Data Governance Archives

Wie kann KI die Governance Ihrer Unternehmensdaten verbessern?

von Zeenea Software | Okt. 23, 2024 | Data Governance

Laut einem von McKinsey Ende 2022 veröffentlichten Bericht würden 50 % der Unternehmen bereits künstliche Intelligenz einsetzen, um ihre Serviceabläufe zu optimieren und neue Produkte zu entwickeln. Die Entwicklung von KI und Machine Learning im Unternehmensalltag zeigt, welch herausragende Rolle Daten in den Entwicklungsstrategien der Führungskräfte spielen. Um effektiv arbeiten zu können, ist die KI auf große Datensätze angewiesen, die einer methodischen und strengen Governance unterliegen müssen.

Hinter dem Begriff Data Governance steht die Gesamtheit der Prozesse, Richtlinien und Normen, um die Erfassung, Speicherung, Verwaltung, Qualitätssicherung und den Zugang zu Daten innerhalb einer Organisation zu regeln. Welche Rolle spielt die Data Governance? Sie stellt sicher, dass die Daten präzise, sicher, und zugänglich sind und mit den geltenden Vorschriften übereinstimmen. Zwischen KI und Data Governance besteht eine enge Beziehung, denn KI-Modelle lernen aus Daten, und minderwertige oder verzerrte Daten können zu falschen oder diskriminierenden Entscheidungen führen.

Möchten Sie sicherstellen, dass die von KI-Systemen und ihren Algorithmen verwendeten Daten vertrauenswürdig, ethisch korrekt und datenschutzkonform sind? Dann ist die Data Governance eine unabdingbare Voraussetzung für Sie. Wenn Sie zur selben Zeit ein Doppelprojekt aus KI und Data Governance vorantreiben, schaffen Sie positive Synergien. Die KI kann auf diese Weise direkt zur Verbesserung der Data Governance eingesetzt werden, indem sie Aufgaben wie die Erkennung von Anomalien oder die Klassifizierung von Daten automatisiert.

Zusammenfassung der (zahlreichen!) Vorteile einer Data Governance mit KI-Unterstützung.

Welche Vorteile bietet KI für die Data Governance?

Verbesserung der Qualität Ihrer Daten

Die Datenqualität muss die Grundlage jeder Datenstrategie sein. Je zuverlässiger die Daten sind, desto relevanter sind die daraus abgeleiteten Erkenntnisse, Entscheidungen und Leitlinien. KI trägt durch mehrere Mechanismen zur Verbesserung der Datenqualität bei. KI-Algorithmen können insbesondere die Erkennung und Korrektur von Fehlern in Datensätzen automatisieren und so Inkonsistenzen und Ungenauigkeiten reduzieren.

Darüber hinaus kann KI dabei helfen, Daten zu normalisieren, indem sie diese auf kohärente Weise strukturiert, damit sie flüssiger und zuverlässiger ausgewertet, verglichen und in einen Zusammenhang gebracht werden können. Mithilfe von maschinellem Lernen (Machine Learning) ist es auch möglich, versteckte Muster und Trends in den Daten zu erkennen und so Fehler oder fehlende Daten zu entdecken.

Automatisierung der Compliance Ihrer Daten

Da die Zahl der Cyberbedrohungen buchstäblich explodiert, muss die Einhaltung der Daten-Compliance in Ihrem Unternehmen absolute Priorität genießen. Die Gewährleistung dieser Compliance setzt jedoch eine ständige Wachsamkeit voraus, die nicht ausschließlich von der menschlichen Intelligenz getragen werden kann. Zumal KI potenzielle Verstöße gegen Datenvorschriften proaktiv überwachen kann. Wie genau? Indem sie alle Datenströme in Echtzeit auf Anomalien oder unbefugte Zugriffe hin analysiert, automatische Warnungen auslöst und sogar Empfehlungen zur Behebung möglicher Probleme macht. Darüber hinaus erleichtert KI die Klassifizierung und Kennzeichnung sensibler Daten und stellt so sicher, dass diese angemessen verarbeitet werden. Außerdem können KI-Systeme automatische Compliance-Berichte erstellen und so den Verwaltungsaufwand reduzieren.

Erhöhen Sie die Sicherheit Ihrer Daten

KI besitzt die Fähigkeit, Bedrohungen durch die Analyse von Datenzugriffsmustern in Echtzeit proaktiv zu erkennen und kann so vor verdächtigem Verhalten wie Eindringversuchen oder unbefugtem Zugriff warnen. Um im Dienste der Data Governance noch einen Schritt weiter zu gehen, nutzt die KI Systeme zur Erkennung von Malware, die auf maschinellem Lernen basieren. Diese Systeme sind in der Lage, Signaturen bekannter Malware zu identifizieren und unbekannte Varianten durch die Analyse ihres Verhaltens zu erkennen. Darüber hinaus trägt sie zur Sicherheit bei, indem sie die Verwaltung von Sicherheits-Patches automatisiert und die Einhaltung von Sicherheitsrichtlinien überwacht.

Demokratisierung der Daten

Der Kern Ihrer Datenstrategie beruht auf einem Ziel: Ihre Mitarbeiter sollen ermutigt werden, Daten zu nutzen, wann immer es möglich ist. Auf diese Weise fördern Sie die Entwicklung einer Datenkultur in Ihrer Organisation. Der Schlüssel zum Erfolg liegt darin, den Zugang zu den Daten zu erleichtern, indem Sie die Suche und Analyse komplexer Daten erleichtern. KI-Suchmaschinen können schnell relevante Informationen aus großen Datensätzen extrahieren, sodass Ihre Mitarbeiter in kürzester Zeit das finden, was sie brauchen. Darüber hinaus kann KI die Aggregation und Präsentation von Daten in Form von interaktiven Dashboards automatisieren, wodurch die Daten jederzeit leichter abgerufen und weitergegeben werden können!

Wie sieht die Zukunft der Data Governance aus?

Immer mehr Daten, immer mehr Analysen, immer mehr Vorhersagbarkeit. Das ist der Lauf der Dinge. Dies wird dazu führen, dass die Unternehmen ganzheitlichere Ansätze für ihre Herausforderungen wählen werden. Mehr Höhe, mehr Distanz, für immer mehr Nähe zu ihren Märkten. Um diese Herausforderung zu meistern, ist es von entscheidender Bedeutung, die Data Governance in die globalen Strategien einzubeziehen. In diesem Zusammenhang wird die Automatisierung von entscheidender Bedeutung sein und sich größtenteils auf Werkzeuge stützen, die künstliche Intelligenz und maschinelles Lernens nutzen, um Daten proaktiv zu finden, zu klassifizieren und zu sichern.

Die Zukunft wird unter dem Stern einer stärkeren Zusammenarbeit zwischen IT-, Rechts- und Geschäftsteams stehen, die für den Erfolg der Data Governance und die Aufrechterhaltung des Vertrauens aller Beteiligten von entscheidender Bedeutung ist.

Wie initiiert man ein Data Mesh? – Teil 4 – Zu einem Federated-Governance-Modell übergehen

von Zeenea Software | Mai 6, 2024 | Data Mesh

Die Literatur zum Data Mesh ist zwar umfangreich, beschreibt aber oft einen Endzustand und selten, wie man diesen in der Praxis erreicht. Es stellt sich also die Frage:

Welche Vorgehensweise sollten Sie wählen, um das Datenmanagement zu transformieren und ein Data Mesh einzurichten?

In dieser Artikelreihe finden Sie Auszüge aus unserem Praxisleitfaden Data Mesh, in dem wir ein iteratives Vorgehen für die Einführung eines Data Mesh in Ihrer Organisation vorschlagen. Dieser Ansatz basiert auf seinen vier Schlüsselprinzipien (Domain-oriented Decentralized Data Ownership and Architecture, Data as a Product, Self-serve Data Infrastructure as a Platform und Federated Computational Governance) und stützt sich auf die vorhandenen personellen und technologischen Ressourcen.

Teil 1: Den Umfang Ihres Pilotprojekts definieren
Teil 2: Das Entwicklungsteam und die Datenplattform für das Pilotprojekt zusammenstellen
Teil 3: Ihre ersten Data Products herstellen
Teil 4: Zu einem Federated-Governance-Modell übergehen

Im Laufe dieser Artikelreihe und zur Veranschaulichung dieses iterativen Vorgehens bei der Einrichtung eines Data Mesh werden wir ein Fallbeispiel verwenden: das fiktive Unternehmen Premium Offices – eine Gesellschaft für Gewerbeimmobilien, die Immobilien erwirbt und an Unternehmen vermietet.

–

In den ersten Artikeln der Reihe haben wir die Domänen identifiziert, einen ersten Use Case definiert, das Team zusammengestellt, das für die Entwicklung verantwortlich sein wird und unsere ersten Data Products erstellt. Jetzt ist es an der Zeit, zum letzten Prinzip des Data Mesh, der Federated Computational Governance, überzugehen.

Was ist Federated Computational Governance?

Federated Computational Governance verweist auf ein Governance-System, bei dem die Entscheidungsprozesse auf mehrere Einheiten oder Organisationen verteilt sind, wobei computergestützte Algorithmen und verteilte Technologien eingesetzt werden. In diesem System ist die Entscheidungsgewalt dezentralisiert, wobei jede teilnehmende Einheit ein gewisses Maß an Autonomie behält, während alle innerhalb eines größeren Rahmens zusammenarbeiten. Federated Governance beruht auf den folgenden Merkmalen:

Dezentralisierung: Die Entscheidungsbefugnis wird auf mehrere Einheiten verteilt, anstatt sie in einer zentralen Stelle zu konzentrieren.

Algorithmen: Algorithmen spielen eine bedeutende Rolle in Governance-Prozessen und helfen dabei, die Entscheidungsprozesse zu automatisieren, Regeln durchzusetzen und für Transparenz und Fairness zu sorgen.

Ein kollaborativer Rahmen: Die Einheiten arbeiten innerhalb eines größeren Rahmens zusammen und teilen Ressourcen, Daten und Verantwortlichkeiten, um gemeinsame Ziele zu erreichen.

Transparenz und Verantwortlichkeit: Die Verwendung von Algorithmen und verteilten Registrys kann die Transparenz erhöhen, indem sie eine klare Aufzeichnung der Prozesse bietet und die Verantwortlichkeit der teilnehmenden Einheiten sicherstellt.

Anpassungsfähigkeit und Resilienz: Föderierte computergestützte Governance-Systeme sind so konzipiert, dass sie anpassungsfähig und belastbar sind, sich weiterentwickeln und auf Veränderungen in der Umgebung oder auf die Bedürfnisse der Teilnehmer reagieren können.

Die Herausforderungen einer Federated Governance im Data Mesh

Dieses letzte Prinzip des Data Mesh, die Federated Computational Governance, bedeutet, dass ein zentrales Organ die Regeln und Richtlinien festlegt, an die sich die Domänen halten müssen. Lokale Verantwortliche sind dafür zuständig, diese Regeln in ihrem Bereich umzusetzen und dem Zentralorgan die Compliance nachzuweisen – meist in Form von Berichten.

Obwohl das Modell im Prinzip einfach ist, scheitert seine Umsetzung oft an der internen Kultur. Dies ist insbesondere in stark regulierten Branchen der Fall, in denen zentralisierte Governance-Teams nur ungern alle oder einen Teil der Kontrollen delegieren, für die sie bisher verantwortlich waren.

Federated Governance trifft auch selten auf eine günstige Realität in der Praxis: Die Data Governance ist stark mit dem Risikomanagement und der Compliance verknüpft, zwei Bereichen, die bei den operativen Teams selten Begeisterung hervorrufen.

Daher ist es schwierig, die lokalen Verantwortlichen zu identifizieren oder bestimmte Aspekte der Governance auf die Data Product Owner zu übertragen – von denen die meisten bereits ein neues Aufgabenfeld erlernen müssen. Es ist daher wahrscheinlich, dass in den meisten großen Unternehmen die föderale Struktur vom Zentralorgan emuliert und dann allmählich und mit fortschreitender Reife in den Domänen eingeführt wird.

Um eine Kostenexplosion bei der Governance oder deren Fragmentierung zu vermeiden, prognostiziert Dehghani, dass die Datenplattform mit der Zeit ganze Bereiche der Governance automatisch übernehmen kann.

Automatisierbare Aspekte einer föderierten Governance

Wir bei Zeenea sind der festen Überzeugung, dass Automatisierung diese Herausforderung in mehrfacher Hinsicht bewältigen kann:

Qualitätskontrollen – es gibt bereits viele Lösungen.
Rückverfolgbarkeit – Entwicklungsteams können bereits automatisch die vollständigen Lineage-Informationen aus ihren Data Products extrahieren und die Transformationen dokumentieren.
Detaillierte Steuerung der Zugriffsrichtlinien – es gibt zunehmend Lösungen, die auf dem Tagging von Informationen beruhen.

Mit etwas Fantasie könnte man sich sogar vorstellen, dass eine generative KI die SQL-Abfragen der Transformation analysiert und sie in natürliche Sprache übersetzt (Lösungen gibt es bereits).

Der Weg ist natürlich lang, aber die Dezentralisierung erlaubt sehr iterative Fortschritte, Domäne für Domäne, Produkt für Produkt. Und rufen wir uns auch in Erinnerung, dass jeder Fortschritt bei der Automatisierung der Governance, egal in welcher Hinsicht, auf der Erzeugung und Verarbeitung von Metadaten beruht.

FALLBEISPIEL PREMIUM OFFICES

Bei Premium Offices hat das Data Office eine sehr defensive Governance-Kultur – da das Unternehmen auf dem Kapitalmarkt tätig ist, unterliegt es einer Reihe von strengen gesetzlichen Vorschriften.

