Aufbau der Architektur für die Migration legt man also am besten in die Hände von Datenmanagement-Experten, um den höchstmöglichen Nutzen zu erzielen. Der erste Schritt hierfür kann eine Analyse der bestehenden Softwarelandschaft und die Definition der Ziele und Projektschritte sein.

Fazit

Es gibt einige Gründe, die für die Cloud sprechen. Häufig warten Unternehmen nur auf die richtige Motivation, um den Weg in die Cloud zu starten, um endlich von den Vorteilen zu profitieren. Für eine reibungslose Migration ist jedoch Expertenwissen notwendig. Denn die Datensätze und die Architektur der Cloud können je nach Unternehmen und den Anforderungen an Datenlösungen komplex werden. Unternehmen sollten den Schritt also mit entsprechender Unterstützung proaktiv angehen.

Möchten Sie in die Cloud migrieren? Oder sich weitergehend informieren? Laden Sie hier unser Infopaper zum Thema Cloud-Migration herunter. 
Read More
Datenstrom aus den Zahlen 1 und 0
Data Management, Use Case, Use Case - EN

Central data management ensures single source of truth despite worldwide locations

Challenge

A globally active company in the field of insulation and access technology as well as interior design services operates with individual data silos at its various locations. Since there is no central single source of truth for this data in the company, these silos are to be migrated and consolidated into a common cloud platform together with the data from the company headquarters. This should enable all employees to access and analyze the same data centrally - at site level and across sites. The data was prepared in complex ETL routes prior to the project.

Solution

Using CDC (Change Capture Data), data was transferred to the Azure Cloud in real time. For this, the data from the landing zone is merged into a data vault, a data warehouse. In the last step, the data is provisioned in a data mart for the reporting view. The entire platform is secured by a security & governance concept.

Added value

  • Installation both on-premise and in the cloud

  • Creation of an analytical cloud platform

  • Data staging and model for the platform

  • Design of security and governance models and best practices

  • Significantly increased efficiency

  • Reduction of time-to-market

  • Centralized, enterprise-wide single source of truth

  • Reduction of manual efforts for data management by up to 70%

  • Real-time data provisioning

Highlights

  • Various sources including SQL server and SAP on HANA.

  • Target is the cloud data warehouse Snowflake

  • Real-time migration of data using Qlik Data Integration

  • Incremental, scalable data warehouse

  • Complex governance and security aspects considered

  • Power BI Reporting

More information
Read More
Abstrakter Binärcode in Wellenform
Data Management, Use Case, Use Case - EN

Unified data management reduces planning errors by 45%

Challenge

As an internationally active supplier of engine and turbine technology with over 8,000 employees in various production areas, our customer has various upstream systems for production. Providing the data from these systems for further use, e.g. master data in gold standard or cleaned transaction data, is very time-consuming due to the multitude of technologies used.

Solution

For uniform data management and smooth control of the production processes, the linking and consolidation of the various data sources was a basic prerequisite. To address this challenge, the data was first extracted from the diverse sources via various interfaces and merged into a common data warehouse. Here, the data is cleaned and made available for further steps. The generated information is also merged and stored to enable conclusions to be drawn about the planning process.

Added value

  • Consolidation and cleansing of data

  • Clearly defined interface for subsequent application

  • Mapping of complex ETL and planning routes

  • 45% reduction in planning errors

  • 5 minutes of accurate data delivery

  • Reduction of error tolerance to 0.1%

Highlights

  • SAP R/3 data migration

  • Migration of various data from previous systems based on Oracle, SQL Server, etc.

  • Interface for various subsequent systems

  • Consolidation of data in a data warehouse using Talend and SSIS

  • Enrichment of data with complex planning logics

  • Creation of various reporting applications

  • Provision of information and data for external service providers and partners

More information
Read More
Data Management, On Demand Webinar

On-Demand-Webinar: Prinzipien der Cloud Analytics Data Migration

Effiziente Datenmigration ist die Grundvoraussetzung für Analytics in der Cloud. Die Übertragung von Daten von beliebigen Systemen in die Cloud kann sich dabei einfach bis sehr schwierig gestalten. Die Herausforderungen liegen im Detail. Wie aktuell müssen die Daten sein? Welche Richtlinien (Compliance) sind zu befolgen? Sind Quelldaten mit dem Ziel-System kompatibel?

