Metadaten-Management ist ein wichtiger Bestandteil eines jeden umfassenderen Datenmanagement-Projekts und erfordert mehr als die bloße Implementierung einer Datenkatalog-Software, egal wie vernetzt diese auch sein mag.

Zwar wird ein solches Tool das Metadaten-Management immer unterstützen, es kann jedoch nicht allein dessen Erfolg garantieren.

Diese Artikelserie ist inspiriert von Erfahrungen aus den unterschiedlichsten Branchen, Unternehmensgrößen und -kulturen und zeigt die wichtigsten Fallstricke und Missverständnisse auf, die Sie bei der Einführung eines unternehmensweiten Datenkatalogs unbedingt vermeiden sollten.

Die beschriebenen Fallstricke drehen sich um vier Themen, die für den Erfolg des Vorhabens von zentraler Bedeutung sind:

1. Datenkultur
2. Sponsorship
3. Projektsteuerung
4. Datenkatalog-Integration

—

Die Integration des Datenkatalogs in das Ökosystem des Unternehmens fördert Möglichkeiten zur Wertschöpfung. Es ist von entscheidender Bedeutung, diesen Aspekt sorgfältig zu berücksichtigen und die Vorteile zu verstehen.

Nicht alle Metadaten müssen von Hand eingegeben werden

Immer mehr Systeme produzieren, aggregieren und ermöglichen die Eingabe von Metadaten. Diese Informationen müssen im Katalog abgerufen und konsolidiert werden – ohne Doppelerfassung – aus offensichtlichen Gründen der Wirtschaftlichkeit, Zuverlässigkeit und schnellen Verfügbarkeit.

Der Datenkatalog bietet also die Möglichkeit, diese Informationen mit dem von den Mitarbeitern in ihren jeweiligen Bereichen getragenen Wissen zu konsolidieren. Diese Konsolidierung muss jedoch durch eine technische Integration erfolgen und darf nicht manuell durchgeführt werden. Die Durchführung von Importen/Exporten zwischen Systemen, die auf menschlichen Handlungen beruhen, ist kein sinnvoller Ansatz.

Die Stärke eines Datenkatalogs muss in seiner Fähigkeit liegen, Metadaten über technische Integrationsketten aufzunehmen und so eine robuste Synchronisierung zwischen den Systemen zu ermöglichen. Hier kommt das Konzept der Metadatenplattform zum Tragen.

Der Datenkatalog ist kein „magisches“ Werkzeug

Umgekehrt wäre die Annahme, dass der Datenkatalog alle Arten von Metadaten unabhängig von der Quelle oder dem Format abrufen kann, mehr als irreführend.

Der Katalog soll zwar das Abrufen von Metadaten erleichtern, aber einige Metadaten können nicht automatisch in den Katalog eingefügt werden. Es bleibt also immer ein Kostenfaktor, der durch das Eingreifen von Mitarbeitern getragen wird.

Der erste Grund dafür liegt ganz einfach in der Herkunft einiger Metadaten selbst: Informationen sind vielleicht einfach noch nicht in Systemen vorhanden, weil sie nur aus dem Wissen von Experten stammen. Der Datenkatalog ist in diesem Fall also ein potenzieller Kandidat dafür, das Mastersystem zu werden, um sie aufzunehmen.

Gleichzeitig können manche Informationen aus vielen Gründen in Systemen vorhanden sein, ohne dass es möglich ist, sie automatisiert abzurufen. Beispiele hierfür sind das Fehlen einer Schnittstelle, die einen stabilen Zugriff auf die Informationen ermöglicht, oder die Notwendigkeit, auf Reverse Engineering zurückzugreifen, um relevante Informationen zu isolieren. Das Risiko eines Rauschens in den Informationen ist also hoch, was dazu führen kann, dass die Qualität des Kataloginhalts abnimmt und die Nutzer sich letztendlich von ihm abwenden.

Der Datenkatalog darf nicht mit nur einer einzigen Metadatenquelle verbunden sein

Metadaten existieren auf zahlreichen und unterschiedlichen Ebenen. Die Quellen sind vielfältig und ergänzen sich für ein umfassendes Verständnis. Es ist gerade die Zusammenführung dieser Informationen in einer zentralen Lösung, dem Datenkatalog, die den Nutzern die Elemente liefern wird, die sie für ihre Zwecke benötigen.

Die Wahl eines vernetzten Datenkatalogs ist ein echter Vorteil, da das Auffinden von Assets und das Abrufen der zugehörigen Metadaten durch Automatisierung erheblich vereinfacht wird.

Diese Konnektivität kann sich aber sehr oft auch auf andere, komplementäre Systeme erstrecken. Dabei handelt es sich um andere Systeme, die dem ersten System vor- oder nachgelagert sind und es ermöglichen, Data Lineage zu materialisieren und so den Fluss und die Transformationen zwischen den Systemen zu dokumentieren.

Die Systeme müssen jedoch nicht miteinander verbunden sein und können lediglich dazu beitragen, dass durch ihre Hinzufügung zum Datenkatalog eine umfassende Kartografie der Unternehmensdaten erstellt wird.

Schließlich können die verschiedenen angeschlossenen Quellen aufgrund der Vielfalt der Daten, die im Datenkatalog dokumentiert werden können, auch jede für sich zur Anreicherung einer bestimmten Ebene im Datenkatalog beitragen: semantische Schicht für die einen, physische Schicht für die anderen etc.

Die verschiedenen Quellen, die in den Datenkatalog einfließen, werden nach und nach unter der Gesamtleitung des Data Offices integriert, wobei die Strategie von der Wertschöpfung geprägt ist.

Unserer Meinung nach muss ein Datenkatalog auch in Bezug auf die User Experience für verschiedene Nutzergruppen, die mit ihm arbeiten, smart sein. Eine der größten Herausforderungen bei der Einführung eines Datenkatalogs ist dessen Akzeptanz durch diejenige, für die er letztendlich bestimmt ist – die Datennutzer. Die Nutzererfahrung spielt dabei eine entscheidende Rolle.

User Experience im Kontext von Datenkatalogen

Nutzererfahrung ist ein umfangreiches und komplexes Thema, das wir hier nicht erschöpfend behandeln können. Sie beruht hauptsächlich auf der Identifizierung von “Persona”, deren Verhalten und Ziele man zu modellieren versucht, um ihnen eine möglichst leistungsfähige und ergonomische grafische Benutzeroberfläche zu bieten. Im Kontext von Datenkatalogen ist die Charakterisierung von Persona problematisch, da es keine kanonische Organisation gibt – es handelt sich um ein universelles Werkzeug, das für Unternehmen jeder Größe, die in praktisch jeder Branche und weltweit tätig sind, von großem Wert ist.

Anstatt schwer greifbare Persona zu modellieren, kann man sich dem Thema nähern, indem man die oben erwähnte Herausforderung angeht – die Akzeptanz. Dabei können zwei große Nutzerpopulationen unterschieden werden:

• Die Produzenten von Metadaten, die den Katalog befüllen und die Qualität der Inhalte überwachen – wir nennen sie allgemein Data Stewards;

• Die Konsumenten von Metadaten, die den Katalog im Rahmen eines betrieblichen Ziels nutzen, das mit ihrer Funktion zusammenhängt – wir nennen sie einfach Nutzer.

Diese beiden Populationen sind natürlich nicht völlig voneinander getrennt: Manche Data Stewards, die vielseitig einsetzbar sind, sind auch Nutzer.

Hemmnisse für die Einführung des Katalogs im Unternehmen

Der wahre Wert eines Datenkatalogs liegt in seiner Fähigkeit, nicht nur von Datenmanagement-Spezialisten, sondern von der viel größeren Population der Daten- (oder Metadaten-)Nutzer angenommen zu werden.

Diese Gruppe ist sehr vielfältig. Sie umfasst Datenexperten (Data Engineers, Data Architects, Data Analysts, Data Scientists usw.), Business-Profile (Projektleiter, Bereichsleiter, Produktmanager usw.), Compliance- oder Risikospezialisten. Und ganz allgemein – in Organisationen mit den höchsten Reifegraden – alle Manager auf operativer Ebene, die Daten nutzen müssen, um ihre Leistung zu verbessern.

Die Annahme des Datenkatalogs durch diese Nutzerpopulationen wird typischerweise durch die folgenden Aspekte behindert:

• Die Nutzer verwenden den Datenkatalog nur sporadisch: Sie nutzen ihn einmalig, um die Antwort auf eine bestimmte Fragestellung im Rahmen ihrer operativen Tätigkeit zu bekommen. Sie haben in der Regel weder Zeit noch Lust, eine lange Lernkurve für ein Tool zu durchlaufen, das sie nur gelegentlich nutzen.

• Nicht alle haben die gleichen Anforderungen in Bezug auf Metadaten. Einige werden sich mehr mit technischen Metadaten beschäftigen, andere interessieren sich stärker für semantisches Informationen und wieder andere konzentrieren sich auf organisatorische oder Governance-Aspekte.

• Nicht alle beherrschen das Metamodell oder die interne Organisation der Informationen im Katalog. Sie können sich schnell von einer Flut von Konzepten eingeschüchtert fühlen, die für sie nicht verständlich sind.

Der Smart Data Catalog adressiert diese verschiedenen Hemmnisse, um die Annahme des Katalogs zu gewährleisten. Im Folgenden möchten wir erläutern, wie Zeenea diese Herausforderung angeht.