Im Rahmen des Pilotprojekts wurde beschlossen, das Governance-Framework unangetastet zu lassen. Qualität und Nachvollziehbarkeit bleiben in der Zuständigkeit des Data Office und werden im Nachhinein mit dessen Werkzeugen und Methoden bearbeitet. Auch die Zugriffskontrolle wird in dessen Verantwortung fallen – ein Prozess ist bereits in Form eines ServiceNow-Workflows eingerichtet (das Einrichten von Berechtigungen in BigQuery erfordert mehrere manuelle Arbeitsschritte sowie Überprüfungen). Als einziges Zugeständnis wird der Workflow so geändert, dass die Zugriffsanfragen vom Data Product Owner überprüft werden, bevor sie vom Data Office freigegeben und bearbeitet werden. Ein erster kleiner Schritt in Richtung Federated Governance.

Auf der Metadatenseite müssen die neuen Tabellen und Ansichten in BigQuery auf konzeptueller und physischer Ebene im zentralen Datenkatalog dokumentiert werden (der den Begriff Data Product nicht kennt). Es handelt sich um einen deklarativen Prozess, den das Pilotteam bereits kennt. Das Tagging der Spalten wird gegebenenfalls nach der Auswertung durch das Data Office durchgeführt.

Ansonsten wird die Benutzerdokumentation für die Datenprodukte in einem eigenen Bereich des internen Wikis veröffentlicht, das nach Domänen gegliedert ist, in dem man eine sehr umfangreiche und strukturierte Dokumentation schreiben kann und das über eine angemessene Suchmaschine verfügt.

Praxisleitfaden Data Mesh: Ein unternehmensweites Data Mesh einrichten und überwachen

Dieser Leitfaden von Guillaume Bodet, Mitbegründer und CPTO von Zeenea, vermittelt Ihnen einen praktischen Ansatz zur Implementierung eines Data Mesh in Ihrer Organisation und hilft Ihnen:

✅ Ihren Data-Mesh-Ansatz mit einem fokussierten Pilotprojekt zu starten,

✅ effektive Methoden kennenzulernen, um Ihr Data Mesh zu skalieren,

✅ die entscheidende Rolle eines internen Data Marketplaces zu verstehen, um die Nutzung von Datenprodukten zu erleichtern

✅ zu verstehen, was Zeenea als robustes, unternehmensweites Data-Mesh-Monitoring-System auszeichnet.

E-BOOK HERUNTERLADEN (ENGLISCH)

Alles über Data Contracts

von Zeenea Software | März 4, 2024 | News & Events

In der heutigen datengesteuerten Welt tauschen Unternehmen große Datenmengen zwischen verschiedenen Abteilungen, Diensten und Partner-Ökosystemen aus, die aus verschiedenen Anwendungen, Technologien und Quellen stammen. Sicherzustellen, dass die ausgetauschten Daten zuverlässig, qualitativ hochwertig und vertrauenswürdig sind, ist für die Schaffung eines greifbaren Wertes von entscheidender Bedeutung. Hier kommen die Data Contracts ins Spiel – ähnlich wie traditionelle Verträge, die Erwartungen und Verantwortlichkeiten festlegen, legen die Datenverträge den Rahmen für einen zuverlässigen Datenaustausch fest.

In diesem Artikel erfahren Sie alles, was Sie über Data Contracts wissen müssen!

Was ist ein Data Contract?

Ein Data Contract ist im Wesentlichen eine Vereinbarung zwischen zwei oder mehr Parteien über die Struktur, das Format und die Semantik der ausgetauschten Daten. Er dient als Masterplan, der festlegt, wie die Daten während des Kommunikationsprozesses organisiert, kodiert und validiert werden müssen. Darüber hinaus müssen Datenverträge festlegen, wie und wann geliefert werden soll, um die Aktualität der ausgetauschten Daten zu gewährleisten. Idealerweise sollten Datenverträge zu Beginn der gemeinsamen Nutzung ausgearbeitet werden, um von Anfang an klare Richtlinien festzulegen und gleichzeitig die Anpassung an die sich verändernden Vorschriften und den technologischen Fortschritt zu gewährleisten.

Data Contracts dienen in der Regel als Brücke zwischen Datenproduzenten, wie z. B. Softwareentwicklern, und Datenkonsumenten, wie z. B. Data Engineers oder Data Scientists. In diesen Verträgen wird minutiös beschrieben, wie die Daten strukturiert und organisiert werden müssen, um ihre Nutzung durch nachgelagerte Prozesse, wie z. B. Datenpipelines, zu erleichtern. Die Genauigkeit der Daten ist von entscheidender Bedeutung, um Qualitätsprobleme zu vermeiden und die Genauigkeit der Analysen zu gewährleisten.

Dennoch kann es Datenproduzenten an Informationen über die spezifischen Anforderungen und wesentlichen Informationen mangeln, die von jeder Art von Organisation des Datenteams für eine effektive Analyse benötigt werden. Um diese Lücke zu schließen sind Data Contracts unverzichtbar geworden. Sie gewährleisten ein gemeinsames Verständnis und eine Vereinbarung über das Eigentum, die Organisation und die Eigenschaften von Daten, was eine reibungslosere Zusammenarbeit und eine effizientere Nutzung über verschiedene Teams und Prozesse hinweg ermöglicht.

Es ist wichtig zu betonen, dass Datenverträge manchmal von Vereinbarungen über die gemeinsame Nutzung von Daten getrennt werden. Während Data Contracts die technischen Details und rechtlichen Verpflichtungen, die mit dem Datenaustausch verbunden sind, detailliert beschreiben, bieten Vereinbarungen zur gemeinsamen Nutzung eine vereinfachte Version, oft in Form von Word-Dokumenten, die speziell für nicht-technische Beteiligte wie Datenschutzbeauftragte (DPO) und Rechtsberater entwickelt wurden.

Was steht in einem Data Contract?

Ein Data Contract umfasst in der Regel Vereinbarungen über:

Die Semantik

Der Abschnitt Semantik in einem Data Contract klärt die Bedeutung und den beabsichtigten Gebrauch von Datenelementen und -feldern und sorgt so für ein gegenseitiges Verständnis zwischen allen Parteien. Eine verständliche Dokumentation bietet Orientierung über Formate, Beschränkungen und Anforderungen und fördert die Konsistenz und Zuverlässigkeit beim Austausch zwischen den Systemen.

Das Datenmodell (Schema)

Das Schema in einem Data Contract definiert die Struktur der Datensätze, einschließlich der Datentypen und der Beziehungen, die sie verknüpfen. Es führt die Nutzer durch die Handhabung und Verarbeitung von Daten und stellt die Kohärenz zwischen den Systemen sicher, um eine nahtlose Integration und effektive Entscheidungsprozesse zu ermöglichen.

Service Level Agreements (SLAs)

Der Abschnitt über SLAs in einem Datenvertrag legt Standards für datenbezogene Dienstleistungen fest, um die Aktualität und Verfügbarkeit der Daten zu gewährleisten. Er definiert Metriken wie Antwortzeiten, Verfügbarkeit und Problemlösungsverfahren. SLAs weisen beiden Parteien Verantwortlichkeiten zu und stellen sicher, dass die Service Levels eingehalten werden.

Die Data Governance

Im Abschnitt Data Governance eines Datenvertrags werden Richtlinien für einen verantwortungsvollen Umgang mit Daten festgelegt. Er beschreibt die Rollen und Verantwortlichkeiten, gewährleistet die Einhaltung der Vorschriften und fördert das Vertrauen zwischen den Beteiligten. Dieser Rahmen hilft, die Integrität und Zuverlässigkeit der Daten in Übereinstimmung mit den gesetzlichen Anforderungen und den Zielen auf organisatorischer Ebene zu erhalten.

Die Datenqualität

Der Abschnitt eines Data Contracts über die Datenqualität gewährleistet, dass die ausgetauschten Daten vorab definierten Standards entsprechen, einschließlich Kriterien wie Genauigkeit, Vollständigkeit und Kohärenz. Durch die Festlegung von Regeln für die Datenvalidierung und von Protokollen für die Fehlerbehandlung zielt der Vertrag darauf ab, die Integrität und Zuverlässigkeit der Daten während ihres gesamten Lebenszyklus zu erhalten.

Die Sicherheit und Vertraulichkeit der Daten

Der Abschnitt über Datensicherheit und Datenschutz in einem Data Contract beschreibt die Maßnahmen zum Schutz sensibler Informationen und zur Einhaltung der Datenschutzbestimmungen. Er umfasst Verschlüsselungsrichtlinien, Zugangskontrollen und regelmäßige Audits, um die Integrität und Vertraulichkeit der Daten zu schützen. Der Vertrag betont die Einhaltung von Gesetzen wie DSGVO, HIPAA oder CCPA, um das Recht des Einzelnen auf Privatsphäre zu schützen und Vertrauen zwischen den Beteiligten aufzubauen.
Hier ist ein Beispiel für einen Data Contract aus dem PayPal open-sourced Data Contract:

Welche Rollen sind für Data Contracts verantwortlich?

Die Erstellung von Data Contracts erfordert in der Regel die Zusammenarbeit aller Beteiligten innerhalb einer Organisation, einschließlich der Data Architects, Data Engineers, Compliance-Experten und Business Analysts.

Data Architects

Data Architects spielen eine Schlüsselrolle bei der Definition der technischen Aspekte des Data Contracts, wie Datenstrukturen, Formate und Validierungsregeln. Sie stellen sicher, dass der Vertrag auf die Grundsätze und Standards der Datenarchitektur der Organisation abgestimmt ist, wodurch die Interoperabilität und Integration zwischen verschiedenen Systemen und Anwendungen erleichtert wird.

Data Engineers

Die Data Engineers sind für die Umsetzung der im Vertrag beschriebenen technischen Spezifikationen verantwortlich. Sie entwickeln Datenpipelines, Integrationsprozesse und Transformationsroutinen, um sicherzustellen, dass die Daten entsprechend den Vertragsanforderungen ausgetauscht, verarbeitet und gespeichert werden. Ihr Fachwissen in den Bereichen Modellierung, Datenbankmanagement und Integration ist entscheidend für die Umsetzung des Data Contracts in operative Lösungen.

Compliance-Experten

Compliance-Experten spielen ebenfalls eine entscheidende Rolle bei der Erstellung von Datenverträgen, da sie sicherstellen, dass die Verträge die geltenden Gesetze und Vorschriften einhalten. Sie prüfen und entwerfen Vertragsklauseln in Bezug auf Dateneigentum, Vertraulichkeit, Sicherheit, geistige Eigentumsrechte und Haftung, wägen rechtliche Risiken ab und stellen sicher, dass die Interessen aller beteiligten Parteien geschützt werden.

Business-Analysten

Business-Analysten leisten einen Beitrag, indem sie Informationen über Geschäftsanforderungen, Anwendungsfälle und Datenabhängigkeiten bereitstellen, die als Leitlinien für den Entwurf und die Ausarbeitung des Vertrags dienen. Sie helfen bei der Identifizierung von Quellen, der Definition von Datenattributen und der Artikulation von Geschäftsregeln und Validierungskriterien, welche den Rahmen des Vertrags festlegen.

Die Bedeutung von Datenverträgen

Im Mittelpunkt von Datenverträgen steht die Festlegung von Richtlinien, Bedingungen und Erwartungen für die Verwaltung von Aktivitäten zur gemeinsamen Nutzung von Daten. Durch die Definition von Rechten, Verantwortlichkeiten und Nutzungsparametern in Verbindung mit gemeinsam genutzten Daten tragen Verträge zur Förderung von Transparenz und zur Minderung potenzieller Konflikte oder Missverständnisse zwischen den am Datenaustausch beteiligten Parteien bei.

Eine der wichtigsten Aufgaben von Datenverträgen ist ihre Rolle bei der Gewährleistung der Qualität und Integrität von Daten während ihres gesamten Lebenszyklus. Durch die Festlegung von Standards, Formaten und Validierungsprotokollen für den Datenaustausch fördern Data Contracts die Einhaltung von kohärenten Datenstrukturen und Qualitätsstandards. Das hilft, Abweichungen, Fehler und Inkonsistenzen auf ein Minimum zu reduzieren und verbessert die Zuverlässigkeit und das Vertrauen in gemeinsame Datenbestände für Analysen und Entscheidungsprozesse.

Datenverträge sind ein wichtiges Instrument zur Förderung der Data Governance und der Compliance in Unternehmen. In einem immer stärker regulierten Umfeld, in dem Datenschutzgesetze und Normen den Umgang mit und den Schutz von sensiblen Daten regeln, bieten Datenverträge einen Rahmen für die Umsetzung robuster Schutzmaßnahmen und die Gewährleistung der Einhaltung gesetzlicher Anforderungen. Durch die Aufnahme von Bestimmungen zur Datensicherheit, Vertraulichkeit und die Einhaltung der einschlägigen Vorschriften helfen Datenverträge, rechtliche Risiken zu mindern, sensible Daten zu schützen und das Vertrauen der Beteiligten herzustellen.

Data Contracts erleichtern die effektive Zusammenarbeit und Partnerschaft zwischen den verschiedenen Interessengruppen, die an Initiativen zur gemeinsamen Nutzung von Daten beteiligt sind. Durch die Festlegung der Rollen, Verantwortlichkeiten und Erwartungen jeder Partei schaffen Datenverträge ein gemeinsames Verständnis und eine Ausrichtung der Ziele, was ein kooperatives Umfeld für Innovation und Wissensaustausch fördert.

Zusammenfassend lässt sich sagen, dass Data Contracts mehr als nur Rechtsinstrumente sind. Sie dienen als Eckpfeiler zur Förderung datengestützter Entscheidungen, zur Förderung von Vertrauen und Verantwortlichkeit und ermöglichen einen effizienten Datenaustausch zwischen Ökosystemen.

Die wichtigsten Prioritäten und Herausforderungen für den Chief Data Officer (CDO) im Jahr 2024

von Zeenea Software | Jan. 10, 2024 | Data Mesh, Daten-Inspiration

In unserer dynamischen modernen Geschäftswelt ist das Erheben, Umwandeln und Nutzen von Daten für Unternehmen, die ihren Wettbewerbsvorteil wahren wollen, unverzichtbar geworden. Der Wunsch, „datenzentrierter“ zu werden, ist in allen Branchen offensichtlich, und viele Unternehmen ernennen einen Chief Data Officer (CDO), der sie in eine Zukunft führen soll, in der wertvolle Daten schnell entdeckt und genutzt werden. Im Sommer 2023 führte AWS eine umfassende weltweite Studie über die sich verändernde Rolle von CDOs, ihre wichtigsten Prioritäten und die Herausforderungen, mit denen sie 2023 konfrontiert waren, durch.