Der Gedanke hinter Cloud-Datenmigration besteht darin, das Leistungspotenzial und die Wettbewerbsfähigkeit eines Unternehmens zu steigern. Um dies zu erreichen, empfiehlt es sich ein fundiertes Konzept für die Migration zu erstellen. Die dabei zu berücksichtigenden Grundprinzipien gelten für alle Public Cloud Anbieter gleichermaßen und sind somit universell.

In unserem On-Demand-Webinar erläutert Ihnen Data-Management-Experte Philipp Ziemer den Begriff „Datenmigration“ und welche Grundlage Sie dabei berücksichtigen sollten. 

Fordern Sie hier kostenfrei das komplette On-Demand-Webinar an! 



Read More
Data Analytics, Data Management, Data Science, Data Strategy

Datenwelt 2022 – Was können Sie erwarten?

Die Corona-Pandemie hat unsere Welt stark beeinflusst. Auch die Welt der Daten. Denn in vielen Unternehmen hat die Krise dazu geführt, dass bestehende Prozesse überdacht und neue Technologien für eine bessere Transparenz und Reaktionsfähigkeit integriert wurden. Durch die unsichere Situation haben Unternehmen vermehrt gespürt, wie wichtig es ist, schnell herauszufinden, was genau irgendwo – beispielsweise in Lieferketten oder bei Kunden – passiert und es möglichst genau vorhersagen zu können.

Cloud-Dienste

So ist auch die Bedeutung von Cloud-Diensten und deren Akzeptanz bei Mitarbeitern durch das vermehrte Arbeiten im Homeoffice stark gestiegen. Von überall unkompliziert auf alle Daten zugreifen können, rückt zunehmend in den Vordergrund. Die wichtigsten Auslöser für eine Migration in die Cloud sind meist wirtschaftlicher Druck und die zunehmende Komplexität von Innovationsprojekten. Denn Cloud-Dienste reduzieren zum einen die Gesamtkosten einer Lösung und den administrativen Aufwand für diese erheblich, zum anderen erleichtern sie Sicherheit, Verfügbarkeit und Handhabung. Hinzukommen einfache Skalierbarkeit und eine eingebaute Redundanz. Dies ist ein wichtiger Punkt. Denn was sich trotz Ausbreitung von Datenanalyse-Lösungen in Unternehmen immer wieder zeigt: mangelnde Datenqualität. Daher beeinflussen Stammdaten- und Datenqualitätsmanagement weiterhin unter anderem die Trends in der Datenwelt.

Data Governance

Auch das Thema Data Governance ist nach wie vor im neuen Jahr von großer Bedeutung für Unternehmen. Hauptmotivation für den Start von Data Governance sind Compliance und Datenqualität. Denn die Einhaltung von Gesetzen und Richtlinien spielt in Zeiten der DSGVO eine immer stärkere Rolle und auch die Bußgelder bei Missachtung steigen. Außerdem ist Data Governance ein wichtiger Bestandteil in der digitalen Transformation eines Unternehmens, da Datenwertschöpfung nur funktionieren kann, wenn auch die Daten stimmen.

Bei Data Governance geht es größtenteils um Richtlinien und Prozesse, die festlegen, wie die tägliche Pflege der Daten wie Sammeln, Organisieren, Speichern, Teilen und Schützen stattfinden soll. Mitarbeiter, die mit Daten arbeiten, müssen diese Vorgaben dementsprechend einhalten.

Data Literacy und Change Management

Und damit sind wir auch schon beim nächsten wichtigen Faktor, der auch im Jahr 2022 den Erfolg von Datenprojekten maßgeblich beeinflussen wird: Mitarbeiter. Denn diese sollten natürlich verstehen, warum sie diese Regeln einhalten, sie mit den Daten überhaupt arbeiten und wie sie dies am besten tun. Data Governance im Unternehmen beschreibt kein zeitlich begrenztes Projekt, sondern es müssen kontinuierlich Rahmenbedingungen und Strukturen im Unternehmen geschaffen werden. Dazu müssen Mitarbeiter geschult werden und das im besten Fall nicht nur für die tägliche Arbeit mit den Daten. Darüber hinaus sollte nämlich ein Verständnis etabliert werden, warum man mit den Daten arbeitet, wie man sinnvoll mit ihnen umgeht, sie hinterfragt und in einen Kontext setzt – sogenannte Data Literacy. Die Ausgangssituationen in Unternehmen sind hier sehr unterschiedlich. Dementsprechend variiert auch der Grad, wie stark hier Change Management betrieben werden muss. Das Ergebnis einer umfassenden Data Literacy im Unternehmen und einem gezielten Change Management sind klare Rollen, Verantwortlichkeiten und Prozesse für die Governance und das Management von Daten sowie ein Verständnis, warum diese Aufgaben und Prozesse zu der Datenwertschöpfung und einer datengetriebenen Entscheidungsfindung beitragen.