Zeenea’s Ansätze zur Förderung der Akzeptanz des Katalogs

Der erste Lösungsansatz liegt in der grafischen Benutzeroberfläche. Wir sind der Meinung, dass die Nutzer eine möglichst niedrige Lernkurve haben sollten, um mit dem Katalog arbeiten zu können – in der Praxis bedeutet dies die Nutzung des Katalogs ohne vorherige Schulung. Um dies zu gewährleisten, haben wir mehrere Entscheidungen getroffen.

Data Stewards und Nutzern wird nicht die gleiche Benutzeroberfläche zur Verfügung gestellt. Zeenea bietet zwei Anwendungen:

• Zeenea Studio – das Tool zur Verwaltung und Überwachung der Kataloginhalte – ein Expertentool für Data Stewards.

• Zeenea Explorer – das Tool für die Nutzer bietet eine möglichst einfache Erfahrung beim Suchen und Erkunden des Katalogs.

Dieser Ansatz greift die von Marketplace-Anwendungen bekannten Prinzipien auf – die nach wie vor die großen Spezialisten für Katalogverwaltung im weitesten Sinne sind. Diese Lösungen bieten typischerweise mindestens zwei Anwendungen an. Die eine, die man als Back-Office bezeichnen könnte, ermöglicht es den Verwaltern des Marketplaces (oder seinen Partnern), den Katalog auf möglichst automatisierte Weise zu füllen, den Inhalt zu kontrollieren und seine Qualität zu überwachen. Die andere, den Nutzern gewidmete Anwendung wird meist durch eine E-Commerce-Webseite materialisiert und ermöglicht es ihnen, nach Artikeln zu suchen oder den Katalog thematisch zu erkunden. Zeenea Studio und Zeenea Explorer übernehmen jeweils diese beiden Rollen.

Der Rolle des Nutzers entsprechend hierarchisch gegliederte Informationen

Eine weiterer von Zeenea geplanter Mechanismus befindet sich noch im Versuchsstadium. Hier geht es darum, die Hierarchie der Informationen im Katalog dynamisch an das Profil des Nutzers anzupassen.

Bei einem Datenkatalog hingegen hängt die Hierarchie der Informationen von der operativen Rolle des Nutzers ab. Für manche bestehen die wichtigsten Informationen über ein Dataset in seine technischen Eigenschaften: Speicherort, Sicherheit, Formate, Typen usw. Andere interessieren sich vor allem für die Semantik der Daten und Business Lineage. Wieder andere möchten die Prozesse und Kontrollen kennen, die in die Datenproduktion involviert sind – sei es für regulatorische oder operative Zwecke.

Der Smart Data Catalog sollte die Struktur seiner Informationen dynamisch anpassen können, um unterschiedliche Anforderungen zu erfüllen.

Eine letzte Herausforderung betrifft die thematischen Suchpfade. Auch hier ist es schwierig, eine Struktur zu finden, die alle Nutzergruppen zufrieden stellt. Einige werden den Katalog eher nach technischen Gesichtspunkten durchsuchen (Systeme, Anwendungen, Technologien usw.). Andere bevorzugen eine funktionale Klassifikation – Fachbereiche und Unterbereiche – wieder andere wählen eher nach semantischen Gesichtspunkten aus (anhand eines Business Glossarys) usw.

Eine für alle universelle Klassifikation erscheint uns utopisch. Auch hier sollte sich der Smart Data Catalog an die verschiedenen Herangehensweisen anpassen, anstatt von den Nutzern zu verlangen, eine Klassifikation zu beherrschen, die für sie vielleicht keinen Sinn ergibt. Schließlich ist die User Experience einer der wichtigsten Erfolgsfaktoren eines Datenkatalogs.

Um zu verstehen, wie ein „smartes“ Metamodell die Fähigkeiten des Datenkatalogs stärkt,

laden Sie jetzt unser eBook „Was ist ein Smart Data Catalog?“ herunter!

Die Suchmaschine: eine unverzichtbare Voraussetzung für Data Discovery

Die Durchsuchung einer so großen Menge an Informationen, wie dies in einem Enterprise Data Catalog der Fall ist, sollte keine Nebenfunktion sein. Vielmehr ist die Suchmaschine einer der wichtigsten Bestandteile des Katalogs und sollte für die Nutzer einfach, leistungsstark und effektiv sein. Google oder Amazon haben die Messlatte in dieser Hinsicht sehr hoch gelegt, und das Sucherlebnis, das sie bieten, gilt als Benchmark in diesem Bereich.

Es lässt sich wie folgt zusammenfassen:

• Die Eingabe weniger Stichwörter in die Suchleiste reicht – mir werden häufige Kombinationen von Begriffen vorgeschlagen, um meine Suche zu verbessern.

• Ergebnisse werden in Sekundenschnelle in einer genauen Reihenfolge angezeigt, wobei ich die für mich interessantesten auf der ersten Seite finde.

• Andernfalls füge ich meiner Suche entweder einen Begriff hinzu, um sie besser einzugrenzen, oder nutze das Filtersystem, um irrelevante Ergebnisse auszuschließen.

Die auf dem Markt vorhandenen Datenkatalog-Lösungen bieten gemeinhin eine gutes Indexierungs-, Bewertungs- und Filtersystem. Dieser Ansatz liefert zufriedenstellende Ergebnisse, wenn der Nutzer eine genaue Vorstellung davon hat, was er sucht (High Intent Search), ist aber enttäuschend für diejenigen, deren Ansatz eher explorativ ist (Low Intent Search) oder wenn es darum geht, dem Nutzer spontan bestimmte relevante Ergebnisse vorzuschlagen (No Intent).

Kurz gesagt, eine einfache Indexierung ermöglicht das Finden von Elementen, deren genaue Merkmale bekannt sind, reicht aber nicht aus, wenn die Suche eher vage bleibt. Die Ergebnisse werden dann zu oft durch zahlreiche falsch positive Treffer verunreinigt, und deren Reihenfolge ist ebenfalls nicht zufriedenstellend.

Eine multidimensionale Herangehensweise für eine leistungsfähige Suche

Für uns war von Anfang an klar, dass ein zu einfaches Indexierungssystem keine zufriedenstellende Nutzererfahrung gewährleisten kann. Wir haben daher beschlossen, die Suchmaschine in einem eigenen Modul der Plattform zu isolieren und sie zum Ziel stetiger Innovation (und Investition) zu machen.

Natürlich verfügen wir weder über die finanziellen Mittel von Google, noch über dessen Wissen über die Optimierung von Suchergebnissen. Wir haben jedoch mehrere Funktionen in unsere Suchmaschine integriert, die bereits zu stark relevanten Ergebnissen führen und ständig verbessert werden.

In besonderem Maße interessierten wir uns für die Arbeit der Google-Gründer an ihrem PageRank-Algorithmus. Dieser berücksichtigt mehrere Dutzend Aspekte (sogenannte Features), darunter die Dichte der Beziehungen zwischen den verschiedenen Graph-Objekten (Hyperlinks im Falle von Internetseiten) oder die semantische Analyse des Knowledge Graphs.

Dazu gehören insbesondere die folgenden Funktionen:

• Die klassische, flache Indizierung aller Attribute eines Objekts (Name, Beschreibung und alle Eigenschaften) mit einer Gewichtung nach der Art der Eigenschaft.

• Eine NLP-Schicht (Natural Language Processing) zur Berücksichtigung von Näherungswerten (Tipp- oder Rechtschreibfehler).

• Eine semantische Analyseschicht, die auf der Verarbeitung des Knowledge Graphs basiert.

• Eine Personalisierungsschicht, die derzeit auf einer einfachen Klassifizierung der Nutzer nach ihren Use Cases beruht, die aber in Zukunft mit individuellen Profildaten angereichert werden soll.

Smart Filtering zur Kontextualisierung und Begrenzung der Suchergebnisse

Als Ergänzung zur Suchmaschine bieten wir ein intelligentes Filtersystem, das Smart Filtering. Diese Funktion findet man häufig auf E-Commerce-Webseiten (z.B. Amazon oder Booking.com) und besteht darin, kontextbezogene Filter vorzuschlagen, um die Ergebnisse einer Suche einzugrenzen.

Die Filter funktionieren folgendermaßen:

• In der Filterliste werden ausschließlich die Eigenschaften angezeigt, die die Ergebnisliste tatsächlich reduzieren.
• Jeder Filter zeigt seine Auswirkung an, d.h. die Anzahl der nach Anwendung des Filters verbleibenden Ergebnisse.
• Bei Anwendung des Filters wird die Ergebnisliste sofort aktualisiert.

Wir glauben, dass wir durch die Kombination von multidimensionaler Suche und Smart Filtering unserer Konkurrenz voraus sind. Darüber hinaus ermöglicht es unsere entkoppelte Architektur (die Suchmaschine ist eine eigenständige Komponente), ständig mit neuen Ansätzen zu experimentieren und gleichzeitig diejenigen, die wir für sinnvoll halten, schnell zu integrieren.

Um zu verstehen, wie ein „smartes“ Metamodell die Fähigkeiten des Datenkatalogs stärkt,

laden Sie jetzt unser eBook „Was ist ein Smart Data Catalog?“ herunter!

Ein zweiter Bereich, in dem ein Datenkatalog smart sein sollte, betrifft die Inventarisierung. Wir erinnern uns: Ein Datenkatalog ist im Grunde eine möglichst umfassendes Verzeichnis von Informationsbeständen, ergänzt durch eine Reihe von Metadaten, die eine optimale Nutzung der betreffenden Daten ermöglichen. Bei der Einführung eines jeden Datenkatalogs ist die Inventarisierung der in den verschiedenen Systemen vorhandenen Datenbestände einer der ersten Schritte.