In diesem Artikel werden wir die wichtigsten Ergebnisse dieser Studie analysieren und uns mit den zentralen Themen beschäftigen, auf die sich CDOs im Jahr 2024 konzentrieren werden.

Generative KI, ein Zukunfts-Trend?

Eine begeisterter Annäherung an das Potenzial der generativen KI

Während die Nutzung generativer KI noch in den Kinderschuhen steckt, untersuchen CDOs aller Branchen aktiv ihre Möglichkeiten. Die generative KI stößt auf große Begeisterung, und einige CDOs gaben an, dass sie ihren Status innerhalb ihrer Organisation aufgewertet hat. Die Studie zeigt jedoch, dass der Einsatz generativer KI für viele Unternehmen derzeit noch weitgehend experimentell ist. Fast ein Drittel der Befragten gab an, dass sie „auf individueller Ebene experimentieren“ und keine umfassende Unternehmensstrategie verfolgen.

Obwohl die Initiativen zur generativen KI aktuell nicht über den Status eines Experiments hinauskommen, sehen die CDOs eine transformative Zukunft. Nicht weniger als 80 % der Befragten sind der Meinung, dass generative KI die Arbeit ihres Unternehmens langfristig verändern wird. Darüber hinaus erwarten oder sehen 46 Prozent bereits eine breite Einführung generativer KI in ihrem Unternehmen und 62 % planen, ihre Investitionen in generative KI zu erhöhen.

Datenqualität, Vertrauen und Sicherheit sind die größten Herausforderungen für die generative KI

Ein großer Teil der CDOs bezeichnete die Datenqualität als die größte Herausforderung für die generative KI. Die entscheidende Bedeutung qualitativ hochwertiger Daten beim Training generativer KI-Modelle kann nicht hoch genug eingeschätzt werden, und das Finden der richtigen Anwendungsfälle ist entscheidend, um sinnvolle Einblicke und Werte zu generieren.

Auch die Errichtung von Barrieren für eine verantwortungsvolle Nutzung wurde als Anliegen genannt, da 43 % der CDOs die Notwendigkeit ethischer und verantwortungsvoller Praktiken im Zusammenhang mit KI anerkennen. Dicht gefolgt von den Bereichen Datensicherheit und Datenschutz sowie Datenwissen und Datenkompetenz, was die Notwendigkeit einer Belegschaft unterstreicht, die in der Lage ist, die Macht der generativen KI zu nutzen.

Die Data Governance bleibt eine Priorität

Unternehmen ändern ihren Ansatz bei der Data Governance

Das zweite Jahr in Folge wurde die Data Governance als zeitintensivste Aktivität der CDOs genannt, was ein Wachstum von 44 % im Jahr 2022 auf 63 % im Jahr 2023 widerspiegelt. Darüber hinaus sehen mehr als die Hälfte der CDOs (51 %) die Data Governance als ihre Hauptverantwortung an, wobei 66 % angeben, dass sie mindestens 20 % ihrer Zeit in Anspruch nimmt.

Der AWS-Bericht betont, dass die Ziele der Data Governance darin bestehen, die Verfügbarkeit der Daten zu gewährleisten, das Vertrauen zu stärken und den Datenschutz zu gewährleisten. Ohne eine starke Data-Governance-Komponente kann keine Datenstrategie effektiv umgesetzt werden – Data Governance gilt als wichtigster Hebel zur Wertschöpfung für CDOs.

Die CDOs erkennen an, dass die Einführung einer effektiven Data Governance eine Herausforderung darstellt, hauptsächlich aufgrund der erheblichen Verhaltensänderungen, die sie innerhalb des Unternehmens erfordert. Das traditionelle Konzept der „Governance“ wandelt sich in einigen Unternehmen zum Positiven hin zu einer „Datenaktivierung“ . Diese Begriffsänderung spiegelt eine Entwicklung wider, welche die Data Governance als Katalysator und nicht als restriktive Maßnahme positioniert.

Datenkultur und Datenkompetenz bleiben weiterhin eine Herausforderung für die effektive Nutzung

Dem Bericht zufolge ist die Einführung einer datengetriebenen Kultur die größte Herausforderung, die es zu bewältigen gilt. Die Umfrage zeigt die vielen Facetten dieser Herausforderung auf, die organisatorisches Verhalten, Einstellungen und das Fehlen einer datengetriebenen Kultur oder eines datengestützten Ansatzes zur Entscheidungsfindung umfasst. Die CDOs bemühen sich, ihrem Unternehmen eine datenzentrierte Denkweise einzuimpfen, und stoßen dabei auf verschiedene Hindernisse:

• Die Schwierigkeit, Verhaltensweisen und Einstellungen innerhalb der Organisation zu ändern (70 %)
• Das Fehlen einer datengestützten Kultur oder datenbasierter Entscheidungsprozesse (59 %)
• Mangelnde Kontrolle oder mangelndes Verständnis für die Daten (50 %)
• Unzureichende Ressourcen, um die Ziele zu erreichen (55 %)

Um diesen Herausforderungen zu begegnen, engagieren sich die CDOs aktiv in Initiativen zur Einführung einer Datenkultur, wobei mehr als die Hälfte von ihnen ein Fünftel ihrer Zeit oder mehr für solche Programme aufwendet. Diese Initiativen umfassen häufig Programme zur Data Literacy und Ansätze für das Change Management, die auf spezifische Daten- oder Analyseprojekte zugeschnitten sind.

Schaffung eines sichtbaren Geschäftswerts

Analytik und KI in der Projektentwicklung

Im Jahr 2022 wurden Analytik- und KI-Projekte als entscheidender Faktor für die Schaffung eines messbaren Mehrwerts anerkannt, eine Einschätzung, die sich 2023 noch verstärkte. Mehr als die Hälfte der Befragten bevorzugt inzwischen einen gezielten Ansatz, bei dem sie sich auf eine kleine Gruppe von Schlüsselprojekten im Bereich Analytik oder KI als wichtigste Quelle der Wertschöpfung konzentrieren.

Obwohl die Datenverwaltung eine vorrangige Verantwortung ist, legen nur 44 % der CDOs den Schwerpunkt auf Datenverwaltungsinitiativen, wie z. B. die Verbesserung der Infrastruktur, im spezifischen Kontext jedes analytischen und KI-Anwendungsfalls und nicht als eigenständige Anstrengung.

Hin zu einem auf Datenprodukte ausgerichteten Ansatz

Das Konzept der Datenprodukte (Data Products), das mit dem Data Mesh entstanden ist, stellt einen neuen Ansatz für die Datenverwaltung dar. Basierend auf dem Prinzip, Daten als Produkt zu behandeln, führt dieses innovative Konzept eine Reihe von Merkmalen ein, welche die Art und Weise, wie Unternehmen ihre Datenbestände wahrnehmen und nutzen, neu definieren.

Laut der Studie verfolgen 39 % der CDOs eine Ausrichtung auf die Verwaltung von Datenprodukten und führen in ihren Teams spezielle Datenproduktmanager ein. Dieser Ansatz gewährleistet eine umfassende und disziplinierte Verwaltung aller Facetten von Analyse- oder KI-Initiativen, von der Konzeption über die Bereitstellung bis hin zur kontinuierlichen Wartung.

In dem Bericht erklärt Sebastian Klapdor, Chief Data and Technology bei Vista: „Der Fokus auf Datenprodukte hat die Datenexperten näher an den Rest der Organisation herangeführt. Von nun an werden die Datenproduktmanager die gleiche Arbeitsmethode wie die Produktmanager befolgen, die Software für Kunden entwickeln.“

Schlussfolgerung

Im Jahr 2024 wird die Arbeit der CDOs von dynamischen Herausforderungen und sich ändernden Prioritäten geprägt, wie die CDO Agenda 2024 von AWS enthüllt. Die Erforschung der generativen KI zeigt sowohl die Begeisterung als auch die Vorsicht der CDOs – während das transformative Potenzial weithin anerkannt wird, unterstreichen Herausforderungen wie Datenqualität, ethische Überlegungen und Sicherheit die Notwendigkeit eines ausgewogenen und verantwortungsbewussten Ansatzes.

Darüber hinaus bleibt die Data Governance ein ständiges Anliegen, wobei sich die Perspektive hin zur „Datenaktivierung“ verschiebt und der Kampf, den Unternehmen eine datenorientierte Kultur einzuimpfen, nach wie vor nicht gewonnen ist.

Schließlich wird bei der Suche nach einer sichtbaren geschäftlichen Wertschöpfung der Schwerpunkt auf eine Entwicklung hin zu einem Ansatz der Datenprodukte und eine strategische Integration von Analytik und KI in die Projektentwicklung gelegt. Die CDOs begnügen sich nicht damit, sich einen Weg durch die technologischen Fortschritte zu bahnen, sondern gehen auch aktiv die kulturellen und organisatorischen Veränderungen an, die notwendig sind, um das volle Potenzial der Daten auszuschöpfen.

5 Vorteile, die Data Lineage für Ihr Unternehmen bietet

von Zeenea Software | Mai 15, 2023 | Daten-Compliance, Datenkatalog

Sie haben den Ehrgeiz, Ihre Organisation zu einem datengetriebenen Unternehmen zu machen? Dann werden Sie nicht darum herumkommen, alle Ihre Datenbestände genau zu katalogisieren, ihre Qualität zu überwachen und ihre Zuverlässigkeit zu gewährleisten. Bei dieser Aufgabe kann Data Lineage Sie unterstützen. Einige Erklärungen.

Um zu wissen, welche Daten Sie verwenden, was sie bedeuten, woher sie stammen und wie zuverlässig sie während ihres gesamten Lebenszyklus sind, benötigen Sie einen ganzheitlichen Überblick über alles, was diese Daten verändern, modifizieren und beeinträchtigen kann. Genau diese Aufgabe erfüllt Data Lineage, eine Technik zur Datenanalyse, die es ermöglicht, den Weg der Daten von ihrer Quelle bis zu ihrer endgültigen Verwendung zu verfolgen. Eine Technik mit vielen Vorteilen!

Vorteil Nr. 1: Eine bessere Data Governance

Data Governance ist ein wichtiges Thema für Ihr Unternehmen und um das volle Potenzial Ihrer Datenstrategie zu entfalten. Durch die Verfolgung des Weges der Daten – von der Erfassung bis zur Nutzung – können Sie mithilfe von Data Lineage verstehen, woher die Daten kommen und welche Veränderungen sie im Laufe der Zeit durchgemacht haben, um ein umfangreiches und kontextbezogenes Datenökosystem zu schaffen. So erleichtert Data Lineage die Suche nach der Ursache von Datenproblemen, da die Rückverfolgung bis zu ihrem Ursprung ermöglicht wird. Diese Nachvollziehbarkeit ist Ihr größter Trumpf in Sachen Transparenz im Dienste der Data Governance.

Vorteil Nr. 2: Zuverlässigere, genauere und qualitativ hochwertigere Daten

Wie bereits erwähnt, liegt eine unverzichtbare Stärke der Data Lineage insbesondere in ihrer Fähigkeit, die Herkunft der Daten nachzuvollziehen, aber auch Fehler zu identifizieren, die bei ihrer Umwandlung und Handhabung auftreten. So sind Sie in der Lage, diese Fehler nicht nur zu korrigieren, sondern auch dafür zu sorgen, dass sie nicht mehr vorkommen, um eine bessere Datenqualität zu erreichen. Eine Logik der kontinuierlichen Verbesserung, die im Rahmen einer Datenstrategie besonders wirksam ist. Außerdem kann mithilfe von Data Lineage nachverfolgt werden, wer die Daten wann geändert hat. Das erhöht die Transparenz und versetzt die Nutzer in die Lage, nachzuvollziehen, wie die Daten gewonnen und verarbeitet wurden.

Vorteil Nr. 3: Eine schnelle Folgenabschätzung

Sorgen Sie dafür, dass Sie einen Fehler nie zu lange wiederholen. Dies ist ein Versprechen, das die Data Lineage hält. Wie genau? Indem die Datenströme genau identifiziert werden. Diese erste Phase beruht auf einer genauen Kenntnis Ihrer Geschäftsprozesse und der verfügbaren Datenquellen. Wenn kritische Datenflüsse identifiziert und abgebildet werden, können die potenziellen Auswirkungen einer Änderung auf die Daten und Geschäftsprozesse schnell analysiert werden. Da die Auswirkungen jeder Datentransformation in Echtzeit bewertet werden, verfügen Sie über alle notwendigen Elemente, um die Mittel und Wege zu identifizieren, mit denen die Folgen eingegrenzt werden können. Sichtbarkeit, Nachvollziehbarkeit, Reaktivität – Data Lineage wird Ihnen helfen, wertvolle Zeit zu sparen!

Vorteil Nr. 4: Mehr Kontext für Daten

Sie wissen es bereits: Data Lineage überwacht kontinuierlich den Weg Ihrer Data Assets. Sie haben also nicht nur die Quelle, aus der die Daten stammen, sondern auch einen vollständigen Einblick in die Transformationen, die entlang ihres Weges auf die Daten angewendet wurden. Diese Rückverfolgbarkeit erstreckt sich auch auf die Nutzung der Daten in den verschiedenen Verarbeitungsprozessen oder durch die in Ihrem Unternehmen eingesetzten Anwendungen. Diese äußerst präzise Verfolgung des Verlaufs der Interaktionen mit den Daten macht es möglich, den Daten mehr Kontext zu geben, um ihre Qualität zu verbessern, Analysen und Audits zu erleichtern und auf der Grundlage genauer und vollständiger Informationen fundiertere Entscheidungen zu treffen.