KI – vor allem Forecasting

Auch wenn präzise Prognosen schon vor der Krise ein wichtiges Thema für Unternehmen waren, hat die Corona-Pandemie diesen Anwendungen nochmal wesentlich Aufwind verliehen. Denn es zeigte sich, dass vorhandene Planungen nicht mehr stimmten. Hohe Unsicherheit sorgte dafür, dass Prognosen engmaschiger gefahren werden mussten. Künstliche Intelligenz unterstützt Unternehmen unter anderem im Bereich Forecasting und erlaubt einen schnellen Blick in die Zukunft.

Laut einer Studie des INFORM DataLab zusammen mit der Computerwoche setzen bereits zwei Drittel der befragten Firmen aktuell Machine Learning ein. Die Anwendungsfälle werden sich aus meiner Sicht hier kontinuierlich steigern und weiterhin Einzug in den Alltag der Unternehmen finden.

Datenstrategie entwickeln

Egal, was kommt, egal, was bleibt – alle Trends oder Impulse brauchen einen Fahrplan, um letztendlich erfolgreich zu sein. Eine Strategie für Unternehmen, die datenbasiert Entscheidungen treffen und aus ihren Daten Mehrwert schaffen wollen, besteht jedoch aus mehr als Technologiefragen. Zusätzlich kümmert sich eine Datenstrategie auch um die organisatorischen und inhaltlichen Aspekte im Rahmen eines umfassenden Zielbildes. Deshalb sollte schon vor der eigentlichen Technologieauswahl am besten ein Zielbild entwickelt und definiert werden. Teil dieser Strategieentwicklung ist außerdem eine Bestandsaufnahme der bestehenden Daten und deren Qualität, weshalb sie auch die Grundlage für Data-Governance- und Management-Prozesse vorgibt.

Fazit

Das letzte Jahr hat Unternehmen wieder gezeigt, was unsichere Zeiten bewirken können. Auch die Data-Analytics- oder Business-Intelligence-Abteilungen haben stark gespürt, wie gut sie eigentlich aufgestellt sind. Mobiles Arbeiten fördert die Bedeutung der Cloud und das Verständnis für Daten und der konforme Umgang mit diesen wird immer wichtiger für datengetriebene Unternehmen. Um realen Mehrwert aus Daten zu schaffen, hilft eine Datenstrategie, ein Leitbild und Ziele zu entwickeln, die in die Unternehmensstrategie integriert sind. Künstliche Intelligenz ist kein Trendthema mehr und hat sich in den Unternehmen bereits in den ersten Zügen weitgehend etabliert. Ich bin gespannt, wie es dieses Jahr mit erfolgreichen Anwendungen weitergeht!

Bleiben Sie gesund!

Read More
Data Management

Data Stack – Wie setzen Unternehmen den modernen Ansatz für die Datenintegration am besten ein?

Um das Potenzial ihrer Daten vollständig ausschöpfen zu können, sollten Unternehmen auf ein modernes Data Stack setzen. Der Begriff „Data Stack“ löst bei Ihnen aber noch Verwirrung aus? Dann möchte ich Ihnen im folgenden Beitrag erklären, was der Begriff eigentlich umfasst und wie Unternehmen einen Mehrwert daraus generieren können. 

Woraus besteht ein Data Stack? 