Die Herausforderung der automatisierten Inventarisierung

Der deklarative Ansatz für den Aufbau des Inventars, so gut er auch durchdacht sein mag, erscheint uns nicht besonders smart. Er erfordert einen erheblichen Arbeitsaufwand, um den Katalog zu initialisieren, und zwingt zu ständiger und ziemlich mühsamer Arbeit, um ihn auf dem neuesten Stand zu halten – in einer sich ständig verändernden digitalen Welt veraltet der anfängliche Bestand schnell.

Der erste, offensichtliche Schritt zu einer cleveren Inventarisierung besteht in der Automatisierung. Bis auf wenige Ausnahmen werden die Datenbestände eines Unternehmens in spezialisierten Systemen verwaltet, die von verteilten Dateisystemen über ERP-Systeme, relationale oder nicht-relationale Datenbanken, Business Software, Data Warehouses usw. reichen. Alle diese Systeme führen auf die eine oder andere Weise ein Register der von ihnen verwalteten Daten sowie eine Reihe von Metadaten, die für ihren reibungslosen Betrieb erforderlich sind.

Es ist also nicht nötig, diese Informationen manuell neu zu erstellen: Es genügt, sich mit den Systemen zu verbinden und den Inhalt des Katalogs mit dem der Quellsysteme zu synchronisieren. Das Prinzip ist einfach, die Umsetzung deutlich schwieriger. Leider gibt es keinen Standard, an den sich die verschiedenen Technologien halten, um einen universellen Zugriff auf ihre Metadaten zu ermöglichen.

Die entscheidende Rolle der Konnektivität zu den Quellsystemen

Eine umfassende und “intelligente” Konnektivität ist daher essentiell für den Smart Data Catalog. Für eine weitere Beschreibung unseres Ansatzes bzgl. Konnektivität bei Zeenea verweise ich erneut auf unser letztes Whitepaper 5 zentrale Innovationen eines modernen Datenkatalogs. An dieser Stelle sei nur an einige Hauptmerkmale unserer Herangehensweise erinnert. Unsere Konnektivität ist:

• Proprietär – wir verlassen uns nicht auf eine Lösung von Dritten.
• Verteilt – um den Umfang des Katalogs nicht einzuschränken.
• Offen – jeder Kunde kann seine eigenen Konnektoren entwickeln.
• Universell – jede beliebige Metadatenquelle kann synchronisiert werden.

Dieser Ansatz ermöglicht nicht nur das Lesen und Synchronisieren der in den Quellsystemen enthaltenen Metadaten, sondern auch das Erzeugen von Metadaten.

Bisher produzieren wir zwei Arten von Metadaten:

• Statistische Analyse zur Erstellung eines Datenprofils – Verteilung der Werte, Anteil der Nullwerte, Extremwerte usw. (die Art dieser Metadaten hängt natürlich vom Typ der analysierten Daten ab);

• Strukturanalyse zur Ermittlung des funktionalen Typs bestimmter Textdaten (E-Mail, Postanschrift, Sozialversicherungsnummer, Kundennummer usw. – das System ist erweiter- und anpassbar).

Auch der Inventarierungsmechanismus muss smart sein

Neben der Konnektivität, dank der der Katalog automatisch mit den in den verschiedenen Systemen enthaltenen Informationen befüllt wird, ist unser Inventarisierungsmechanismus selbst in vielerlei Hinsicht smart:

• Die Erkennung von Datasets beruht auf einer umfassenden Kenntnis der Speicherstrukturen, insbesondere in Big-Data-Kontexten. So wird beispielsweise ein IoT-Datensatz, der aus Tausenden von Dateien mit Zeitreihenmessungen besteht, als ein einziges Dataset identifiziert (die Anzahl der Dateien und ihre Speicherorte sind lediglich Metadaten);

• Die Inventarisierung ist standardmäßig nicht direkt in den Katalog integriert, um zu vermeiden, dass technische oder temporäre Datasets importiert werden, die im Katalog in der Regel unnötig sind (weil die Daten entweder nicht verwertbar oder redundant sind);

• Die Auswahl der Datenbestände selbst, die in den Katalog importiert werden sollen, wird unterstützt – es werden die Objekte identifiziert, die am wahrscheinlichsten in den Katalog aufgenommen werden. Wir nutzen mehrere komplementäre Ansätze, um diese Auswahl zu treffen.

Um zu verstehen, wie ein „smartes“ Metamodell die Fähigkeiten des Datenkatalogs stärkt,

laden Sie jetzt unser eBook „Was ist ein Smart Data Catalog?“ herunter!

Ein universelles und statisches Metamodell kann nicht smart sein

Die Anzahl der Metadaten, die für die effektive Nutzung von Informationsbeständen erforderlich sind, kann beträchtlich sein. Gleichzeitig sind diese Metadaten für jede Organisation oder sogar für einzelne Gruppen innerhalb einer Organisation unterschiedlich. So wird beispielsweise ein Business Analyst nicht unbedingt nach denselben Informationen suchen wie ein Ingenieur oder ein Produktmanager.

Der Versuch, ein universelles Metamodell zu definieren, erscheint uns nicht besonders klug. Ein solches Metamodell müsste sich an jeden erdenklichen Kontext anpassen, was zu einer der drei klassischen Folgen führen würde:

• Eine übertriebene Vereinfachung, die auf Dauer nicht alle Use Cases abdecken wird;
• Eine übermäßige Abstraktion, zum Preis eines langen und schwierigen Erlernens der Konzepte – was schwer mit dem großflächigen Einsatz des Katalogs zu vereinbaren ist;
• Eine zu niedrige Abstraktion, die dazu zwingt, konkrete Konzepte zu vervielfachen, indem Begriffe aus vielen verschiedenen Kontexten kombiniert werden – von denen viele jedoch in einem bestimmten Kontext nutzlos sind und wodurch das Metamodell unnötig kompliziert und unverständlich würde.

Eine smarte Metamodellierung sollte unserer Meinung nach die Möglichkeit bieten, das Metamodell an den jeweiligen Kontext anzupassen und es mit der Entwicklung der Use Cases oder dem Reifegrad der Organisation zu erweitern.

Der organische Ansatz des Metamodells

Ein Metamodell ist eine Wissensdomäne, und die formale Struktur eines Wissensmodells trägt den Namen Ontologie.

Eine Ontologie definiert eine Menge von Objektklassen, ihre Attribute und die Beziehungen, die sie untereinander haben können. In einem universellen Modell ist die Ontologie statisch – die Klassen, Attribute und Beziehungen sind vordefiniert, mit unterschiedlichem Abstraktionsgrad und unterschiedlicher Komplexität.

Bei Zeenea haben wir uns entschieden, uns nicht auf eine statische Ontologie zu stützen, sondern auf einen evolutiven Knowledge Graph.

Zu Beginn ist das Metamodell daher bewusst sehr einfach gehalten – es umfasst nur eine Handvoll Typen, die verschiedene Klassen von Informationsbeständen (Datasets, Fields, Visualizations, …) repräsentieren und jeweils mit einigen Attributen versehen sind, die wir als universell betrachten (Name, Beschreibung, Kontakte). Dieses grundlegende Metamodell wird automatisch durch technische Metadaten ergänzt, die aus den Datenquellen extrahiert werden und je nach der zugrunde liegenden Technologie variieren (die technischen Metadaten einer Tabelle in einem Data Warehouse sind nicht unbedingt dieselben wie die einer Parquet-Datei in einem Data Lake).

Diese organische Form der Metamodellierung ist unserer Meinung nach die beste und intelligenteste Antwort auf die Problematik der Ontologie in einem Datenkatalog. Sie bietet mehrere wichtige Vorteile:

• Das Metamodell kann vollständig an den jeweiligen Kontext angepasst werden, wobei es oftmals auf einer bereits vorhandenen Modellierung aufbaut und die hauseigene Nomenklatur und Terminologie integriert, ohne dass ein langer und kostspieliger Lernzyklus erforderlich ist;

• Das Metamodell muss nicht vollständig definiert sein, um mit der Katalognutzung zu beginnen – es genügt, sich auf die wenigen Objektklassen und Attribute zu konzentrieren, die für die ersten Use Cases notwendig sind, und dieses Modell dann zu erweitern, wenn der Katalogumfang wächst;

• Nutzerfeedback kann schrittweise integriert werden, was die Akzeptanz des Katalogs und damit den ROI des Metadaten-Managements verbessert.

Hinzufügen funktionaler Attribute zum Metamodell zur Erleichterung der Suche

Dieser Ansatz der Metamodellierung hat zwar massive Vorteile, aber auch einen großen Nachteil: Da das Metamodell sehr dynamisch ist, ist es für die Vorschlags- und Suchmaschine schwierig, dessen Struktur zu verstehen und folglich die Nutzer bei Einspeisung und der Entdeckung von Informationen effektiv zu unterstützen (diese beiden Themen stehen jedoch im Mittelpunkt des Smart Data Catalog).

Ein Teil der Lösung betrifft das Metamodell und insbesondere die Attribute der Ontologie. Klassischerweise werden die Attribute eines Metamodells durch ihren technischen Typ definiert (ein Datum, eine Zahl, eine Zeichenkette, eine Liste von Werten usw.). Bei Zeenea sind diese technischen Typen natürlich enthalten, darüber hinaus aber auch funktionale Typen – ein Qualitätsniveau, eine Vertraulichkeitsstufe, ein Personenbezug usw.