Vorteil Nr. 5: (Besonders!) zuverlässige Compliance-Berichte

Die wichtigsten Erwartungen der Regulierungsbehörden an die Compliance sind Transparenz und Nachvollziehbarkeit. Genau das ist der Kern des Wertversprechens der Data Lineage. Durch die Nutzung von Data Lineage haben Sie alle Karten in der Hand, um das Risiko von Compliance-Verstößen zu verringern, die Datenqualität zu verbessern, Audits und Überprüfungen zu erleichtern und das Vertrauen aller Stakeholder in die erstellten Compliance-Berichte zu stärken.

Alles über Platform Engineering

von Zeenea Software | März 10, 2023 | Data Governance

Sie wünschen sich eine besser verfügbare, skalierbare und leistungsfähige Infrastruktur mit Kostenkontrolle, um den Herausforderungen Ihres Unternehmens gerecht zu werden? Sie möchten Ihre Innovationsfähigkeit steigern? Dann müssen Sie sich mit Platform Engineering beschäftigen!

In diesem Artikel erfahren Sie, was man unter Platform Engineering versteht, wie es sich von ähnlichen Konzepten – insbesondere von DevOps und SRE – unterscheidet und welche Vorteile es für Ihr Unternehmen bieten kann.

Platform Engineering wurde vom Gartner Institute als einer der wichtigsten Trends für das Jahr 2023 bezeichnet und ist eine noch weitgehend unbekannte Disziplin. Es ist jedoch von entscheidender Bedeutung, da die Unternehmen zunehmend in der Cloud arbeiten. Das Platform Engineering zielt darauf ab, die Entwicklung und Bereitstellung von Software zu verbessern. Wie genau? Durch die Rationalisierung und Optimierung des Planungs- und Implementierungsprozesses von Toolketten wie CI/CD-Pipelines, der Bereitstellung von Testumgebungen und von Infrastructure-as-Code (IaC)-Konfigurationen zur Automatisierung der Bereitstellung von Cloud-Ressourcen.

Platform Engineering: Was ist das?

Das Platform Engineering ist eine Disziplin, die sich auf die Gestaltung, Entwicklung und Verwaltung technischer Plattformen konzentriert, welche eine Reihe von Diensten und Tools bereitstellen, die es Entwicklern ermöglichen, Anwendungen und Dienste effizient und skalierbar aufzubauen, einzusetzen und zu verwalten. Seine Aufgabe? Die Zusammenstellung einer robusten, flexiblen und automatisierten IT-Infrastruktur, die den Anforderungen einer Vielzahl von Anwendungen und Diensten gerecht wird.

Das wichtigste Ziel der Platform Engineers, die für die Zusammenstellung dieser Infrastrukturen verantwortlich sind, ist ein hohes Maß an Verfügbarkeit, Skalierbarkeit und Ausfallsicherheit zu liefern, um die zunehmende Größe von Datenverkehr und Datenströmen zu bewältigen. Die Grenze zwischen den Teams, die für das Platform Engineering zuständig sind, und den Teams für Entwicklung und Betrieb (DevOps) ist fließend. Sie arbeiten oft eng zusammen, um Tools und Services bereitzustellen, die darauf ausgelegt sind, Entwicklungszyklen zu beschleunigen, die Qualität von Anwendungen zu verbessern und eine kontinuierliche Bereitstellung zu erleichtern.

Was genau machen Platform Engineering Teams und wie funktioniert das Platform Engineering?

Meistens übernehmen Platform Engineering Teams die Verantwortung für die Gestaltung, Einrichtung und Verwaltung der technischen Plattformen, welche die Anwendungen und Dienste eines Unternehmens unterstützen. Zu diesem Zweck gewährleisten sie insbesondere:

● Die Entwicklung und Pflege der Infrastruktur der Plattform, indem sie die Installation, Konfiguration und Verwaltung von Servern, Speicherplatz, Netzwerken und anderen Komponenten der Plattform-Infrastruktur managen und steuern.
● Die Automatisierung der Prozesse für die Bereitstellung, das Konfigurationsmanagement und die Systemüberwachung.
● Die Verwaltung der Sicherheit der Plattform, der Identitäten und des Zugriffs, ebenso wie die Verwaltung von Zertifikaten, Sicherheitsprüfungen usw.
● Die technische Unterstützung der Entwicklungs- und Betriebsteams bei der Lösung von Problemen mit der Plattform.
● Die Optimierung der Leistung der Plattform, indem Engpässe identifiziert und Verbesserungen vorgenommen werden.
● Die Verwaltung der Plattform-Kapazität, indem Trends beim Ressourcenverbrauch überwacht und zukünftige Anforderungen prognostiziert werden.

Welche Vorteile bietet das Platform Engineering für ein Unternehmen?

Durch den Einsatz im Arbeitsalltag verbessert das Platform Engineering die Produktivität der Entwicklungsteams, indem es Tools und Services zur Beschleunigung der Entwicklungs- und Implementierungszyklen bereitstellt. Diese optimierte Produktivität trägt darüber hinaus durch eine effizientere Nutzung der IT-Ressourcen zu einer besseren Kostenkontrolle bei.

Platform Engineering verbessert nicht nur die Verfügbarkeit der Infrastruktur, sondern verspricht auch Skalierbarkeit und Anpassungsfähigkeit an die tatsächlichen (und zukünftigen!) Bedürfnisse des Unternehmens und damit eine Beschleunigung der Innovation.

Letztlich kann das Platform Engineering die Sicherheit der IT-Infrastruktur erhöhen, indem es Tools für die Verwaltung von Identitäten und Zugängen, die Sicherheitsüberwachung und die Reaktion auf sicherheitsrelevante Ereignisse bereitstellt.

Was sind die Unterschiede zwischen Platform Engineering und DevOps?

Platform Engineering und DevOps sind zwei unterschiedliche Ansätze, die sich jedoch ergänzen. Um die Unterschiede zwischen den beiden Disziplinen zu verdeutlichen, müssen Sie wissen, dass DevOps die enge Zusammenarbeit zwischen Entwicklungs- und Betriebsteams (Dev und Ops) fördert, um Entwicklungszyklen zu beschleunigen, die Code-Qualität zu verbessern und die Bereitstellungszeiten zu verkürzen.

Während also DevOps darauf abzielt, eine Kultur der Zusammenarbeit und der gemeinsamen Verantwortung zwischen Entwicklungs- und Business-Teams zu schaffen, konzentriert sich das Platform Engineering auf die Gestaltung, den Aufbau und die Verwaltung technischer Plattformen. Obwohl beide Ansätze einige gemeinsame Ziele verfolgen, konzentrieren sie sich auf unterschiedliche Aspekte der Verwaltung der IT-Infrastruktur eines Unternehmens.

Welche Unterschiede gibt es zwischen Platform Engineering und SRE?

Platform Engineering und Site Reliability Engineering (SRE) sind zwei verwandte Bereiche. Beide konzentrieren sich auf die Verwaltung der IT-Infrastruktur eines Unternehmens. Das SRE stützt sich auf technische Aspekte, um die Verfügbarkeit, Ausfallsicherheit, Skalierbarkeit und Leistung von Diensten und Anwendungen aufrechtzuerhalten. Die Aufgabe der SRE-Teams besteht darin, die Verfügbarkeit der IT-Systeme zu gewährleisten, die Servicequalität zu überwachen und zu messen, Zwischenfälle zu beheben und langfristige Lösungen für wiederkehrende Probleme anzubieten. Sie arbeiten daher Hand in Hand mit den DevOps-Teams und den Platform Engineers.

Der wichtigste Unterschied zwischen SRE und Platform Engineering besteht jedoch darin, dass sich SRE auf das Management der Softwareproduktion konzentriert, um Verfügbarkeit und Servicequalität zu gewährleisten, während sich das Platform Engineering auf den Aufbau und das Management einer soliden, flexiblen und skalierbaren IT-Infrastruktur für Anwendungen und Dienste konzentriert.

Lassen Sie sich von diesen 4 Daten-Albträumen nicht den Schlaf rauben – Zeenea ist da, um Ihnen zu helfen

von Zeenea Software | Feb. 19, 2023 | Data Governance, Datenkatalog

Sie wachen auf und Ihr Herz rast. Ihre Beine zittern – noch vor wenigen Augenblicken wurden Sie von Tausenden von unvollständigen, ungenauen und fehlerhaften Daten verfolgt. Als Datenexperten haben wir das alle schon einmal erlebt. Und Daten-Albträume können manchmal Wirklichkeit werden.

Keine Sorge – Zeenea ist da, um Ihnen zu helfen! In diesem Artikel erfahren Sie mehr über die häufigsten Daten-Albträume und wieso unsere Data Discovery Plattform wie ein Traumfänger wirkt.

Albtraum Nr. 1 – In Silos gefangene Daten

Sie müssen Berichte erstellen, und doch sind die Informationen, nach denen Sie suchen, weggeschlossen, unzugänglich oder werden sogar von furchteinflößenden Leibwächtern bewacht. Noch dazu sind die Personen, die Ihnen den Zugang ermöglichen können, unbekannt oder – noch schlimmer – aus dem Unternehmen verschwunden. Das macht es unmöglich, die Daten zu erhalten, die Sie für Ihre geschäftlichen Anwendungsfälle benötigen!

Zeenea als Traumfänger: Unsere Plattform bietet eine einzige Quelle der Wahrheit für alle Informationen in Ihrem Unternehmen – sie zentralisiert und synchronisiert Ihre Metadaten aus all Ihren verschiedenen Quellen und macht sie für alle Mitglieder der Organisation zugänglich. Mit Zeenea ist das Wissen über Daten nicht mehr auf eine Gruppe von Experten beschränkt, was die Zusammenarbeit fördert, die Produktivität steigert und den Wert der Daten maximiert.

Entdecken Sie unseren Datenkatalog

Albtraum Nr. 2 – Unzuverlässige Daten

Sie durchsuchen Ihren Datenbestand und Ihnen gefällt nicht, was Sie sehen. Die Daten sind doppelt vorhanden (wenn nicht noch öfter), sie sind unvollständig – oder leer – und veraltet, und Sie wissen nicht einmal, woher sie stammen oder womit sie verknüpft sind … Die unzähligen Stunden der Datendokumentation, die vor Ihnen liegen, sind Ihr schlimmster Albtraum.

Zeenea als Traumfänger: Damit Datenmanager ihren Teams stets vollständige, zuverlässige und qualitativ hochwertige Daten zur Verfügung stellen können, bietet Zeenea flexible und anpassungsfähige Metamodell-Templates für vordefinierte und benutzerdefinierte Objekte. Importieren oder erstellen Sie automatisch Dokumentations-Templates für Ihre Assets, indem Sie Eigenschaften, Tags und andere Felder, die für Ihre Anwendungsfälle dokumentiert werden müssen, in das Modell ziehen.

⭐️ Bonus: Die Dokumentations-Templates können jederzeit geändert werden – Zeenea aktualisiert bestehende Modell automatisch und berücksichtigt dabei Ihre Änderungen, was Ihnen bei Ihren Dokumentationsinitiativen Zeit spart.

Entdecken Sie unsere Anwendung zur Datendokumentation

Albtraum Nr. 3 – Missverständliche Daten

Sie haben die Aufgabe, nach Trends zu suchen, mit deren Hilfe Sie Ihren Kunden eine individuellere User-Experience bieten können. Bei der Suche nach Informationen stoßen Sie jedoch auf eine Vielzahl von Begriffen … Welcher ist der richtige? Die Vertriebsmitarbeiter verwenden den Begriff „Kunde“, die Kundenservice-Teams arbeiten mit dem Begriff „Nutzer“, aber die IT-Teams sprechen von „Verbraucher“. Ohne ein eindeutiges Business Glossary tappen Sie im Dunkeln!

Zeenea als Traumfänger: Unser Business Glossary ermöglicht die Erstellung und den Austausch einer einheitlichen Datensprache für alle Personen innerhalb des Unternehmens. Importieren oder erstellen Sie ganz einfach Ihre Unternehmensbegriffe, fügen Sie eine Beschreibung, Tags, zugehörige Kontakte und andere relevante Eigenschaften für Ihre Anwendungsfälle hinzu. Mithilfe unserer einzigartigen Funktionen können Data Stewards ihre Kategorien mit semantischen Konzepten erstellen, sie in Hierarchien organisieren und konfigurieren, wie Glossarelemente mit physischen Assets in Bezug gesetzt werden.

Entdecken Sie unser Business Glossary

Albtraum Nr. 4 – Nicht konforme Daten

Durch die zunehmende Zahl an Datenvorschriften sind Initiativen zur Datensicherheit und -governance zu einer Priorität für datengetriebene Unternehmen geworden. Denn die Folgen einer Non-Compliance sind schwerwiegend – hohe Geldstrafen, Rufschädigung … das kann Ihnen nachts durchaus den Schlaf rauben.

Zeenea als Traumfänger: Wir gewährleisten die Compliance, indem wir Ihre personenbezogenen Daten automatisch identifizieren, klassifizieren und verwalten. Mithilfe intelligenter Empfehlungen erkennt unsere Plattform persönliche Daten und macht Vorschläge, welche Objekte getaggt werden sollten. Dabei stellt sie sicher, dass die Informationen über Datenschutzrichtlinien und -vorschriften allen Datenkonsumenten innerhalb des Unternehmens bei ihrer täglichen Arbeit bekannt gemacht werden.

Erfahren Sie, wie wir die Compliance von Daten unterstützen.

Starten Sie Ihr Daten-Traumprojekt mit Zeenea!

Wenn Sie an Zeenea für Ihre datengestützten Initiativen interessiert sind, kontaktieren Sie uns für eine 30-minütige persönliche Demo mit einem unserer Datenexperten.

DEMO ANFRAGEN

Alles, was Sie über die Data Governance wissen müssen

von Zeenea Software | Juni 20, 2022 | Data Governance

Ob Sie Ihre Time-to-Market beschleunigen, die Kundenerfahrung verbessern oder Ihr Unternehmen auf den Weg zu mehr operativer Exzellenz bringen wollen: Sie sind im datengetriebenen Zeitalter angekommen. Und im Zentrum Ihres Weges steht eine anspruchsvolle Disziplin: die Data Governance. Zwischen Vision, Definition und Methodik: Im Folgenden finden Sie einen umfassenden Überblick über diesen unumgänglichen Aspekt Ihrer Datenstrategie.