Ein Data Stack ist ein mehrschichtiges Tool-Portfolio, das hilft, Daten im Unternehmen gezielt zu verarbeiten. Dies umfasst in der Regel folgende Schritte: 

  • Die Daten werden zentral in einer Data-Platform, z.B. einem Data Lake oder Data Warehouse, gespeichert. Dabei ermöglichen vorgefertigte Konnektoren zu allen Datenquellen eine schnelle und einfach skalierbare Datenintegration; API- oder Schemaänderungen können einfach berücksichtigt werden.  
  • Die Rohdaten werden aus den Quellsystemen angebunden. Hier sollte beachtet werden, dass das Datenziel problemlos in der Lage ist, sowohl die Rechenleistung als auch den Speicher auf Knopfdruck zu skalieren, um den heutigen und zukünftigen Datenspeicher- und Analyseanforderungen des Unternehmens gerecht zu werden. Zusätzliche Funktionen wie z. B. eine rollenbasierte Zugriffskontrolle oder Data Policies für Audits sollten im Portfolio von Beginn an berücksichtigt werden.  
  • Die transformierten Daten werden analysiert. Das verwendete Transformations-Tool sollte mit dem Ziel kompatibel sein und über Funktionen verfügen, mit denen sich die Datenherkunft leicht zurückverfolgen lässt, z. B. in einer One-Click-Dokumentation, die die Auswirkungen der Transformation auf Tabellen verdeutlicht. Die Möglichkeit, Transformationen zu orchestrieren und zu planen, ist ebenfalls wichtig. 

Wichtig:  Dies geschieht bei einem modernen Data Stack alles in einer Cloud-Umgebung! Die Umsetzung in der Cloud ist zeitsparend und kosteneffizienter als eine On-Premise-Lösung.  Als neuer Ansatz für die Datenintegration kann so enorm Zeit für die Entwicklung eingespart werden. Außerdem begünstigt die Cloud die Zugänglichkeit für den Endnutzer sowie die Skalierbarkeit, um den wachsenden Datenbedarf im Unternehmen schnell zu decken, ohne die kostspieligen, langwierigen Ausfallzeiten, die mit der Skalierung lokaler Serverinstanzen verbunden sind.  

Was sind die Vorteile eines modernen Data Stacks? 

Der moderne Data Stack spart Zeit, Geld und Mühe. Die niedrigen und weiter sinkenden Kosten für Cloud Computing und Speicherplatz sind ein starker Vorteil gegenüber On-Premise-Lösungen. Unter anderem sparen außerdem Standardkonnektoren beträchtliche Zeit, die ansonsten für die Entwicklung, Erstellung und Wartung von Datenkonnektoren aufgewendet werden muss. Analytics-Experten, Data Scientists und Datenmanager im Unternehmen können sich dementsprechend anderen, wichtigeren Aufgaben wie Data-Science-Projekten widmen. 

Außerdem ist die Einrichtung eines modernen Data Stacks sehr einfach und kann weniger als eine Stunde dauern, da durch den Cloud-Betrieb Komplikationen bei der Konfiguration der Infrastruktur wegfallen.  

Cloud-Migration – wer und wann? 

Vor allem größere oder ältere Unternehmen haben oft noch eine On-Premise-Infrastruktur, die zeitnah in die Cloud migriert werden sollte, um von deren Vorteilen zu profitieren. Startups und kleine Unternehmen setzen bereits häufig auf einen modernen, Cloud-basierten Data Stack, um durch die leichte Skalierbarkeit besser mitwachsen zu können.  

Daten in Unternehmen wachsen bekanntermaßen unaufhaltsam und die Data-Analytics- und anderen Daten-Lösungen in Unternehmen nehmen zu. Alle Mitarbeiter, die Daten nutzen, sollten Visualisierungen, Dashboards und Berichte so selbsterklärend wie möglich erhalten und in ihre tägliche Arbeit integrieren können. 

Der moderne Data Stack sollte außerdem berücksichtigen, wer ihn nutzt und wie die Daten verwaltet werden. Gerade in großen Unternehmen mit mehreren Abteilungen, die sich nicht unbedingt einig sind, was die Daten angeht (und möglicherweise sogar aktiv miteinander konkurrieren), liefert ein moderner Data Stack eine zentralisierte Datenspeicherebene, zusammen mit einem unternehmensweiten Datenkatalog und einem konsistenten Satz von Governance-Richtlinien für eine datenbasierte Entscheidungsfindung. 

Fazit 

Die große Mehrheit der Unternehmen sammelt und analysiert Daten bereits in Hülle und Fülle – häufig jedoch nur für simple Analysen. Ein moderner Data Stack hilft Unternehmen, das volle Potenzial ihrer Daten zu nutzen und alle relevanten Datenquellen einfach in die Datenanalyse zu integrieren und für darauf aufbauende Datenlösungen gezielt zur Verfügung zu stellen.  