Die Verwendung dieser funktionalen Typen ermöglicht es Zeenea, die Ontologie besser zu verstehen, um ihre Algorithmen zu verfeinern und die Informationsdarstellung anzupassen.

Um zu verstehen, wie ein „smartes“ Metamodell die Fähigkeiten des Datenkatalogs stärkt,

laden Sie jetzt unser eBook „Was ist ein Smart Data Catalog?“ herunter!

Der Data Catalog eines Unternehmens kann den gesamten Datenbestand aufwerten, indem er sich insbesondere auf zwei Arten von Informationen stützt – einerseits die rein technischen Informationen, die automatisch von den Quellen synchronisiert werden; und andererseits die fachspezifischen Informationen, die aus der Arbeit der Data Stewards hervorgegangen sind. Letztere werden manuell aktualisiert und bringen so ihre eigenen Risiken auf Unternehmensebene mit sich.

Ein Berechtigungssystem ist daher von entscheidender Bedeutung, um die Zugriffsrechte der Benutzer des Data Catalogs zu definieren und zu priorisieren. Dieser Artikel beleuchtet die grundlegenden Merkmale und die möglichen Ansätze für den Aufbau eines effektiven Berechtigungssystems, und erläutert auch die im Zeenea Data Catalog implementierte Lösung.

Das Berechtigungssystem: ein unverzichtbares Werkzeug auf Unternehmensebene

Damit die Benutzer des Data Catalogs den Informationen vertrauen können, die sie sich ansehen, muss die Dokumentation der katalogisierten Objekte relevant, von hoher Qualität und vor allem zuverlässig sein. Ihre Nutzer müssen den ihnen zur Verfügung stehenden Datenbestand leicht finden, verstehen und nutzen können.

Herkunft der Kataloginformationen und Automatisierung

Ein Datenkatalog integriert in der Regel zwei verschiedene Arten von Informationen. Zum einen gibt es rein technische Informationen, die direkt aus der Datenquelle stammen. Bei Zeenea werden diese Informationen vollautomatisch und kontinuierlich zwischen dem Data Catalog und jeder Datenquelle synchronisiert, um die Richtigkeit und Aktualität der Daten zu gewährleisten. Zum anderen enthält der Katalog die gesamte fachspezifische oder organisatorische Dokumentation (überwiegender Anteil), die ihrerseits aus der Arbeit der Data Stewards hervorgegangen ist. Diese Informationen können nicht automatisiert werden und werden von den Datenmanagement-Teams des Unternehmens manuell aktualisiert

Das Berechtigungssystem als Voraussetzung für die Nutzung des Data Catalogs

Um diese zweite Datenkategorie verwalten zu können, muss der Katalog Kontrollmechanismen für die Eingabe enthalten. Es ist nämlich nicht wünschenswert, dass ein beliebiger Nutzer des Data Catalogs Ihres Unternehmens Informationen erstellen, bearbeiten, importieren, exportieren oder sogar löschen kann, ohne dass er zuvor die entsprechenden Berechtigungen erhalten hat. Ein System zur Verwaltung von Benutzerrechten ist daher eine unabdingbare Voraussetzung. Dieses System übernimmt die Rolle des Türstehers. Es legt die Zugriffsrechte der Nutzer fest.

Die drei grundlegenden Merkmale des Berechtigungssystems eines Data Catalogs

Die Einführung eines unternehmensweiten Berechtigungssystems ist mit vielen Erwartungen verbunden, die bereits bei der Konzeption berücksichtigt werden müssen. Wir haben uns für diesen Artikel drei wichtige grundlegende Merkmale eines Berechtigungssystems herausgepickt: seinen Grad an Granularität und Flexibilität, seine Lesbarkeit und Prüfbarkeit sowie seine einfache Verwaltung.

Granularität und Flexibilität

Zunächst muss ein Berechtigungssystem das richtige Maß an Granularität und Flexibilität aufweisen. Bestimmte Aktionen müssen im gesamten Katalog verfügbar sein, um seine Nutzung zu erleichtern. Andere Aktionen müssen auf bestimmte Teile des Katalogs beschränkt werden. Einige Benutzer haben globale Rechte, die sich auf alle Objekte im Katalog beziehen, andere sind darauf beschränkt, ausschließlich den ihnen zugewiesenen Umfang bearbeiten zu können. Das Berechtigungssystem muss also die gesamte Bandbreite von globalen Berechtigungen bis hin zu Berechtigungen für einzelne Objekte im Katalog ermöglichen.

Zeenea zum Beispiel hat Kunden aller Größenordnungen und mit einem sehr heterogenen Reifegrad in Bezug auf Data Governance-Themen. Einige sind Start-ups, andere sind große Unternehmen. Einige haben die Data Culture bereits fest in ihren Prozessen verankert, andere hingegen sind gerade erst dabei, eine Datenkultur aufzubauen. Das Berechtigungssystem muss daher flexibel genug sein, um sich an alle Arten von Unternehmen und Strukturen anzupassen.

Lesbarkeit und Prüfbarkeit

Zweitens muss ein Berechtigungssystem lesbar und leicht nachvollziehbar sein. Bei einem Audit oder einer Überprüfung der Systemberechtigungen muss ein Administrator, der ein Objekt untersucht, schnell erkennen können, wer in der Lage ist, das betroffene Objekt zu verändern. Umgekehrt muss ein Administrator, wenn er sich die Rechte eines Benutzers im Detail ansieht, schnell in der Lage sein, den ihm zugewiesenen Bereich und seine dort erlaubten Aktionen zu bestimmen.

So wird auf eine einfache Art und Weise sichergestellt, dass die richtigen Personen Zugriff auf die richtigen Bereiche haben und über die richtige Berechtigungsstufe in Bezug auf ihre Rolle im Unternehmen verfügen.

Waren Sie schon einmal mit einem so komplexen Berechtigungssystem konfrontiert, dass Sie unmöglich nachvollziehen konnten, warum ein bestimmter Benutzer eine bestimmte Information einsehen durfte? Oder warum er im Gegenzug nicht in der Lage war dies zu tun?

Einfache Verwaltung

Letztlich muss ein Berechtigungssystem belastbar sein, wenn der Umfang des Katalogs stetig zunimmt. Wir wissen heute, dass wir in einer Welt der Daten leben: 2,5 Exabyte an Daten wurden im Jahr 2020 Tag für Tag erzeugt, und für das Jahr 2025 gehen Schätzungen von 463 Exabyte täglich aus. Neue Projekte, neue Produkte, neue Verwendungszwecke: Unternehmen müssen sich täglich mit der Explosion ihres Datenbestands auseinandersetzen.

Um relevant zu bleiben, muss sich ein Data Catalog mit den Daten des Unternehmens weiterentwickeln. Das Berechtigungssystem muss angesichts von Änderungen des Inhalts oder der internen Mobilität von Mitarbeitenden unbedingt die notwendige Resilienz aufweisen.

Verschiedene Ansätze für die Gestaltung eines Berechtigungssystems für einen Datenkatalog

Es gibt verschiedene Ansätze für die Gestaltung des Berechtigungssystems eines Data Catalogs, welche die erwarteten und oben aufgeführten Hauptmerkmale mehr oder weniger gut erfüllen. Wir haben uns entschieden, drei davon in diesem Artikel näher zu erläutern.

Crowdsourcing

Zunächst der Crowdsourcing-Ansatz – man vertraut darauf, dass sich das Kollektiv selbst korrigiert. Einige wenige Administratoren können den Inhalt moderieren und alle Nutzer tragen zur Dokumentation bei. Ergänzend gibt es meist ein Auditsystem, um sicherzustellen, dass keine Informationen durch Fehler oder Böswilligkeit verloren gehen. In diesem Fall gibt es keine Vorabkontrolle, sondern eine kollektive Korrektur im Nachhinein. Ein derartiges System wird typischerweise von Online-Enzyklopädien wie Wikipedia gewählt. Diese Systeme sind auf die Anzahl der Autoren und Beitragenden und deren individuelles Wissen angewiesen, um gut zu funktionieren, da die Selbstkorrektur nur durch das Kollektiv wirksam werden kann.

Dieses System erfüllt perfekt das Bedürfnis nach Lesbarkeit: Da alle Nutzer die gleiche Berechtigungsstufe haben, gibt es keine offenen Fragen bezüglich der Zugriffsrechte der einzelnen Personen. Auch die Verwaltung ist denkbar einfach – jeder neue Benutzer hat die allen gemeinsame Berechtigungsstufe, und jedes neue Objekt im Data Catalog ist für alle zugänglich. Im Gegenzug gibt es keine Möglichkeit, die Granularität der Rechte zu verwalten. Jeder kann alles tun und alles sehen.

Dem einzelnen Nutzer zugeordnete Berechtigung

Ein zweiter Ansatz für die Gestaltung des Berechtigungssystems: Lösungen, bei denen der Umfang der Berechtigungen dem Profil des Nutzers zugeordnet ist. Wenn ein Benutzer im Data Catalog angelegt wird, weisen die Administratoren ihm einen Berechtigungsbereich zu, der die Ressourcen definiert, welche der Benutzer sehen und bearbeiten kann. In diesem Fall werden alle Kontrollen im Vorfeld durchgeführt und ein Benutzer kann nicht versehentlich Zugriff auf eine bestimmte Ressource erhalten. Nach diesem System arbeiten viele Betriebssysteme, wie z. B. Windows.