Die Data Governance ist eine zentrale Disziplin, die von datengetriebenen Unternehmen zwingend eingeführt werden muss. Sie war bereits 2021 eine Priorität, 2022 ist sie es noch mehr.

Bei Zeenea definieren wir die Data Governance als eine Autorität mit Entscheidungsbefugnis (Planung, Überwachung und Durchsetzung von Regeln) und Kontrolle über das Datenmanagement.

Einerseits ist die Gewährleistung einer effektiven Data Governance Ihre wichtigste Garantie dafür, dass Ihre Daten einheitlich und verlässlich sind und nicht missbräuchlich verwendet werden. Andererseits können Sie mithilfe der Data Governance sicherstellen, dass Ihre Daten korrekt erfasst werden. Die Herausforderung besteht darin, Ihr Unternehmen niemals dem Risiko von Daten auszusetzen, die nicht den geltenden Datenvorschriften entsprechen.

Denn die Daten eines Unternehmens sind ein „gemeinsamer Vermögenswert“ und müssen auch als solcher behandelt werden. Aus diesem Grund ist die Data Governance von entscheidender Bedeutung. Die Data Governance ist jedoch weit mehr als nur ein Konzept oder ein Verhaltenskodex. Sie ist eine strategische Aktivität, welche die Ziele, den Weg und die technischen Lösungen festlegt, die für Ihre datengetriebene Strategie unerlässlich sind.

Warum ist die Gewährleistung der Data Governance so wichtig?

In der Vergangenheit war die Einführung einer Data Governance in Unternehmen selten von Erfolg gekrönt. Die Datenverantwortlichen haben sich allzu oft auf die technische Verwaltung oder die strenge Kontrolle der Daten konzentriert.

Jenen Benutzern, die mit Daten experimentieren und Innovationen schaffen wollen, kann die Data Governance wie eine Ansammlung von Einschränkungen, Begrenzungen und unnötiger Bürokratie erscheinen. Diese Benutzer haben manchmal schreckliche Visionen von Daten, die in dunklen Katakomben eingeschlossen sind und nur nach monatelangem Kampf gegen bürokratische Schikanen zugänglich werden. Andere erinnern sich schmerzlich an die Energie, die sie bei Besprechungen, mit der Aktualisierung von Tabellen und der Pflege von Wikis verschwendet haben, um dann feststellen zu müssen, dass niemand von den Früchten ihrer harten Arbeit profitiert.

Es ist offenkundig, dass die Unternehmen an die Einhaltung gesetzlicher Vorschriften gebunden sind: die Gewährleistung der Vertraulichkeit und Sicherheit der Daten und die Bereitstellung eines Risikomanagements. Es ist jedoch von entscheidender Bedeutung, eine offensive Strategie zu verfolgen, die darauf abzielt, die Verwendung der Daten eines Unternehmens zu verbessern – indem das Vorhandensein sinnvoller, verwendbarer und tatsächlich genutzter Daten garantiert wird – und diesen vorhandenen Datenschatz zu nutzbar zu machen.

Offensive vs. defensive Data Governance-Strategien

Eine Data Governance lässt sich in zwei Ansätzen denken: defensiv oder offensiv. Es geht darum, die Unternehmensstrategie auf die IT-Anforderungen im Bereich der Datensicherheit auszurichten und gleichzeitig die Nutzung und Analyse von Daten zu fördern, um einen geschäftlichen Mehrwert zu generieren. Im Folgenden finden Sie einige Beispiele für die Ziele, die für diese beiden strategischen Ansätze der Data Governance gesetzt wurden:

Defensive Data Governance:

Die Einhaltung nationaler Vorschriften, um Sanktionen, z. B. aufgrund von Verstößen gegen die im Mai 2018 in Kraft getretene Datenschutz-Grundverordnung (DSGVO) zu vermeiden.
Die Erfüllung der Pflichten und internen Regeln, denen die Unternehmensdaten unterliegen.
Die Gewährleistung von Sicherheit, Integrität und Qualität der Daten, um eine gute Nutzung zu ermöglichen.

Offensive Data Governance:

Die Steigerung der Rentabilität und der Wettbewerbsposition des Unternehmens mithilfe von Daten.
Die Optimierung der Analyse, Modellierung, Visualisierung, Umwandlung und Anreicherung von Daten.
Die Erhöhung der Flexibilität des Unternehmens in Bezug auf die Nutzung seiner Daten.

Was sind die wichtigsten Vorteile einer guten Data Governance?

Je wichtiger Daten in den Strategien der Unternehmen werden, desto mehr werden sie von anspruchsvollen Normen und Vorschriften begleitet: SOX in den USA, DSGVO in Europa … Es ist zum einen wichtig,nicht den Unmut des Gesetzgebers auf sich zu ziehen und zum anderen nicht das Vertrauen der Kunden und Partner zu missbrauchen, die sich damit einverstanden erklären, dass Sie ihre Daten sammeln und nutzen.

Die Data Governance gibt Ihnen insbesondere die Möglichkeit, die Compliance in allen Phasen des Lebenszyklus der Daten kontinuierlich zu steuern (von der Erhebung bis zur eigentlichen Nutzung). Es hat aber noch weitere Vorteile, genauestens auf die Compliance der Daten zu achten. Denn die Compliance trägt bereits an sich zu einer höheren Datensicherheit bei. Die Data Governance umfasst unter anderem Aufgaben wie das Auffinden kritischer Daten und die Identifizierung der Eigentümer und Nutzer von Daten.

Die Data Governance legt auch den Rahmen für die Datenqualität fest. Mehr Qualität bedeutet eine effektivere und effizientere Nutzung Ihrer Daten, insbesondere in Entscheidungsprozessen. Eine gute Data Governance ist auch ein Vorteil, wenn es darum geht, die Kosten für die Verwaltung und Speicherung von Daten zu senken und zu überwachen.

Wer sind die wichtigsten Akteure der Data Governance?

Die Gewährleistung einer guten Data Governance setzt ein methodisches Vorgehen voraus. Zu Beginn empfiehlt es sich, eine genaue Wertecharta zu verfassen. Diese Charta sollte die Grundsätze festlegen und es ermöglichen, die Mittel und technischen Lösungen zu definieren, die eingesetzt werden müssen, um die Großbaustelle der Data Governance in Angriff zu nehmen.

Bei der Data Governance geht es aber auch um Talente und Teams, die mit ihrer Arbeit zur Exzellenz Ihrer Strategie beitragen. Auch wenn der Chief Data Officer selbstverständlich eine wichtige Rolle spielt, muss er sich bei seiner Arbeit auf Data Owners und Data Stewards stützen können. Auch wenn der CDO die Aufsicht über das gesamte System hat und direkt an die Geschäftsführung berichtet, so ist der Data Steward der Garant für die Datenqualität. Data Stewards haben vor allem die Aufgabe, die Einhaltung der in Ihrer Charta festgelegten Grundsätze zu überwachen, aber auch dafür zu sorgen, dass alle Teams die Botschaft verinnerlichen. Denn im Arbeitsalltag geht die Data Governance alle in Ihrem Unternehmen etwas an!

Was ist der Unterschied zwischen Data Governance und Data Management?

von Zeenea Software | März 31, 2022 | Data Governance

In einer Welt, in der Unternehmen danach streben, datengesteuert zu arbeiten, sind Data Management und Data Governance Konzepte, die sie um jeden Preis beherrschen müssen. Allzu oft werden sie als verwandte oder gar austauschbare Disziplinen wahrgenommen, dabei sind die Unterschiede wichtig. Überblick.

Der schlimmste Feind eines Unternehmens, das eine datengestützte Dynamik für sein Geschäft schaffen möchte, ist die Verwechslung von Disziplinen, Begriffen und Methoden, die für die Erhebung und Nutzung von Daten maßgeblich sind. Zu denjenigen, die am häufigsten verwechselt werden, gehören die Data Governance und das Data Management.

Auf der einen Seite geht es bei der Data Governance darum, die organisatorischen Strukturen von Daten zu definieren – wer ist der Eigentümer, wer verwaltet sie, wer nutzt sie? Auf der anderen Seite geht es bei der Data Governance auch um Richtlinien, Regeln, Prozesse und die Überwachung von Indikatoren, die eine solide Datenverwaltung über den gesamten Lebenszyklus der Daten (von der Erhebung bis zur Löschung) ermöglichen.

Das Data Management hingegen kann als die technische Umsetzung der von der Data Governance festgelegten Empfehlungen und Maßnahmen dargestellt werden.

Data Governance vs. Data Management: unterschiedliche Aufgaben

Der zentrale Unterschied zwischen Data Governance und Data Management besteht also darin, dass erstere eine strategische Dimension hat, während letzteres rein operativ ist.

Ohne Data Governance kann das Data Management weder effektiv, sinnvoll, noch nachhaltig sein. Umgekehrt würde eine Data Governance, die nicht in ein geeignetes Data Management übertragen wird, nur ein theoretisches Dokument oder eine Absichtserklärung bleiben, die Sie nicht in die Lage versetzen würde, aktiv und effektiv datengesteuert zu handeln.

Um zu erkennen, was auf dem Spiel steht, muss man zunächst verstehen, dass sich alle datenbezogenen Disziplinen ständig überschneiden und voneinander abhängig sind. Man kann die Data Governance mit einem Dirigenten vergleichen, mit dem man alle Tools orchestrieren kann. Sie stützt sich auf eine Reihe von Fragestellungen, wie z. B.:

Was können wir mit unseren Daten tun?
Wie sichern wir die Qualität der Daten?
Wer ist für die Prozesse, Standards und Richtlinien zur Nutzung der Daten verantwortlich? usw.

Das Data Management ist die pragmatische Übersetzung, um diese Fragen zu beantworten und Ihre Datenstrategie in die Realität umzusetzen. Datenmanagement und Data Governance können und müssen also als Team funktionieren.

Die Data Governance befasst sich jedoch hauptsächlich mit den Herausforderungen der Überwachung und der Verarbeitung aller Daten eines Unternehmens, während sich das Datenmanagement hauptsächlich mit der Speicherung und dem Abruf bestimmter Arten von Informationen befasst.

Wer sind die Akteure der Data Governance und des Data Managements?

Auf der obersten Führungsebene ist der Geschäftsführer natürlich auch der wichtigste Akteur im Bereich Data Governance, da er rechtlich gesehen dafür geradestehen muss. Aber er ist nicht der Einzige, der sich einbringen muss.

Der CIO (Chief Information Officer) spielt ebenfalls eine Schlüsselrolle, da er sowohl für die Sicherheit als auch für die Verfügbarkeit der Infrastruktur verantwortlich ist. Der ständige Zugang zu Daten ist jedoch nicht nur für die Geschäftsbereiche (Marketingteams, Außendienstmitarbeiter) von entscheidender Bedeutung, sondern auch für alle Datenteams, die für das Tagesgeschäft des Datenmanagements verantwortlich sind.

Es ist dann die Aufgabe des Chief Data Officers (CDO), die Brücke zwischen diesen beiden Einheiten zu schlagen und Datensilos aufzubrechen, um eine agile Data Governance zu schaffen. Dies erleichtert den Zugang zu Daten und sichert ihre Qualität, um sie nutzbar zu machen.

Und während der Data Architect stärker im Bereich der Data Governance eingebunden wird, wird der Data Engineer mehr mit dem Datenmanagement zu tun haben. Der Data Steward wiederum verortet seine Tätigkeit an der Schnittstelle der beiden Disziplinen.

Wie die Kombination der beiden Konzepte Unternehmen dabei hilft, datengetrieben zu arbeiten

Trotz ihrer unterschiedlichen Reichweite und Mittel können die Konzepte der Data Governance und des Data Managements nicht gegeneinander aufgewogen werden. Um eine datengestützte Strategie für ein Unternehmen umzusetzen, müssen diese beiden Achsen unbedingt miteinander in Einklang gebracht werden. Dazu muss der Geschäftsführer der größte Fürsprecher der Data Governance und der wichtigste Akteur im Bereich des Data Managements sein.

Durch eine gute interne Kommunikation und die kontinuierliche Weiterentwicklung der Datenkultur bei allen Mitarbeitern kann die Data Governance in den Dienst der geschäftlichen Herausforderungen gestellt werden und gleichzeitig das Vertrauensverhältnis zwischen dem Unternehmen und seinen Kunden bewahren.

Warum ist der Datenschutz entscheidend für eine erfolgreiche Data Governance?

von Zeenea Software | Feb. 1, 2022 | Data Governance

Der Datenschutz (auch Data Privacy genannt) ist ein zentrales Thema für Unternehmen, die ihre Daten nutzen wollen. Der Datenschutz gilt als Grundlage für das Vertrauen zwischen einem Unternehmen und seinen Kunden und ist der Eckpfeiler einer erfolgreichen Data Governance. Wir erklären Ihnen, warum!

Unabhängig von der Branche oder der Größe Ihres Unternehmens spielen Daten heute eine zentrale Rolle für Ihre Fähigkeit, sich an Ihre Kunden, Ihr Ökosystem und sogar an Ihre Mitbewerber anzupassen. Die Zahlen sind eindeutig.

Aus einer Studie von Stock Apps geht hervor, dass der weltweite Markt für Big Data im Jahr 2021 215,7 Milliarden US-Dollar betragen hat und 2022 um voraussichtlich 27 % auf über 274 Milliarden US-Dollar wachsen wird.

Die Unternehmen generieren so große Datenmengen, dass die Data Governance ein vorrangiges Thema ist. Denn Ihre Unternehmensdaten sind von entscheidender Bedeutung, wenn es darum geht, Ihre Zielgruppen zu identifizieren, Käuferpersönlichkeiten zu erstellen, Ihren Kunden individuelle Antworten zu geben oder die Leistung Ihrer Marketingkampagnen zu optimieren. Dies ist jedoch nicht die einzige Herausforderung.