Sie interessieren sich für das Thema „Data Stack“ in Ihrem Unternehmen? Kontaktieren Sie uns! 

Read More
Data Management, Data Strategy

Welchen Stellenwert sollte Data Governance für Unternehmen haben und warum?

Das Schlagwort „Data Governance” ist in aller Munde. Anfang Dezember 2021 haben sich das Europäische Parlament und die Mitgliedsstaaten auf den sogenannten „Data Governance Act“ geeinigt. Höchste Zeit also, sich mit dem Thema auseinanderzusetzen.

Weder in der Industrie noch in der Literatur ist der auch im Deutschen benutzte Begriff Data Governance einheitlich definiert. Das Wort „Governance” (Führung, Steuerung) allein wird häufig unscharf verwendet, wie schon bei Wikipedia vermerkt wird. Daher liefern wir hier zunächst unsere eigene Definition, bevor wir das Thema vertiefen:

„Data Governance betrifft das gesamtheitliche Management, die Verfügbarkeit, Nutzbarkeit, Integrität und Sicherheit von Daten.“

Motivation sind Compliance & Datenqualität

In diesem Blog fokussieren wir die Bedeutung von Data Governance für Unternehmen. Es gibt typischerweise zwei Motivationen, sich mit dem Thema auseinanderzusetzen:

Die erste ist die unternehmerische Compliance, also die Einhaltung von Gesetzen und Richtlinien. Hier spielt unter anderem der Umgang mit personenbezogenen Daten, der in der DSVGO geregelt ist, eine wichtige Rolle. Mit Bußgeldern von bis zu 20 Millionen Euro und zunehmenden Kontrollen ist die Motivation für Unternehmen hoch, ihre Datenlandschaft konform zu halten.

Die zweite Motivation ist die wertstiftende Nutzung von Daten in Organisationen mittels Business Intelligence oder Künstlicher Intelligenz, häufig unter dem Begriff „Analytics” zusammengefasst. Die hier angesprochene Datenwertschöpfung ist Teil der digitalen Transformation von Unternehmen, die neben der Digitalisierung der Geschäftsprozesse meist ebenfalls das Ziel verfolgt, das Unternehmen in eine datengetriebene Organisation zu überführen. Das Zielbild für solch eine Organisation ist, dass wichtige Entscheidungen anhand von Fakten getroffen und neue digitale Produkte und Dienstleistungen für interne oder externe Kunden entwickelt werden. Es geht somit darum, Effizienz- und Umsatzpotenziale zu identifizieren und zu heben und teilweise auch darum, neue digitale Geschäftsmodelle zu entwickeln. Daten sollten dabei wortwörtlich als Wirtschaftsgut (Asset) angesehen werden. Dieses Asset muss gehegt und gepflegt werden, damit die Datenverfügbarkeit und -qualität stimmt und die cleveren Algorithmen auch brauchbare Ergebnisse erzeugen. Stimmt nämlich die Datenqualität nicht, dann gilt das Garbage-In-Garbage-Out Prinzip und die Algorithmen können zu falschen Aussagen und Handlungsempfehlungen führen.

Data Governance & Management

Der Autor John Ladley beschreibt Data Governance und Management in seinem Buch „Data Governance – How to design, deploy and sustain an effective Data Governance Program” trefflich als zwei Seiten derselben Münze. Data Management kümmert sich um die tägliche Pflege der Daten. Hiermit sind Tätigkeiten wie Sammeln, Organisieren, Speichern, Teilen und Schützen der Daten gemeint. Dabei halten sich die Fachkräfte an existierende Regeln. Diese Regeln (Policies) werden von der Data Governance entworfen, kommuniziert und kontrolliert. Data Governance sorgt also vereinfacht gesagt dafür, dass die Daten richtig organisiert werden. Bei der Trennung der beiden Gebiete handelt es sich um eine Art von Gewaltenteilung: Die Rollen der Data-Governance- und -Management-Aktivitäten müssen von getrennten Mitarbeitern durchgeführt werden.

Data Governance im Unternehmen verankern

Die Mehrwerte effektiver Data Governance sollten somit klar sein: Hohe Datenqualität als Basis für Datenwertschöpfung, reduzierte Kosten bei der Aufbereitung und Verwendung von Daten (und somit effizienter Einsatz von wertvollen Analytics-Ressourcen), sowie das aktive Risikomanagement im Unternehmen. Wie verankert man nun eine effektive Data Governance im Unternehmen?