Dieses System hat den Vorteil, dass es sehr sicher ist. Es besteht kein Risiko, dass eine neue Ressource für Personen sichtbar ist oder bearbeitet werden kann, die nicht über die notwendige Berechtigung dafür verfügen. Dieses System erfüllt ebenfalls das Bedürfnis nach Lesbarkeit: Für jeden Nutzer sind alle für ihn zugänglichen Ressourcen einfach zu finden. Die erwartete Granularität ist ebenfalls gut, da es möglich ist, die Daten des Systems jeder Ressource einzeln zuzuweisen.

Im Gegenzug ist die Verwaltung komplexer: Jede neue Ressource, die zum Katalog hinzugefügt wird, muss auch zu den Berechtigungsbereichen der betroffenen Benutzer hinzugefügt werden. Diese Einschränkung kann durch das Erstellen von dynamischen Berechtigungsbereichen ausgeglichen werden. Dazu können Regeln definiert werden, die den Nutzern Ressourcen zuweisen, z. B. werden einem bestimmten Benutzer alle Dateien mit der Dateiendung .PDF zugänglich gemacht. Es können aber leicht widersprüchliche Regeln entstehen, die dann die Lesbarkeit des Systems erschweren.

Der jeweiligen Ressource zugeordnete Berechtigung

Der dritte große Ansatz zur Gestaltung des Berechtigungssystems eines Data Catalogs: Lösungen, bei denen die erlaubten Aktionen der zu ändernden Ressource zugeordnet werden. Für jede Ressource werden die möglichen Berechtigungen für den jeweiligen Benutzer festgelegt. Jede Ressource besitzt also eine eigene Liste mit Berechtigungen. Beim Betrachten der Ressource ist dann sofort ersichtlich, wer sie lesen oder bearbeiten kann. Nach diesem System arbeiten beispielsweise UNIX-Betriebssysteme.

Das Bedürfnis nach Lesbarkeit wird perfekt erfüllt: Ein Administrator sieht beim Betrachten der Ressource sofort die Rechte der verschiedenen Benutzer. Dasselbe gilt für die Granularität: Dieser Ansatz ermöglicht es, Rechte auf Makroebene durch ein Vererbungssystem oder auf mikroskopischer Ebene direkt an der Ressource zu vergeben. Was die Verwaltung betrifft, muss jeder neue Benutzer den verschiedenen Ressourcen zugeordnet werden, was potenziell mühsam ist. Es gibt jedoch Gruppensysteme, die diese Komplexität abmildern können.

Das Berechtigungsmodell des Zeenea Data Catalog: einfach, lesbar und flexibel

Von den vorgestellten Ansätzen wollen wir nun den von Zeenea gewählten Ansatz näher erläutern und beschreiben, wie er angewendet wird.

Wir haben uns für den Ansatz auf Ressourcenebene entschieden

Lassen Sie uns zunächst die verschiedenen Vor- und Nachteile der zuvor behandelten Ansätze noch einmal zusammenfassen. Die beiden Systeme mit ressourcen- oder benutzerbezogenen Berechtigungen kommen dem Bedarf nach Granularität angemessen nach – diese Systeme ermöglichen die Zuweisung von Rechten für jede einzelne Ressource. Beim Crowdsourcing hingegen lautet die Grundphilosophie, dass jeder auf alles zugreifen kann.

Die Lesbarkeit ist in Crowdsourcing-Systemen oder bei Systemen, in denen die Berechtigungen an die Ressource geknüpft sind, eindeutig einfacher nachzuvollziehen. In Systemen, in denen die Berechtigungen dem jeweiligen Benutzer zugeordnet sind, ist sie immer noch angemessen, aber oft auf Kosten einer einfachen Verwaltung.

Die Verwaltung ist bei einem Crowdsourcing-Ansatz sehr einfach und hängt davon ab, was man stärker verändern wird – die Ressource oder die Nutzer.

Da der Crowdsourcing-Ansatz die Anforderungen an die Granularität nicht erfüllt, haben wir ihn gestrichen. Somit blieben uns zwei Möglichkeiten: die der Ressource zugeordnete Berechtigung oder die dem Benutzer zugeordnete Berechtigung. Aufgrund der Tatsache, dass die Lesbarkeit bei der Ressource zugeordneten Berechtigungen etwas besser ist und da sich der Inhalt des Katalogs schneller ändern wird als die Anzahl der Nutzer, erschien uns die Option der dem Nutzer zugeordneten Berechtigungen als die am wenigsten sinnvolle.

Die Option, die wir bei Zeenea ausgewählt haben, ist daher die dritte: Die Berechtigungen werden der Ressourcen zugeordnet.

Die Funktionsweise des Berechtigungssystems des Zeenea Data Catalogs

Im Zeenea Data Catalog kann für jeden Benutzer festgelegt werden, ob er das Recht hat, Objekte aus dem gesamten Katalog, einen oder mehrere Objekttypen oder nur die Objekte in seinem Bereich zu lesen und zu bearbeiten. Dies ermöglicht maximale Granularität, aber auch globalere Rollen. Beispielsweise könnten „Super-Stewards“ die Berechtigung erhalten, ganze Teile des Katalogs, wie das Glossar, zu bearbeiten.

Anschließend wird jedem Katalogobjekt eine Liste von Verwahrern zugeordnet, d. h. die Personen, die für die Dokumentation dieses Objekts verantwortlich sind. So ist es mit einer einfachen Betrachtung der Details des Objekts möglich, sofort zu erkennen, an wen man sich wenden muss, um die Dokumentation zu korrigieren, zu vervollständigen oder eine Frage dazu zu stellen. Das System ist also lesbar und einfach verständlich. Die Aktionsbereiche der Benutzer werden mithilfe eines granularen Systems bis hin zum einzelnen Katalogobjekt genau bestimmt.

Wenn ein neuer Benutzer zum Katalog hinzugefügt wird, muss sein Aktionsbereich festgelegt werden. Aktuell erfolgt diese Konfiguration über eine Massenbearbeitung der Objekte. Um die Verwaltung weiter zu vereinfachen, wird es jedoch bald möglich sein, Gruppen von verantwortlichen Benutzern zu definieren, sodass ein neuer Mitarbeiters bei seinem Eintritt nicht mehr namentlich zu jedem Objekt in seinem Bereich hinzugefügt werden muss. Sie müssen ihn dann nur noch zur zuständigen Gruppe hinzufügen und der Bereich wird ihm automatisch zugewiesen.

Letztendlich haben wir uns auch bewusst dafür entschieden, keinen Workflow zur Validierung der Dokumentation im Katalog zu implementieren. Wir sind der Meinung, dass die Eigenverantwortung der Teams einer der Schlüssel zum Erfolg bei der Einführung eines Data Catalogs ist. Deshalb führen wir lediglich eine Kontrolle ein, welche die Rechte des Benutzers und seinen Bereich festlegt. Sobald diese beiden Elemente festgelegt wurden, können die Dokumentationsverantwortlichen frei handeln. Ein Ereignisprotokoll über alle Änderungen, um eine vollständige Überprüfbarkeit zu ermöglichen, sowie ein Diskussionssystem über die Objekte, mit dem alle Benutzer Weiterentwicklungen vorschlagen oder Fehler in der Dokumentation melden können, runden die verfügbaren Tools ab.

Wenn Sie mehr über unser Berechtigungsmodell erfahren oder weitere Informationen über den Data Catalog erhalten möchten:

Nachdem Zeenea zunächst als On-Premise-Lösung für den Data Catalog begonnen hatte, vollzog das Unternehmen die Umstellung auf eine vollständige SaaS-Lösung. Eineinhalb Jahre später wurden in den vergangenen sechs Monaten über dreihundert Production Releases durchgeführt, das sind im Durchschnitt fast drei pro Tag. Hier erläutern wir, warum wir diesen Wechsel durchgeführt haben, wie wir ihn organisatorisch umgesetzt haben und welchen Mehrwert dies für unsere Kunden bietet.

Die Anfänge von Zeenea: ein On-Premise Data Catalog

Bei seiner Gründung im Jahr 2017 war Zeenea eine On-Premise-Lösung, d. h. die Architektur war physisch bei unseren Unternehmenskunden verortet. Diese Entscheidung wurde aufgrund zweier zentraler Herausforderungen getroffen: Erstens muss die Sicherheit einer Lösung, die auf alle Datensysteme des Kunden zugreift, zwingend gewährleistet sein; und zweitens basierten die meisten IT-Systeme unserer Kunden auf On-Premise-Datenbankverwaltungssystemen, auf die außerhalb des internen Netzwerks dieser Unternehmen nicht zugegriffen werden konnte.

Dieser Ansatz bedeutete jedoch eine starke Einschränkung für die Expansion und Entwicklung von Zeenea. Der erste Grund dafür war, dass dieser Ansatz viel Kundensupport für die Einsätze erforderte. Und der zweite Grund war, dass bei verschiedenen Kunden mehrere Versionen gleichzeitig in Betrieb sein konnten. Außerdem war es kompliziert, dringende Korrekturen zu implementieren. Schließlich wurde der entwickelte Produktmehrwert beim Kunden erst verspätet aktualisiert.

Die strategische Umstellung auf einen Data Catalog, der zu 100 % SaaS-basiert arbeitet.

Angesichts dieser potenziellen Hemmnisse für die Entwicklung unseres Data Catalogs haben wir Ende 2019 als logische Konsequenz beschlossen, einen Wechsel zu einer vollständig SaaS-basierten Lösung zu vollziehen. Eineinhalb Jahre später haben wir in den vergangenen sechs Monaten über dreihundert Production Releases durchgeführt, das sind im Durchschnitt fast drei pro Tag. Wir sind wie folgt vorgegangen.