Data Governance ist nicht nur eine Voraussetzung dafür, dass Sie Ihre Datenbestände nutzbar machen können, sondern auch für die ordnungsgemäße Einhaltung des Datenschutzes, auch Data Privacy genannt.

Datenschutz (Data Privacy) vs. Datensicherheit (Data Security): Zwei Begriffe, die nicht verwechselt oder gegeneinander ausgespielt werden dürfen.

Der Datenschutz (Data Privacy) ist ein wesentlicher Bestandteil der Datensicherheit (Data Security) und kann daher nicht von dieser abgekoppelt werden. Es handelt sich jedoch um zwei verschiedene Bereiche desselben Projekts: das Vertrauen zwischen einem Unternehmen und seinen Kunden, die bereit sind, ihm ihre persönlichen Daten anzuvertrauen.

Auf der einen Seite umfasst die Datensicherheit alle Maßnahmen, die eingesetzt werden, um Daten vor internen oder externen Bedrohungen zu schützen, seien sie böswillig oder versehentlich (starke Authentifizierung, Sicherung des IT-Systems usw.).

Der Datenschutz hingegen befasst sich mit der Verarbeitung sensibler Daten – nicht nur personenbezogener Daten (auch PII für persönlich identifizierbare Informationen genannt), sondern auch anderer vertraulicher Daten (bestimmte Finanzdaten, geistiges Eigentum usw.).

Der Datenschutz wird zudem in der Datenschutzgrundverordnung (DSGVO) klar definiert, die 2018 in Europa in Kraft getreten ist und dazu beigetragen hat, den Rahmen einer verantwortungsvollen und erfolgreichen Data Governance neu zu definieren.

Der Datenschutz umfasst zwei Hauptaspekte. Der erste betrifft die Zugangskontrolle zu den Daten, d. h. wer unter welchen Bedingungen auf sie zugreifen darf. Der zweite Aspekt des Datenschutzes besteht darin, Mechanismen einzurichten, die den unberechtigten Zugriff auf die Daten verhindern.

Warum ist der Datenschutz so wichtig?

Während die Datensicherheit unerlässlich ist, um dieses wertvolle Gut zu bewahren und die Voraussetzungen für eine schnelle Wiederherstellung der Daten nach einem technischen Problem oder einer böswilligen Handlung zu schaffen, ist der Datenschutz Ihre Antwort auf eine andere, nicht minder wichtige Herausforderung.

Die Verbraucher misstrauen der Art und Weise, wie Unternehmen ihre persönlichen Daten sammeln und verwenden. In einer Welt voller Optionen können Kunden, die das Vertrauen in ein Unternehmen verlieren, leicht anderswo einkaufen.

Um Vertrauen zu kultivieren und Loyalität aufzubauen, müssen Organisationen den Datenschutz (Data Privacy) zu einer Priorität machen. Denn die Verbraucher sind zunehmend für den Schutz der Vertraulichkeit ihrer Daten sensibilisiert. Die DSGVO hat bei der Entwicklung dieser Sensibilität eine zentrale Rolle gespielt. Seitdem achten die Kunden sehr genau darauf, wie ihre persönlichen Daten gesammelt und genutzt werden.

Da sich die digitale Nutzung ständig weiterentwickelt, befindet sich Ihr Unternehmen in einem hart umkämpften Umfeld und Ihre Kunden werden nicht zögern, einem Ihrer Mitbewerber das Vertrauen zu schenken, wenn Sie nicht alles getan haben, um die Vertraulichkeit ihrer Daten zu gewährleisten. Dies ist der Hauptgrund für die entscheidende Bedeutung des Datenschutzes!

Warum ist der Datenschutz ein Eckpfeiler der Data Governance?

Bei der Data Governance geht es darum,eine ausreichende Datenqualität sicherzustellen und den Zugang zu den Daten angemessen zu verwalten. Das Ziel: das Risiko für Missbrauch, Diebstahl oder Verlust zu verringern. Darum muss der Datenschutz als eine der Grundlagen für eine sinnvolle und effiziente Data Governance verstanden werden.

Auch wenn die Data Governance die Datenproblematik auf eine viel breitere Basis stellt, kommt sie nicht ohne ein vollständiges Verständnis für die Hebel aus, die zur Gewährleistung eines optimalen Datenschutzes betätigt werden müssen …

Was ist Data Literacy? Tipps zur Kontrolle Ihrer Daten

von Zeenea Software | Okt. 28, 2020 | Data Governance, Daten-Inspiration

Seit einigen Jahren ist Data Literacy ein Trend. Den Unternehmen wird zunehmend bewusst, dass es sich dabei um eine wichtige Kompetenz auf dem Weg zu einer datengesteuerten Organisation handelt.

Technologie kann sich bei falscher Steuerung als Fehlschlag erweisen, doch ist sie meistens nicht die wichtigste Hürde, die zu nehmen ist. Denn laut der jährlichen Umfrage „Chief Data Officer“ von Gartner gelten kulturelle Faktoren als die größten Hindernisse – der Mensch, die Data Literacy und die notwendigen Kompetenzen.

Allerdings wissen viele Unternehmen immer noch nicht, was Data Literacy wirklich ist, bzw. wie sie ein Umdenken in ihrer Organisation bewirken können, um eine auf Daten ausgerichtete Kultur zu schaffen.

Aus ihrer Umfrage aus dem Jahr 2020 zog New Vantage Partners folgenden Schluss:

„Unternehmen konzentrieren sich weiterhin auf das Angebot von Daten und Technologien, statt die Nachfrage nach letzteren durch Führungskräfte und Mitarbeiter anzukurbeln. Es geht mehr um einen technologischen Druck als um ein Verlangen seitens der Menschen, mehr datenbasierte Entscheidungen zu nutzen, intelligentere Geschäftsprozesse zu entwickeln bzw. Daten und Analysen stärker in Produkte und Dienstleistungen zu integrieren.

In diesem Artikel möchten wir Ihnen erläutern, was Data Literacy bedeutet, warum sie für Ihr Unternehmen wichtig ist, und Ihnen Tipps für Ihren Weg zu mehr Data Literacy in Ihrer Organisation geben.

Definition von Data Literacy

Wie der eigentliche Begriff „Literacy“ (auf Deutsch Alphabetisierung), steht der Begriff für „die Kompetenz lesen zu können, um Wissen zu erwerben, auf zusammenhängende Weise zu schreiben und auf kritische Weise über gedruckte Dokumente nachzudenken“. Data Literacy ist die Fähigkeit, Daten zu konsumieren, um Kenntnisse zu erlangen, sie auf einheitliche Weise zu erzeugen und kritisch über sie nachzudenken.

2019 hat Gartner die Data Literacy definiert als „die Kompetenz zum Lesen und Schreiben von sowie zur Kommunikation über Daten in ihrem Kontext, einschließlich des Verständnisses der Quellen und des Aufbaus von Daten, der angewendeten analytischen Methoden und Techniken, wie auch die Fähigkeit, die Nutzung, die Anwendung und der Wert, der sich aus den Daten ergibt, zu beschreiben“.

Auf Grundlage dieser Definitionen können wir also folgern, dass Personen, die über eine gute Data Literacy verfügen, unter anderem folgende Fähigkeiten besitzen:

Durchführen von Analysen anhand von Daten,
Heranziehen der Daten zur Kommunikation von Ideen über neue Dienstleistungen, Produkte, Abläufe oder auch Strategien,
Verständnis von Dashboards (z. B. Visualisierungen),
Treffen von Entscheidungen auf Grundlage von Daten und nicht auf Basis von Intuition.

Zusammengefasst bedeutet Data Literacy, die notwendigen Kompetenzen zu besitzen, um Daten auf individueller oder gemeinsamer Basis effizient zu nutzen.

Warum ist Data Literacy wichtig?

Gartner erwartet, dass bis 2020 80 % der Organisationen eine bewusste Entwicklung der Kompetenzen im Bereich der Data Literacy vornehmen werden, um extreme Mängel überwinden zu können. Bis 2020 werden 50 % der Organisationen nicht genug Kompetenzen hinsichtlich KI und Data Literacy besitzen, um ihre Geschäftsziele zu erreichen.

Die Zunahme im Volumen und in der Vielfalt der Daten (mit denen Unternehmen täglich überflutet werden) macht es notwendig, dass Mitarbeiter sich übergeordnete Kompetenzen mithilfe von Daten aneignen, wie kritisches Denken, Problemlösung und analytisches Denken. Da viele Organisationen immer mehr von Daten gesteuert werden, würde sich eine schlechte Data Literacy nachteilig auf ihr Wachstum auswirken. So hat Accenture in seiner Untersuchung „The Human Impact of Data Literacy“ (Die menschliche Auswirkung von Data Literacy) festgestellt, dass:

75 % der Mitarbeiter sich bei der Arbeit mit Daten unwohl fühlen,
1/3 der Mitarbeiter einen Krankheitstag aufgrund von Kopfschmerzen infolge der Arbeit mit Daten genommen haben.
Mangelnde Data Literacy Arbeitgebern fünf Tage Produktivität kostet, was einem jährlichen Produktionsverlust von mehreren Milliarden US-Dollar pro Mitarbeiter entspricht.

Darüber hinaus deckte eine von Deloitte im Jahr 2019 durchgeführte Untersuchung auf, dass 67 % der Führungskräfte nicht mit dem Zugriff auf Datenressourcen oder ihrer Nutzung vertraut sind.

Daten stärken die Fähigkeit von Organisationen, geschäftliche Chancen physischer und digitaler Natur zu schaffen, indem sie die Genauigkeit verbessern, die Effizienz steigern und die Fähigkeit der Mitarbeiter stärken, einen größeren Mehrwert zu schaffen.

Daher ist es sowohl wichtig als auch unumgänglich, Ergebnisse aus Daten interpretieren, analysieren und kommunizieren zu können. Damit können verborgene Geheimnisse über Daten offengelegt werden, sodass ein Unternehmen gedeihen und sich einen Wettbewerbsvorteil verschaffen kann.

Tipps für eine Verbesserung der Data Literacy

Im Folgenden finden Sie einige Tipps zur Realisierung eines effektiven Data-Literacy-Programms, das Ihr Unternehmen bei der Kontrolle seiner Daten unterstützt:

Tipp 1: Ausarbeitung einer Vision hinsichtlich der Data Literacy und der entsprechenden Ziele

Jede Organisation, die in Daten- und KI-Kompetenzen investiert, sollte eigentlich bereits eine Vision und einen Datenfahrplan erstellt haben. Datenverantwortliche und IT-Abteilungsleiter sollten die Tätigkeitsbereiche, in denen Daten einen Mehrwert schaffen können, identifiziert und hierarchisiert haben.

Diese Schritte sind wesentlich für den Aufbau einer Organisation, die ihre Daten im Griff hat. Ebenso sind sie wichtig, um Probleme hinsichtlich des Verständnisses und der Nutzung der Daten zu verringern.

Geschäftsführung und HR müssen dem gesamten Unternehmen zu verstehen geben, dass es sich bei den Daten um ein strategisches Asset handelt, das einen Mehrwert schafft. Indem die Datenvision und der Fahrplan als Kontext herangezogen werden, können sie allen Mitarbeitern verständlich machen, warum Daten wichtig sind, wie sie einen Mehrwert schaffen und wie sie sich auf das Unternehmen auswirken.

Fehlen eine klare Datenvision und ein Plan für die Wertschöpfung mithilfe der Daten, kann das die Mitarbeiter frustrieren und sie werden nicht verstehen, warum sie sich engagieren sollen, und es wird ihnen an Motivation mangeln.

Darüber hinaus sollte eine Vision zur Data Literacy die gewünschten Kompetenzen und Fähigkeiten wie auch das Verständnisniveau beschreiben, das für die verschiedenen Einheiten und Rollen erforderlich ist.

Führungskräfte, IT- und HR-Abteilung müssen ein Rahmenwerk erstellen, um die Kontrollziele zu erreichen, die Fortschritte zu messen und ein Instrument zum Erhalt der Data Literacy zu schaffen. Insbesondere geht es um die Entscheidung, wie die Entwicklung der Kompetenzen gemessen und überwacht wird, und in welchem Ausmaß verschiedene Parteien in der Organisation Daten nutzen müssen, um ihre strategische Zielvorgaben zu erfüllen.

Tipp 2: Bewertung der Kompetenzen ihrer Mitarbeiter

Idealerweise sollten die auf Data Literacy bezogenen Kompetenzen bereits im Einstellungsverfahren neuer Mitarbeiter beurteilt werden. Auf diese Weise könnte die HR bereits feststellen, welche Weiterbildung zur Data Literacy dem neuen Mitarbeiter im Laufe der Zeit angeboten werden kann.

In jedem Fall kann die HR für die derzeitigen Mitarbeiter ihre auf Data Literacy bezogenen Kompetenzen je nach Rolle und Verantwortlichkeiten mithilfe der zuvor beschriebenen Schritte ermitteln und kartieren.

Tipp 3: Erstellung von Data-Literacy-Modulen

Laut Qlik bieten lediglich 34 % der Unternehmen Schulungen zum Thema Data Literacy an.

In den meisten Fällen ist es die HR-Abteilung, die die Unternehmensleitung bei der Identifizierung und Überwachung von Verbesserungsbereichen und Entwicklungschancen für Mitarbeiter unterstützt. Ebenso ist sie für die Organisation der Schulungen zu spezifischen organisatorischen Kompetenzen wie auch der notwendigen Zeit zuständig. Das gilt auch für die Data Literacy.

Sobald HR und Vorgesetzte sich ein allgemeines Bild über Stärken und Schwächen eines Mitarbeiters oder einer Geschäftseinheit in Bezug auf die Data Literacy verschafft haben, kann die HR ein personalisiertes effizientes Schulungsprogramm ausarbeiten, mit dessen Hilfe der Mitarbeiter seine Data Literacy und seine analytischen Verantwortlichkeiten verbessern kann.