Zunächst ist es wichtig, zu verstehen, dass Data Governance kein Projekt mit definiertem Anfang und Ende ist. Es geht darum, Strukturen im Unternehmen zu etablieren und das Verhalten der Mitarbeiter zu steuern. Hierfür gibt es glücklicherweise bewährte Frameworks (Rahmenpläne), die man als Grundlage nutzen kann. Darin werden üblicherweise notwendige Tätigkeiten wie Strategieentwicklung, Design, Implementierung und Betrieb berücksichtigt. Diese Frameworks kann man als eine Art Checkliste nutzen, sie sind jedoch kein Rezept, welches man in gleicher Art und Weise bei verschiedenen Unternehmen anwenden kann. Dafür sind die Anforderungen, Ausgangssituationen und die Unternehmen selbst zu verschieden. Es bedarf also einer sorgfältigen Analyse sowie Fingerspitzengefühl bei der Gestaltung eines spezifischen Data-Governance-Ansatzes, um erfolgreich zu sein.

Allein beim Umfang können sich Data-Governance-Initiativen erheblich unterscheiden: So ist es beispielsweise möglich, lediglich einzelne Datendomänen (z.B. Kundendaten) unter Governance zu setzen oder sich bei der Einführung eines neuen Systems  auf die darin befindlichen Daten zu beschränken.

Ergebnis einer erfolgreichen Data-Governance-Initiative ist dann nicht eine neu etablierte Data Governance Abteilung, sondern klare Rollen, Verantwortlichkeiten sowie Prozesse für die Governance und das Management von ausgewählten Datenbeständen. Häufig werden Entscheidungen in einem sogenannten Data-Governance-Committee getroffen, an das die jeweiligen verantwortlichen Eigentümer der Datendomänen sowie die Data Stewards berichten.

Die kritischen Erfolgsfaktoren liegen dabei meist nicht in der Technologie, wie beispielsweise der Wahl eines geeigneten Datenkatalogs, sondern eher im Bereich des Change Management.

Interessieren Sie sich für das Thema Data Governance und möchten die Datenwertschöpfung in Ihrem Unternehmen starten? Fordern Sie hier die Aufzeichnung meines Webinars zu dem Thema an!
Read More
Data Analytics, Data Management, Data Science, Data Strategy

Datenstrategie – „Nice-to-have“ oder eine Notwendigkeit in Unternehmen?

Eine Datenstrategie ist der Wegbereiter für eine datengetriebene Entscheidungsfindung in Unternehmen. Sie ist die Basis für intelligente Datenlösungen mittels Business Intelligence (BI) oder Künstlicher Intelligenz (KI) mit dem Ziel, Daten als wertvolles Gut im Unternehmen zu etablieren und deren Mehrwert freizulegen. Dabei stehen vor allem der Nachhaltigkeitsaspekt und eine effiziente sowie rechtskonforme Arbeitsweise im Umgang mit Daten im Vordergrund.

Viele Unternehmen setzen bereits BI-Lösungen ein, die schnelle Einblicke in die Unternehmensdaten und deren Entwicklung erlauben. Diese Einblicke helfen den Fachabteilungen, ein verlässliches Reporting und Controlling umzusetzen und Chancen und Risiken direkt zu erkennen. Hier geht es in erster Linie um die Visualisierung der Daten und tiefere Einblicke in diese. Entscheidungen beispielsweise im Bereich Marketing oder Vertrieb werden nicht mehr aus reinem Bauchgefühl heraus getroffen, sondern anhand von eindeutigen Kennzahlen verschiedener Kampagnen.

Künstliche Intelligenz oder Business Intelligence?

KI-Lösungen werten im Gegensatz zu reinen BI- oder Datenanalyse-Systemen neben strukturierten Daten aus Tabellen und Datenbanken auch unstrukturierte Daten wie Bild, Ton oder Texte aus. Es werden Insights mittels statistischer Modelle offengelegt, die nicht durch eine visuelle Betrachtung mit BI-Werkzeugen möglich ist.  Dadurch bietet KI ein völlig neues Spektrum an mehrwertstiftenden Anwendungen wie zum Beispiel Ausschusserkennung in der Produktion oder autonomes Fahren. Es heißt jedoch nicht KI statt BI, sondern BI mit KI. Denn sowohl die KI- als auch Business Intelligence-Lösungen sind wichtige Instrumente, um Effizienzpotenziale zu identifizieren und umzusetzen sowie strategische Insights zur Unternehmenssteuerung zu generieren.