Zunächst haben wir auf das ursprüngliche Sicherheitsproblem reagiert. Wir haben die Sicherheit von Anfang an in unsere Cloud-Praktiken einbezogen und in diesem Sinne auch eine Sicherheitszertifizierung eingeleitet (SOC2 und in Kürze ISO27001).

Anschließend haben wir aus unserer Architektur den einzigen Baustein herausgenommen, der beim Kunden vor Ort bleiben musste: den Zeenea-Scanner. Aus technologischer Sicht bauten wir eine Multi-Tenant-SaaS-Architektur auf, indem wir unseren bestehenden Monolithen in mehrere Anwendungsbausteine aufteilten.

Die größte Herausforderung waren jedoch nicht die technischen, sondern die kulturellen und organisatorischen Aspekte …

Die Schlüssel zu unserem Erfolg: Organisation und Gewöhnung an das SaaS-Modell

Wir haben unsere SaaS-Kultur aufgebaut und gefestigt, hauptsächlich indem wir Mitarbeitende mit großer Erfahrung in diesem Bereich einstellten und den Wissensaustausch effektiv organisiert haben.

Um den kulturellen Aspekt zu verdeutlichen, unterscheiden wir z. B. zwischen abgeschlossenen und vollständigen Entwicklungen. Bei Zeenea gilt eine Entwicklung als abgeschlossen, wenn sie in die Codebasis integriert ist, keine bekannten Fehler oder Bugs aufweist und das Sicherheits- und Engineering-Niveau den von uns festgelegten Anforderungen entspricht. Eine Entwicklung gilt als vollständig, wenn sie unseren Kunden zur Verfügung gestellt werden kann, die entwickelten Funktionen also ein nutzbares und zusammenhängendes Ganzes bilden.

Um diese Unterscheidung zu unterstützen, haben wir einen Feature-Toggle-Mechanismus eingeführt, mit dem die Aktivierung vollständig entwickelter Funktionen verwaltet werden kann: Eine Entwicklung geht systematisch in Produktion, sobald sie fertiggestellt ist, und wird dann bei unseren Kunden aktiviert, sobald sie vollständig ist.

Auf der organisatorischen Seite haben wir Feature-Teams eingeführt: Jedes Team arbeitet an allen Komponenten einer bestimmten Funktion. Sobald eine Funktion vollständig ist, wird sie ausgeliefert. Andere Funktionen werden unvollständig geliefert und deaktiviert, sind aber abgeschlossen.

Das SaaS-Modell und sein Mehrwert für unsere Kunden

Die ersten, die einen Vorteil aus der Agilität des SaaS-Modells ziehen, sind natürlich die Zeenea-Kunden. Funktionen sind schneller verfügbar, d. h. sobald sie vollständig sind. Außerdem kann die Einführung einer neuen Funktion nach ihrem Wunsch innerhalb von zwei Monaten nach der Bereitstellung des Feature-Toggle erfolgen.

Dies ermöglicht eine einfache Integration in den Kundenkontext, da es insbesondere seine Benutzereinschränkungen berücksichtigt. Schließlich ermöglicht uns diese Möglichkeit der Funktionsaktivierung, Funktionen vorab vorzustellen und in einigen Fällen sogar Beta-Tests für unsere Kunden durchzuführen.

All dies verstärkt sich natürlich durch die traditionellen Vorteile einer SaaS-Lösung: automatische und häufige Updates von kleineren Weiterentwicklungen oder Korrekturen, Zugriff auf die Lösung von jedem Browser aus, keine Hardware-Infrastruktur bei unseren Kunden, was eine schnelle Skalierbarkeit ermöglicht usw.

Auch wenn der Weg zur Umstellung von einem On-Premise-Modell auf eine SaaS-Anwendung mit etlichen Hindernissen verbunden war, sind wir heute stolz darauf, dass wir die Herausforderung der (fast) kontinuierlichen Bereitstellung gemeistert haben und unseren Kunden jetzt einen deutlich höheren Mehrwert bieten können.

Schon seit einigen Jahren hören wir immer wieder den Begriff Knowledge Graph. Sei es beim personalisierten Einkaufserlebnis durch Online-Empfehlungen auf Websites wie Amazon, Zalando usw., oder auf unserer bevorzugten Suchmaschine Google.

Allerdings stellt dieses Konzept für die meisten Datenverantwortlichen wie auch bei vielen Datenanalysen nach wie vor eine Herausforderung dar, wenn versucht wird, die Assets zu aggregieren und zu verknüpfen, um wie die Internet-Riesen davon profitieren zu können.

Zur Untermauerung dieser Erkenntnis hat Gartner in seinem Artikel „How to Build Knowledge Graphs That Enable AI-Driven Enterprise Applications“ (Wie werden Knowledge Graphs erstellt, die KI-basierte Unternehmensanwendungen ermöglichen) erklärt, dass « Data and analytics leaders are encountering increased hype around knowledge graphs, but struggle to find meaningful use cases that can secure business buy-in ».

In diesem Artikel erläutern wir anhand eines Beispiels von Google das Konzept des Knowledge Graph. Anschließend nehmen wir sein in Datenkatalogen nutzbares Potenzial unter die Lupe.

Was ist ein Knowledge Graph genau?

Laut GitHub ist ein Knowledge Graph eine Art von Ontologie, die Kenntnisse in Bezug auf Einheiten und ihre gegenseitigen Beziehungen auf dynamische und automatisierte Weise beschreibt, im Gegensatz zu statischen Ontologien, die nur schwierig gepflegt werden können.

Hier folgen noch weitere von verschiedenen Fachleuten vorgeschlagene Definitionen von Knowledge Graph:

• Ein „Instrument zur Speicherung und Verwendung der Daten, sodass Personen und Maschinen die Verbindungen in Datensätzen besser nutzen können“. (Datanami)

• Eine „Datenbank, in der Informationen in einem grafischen Format gespeichert werden und die vor allem zur Erstellung einer grafischen Präsentation der Beziehungen zwischen sämtlichen Datenpunkten herangezogen werden kann“. (Forbes)

• „Lexika der semantischen Welt“. (Forbes)

Dank Machine-Learning-Algorithmen stellt ein Knowledge Graph eine Struktur für alle Ihre Daten bereit und macht es möglich, multilaterale Beziehungen in Ihren gesamten Datenquellen anzulegen.

Die Durchgängigkeit dieser Struktur erweitert sich schrittweise mit der Ergänzung neuer Daten, womit weitere Beziehungen geschaffen werden und zusätzlicher Kontext hinzugefügt wird. Das unterstützt Ihre Datenteams, Entscheidungen zu treffen, denen sonst vielleicht niemals gefundene Beziehungen zugrunde liegen.

Die Idee eines Knowledge Graph besteht darin, ein Objektnetz zu konstruieren bzw. – was noch wichtiger ist – semantische oder funktionelle Beziehungen zwischen verschiedenen Assets herzustellen.

In einem Datenkatalog stellt ein Knowledge Graph somit verschiedene Konzepte dar und verbindet die Objekte miteinander über semantische oder statische Beziehungen.

Beispiel Google

Der Algorithmus von Google greift auf dieses System zurück, um für Endnutzer relevante Informationen für die Suche einzuholen und bereitzustellen. Der Knowledge Graph von Google umfasst über 500 Millionen Objekte sowie mehr als 3,5 Mrd. Fakten zu verschiedenen Objekten und zu Beziehungen zwischen diesen Objekten.

Er verbessert Suchen über Google vor allem in dreifacher Hinsicht:

• Finden guter Ergebnisse: Eine Suche, die nicht nur auf Stichwörtern, sondern auch auf deren Bedeutung beruht.

• Bester Überblick: Einholung der relevantesten Informationen aus verschiedenen Quellen, je nach Absicht des Nutzers.
• Vertiefung und Erweiterung der Suche: Dank relevanter Vorschläge erfahren Sie mehr als erwartet.

Wie stärken Knowledge Graphs die Nutzung von Data Catalogs?

Anhand eines Data Catalogs können Knowledge Graphs Ihr Unternehmen in seiner Datenstrategie wie folgt unterstützen:

Umfassende und tiefgreifende Suchergebnisse

Heutzutage nutzen zahlreiche Suchmaschinen mehrere Knowledge Graphs, um eine Suche durchzuführen, die über Stichwörter hinausgeht. Mit Knowledge Graphs können Suchmaschinen Konzepte, Einheiten und die gegenseitigen Beziehungen verstehen. Daraus ergeben sich folgende Vorteile:

• Möglichkeit, tiefgreifendere und relevantere Ergebnisse zu liefern –einschließlich der Fakten und Beziehungen – anstelle einfacher Dokumente,

• Möglichkeit, Suchen in Form von Fragen oder Sätzen zu formulieren, anstatt einer Eingabe von Stichwörtern,

• Fähigkeit, komplexe Suchen zu verstehen, die sich auf Kenntnisse, wie sie in verschiedenen Elementen gefunden wurden, beziehen, indem die im Graph definierten Beziehungen genutzt werden.

Optimierung der Data Discovery

Unternehmensdaten können in Lichtgeschwindigkeit von einer Stelle zur anderen übertragen und in verschiedenen Datenquellen und Speicheranwendungen gespeichert werden. Mitarbeitern und Partnern ist es so möglich, jederzeit und überall auf die Daten zuzugreifen. Die Identifizierung, Lokalisierung und Klassifizierung Ihrer Daten zu ihrem Schutz und zur Informationsbeschaffung sollten daher eine Priorität darstellen!