Tipp 4: Überwachen, messen und wiederholen

Die Umsetzung eines wirkungsvollen Data-Literacy-Programms braucht Zeit. Firmenchefs müssen daher ihren Mitarbeitern die entsprechende Zeit geben, sich mit der Data Literacy vertraut zu machen und ihre Kompetenzen zu verbessern. Im Laufe der Zeit wird der Blick auf Daten zu einem Bestandteil der Unternehmenskultur.

Schließlich ist es auch wichtig, Fortschritte bei der Data Literacy auf Unternehmensebene und individueller Ebene zu kommunizieren. Die Überwachung und Kommunikation der Fortschritte ist für eine weitere Bewertung des Fahrplans, der Vision und der Data Literacy Ihres Unternehmens entscheidend.

Eine solche langfristige Planung und Investition in die Schulung der gesamten Organisation, wie auf Daten zugegriffen wird, wie sie vor Ort verstanden und analysiert werden, intensiviert das Engagement und die Investitionen seitens der Teams für Data Science, maschinelles Lernen und KI.

Sobald Unternehmen Erfolge aus ihren Data-Literacy-Bemühungen sehen, werden sie in der Lage sein, Daten im ganzen Unternehmen einzusetzen, zu nutzen und maximalen Mehrwert daraus zu generieren!

Data Governance Tool: Lean Data Governance Canvas

von Zeenea Software | Juni 30, 2020 | Data Governance

Inspiriert von Ash Mauryas Geschäftsmodell des „Lean Canvas“ richtet sich der Lean Data Governance Canvas von Zeenea an Data Manager, deren Aufgabe es ist, die Data Governance in ihren Unternehmen zu klären und zu orchestrieren. Aus methodischer Sicht besteht der Lean Data Governance Canvas aus zwei Teilen:

Die Elemente auf der linken Seite stellen ein Governance-System dar
Die Elemente auf der rechten Seite sind einer Organisation inhärent

Es ist wichtig zu wissen, dass es sich bei diesem Lean Data Governance Canvas um ein Toolkit für die Umsetzung der Data Governance handelt. Die Akteure müssen iterieren, um im Laufe der Zeit einen LDGC mit möglichst wenigen Hypothesen zu erstellen.

Bleiben Sie trotzdem aufmerksam! Es sollte nicht einen einzigen Canvas geben, der das gesamte Unternehmen repräsentiert, sondern separate Canvas für die strategische und die operative Ebene.

Die im Lean Canvas hervorgehobenen Ideen müssen kohärent sein und die strategischen Ziele des Unternehmens berücksichtigen.

UNSER TOOLKIT HERUNTERLADEN

Lean Data Governance Canvas: die Methodik

0 – Strategische Ziele

Bevor Sie Ihr Abenteuer mit dem Lean Data Governance Canvas beginnen, ist es wichtig, die strategischen Erwartungen des Unternehmens zu beleuchten und sich folgende Fragen zu stellen:

Was sind die strategischen Ziele des Unternehmens und des Vorstands? Wie lässt sich das auf die Daten- und IT-Abteilung übertragen?

1 & 2 – Segmentierung der Data Citizens und ihre Probleme

Überlegen Sie sich zunächst eine Persona. Nehmen Sie sich anschließend Zeit, um über bis zu drei Herausforderungen nachzudenken, denen sich diese Gruppe stellen muss:

Wer sind die Data Citizens, an die Sie sich wenden möchten?
Welches sind die drei wichtigsten Probleme/Risiken, welche die Data Governance für das definierte Segment zu lösen versucht?

Ihre Data Citizens sind entweder die Verantwortlichen für Ihre Data Governance (Dateneigentümer, Datenverwalter, IT-Wächter usw.) oder die Produzenten / Konsumenten der Daten (Management, Lieferkette, CRM, Data Science, Marketing usw.). Ihre Risiken können eine oder mehrere dieser Personen betreffen.

3 – Compliance

Die digitale Transformation führt zu höheren Anforderungen an die Compliance (z. B. DSGVO). Um Ihre Einschränkungen im Auge zu behalten, notieren Sie Ihre Compliance-Anforderungen und stellen Sie sich folgende Frage:

Welche Risiken ergeben sich aus den Compliance-Anforderungen (einschließlich der Überwachung)?

4 – Value-Proposition

Dieser Teil des LDGC konzentriert sich auf den Wert, den Data Governance den Citizens der segmentierten Daten bringen wird.

Warum sollten Sie die Einführung einer Data Governance für definierte Segmente aufschieben?

Die Value Proposition ist einzigartig, kongruent und ansprechend für die von den Daten betroffenen Nutzer. Die Kommunikation oder die Marketingunterstützung können manchmal eine große Hilfe bei der Formalisierung einer Value Proposition sein. Zögern Sie nicht, sich an die entsprechenden internen Teams zu wenden.

5 – Lösungen

In diesem Abschnitt werden die Maßnahmen und Prinzipien definiert, mit denen Sie die Probleme Ihrer Segmente überwinden und sich an der Value Proposition orientieren können. Ohne zu sehr ins Detail zu gehen:

Was sind die drei wichtigsten Prinzipien, um die Probleme der verschiedenen Data-Citizen-Segmente zu lösen?

In diesem Canvas muss eine Lösung nicht berücksichtigen, was bereits vorhanden ist, und wird nicht nach Zeit oder Budget bestimmt. Der Canvas ist kein Timing-Projekt, sondern ein zukunftsgerichtetes Projekt, das als MVP (Minimum Viable Product) für den ersten Schritt betrachtet werden sollte.

6.1 – Zielindikatoren

Diese Indikatoren definieren die Leistung der eingeführten Data Governance im Segment Ihrer Data Citizens. Sie werden die Lösung des Problems und den Wert Ihrer Governance-Regeln messen.

Welche Indikatoren müssen gemessen werden, um den Fortschritt der angestrebten Value Proposition zu bestätigen?

6.2 – Konnektivitätsindikatoren

Diese Messgrößen sind Indikatoren, welche die Leistung der Data Governance definieren, die auf den Informationsquellen, die Sie zuvor aufgelistet haben, implementiert wurde.

Welche Schlüsselindikatoren müssen gemessen werden, um die Leistung der Data Governance-Regeln für eine Quelle zu validieren?

7 – Datenquellen

Welche „absolut notwendigen“ Datenquellen werden zu Beginn für Ihre definierten Data Citizen-Segmente den größten Wert liefern?

Datenquellen sind ein wertvolles Gut für datengestützt arbeitende Teams. Das Ziel besteht also darin, ihren Wert zu finden. Die massenhafte Produktion und Vollständigkeit von Daten führen unmittelbar zu einer hohen Komplexität, die nicht einfach kontrolliert werden kann. Die Wahl sollte auf der Grundlage des Werts der Daten für die Zwecke des Unternehmens getroffen werden.

8 – Technische Anforderungen

Ermitteln Sie die technischen Voraussetzungen, die geschaffen werden müssen, um die Governance-Parameter zu messen und/oder die Value Proposition umzusetzen.

Welche Technologien und Werkzeuge werden benötigt, um die zugehörigen Parameter zu messen?

9 – Personelle Anforderungen

Ermitteln Sie erforderliche Fähigkeiten und Ressourcen, um die Data Governance mit Leben zu füllen, sie zu fördern und im Zieldatensegment zu messen.

Wer sind die Betroffenen und welche Tricks und Interaktionen sind mit Blick auf die Value Proposition und ihren Erhalt notwendig?

Die Entwicklung des Lean Data Governance Canvas im Laufe der Zeit

Nachdem Sie sich auf diese ersten Schritte konzentriert haben, ist es wichtig, sie zu testen! Wir ermutigen die Nutzer des Lean Data Governance Canvas, dieses Werkzeug so oft wie möglich – in mehreren Durchläufen – zu überarbeiten und zu testen, was zu einem erfolgreichen Data-Governance-Modell führen sollte. Auch wenn diese Workshops einige Schwierigkeiten mit sich bringen, sind wir davon überzeugt, dass diese Arbeit Ihnen Zeit, Energie und Geld sparen wird. Denken Sie daran: Mit dem Lean Data Governance Canvas ist es möglich, etwas aufzubauen, das alle im Unternehmen wollen und respektieren.

Laden Sie unser Data Governance Toolkit herunter

Bei Zeenea verwenden wir dieses Tool unter anderem, um Data-Governance-Programme zu implementieren. Mit unserer Metadaten-Management-Plattform können Sie sich mit all Ihren Datenquellen verbinden, die Ihre Daten automatisch in ein zentrales Repository importieren und dort aktuell halten. Mit unserem Tool kann jeder – die entsprechenden Fähigkeiten vorausgesetzt – den Datenbestand eines Unternehmens erkunden, verstehen und ihm vertrauen.

Unternehmen vertrauen Zeenea, wenn es darum geht, die Herausforderungen einer effektiven Data Governance in einer Lean-Start-up-Umgebung zu meistern, die interne Nutzung von Daten zu fördern und gleichzeitig die Risiken zu begrenzen!

UNSER TOOLKIT HERUNTERLADEN

Was ist die richtige Data-Governance-Strategie für meinen Tätigkeitsbereich?

von Zeenea Software | Dez. 20, 2019 | Data Governance

In unserem letzten Artikel haben wir beschrieben, warum unbedingt eine Data Governance eingerichtet werden sollte. Wir haben auch die Unterschiede zwischen defensiver und offensiver Governance bei der Realisierung Ihrer Datenstrategie erläutert.

In diesem Artikel konzentrieren wir uns auf die Art der Data Governance, die für Ihre Branche notwendig ist.

Denn bei der Umsetzung einer Data Governance hängt der passende Ansatz vom geschäftlichen Umfeld des Unternehmens ab. Es gibt keine einheitliche Methode zur Umsetzung einer Data-Governance-Strategie, sie hängt vom jeweiligen Sektor ab.

Im Folgenden nehmen wir drei verschiedene Branchen unter die Lupe: Gesundheit, Handel/E-Commerce, Banken und Versicherungen. Wir haben untersucht, welche Governance-Ansätze diese Branchen aktuell anwenden und welche Ansätze in Zukunft zum Einsatz kommen werden.

Data Governance im Gesundheitsbereich

Die Gesundheitsbranche ist sehr stark reglementiert und greift hinsichtlich ihrer Data Governance auf einen defensiven Ansatz zurück.

Denn die in diesem Bereich tätigen Organisationen verfügen über eine enorme Menge an sensiblen Daten über ihre Patienten. Es ist wichtig, diese Daten zu schützen und ihre Qualität zu kennen, denn sie werden genutzt, um Leben zu retten, spezifische Symptome zu behandeln oder neue Heilmittel zu finden. Schlechte Daten und Informationen könnten große Gefahren mit sich bringen!

Gleichzeitig beobachten wir auch die Entstehung neuer Unternehmen in der Gesundheitsbranche, vor allem im Bereich „Healthtech“, die die Branche aufrütteln. Angesichts dieser neuen Konkurrenten müssen sich Krankenhäuser und andere Unternehmen aus dem Gesundheitswesen in den kommenden Jahren einem offensiveren Ansatz zuwenden.

Es muss ein Gleichgewicht zwischen einer stark defensiven Vorgehensweise und der Ermöglichung von Innovationen gefunden werden, um neue Dienstleistungen zu schaffen und sich wirtschaftlich über Wasser halten zu können.

Data Governance im Handel/E-Commerce

Am anderen Ende des Spektrums befinden sich die im Handel tätigen Unternehmen (physisch oder im Internet), die sich für einen offensiven Ansatz der Data Governance entscheiden.

In der Branche gibt es ständig neue Mitbewerber, sei es jedes Jahr, jeden Monat, jeden Tag! Angesichts dieses Wettbewerbs ist es für die Unternehmen unumgänglich, sich mithilfe von Datenanalysen von der Masse abzuheben und personalisierte Angebote, innovative Produkte, usw., bereitstellen zu können.

Doch muss auch festgehalten werden, dass die Verbraucher in Bezug auf die Weitergabe ihrer Daten immer misstrauischer werden. Mit dem Aufkommen von maschinellem Lernen und Techniken der künstlichen Intelligenz stellen Verbraucher die Ethik hinsichtlich der Nutzung ihrer Daten in Frage. Außerdem sehen sich die Unternehmen aufgrund von Vorschriften betreffend der Vertraulichkeit und Sicherheit von personenbezogenen Daten gezwungen, ihre Datenmanagement-Strategien abzuändern, um den neuen Gesetzen zu entsprechen.

In Zukunft müssen die Unternehmen im Handel wohl einen defensiven Ansatz wählen, zugleich aber einen Mehrwert schaffen und Innovation ermöglichen.

Data Governance für Banken/Versicherungen

Das Bank- und Versicherungswesen steht irgendwo zwischen diesen beiden Extremen.

Wie die Gesundheitsbranche arbeiten Banken und Versicherungen mit personenbezogenen Daten, die einer defensiven Data Governance bedürfen, um die diesbezüglich geltenden Regelungen und Gesetze zu erfüllen.

Aber auch in dieser Branche sind neue Mitspieler im Markt zu beobachten. Mit Infrastrukturen im Internet, digitalen Dienstleistungen und personalisierten Angeboten befindet sich die Data-Governance-Strategie aktuell im Wandel. Diese Branchen sitzen nun zwischen zwei Stühlen – der großen Konkurrenz auf der einen Seite und der enormen ethischen Verantwortung auf der anderen Seite!

Die Herausforderung von morgen besteht darin, eine defensive und gleichzeitig offensive Position beizubehalten, um den Internet-Giganten die Stirn zu bieten und alle geltenden Datenschutzgesetze zu erfüllen.

Wie nimmt man eine Data-Governance-Strategie in Angriff?

Die Implementierung einer Data Governance , kann sich zu Beginn als schwierige Aufgabe erweisen!

Hier bei Zeenea haben wir ein Lean Data-Governance-Canvas erstellt, um Ihnen dabei zu helfen, die richtigen Fragen zu stellen und hilfreiche Antworten zu erhalten!