Ob BI oder KI von einem Unternehmen eingesetzt wird, hängt individuell von den jeweiligen Bedarfen, Herausforderungen und verfügbaren Daten des Unternehmens ab.

Datenstrategie als Fundament für nachhaltige Datenwertschöpfung

Häufig stehen Unternehmen bei der Identifizierung, Entwicklung oder Operationalisierung von Datenlösungen vor Herausforderungen. Statt einer sauber aufgeräumten unternehmensweiten Datenplattform, die qualitätsgesicherte und kurierte Daten für alle möglichen Anwendungsfälle konform zur Verfügung stellt, liegen Daten in verschiedenen Systemen (oder gar lokalen Dateien), sind teilweise inkonsistent und werden nicht zielführend organisiert. Teure Analytics-Ressourcen führen redundante Datenextraktionen und -Aufbereitungen durch und vernachlässigen dadurch die eigentliche analytische Arbeit. Der wirtschaftliche Effekt bleibt dadurch hinter den Erwartungen zurück. Analytische Teams sind nicht abgestimmt, Rollen und Verantwortungen für Datenqualität und -management sind nicht definiert. Es fehlt an Orchestrierung, einem Zielbild für Datenwertschöpfung.

Eine Datenstrategie kann man hier als eine Art Wegweiser betrachten, der technologische und organisatorische Rahmenbedingungen berücksichtigt, Prozesse für die Umsetzung von Anwendungsfällen definiert und wichtige Fragestellungen beantwortet. Denn Fragen wie „Welche Probleme kann und möchte ich mit der Analyse von Daten lösen?“, „Welche Daten benötige ich für die Beantwortung meiner Fragen?“ oder „Lohnen sich die Kosten für die Umsetzung überhaupt in Relation zu dem Nutzen?“ werden mit ihr vorab beantwortet.

Welche Anwendungsfälle letztlich sinnvoll für ein Unternehmen sind, hängt mit verschiedenen Faktoren wie Branche, Größe oder Wettbewerber zusammen. Innerhalb einer Datenstrategie wird ebenfalls erarbeitet, wie sinnvolle Anwendungen am besten priorisiert werden.

Welche Maßnahmen ein Unternehmen angehen sollte, ermitteln wir durch eine strukturierte Reifegradanalyse des Unternehmens. Dabei inspizieren wir im INFORM DataLab vier Dimensionen:

  • Daten: Diese Dimension beschäftigt sich mit den vorhandenen datenspezifischen Aspekten und Tätigkeiten.
  • Technologie: Identifikation der Technologie, die für eine reibungslose Umsetzung der Lösungen benötigt wird.
  • Menschen und Organisation: Bestandsaufnahme vorhandener Mitarbeiterfähigkeiten im Bereich Daten und gegebenenfalls Bedarfsermittlung von Schulungen und Weiterbildungen, um ein Verständnis für die Arbeit mit Daten zu schaffen. Diese Dimension verlangt besondere Aufmerksamkeit, da die Integration von Management und Mitarbeiter in die Veränderungsprozesse für die erfolgreiche Entwicklung und Umsetzung einer Datenstrategie notwendig sind.
  • Prozesse: Bestimmung und Entwicklung bestimmter Prozesse, die in Zusammenhang mit den Datenlösungen stehen

Fazit

Eine Datenstrategie ist die Grundlage für gezielte Datenlösungen in Unternehmen Sie ist der Fahrplan für die Transformation hin zu einem datengetriebenen Unternehmen, das wichtige strategische und taktische Entscheidung anhand von Fakten trifft und seine Performance kontinuierlich durch datengetriebene Lösungen verbessert.

Sie interessieren sich für das Thema Datenstrategie und möchten sich weitergehend informieren, wie man sie gewinnbringend einsetzt?

Fragen Sie hier die Aufzeichnung meines Webinars „Data Strategy – Ziehen Sie mehr Nutzen aus Ihren Unternehmensdaten" an!
Read More