Zu einigen der Vorteile von Knowledge Graphs für die Data Discovery zählen unter anderem:

• Ein besseres Verständnis der Unternehmensdaten – wo sie sich befinden, wer auf sie zugreifen kann und wie sie übertragen werden können,
• Automatische Klassifizierung der Daten je nach Kontext,
• Risikomanagement und Einhaltung der Regeln,
• Komplette Datentransparenz,
• Identifizierung, Klassifizierung und Überwachung sensibler Daten,
• Die Möglichkeit, Datenschutzkontrollen in Echtzeit auf der Grundlage vordefinierter Richtlinien und Kontextfaktoren anzuwenden,
• Korrekte Bewertung aller Daten.

Das hilft einerseits bei der Einführung geeigneter Sicherheitsmaßnahmen, um den Verlust sensibler Daten zu verhindern und verheerende finanzielle und rufschädigende Folgen für das Unternehmen abzuwenden. Andererseits haben Ihre Teams mithilfe von Data Discovery die Möglichkeit, den Kontext der Daten genauer zu erkunden, um spezifische Elemente zu identifizieren, die Antworten liefern sowie Möglichkeiten und Wege zu finden, Ihre Fragen zu beantworten.

Relevante Empfehlungen

Wie eingangs erwähnt, stellen Empfehlungen darüber hinaus ein vertrautes Angebot zahlreicher Online-Shops, persönlicher Assistenten und digitaler Plattformen dar.

Empfehlungen müssen sich auf den Inhalt stützen. In einem Data Catalog können die Machine-Learning-Funktionen in Kombination mit einem Knowledge Graph bestimmte Datentypen erkennen und Tags oder statistische Regeln auf die Daten anwenden, um effiziente, intelligente Informationsvorschläge zu liefern.

Diese Funktion heißt auch „data pattern recognition“ (Datenmusterkennung). Sie kann ähnliche Assets identifizieren wie auch auf statistische Algorithmen und ML-Funktionen zurückgreifen, die aus anderen Systemen stammen.

Dieses System der Datenmustererkennung hilft Datenverantwortlichen dabei, Metadaten zu verwalten, um:

• Datendubletten zu identifizieren und Metadaten zu kopieren,
• logische Daten zu erkennen (E-Mails, Ort, Adresse, usw.)
• Attributwerte vorzuschlagen (Erkennung von Dokumentationsmodelle zur Anwendung auf ein ähnliches oder neues Objekt),
• Verknüpfungen vorzuschlagen – semantische oder Lineage-Verknüpfungen,
• mögliche Fehler zu erkennen und um damit Qualität und Relevanz des Katalogs zu verbessern.

Die Idee besteht darin, bestimmte, aus Empfehlungen abgeleitete Techniken zu nutzen, die auf in Standard-Nutzungskatalogen enthaltenen Inhalten beruhen. Hat der Nutzer etwas gefunden hat, schlägt der Katalog auch Alternativen vor, die sowohl auf dem Nutzerprofil als auch der Mustererkennung beruhen.

Bestimmte Einsatzmöglichkeiten eines Data Catalogs mithilfe eines Knowledge Graph

• Erfassung der Assets, die für digitale Projekte herangezogen oder mit deren Scheitern verknüpft waren.
• Suche nach Assets von gemeinsamem Interesse für die Einführung neuer Produkte für die Marketing-Abteilung.
• Erstellung einer Rundum-Ansicht von Personen und Unternehmen für kommerzielle Zwecke.
• Abgleichen der Unternehmensanforderungen mit Personen und Projekten im HR-Bereich.
• Auffinden von Regelungen in Bezug auf spezifische Verträge und Investitionen in der Finanzabteilung.

Schlussfolgerung

Aufgrund des steten Zuwachses an Daten in Unternehmen würde eine strategielose Organisation der Informationen einen Verlust der Wettbewerbsfähigkeit und Relevanz im Zuge der Digitalisierung nach sich ziehen. Um diesen nachteiligen Effekt einer „Blackbox“ zu verhindern, ist es entscheidend, darauf zu achten, dass Ihr Data Catalog einen Knowledge Graph für Unternehmen enthält.

Mit einem Knowledge Graph in Kombination mit KI und Machine-Learning-Algorithmen werden Ihre Daten besser kontextualisiert. Damit können Sie nicht nur tiefgreifendere und feinere Daten erhalten, sondern auch langfristig intelligentere Entscheidungen treffen.

Für weitere Informationen zum Thema Knowledge Graph lesen Sie hier einen sehr interessanten Artikel des BARC-Analysten Timm Grosser: „Linked Data for Analytics?“

Starten Sie jetzt mit dem Zeenea Data Catalog

Zeenea ist eine zu 100 % cloudfähige Lösung, die mit wenigen Klicks weltweit verfügbar ist. Mit einer Entscheidung für den Zeenea Data Catalog bekommen Sie die Kosten, die für die Implementierung und Pflege eines Datenkatalogs entstehen, ganz leicht in den Griff und können gleichzeitig den Zugriff Ihrer Teams auf Ihre Daten vereinfachen.

Dank der automatischen Einspeisungsmechanismen wie auch der Algorithmen für Vorschläge und Korrekturen können die Gesamtkosten des Katalogs gesenkt und zugleich die Qualität der darin enthaltenen Informationen in Rekordzeit garantiert werden.

Der Begriff „Smart Data Catalog“ ist in den letzten Monaten schwer in Mode gekommen. Wenn davon die Rede ist, dass etwas „smart“ ist, denken die meisten Menschen automatisch und zu Recht an einen Datenkatalog, der Machine-Learning-Funktionen enthält.

Wir bei Zeenea sind nicht der Meinung, dass ein Smart Data Catalog nur aus ML-Funktionen besteht!

Tatsächlich gibt es verschiedene Möglichkeiten, „smart“ zu sein.

Dieser Artikel konzentriert sich auf den Vortrag, den Guillaume Bodet, Mitbegründer und CEO von Zeenea, auf dem Data Innovation Summit 2020 gehalten hat: „Smart data catalogs, a must-have for data leaders.“

Eine kurze Definition des Begriffs Data Catalog

Wir definieren einen Datenkatalog als:

Ein detailliertes Inventar aller Datenbestände einer Organisation und ihrer Metadaten, das Datenprofis dabei helfen soll, schnell die Informationen zu finden, die für den jeweiligen Geschäfts- und Analysezweck am besten geeignet sind.

Ein Data Catalog soll verschiedenen Personen oder Endnutzern dienen. All diese Endnutzer haben unterschiedliche Erwartungen, Bedürfnisse, Profile und verstehen Daten auf verschiedene Arten und Weisen. Diese Endnutzer sind Data Analysts, Data Stewards, Data Scientists, Business Analysts und viele andere. Da immer mehr Menschen Daten nutzen und mit ihnen arbeiten, muss ein Datenkatalog für alle Endnutzer „smart“ sein.

Was versteht man unter dem Begriff Data Assets?

Ein finanzieller Vermögenswert, erscheint in der Bilanz normalerweise mit einer Schätzung seines Wertes. Wenn man von Datenvermögen oder „Data Assets“ spricht, sind diese genauso wichtig oder in manchen Fällen sogar wichtiger als die anderen Vermögenswerte des Unternehmens. Das Problem ist, dass der Wert von Datenvermögen nicht immer bekannt ist.

Es gibt jedoch viele Möglichkeiten, den Wert Ihrer Daten zu nutzen. Unternehmen haben die Möglichkeit, den Wert ihrer Daten direkt zu nutzen, indem sie ihre Daten z. B. verkaufen oder austauschen. Viele Unternehmen tun dies. Sie bereinigen die Daten, strukturieren sie und verkaufen sie dann.

Unternehmen können den Wert ihrer Daten auch indirekt nutzen. Mithilfe von Data Assets können Unternehmen:

• Innovationen für neue Produkte/Dienstleistungen entwickeln
• Ihre Gesamtleistung verbessern
• Die Produktpositionierung verbessern
• Märkte/Kunden besser verstehen
• Die betriebliche Effizienz verbessern

Erfolgreiche Unternehmen sind diejenigen, die ihre Datenlandschaft beherrschen und ihre Daten für alle ihre Geschäftsbereiche nutzen.

Schwierigkeiten in Bezug auf Datenkataloge …

Wenn Ihr Unternehmen Tausende von Daten verarbeitet, bedeutet dies in der Regel, dass Sie mit folgenden Problemen konfrontiert werden:

• Hunderte von Systemen, die sowohl interne Daten (Data Warehouses, Anwendungen, Data Lakes, Datenbanken, APIs usw.) als auch externe Daten von Partnern speichern.
• Tausende von Datensätzen, Modellen und Visualisierungen (Data Assets), die aus Tausenden von Feldern bestehen.
• Und diese Felder enthalten Millionen von Attributen (oder Metadaten)!

Ganz zu schweigen von den Hunderten von Nutzern, die Ihre Daten verwenden.

Dies wirft zwei verschiedene Fragen auf: 

Wie kann ich Daten für bestimmte Anwendungsfälle schnell finden?

Die Antwort ist ein Smart Data Catalog!

Wir bei Zeenea sind der Meinung, dass es fünf wesentliche Bereiche der „Intelligenz“ eines Data Catalogs gibt. Folgende Aspekte müssen intelligent sein:

• Design: Die Art und Weise, wie die Nutzer den Katalog durchsuchen und Informationen konsumieren.
• Benutzererfahrung: Wie er sich an verschiedene Profile anpasst.
• Inventarisierung: Wie er eine intelligente und automatische Möglichkeit zur Inventarisierung bietet.
• Suchmaschine: Erfüllt unterschiedliche Erwartungen und liefert intelligente Vorschläge.
• Metadaten-Management: Ein Katalog, der Daten markiert und mithilfe von ML-Funktionen miteinander verknüpft.