Wie im berühmten „Lean Canvas“ haben wir die Elemente neu organisiert, um Unternehmen bei der Umsetzung einer Lean Data Governance zur Seite zu stehen und einen passenden Ansatz für die eigene Data Governance zu finden.

UNSER CANVAS HERUNTERLADEN

Was ist Data Democracy?

von Zeenea Software | Dez. 17, 2019 | Data Governance

„Das, was die Internet-Riesen vom Rest abhebt, ist nicht ihre Governance-Struktur, sondern die Kultur, die diese Unternehmen inspiriert und belebt.“

Eine Demokratie ist einfach ausgedrückt eine Regierungsform, in der alle das Recht haben, die Gesetzgebung in ihrem Land zu bestimmen. Wenn man das auf Daten überträgt, bezieht sich die Data Democracy auf alle Personen, die das Recht haben, auf Informationen ihres Unternehmens zuzugreifen und diese zu verstehen.

Eine Data Democracy ist kein Governance-Modell.

Abweichend von dem, was der Name suggerieren könnte, handelt es sich bei einer Data Democracy nicht um ein Governance-Modell. Sie ist definitiv kein Modell, in dem über die Regeln, welche die Verteilung der Daten bestimmen, abgestimmt und diese gemäß einer Mehrheit festgelegt werden. Eine Data Democracy ist auch keine Organisation, in der Data Stewards die gewählten Vertreter des Betriebs nach einer Wahl darstellen.

Die Data Democracy steht für eine offene Unternehmenskultur, in der Freiheit mit Verantwortung einhergeht.

Das Hauptziel der Data Democracy besteht darin, Unternehmensdaten so weit wie möglich einer möglichst großen Anzahl von Personen, wenn nicht sogar allen, zugänglich zu machen. Jeder Mitarbeiter, auf jeder Ebene, soll in der Lage sein, einen Wert aus den Daten zu ziehen.

Wie ist die Data Democracy entstanden?

Um die Data Democracy besser verstehen zu können, muss man sie mit anderen Datenkulturen vergleichen. Diese sind:

Datenanarchie (Data Anarchy): Ein System, in dem die Fachabteilungen jeweils in ihrem Bereich versteckte Datenbanken („Schatten-IT“) entwickeln, die ihren unmittelbaren Interessen dienen.

Datenmonarchie (Data Monarchy): Ein System, das durch eine ausgeprägte Asymmetrie beim Zugang zu Daten je nach Rang in der Hierarchie gekennzeichnet ist.

Datenaristokratie (Data Aristocracy): Ein System, das sich durch einen höheren Freiheitsgrad als in der Datenmonarchie auszeichnet, der jedoch nur einer ausgewählten Untergruppe vorbehalten ist.

Und letztlich die Datendemokratie.

Das Leitmotiv dieses Ansatzes besteht darin, möglichst vielen Personen das Potenzial von Daten zugänglich zu machen. Mit dieser Zugangsfreiheit ergeben sich für das Unternehmen maximale Möglichkeiten zur Wertschöpfung. Jeder Mitarbeiter kann sämtliche zugänglichen und mit seinen Anforderungen kompatiblen Ressourcen nutzen, um lokal einen Mehrwert zu schaffen.

Diese Freiheit funktioniert nur dann, wenn elementare Regeln und Instrumente implementiert werden und jeder Mitarbeiter die Verantwortung dafür übernimmt, was er mit diesen Daten macht. Dazu müssen notwendige und ausreichende Informationen bereitgestellt werden, sodass jeder Mitarbeiter sie unter Einhaltung der Regeln angemessen nutzen kann.

Rechte und Pflichten eines Data Citizens siehe Infografik

Der demokratische Ansatz stellt eine interessante Herausforderung dar, das richtige Gleichgewicht im Unternehmen zu schaffen. Einerseits muss sichergestellt werden, dass das Recht auf Datennutzung auch wirklich ausgeübt werden kann, andererseits stehen diesem Recht eine Reihe von Pflichten gegenüber.

Das dem Mitarbeiter gewährte Recht auf Nutzung der Unternehmensdaten für seine eigenen Aktivitäten konkretisiert sich erst zu dem Zeitpunkt, zu dem dieser Mitarbeiter über die notwendigen Informationen verfügt, um die Daten zu identifizieren und aufzufinden, die er benötigen könnte.

Im Gegenzug muss der Mitarbeiter auch dafür sensibilisiert werden, welche Verantwortung er mit Nutzung der Daten übernimmt. Dies kann je nach Unternehmen oder auch je nach Art der angebotenen Daten angepasst werden.

Die folgende Infografik zeigt die Rechte und Pflichten aller Beteiligten (in Englisch):

Warum ist Data Governance auch für Ihr Unternehmen entscheidend?

von Zeenea Software | Dez. 10, 2019 | Data Governance

Data Governance war im Jahr 2019 definitiv ein Trend! Unternehmen werden sich immer stärker dessen bewusst, dass eine effektive Verwaltung ihrer Datenbestände wichtig ist.

Um besser zu verstehen, worum es sich bei Data Governance handelt, kann auf folgende Definitionen verwiesen werden:

“Data governance is a quality control discipline for adding new rigor and discipline to the process of managing, using, improving and protecting organizational information.”
IBM Data Governance Council

“Data governance is the exercise of authority and control (planning, monitoring, and enforcement) over the management of data assets.”

Dama DMBok

“Data Governance is a system of decision rights and accountabilities for information-related processes, executed according to agreed-upon models which describe who can take what actions with what information, and when, under what circumstances, using what methods.”
The Data Governance Institute

“Data governance is the formal orchestration of people, processes, and technology to enable an organization to leverage their data as an enterprise asset.”

MDM Institute

Aber ganz bestimmt sind diese Erklärungen nicht aufschlussreich! Bevor wir versuchen, Data Governance zu definieren, wollen wir uns die Gründe ansehen, warum sich die Governance zu einem Strategiethema entwickelt hat.

Was veranlasst Unternehmen, eine Data Governance zu implementieren?

Unseren Erfahrungen nach werden Unternehmen üblicherweise mit einem oder mehreren der folgenden Probleme in ihrer Organisation konfrontiert:

Nicht weitergegebenes Wissen: Im Allgemeinen gibt es in Unternehmen einzelne Personen oder eine ausgewählte Personengruppe, die Informationen erzeugen, damit arbeiten und sie verstehen. Jedoch kennt der Rest der Organisation diese Informationen nicht (ihren Ursprung, ihren Wert, ihre Qualität, usw.). Die Informationen der Unternehmen befinden sich daher in Datensilos und können nur schwer genutzt und geteilt werden.

Big Mess: Im Verlauf der letzten Jahre sind zahlreiche komplexe Informationssysteme aufgekommen, die dazu geführt haben, dass Unternehmen enorme Mengen an nicht organisierten Daten erzeugen und speichern. Den Nutzern stehen daher Daten zur Verfügung, deren Qualität, Zweck oder Speicherort unbekannt ist.

Konformität: Alle Unternehmen unterliegen gewissen Konformitätsregeln, wie Datensicherheit, allgemeine Datennutzung oder Ethik. Auf Unternehmen ohne fest verankerte Governance wirken sich solche Regeln nachteilig aus.

Die Implementierung einer Data Governance unterstützt daher Unternehmen, Probleme dieser Art zu lösen!

Mit einer Data Governance können Unternehmen data fluent werden, ihre Daten organisieren und regulatorische Anforderungen erfüllen.

Warum misslingt Data Governance in Unternehmen

Dennoch verschieben viele Unternehmen die Realisierung einer Data Governance. Diese Organisationen sind der Meinung, dass:

die Governance zu mehr Kontrolle und nicht zu mehr Wert führt,
die Geschäftstätigkeit bremst,
es sich dabei eher um ein IT-Anliegen als um ein geschäftliches Anliegen handelt,
realisierte Governance-Projekte früher viel zu oft gescheitert sind,
es sich um ein zu großes Projekt handelt, für das es nicht ausreichend Ressourcen gibt,
sie ein Nice-to-Have ist, aber keine Priorität darstellt.

Was ist die richtige Strategie für Ihre Data Governance?

Die Einrichtung einer passenden Data Governance sollte absolute Priorität für Unternehmen genießen. Es gibt aber keine einheitliche Methode für die Umsetzung. Die Unternehmen müssen ihre strategischen Ziele definieren, an denen sich ihre Governance orientieren sollte.

Hinsichtlich der Umsetzung der Data Governance gibt es zwei strategische Ausrichtungen.

Defensive Data Governance

Diese Art der Data Governance stützt sich vor allem auf Kontrolle und die Steuerung von Risiken. Damit gewährleisten Unternehmen die Einhaltung von Datenkonformität (z. B. DSGVO), Vertraulichkeit und Sicherheit. Dieser Rahmen steht im Einklang mit bestimmten zuvor angeführten Definitionen

Offensive Data Governance

Diese Art der Data Governance ist auf die Wertschöpfung mit diesen Daten ausgerichtet. Mit einem offensiven Ansatz fördern Unternehmen auch die Innovation ihrer Produkte oder Dienstleistungen.

Verschiedene Datenkulturen verstehen

von Zeenea Software | Juli 16, 2019 | Data Governance

Wie es auch für die Organisationskultur gilt, zeichnet sich jedes Unternehmen, das mit Daten arbeitet, durch eine eigene Datenkultur aus. Wir sind der Meinung, dass sich die Internet-Giganten weniger durch ihre Governance-Struktur abheben, sondern vielmehr durch ihre Kultur, die diese Unternehmen inspiriert und belebt.

Wir von Zeenea empfehlen die Einrichtung einer Datendemokratie. Die Datendemokratie steht für eine offene Unternehmenskultur, in der Freiheit mit Verantwortung einhergeht.

Am besten versteht man die Datendemokratie, wenn man sie mit anderen Datenkulturen vergleicht. Dies sind die wichtigsten Arten von Datenkulturen:

Datenanarchie

In diesem System fühlen sich die Fachbereiche schlecht von der IT-Abteilung versorgt und entwickeln jeweils in ihrem Bereich versteckte Datenbanken (sogenannte „Schatten-IT“), die ihren unmittelbaren Interessen dienen, und dabei sämtliche Regeln hinsichtlich Kontrolle und Konformität der Nutzung übergehen.

Im Jahr 2019 hat sich diese Art von Kultur als enorm risikoreich erwiesen (Datenverlust, Verletzung ethischer, gesetzlicher oder regulatorischer Regeln, Verschlechterung der Service-Qualität, Zunahme von Datensilos, usw.).

Datenmonarchie

Dieses System zeichnet sich durch eine sehr ausgeprägte Asymmetrie beim Zugang zu Daten je nach Position in der Hierarchie aus. Daten werden streng überwacht, das Niveau an Konsolidierung wird sorgfältig an das Organigramm angeglichen und ihre Verteilung erfolgt auf äußerst selektive Weise.

Diese Kultur herrschte lange Zeit in Business Intelligence-Projekten vor: Im Data Warehouse gesammelte Daten werden rigoros überwacht und dann in Berichten konsolidiert, zu denen nur einige wenige, den Entscheidungsträgern nahestehende Personen Zugang haben. Diese Kultur unterstützt einen „Top-down“-Ansatz und begünstigt eine eher defensive Strategie, in der Regeln, Beschränkungen und Kontrollen Daten absichern. Der theoretische Hauptvorteil liegt in einer quasi unfehlbaren Kontrolle über die Unternehmensdaten, jedoch führt dies ebenso zu einem sehr eingeschränkten, wenigen bevorzugten Gruppen vorbehaltenen Zugang zu Daten.

Datenaristokratie

Dieses System zeichnet sich durch einen höheren Freiheitsgrad als in der Datenmonarchie aus, diese Freiheit ist jedoch nur einer ausgewählten Untergruppe vorbehalten, hauptsächlich Mitarbeitern mit Fachprofilen (Datentechniker, Datenanalysten, Data Scientists, usw.).

Diese Kultur geht sehr häufig aus besonders erfolgreichen Governance-Projekten hervor. Eine solche Kultur kann bei offensiveren Strategien wie auch heterogenen Ansätzen von Vorteil sein – mit Top-down und Bottom-up-Ansatz. Jedoch gestattet sie dem Großteil der Mitarbeiter keinen Zugang zu Daten und entzieht infolgedessen dem Unternehmen Chancen auf bestimmte Innovationen und Wertsteigerungen.

Datendemokratie

Das zentrale Ziel der Datendemokratie lautet, Unternehmensdaten so weit wie möglich einer möglichst großen Anzahl von Personen, wenn nicht sogar allen, zugänglich zu machen. Jeder Mitarbeiter, auf jeder Ebene soll in der Lage sein, einen Wert aus den Daten zu ziehen.

Durch diesen freien Zugang ergeben sich für das Unternehmen maximale Möglichkeiten zur Wertschöpfung. Damit kann jeder Mitarbeiter sämtliche zugänglichen und mit seinen Bedürfnissen kompatiblen Ressourcen nutzen, um lokal einen Mehrwert zu schaffen. Die dadurch entstehende Sogwirkung kommt wiederum dem gesamten Unternehmen zugute.

Laden Sie unser Whitepaper „Organisationsansätze für eine agile Data Governance?“ herunter

Ein demokratischer Ansatz stellt eine interessante Herausforderung dar, das richtige Gleichgewicht im Unternehmen zu schaffen. Einerseits muss sichergestellt werden, dass das Recht auf Datennutzung auch wirklich ausgeübt werden kann, andererseits stehen diesem Recht eine Anzahl von Pflichten gegenüber. Um mehr darüber zu erfahren, wie eine Kultur der Datendemokratie geschaffen werden kann, laden Sie unser Whitepaper herunter.

WHITEPAPER HERUNTERLADEN

TECHNOLOGIE

LÖSUNGEN

FUNKTIONALITÄTEN

APPLICATIONS

BRANCHEN

FÜR DATA LEADER

KNOWLEDGE HUB

PRODUCT HUB

ÜBER ZEENEA

KONTAKT AUFNEHMEN

DIENSTLEISTUNGEN

PHILOSOPHIE