Lassen Sie uns jeden dieser Bereiche im Detail betrachten.

Intelligentes Design

Ein Knowledge Graph

Ein Data Catalog mit intelligentem Design verwendet Knowledge Graphs anstelle von statischen Ontologien (eine Art, Informationen zu klassifizieren, die meist hierarchisch aufgebaut ist).  Das Problem mit Ontologien ist, dass sie sehr schwer zu erstellen und zu pflegen sind, und normalerweise verstehen nur bestimmte Arten von Profilen die verschiedenen Klassifizierungen wirklich.

Ein Knowledge Graph hingegen stellt die verschiedenen Konzepte eines Data Catalogs dar und verbindet die Objekte durch semantische oder statische Verknüpfungen miteinander. Die Idee eines Knowledge Graphs ist es, ein Netzwerk von Objekten aufzubauen und, was noch wichtiger ist, semantische oder funktionale Beziehungen zwischen den verschiedenen Assets in Ihrem Katalog herzustellen.

Grundsätzlich bietet ein intelligenter Data Catalog den Benutzern eine Möglichkeit, miteinander verbundene Objekte zu finden und zu verstehen.

Adaptive Metamodelle

In einem Data Catalog finden die Nutzer Hunderte verschiedener Properties, die für sie nicht immer relevant sein müssen. In der Regel werden zwei Arten von Informationen verwaltet:

1. Entitäten: einfache Objekte, Glossareinträge, Definitionen, Modelle, Beschreibungen usw.
2. Properties: Attribute, die Sie diesen Entitäten zuweisen (alle zusätzlichen Informationen wie das Erstellungsdatum, das Datum der letzten Aktualisierung usw.)

Das Design des Metamodells muss dem Datenkonsumenten dienen. Es muss für neue Wirtschaftlichkeitsanalysen geeignet sein und sollte so einfach zu handhaben sein, dass die Nutzer es pflegen und verstehen können. Es muss auch einen einfachen Weg bieten können, um neue Objekttypen und Attributmengen zu erstellen!

Semantische Attribute

In einem Data Catalog sind die Attribute des Metamodells meist technische Properties. Einige der Attribute eines Objekts umfassen allgemeine Typen wie Text, Zahl, Datum, Werteliste etc. Da es sich um notwendige Informationen handelt, sind sie nicht völlig ausreichend, da sie keine Informationen über die Semantik bzw. die Bedeutung enthalten. Dies ist deshalb wichtig, weil der Katalog mithilfe dieser Informationen die Visualisierung des Attributs anpassen und die Vorschläge für die Nutzer verbessern kann.

Zusammenfassend lässt sich sagen, dass es kein einheitliches Design eines Data Catalogs gibt, sondern dass er sich im Laufe der Zeit weiterentwickeln muss, um neue Datenentwicklungen und Anwendungsfälle zu unterstützen.

Intelligente Benutzererfahrung

Wie bereits erwähnt, enthält ein Data Catalog zahlreiche Informationen, und für die Endnutzer ist es oft schwierig, die für sie interessanten Informationen zu finden. Die Erwartungen unterscheiden sich je nach Profil! Ein Data Scientist erwartet statistische Informationen, während ein Compliance-Beauftragter Informationen zu verschiedenen Rechtsvorschriften erwartet.

Mit einer intelligenten und anpassungsfähigen User Experience wird ein Data Catalog die relevantesten Informationen für die jeweilige Endbenutzer darstellen. Die Informationshierarchie und die angepassten Suchergebnisse in einem intelligenten Data Catalog basieren auf:

• Statische Einstellungen: Informationen, die im Data Catalog bei der Konfiguration bereits bekannt sind. Er weiß, ob das Profil eher auf Datenwissenschaft, IT usw. ausgerichtet ist.
• Dynamic Profiling: Eine Technik, um herauszufinden, wonach der Endnutzer normalerweise sucht, welche Interessen er hat und wie er den Katalog in der Vergangenheit genutzt hat.

Ein intelligentes Inventarsystem

Die Einführung eines Datenkatalogs beruht auf Vertrauen – und Vertrauen kann nur entstehen, wenn sein Inhalt richtig ist. Da sich die Datenlandschaft schnell verändert, muss sie mit operativen Systemen verbunden sein, um die erste Informationsebene über die Metadaten Ihres Datenbestands aktuell zu halten.

Der Katalog muss seinen Inhalt mit dem aktuellen Inhalt der operativen Systeme synchronisieren.

Die typische Architektur eines Data Catalogs arbeitet mit Scannern, die Ihre operativen Systeme scannen und Informationen aus verschiedenen Quellen (Big Data, NoSQL, Cloud, Data Warehouse usw.) einbringen und synchronisieren. Die Idee ist der Aufbau einer universellen Konnektivität, damit Unternehmen jede Art von System automatisch scannen und in den Knowledge Graph einfügen können.

Bei Zeenea gibt es eine Automatisierungsebene, um die Informationen aus den Systemen in den Katalog zu bringen. Sie kann:

• Assets aktualisieren, um physische Veränderungen widerzuspiegeln
• Gelöschte oder verschobene Güter aufspüren
• Verbindungen zwischen Objekten auflösen
• Regeln anwenden, um den geeigneten Satz von Attributen auszuwählen und die Werte der Attribute zu definieren

Eine intelligente Suchmaschine

In einem Data Catalog ist die Suchmaschine eines der wichtigsten Merkmale. Man unterscheidet zwei Arten von Suchen:

• High-Intent-Suche: Der Endbenutzer weiß bereits, was er sucht, und verfügt über genaue Informationen zu seiner Suchanfrage. Entweder kennt er bereits den Namen des Datensatzes oder er weiß bereits, wo dieser sich befindet. High-Intent-Suchen werden häufig von Personen verwendet, die bereits über Kenntnisse der Unternehmensdaten verfügen.
• Low-Intent-Suche: Der Endbenutzer ist sich nicht ganz sicher, wonach er sucht, sondern möchte herausfinden, was er in seinem Kontext verwenden könnte. Die Suche erfolgt mithilfe von Keywords und die Nutzer erwarten, dass die relevantesten Ergebnisse angezeigt werden.

Ein intelligenter Datenkatalog muss beide Suchtypen unterstützen!

Er muss auch intelligente Filter zur Verfügung stellen. Dies ist eine notwendige Ergänzung der Sucherfahrung des Nutzers (insbesondere bei der Low-Intent-Suche), mit deren Hilfe der Benutzer seine Suchergebnisse durch Ausschluss irrelevanter Attribute eingrenzen kann. Wie bei vielen großen Unternehmen wie Google, Booking.com und Amazon müssen die Filteroptionen auf den Inhalt der Suche und das Profil des Nutzers abgestimmt sein, damit die relevantesten Ergebnisse angezeigt werden.

Intelligentes Metadaten-Management

Bei der intelligenten Metadatenverwaltung (auch als Smart Metadata Management bezeichnet) handelt es sich im Allgemeinen um den sogenannten „erweiterten Datenkatalog“, der Machine Learning nutzt, um bestimmte Datentypen zu erkennen, Tags hinzuzufügen oder statistische Regeln für die Daten zu erstellen.

Eine Möglichkeit, das Metadaten-Management intelligent zu gestalten, ist die Anwendung von Data Pattern Recognition. Die Data Pattern Recognition erkennt ähnliche Assets und stützt sich dabei auf statistische Algorithmen und ML-Funktionen, die von anderen Erkennungsmustern abgeleitet sind.

Ein derartiges System zur Erkennung von Datenmustern unterstützt die Data Stewards bei der Parametrisierung ihrer Metadaten:

• Duplikate identifizieren und Metadaten kopieren
• Logische Datentypen erkennen (E-Mails, Orte, Adressen usw.)
• Attributwerte vorschlagen (Dokumentationsvorlagen erkennen, die auf ein ähnliches Objekt oder ein neues Objekt angewendet werden sollen)
• Links und Verbindungen vorschlagen – semantisch oder Lineage
• Potenzielle Fehler aufspüren, um die Qualität und Relevanz des Katalogs zu verbessern

Außerdem hilft sie den Datennutzern, die gewünschten Informationen zu finden. Die Idee ist, bestimmte Techniken zu verwenden, die von Empfehlungen abgeleitet sind und auf dem Inhalt basieren, den man in den Katalogen für den allgemeinen Gebrauch findet. Wenn der Nutzer etwas gefunden hat, schlägt ihm der Katalog Alternativen vor, die sowohl auf seinem Profil als auch auf der Mustererkennung (Pattern Recognition) basieren.

Starten Sie mit dem Zeenea Data Catalog

Zeenea ist eine zu 100 % Cloud-basierte Lösung, die weltweit mit wenigen Klicks verfügbar ist. Wenn Sie sich für den Zeenea Data Catalog entscheiden, haben Sie die Kosten für die Implementierung und Wartung Ihres Data Catalogs jederzeit unter Kontrolle und können gleichzeitig den Zugang für Ihre Teams vereinfachen.

Automatische Einspeisemechanismen sowie Vorschlags- und Korrekturalgorithmen senken die Gesamtkosten des Katalogs und sorgen dafür, dass die Qualität der enthaltenen Informationen für Ihre Datenteams in Rekordzeit gewährleistet ist.