Datenmanagement – Der Schlüssel zur Digitalisierung

Datenmanagement zur Erhöhung des immateriellen Datenwertes, zur Verbesserung der Wettbewerbsfähigkeit und den lohnenden Einsatz von neuen Technologien.

Nach dem MIT Technology Review beherrschen Hochleistungsorganisationen Datenmanagement [1]. Qualitativ hochwertige Daten am richtigen Ort, zur richtigen Zeit und in der erforderlichen Form sind es, die Kundenbindung fördern, die Produktivität von Mitarbeitern verbessern und Abläufe optimieren. Darüber hinaus ist Datenmanagement der Schlüssel für Digitalisierung, künstliche Intelligenz, Internet of Things, Industrie 4.0 und Data Mining um Unternehmen in wettbewerbsfähige Hochleistungsorganisationen für die Zukunft zu verwandeln. Dabei ist die Datenqualität entscheidend, denn es gilt auch hier »Garbage in, Garbage out«.

Im Unternehmen und seinem Ecosystem existieren unterschiedliche Arten von Daten:

  • Allgemeine Stammdaten sind zustandsorientierte Daten, welche die Kernthemen eines Unternehmens beschreiben. Beispiele für Stammdatenobjekte sind Kunden, Lieferanten, Material, Stücklisten, Arbeitspläne, Produkte, Anlagegüter, Personal, Konten, etc.
  • Zu den allgemeinen Stammdaten gehören auch Organisationsdaten: zur Strukturierung von Unternehmen für
    vielseitige Zwecke (etwa Rechnungswesen) gehören die einzelnen Mandanten, Werke, Buchungskreise, Organisationseinheiten, Regionen, etc.
  • Jedes Stammdatenobjekt enthält verschiedene Attribute, dazu gehören Daten die längere Zeit konstant bleiben, Bewegungsdaten und spezielle Felder hinter denen Verfahren und Verweise auf Dateien abgebildet sein können.
  • Stammdaten enthalten zahlreiche Attribute. Dazu gehö-ren etwa im Kundenstammsatz die Kundennummer, der Kundenname, die Kundenadresse, Ansprechpartner, etc.
    Im Materialstammsatz sind es etwa der Materialname, die Materialnummer, die Materialbezeichnung, die Materialart, etc. Diese bleiben über eine längere Zeit konstant beziehungsweise verändern sich nicht.
  • Bewegungsdaten sind Daten wo eine »Bewegung« stattfindet, etwa Wareneingang, Warenausgang, Zahlungseingang, etc. Dazu fallen Belege an.
  • Bestandsdaten sind etwa der Materialbestand, der Geldbestand, der Personalbestand, etc.
  • Spezielle Felder eines Stammdatenobjekts enthalten:
    • Verfahren, etwa im Materialstammsatz ein Dispositionsverfahren oder ein Bestellverfahren. Diese Verfahren sind in Tabellen hinterlegt und lösen je nach ausgewählten Verfahren in der Tabelle bestimmte Prozesse oder Aktionen aus.
    • Felder zur Hinterlegung von Dateien, etwa in der Konstruktionsstückliste ein Link zu einer CAD-Datei.

Diese grundsätzliche Unterteilung der verschiedenen Datenarten zeigt die Komplexität und den Regelungsbedarf, der in nahezu jedem Stammdatenobjekt liegt.

Anzeige

Aber wie sieht die Praxis aus? 

Werden beispielsweise Geschäftsprozesse verbessert und neue IT-Anwendungen eingeführt, wird sehr häufig das Thema Datenmanagement nicht oder nur sehr rudimentär betrachtet. Die Konsequenz: nach einer gewissen Zeit bildet sich eine schlechte Datenqualität heraus. Daten fallen in den Geschäftsprozessen an. Was passiert nun, wenn für diese Daten keine Spielregeln für die Erfassung und Pflege existieren? Über den zeitlichen Verlauf entsteht eine schlechte Datenqualität.

Worin drückt sich nun mangelnde Datenqualität und mangelndes Datenmanagement in der Praxis aus?

Anzeige

Dazu nachfolgend wenige, jedoch häufig in der Praxis vorkommende Beispiele in den Geschäftsprozessen:

  • der Kunde erhält nicht aktuelle und inkonsistente Produktinformationen
  • schlechte Auswertungen mit qualitativ verbesserungsfähigen Daten
  • einzelne Mitarbeiter benötigen zu lange, um einen Report zu erstellen
  • Gefahr der Spionage, denn womöglich haben zu viele Mitarbeiter Zugriff auf sensible Daten
  • Diskussionen zwischen Mitarbeitern verschiedener Abteilungen über die Datengenauigkeit
  • Manuelle Doppelarbeiten

Mögliche Ursachen sind:

  • Aus der IT-Anwendungsarchitektur: etwa Kundendaten befinden sich in einer Vertriebsanwendung und in der Finanzbuchhaltungsanwendung. Hier können Datenredundanzen und daraus resultierend Dateninkonsistenzen vorliegen.
  • Zudem können zwischen IT-Anwendungen Medienbrüche bestehen und fehlende Schnittstellen, die zu manuellen Doppelarbeiten und unbeabsichtigten Eingabefehlern führen.
  • Manuelle Doppelarbeiten können also auch zu Dateninkonsistenzen führen. Darüber kann dann eine Unsicherheit bezüglich der Datenqualität bei den Nutzern entstehen.

Dies im Nachhinein zu bereinigen bedeutet einen höheren Zeitaufwand bei der Fehlerbehebung und Qualitätsverbesserung von Daten. Dies ist leider häufig in der Praxis vorzufinden. Es werden in der Praxis nachträglich Projekte zur Verbesserung der Datenqualität aufgesetzt, etwa um die Kundendatenqualität, Lieferantendatenqualität, Produktdatenqualität, etc. zu verbessern.

Darüber hinaus existieren nur teilweise oder rudimentär:

  • Eine organisatorische Integration des Datenmanagements im Unternehmen bestehend aus Rollen, Gremien, Prozesse, Templates und Software für das Datenmanagement.
  • Verständliche Richtlinien darüber, wer im Unternehmen auf welche Daten Zugriff hat, diese lesen, verändern, verteilen oder löschen darf.
  • Spielregeln für die Löschung von Daten unter Berücksichtigung der gesetzlichen und organisatorischen Anforderungen.
  • Für jede IT-Anwendung: Datenmodelle mit den Datenobjekten, den Attributen der Datenobjekte und den Beziehungen zwischen den Datenobjekten.
  • Datenrepositories, Übersichten über Daten und deren Attribute.
  • Die genauen Speicherorte der Daten (häufig bei virtuellen Systemen).
  • ein Softwaremodul für das Stammdatenmanagement.

Aber wie kann hier geholfen werden?

Natürlich muss frühestmöglich das Thema Datenmanagement bereits in der Entstehung oder Verbesserung eines Prozesses angegangen werden. Bereits im Projekt muss dies geregelt werden mit den dazugehörigen Datenmanagement-Prozessen, Rollen, Spielregeln und Templates.

Der Königsweg ist hier die Anwendung eines Referenzmodells.

Ähnlich wie für die IT-Prozesse und die IT-Organisation und deren Referenzmodelle (etwa ITIL, CobiT, etc.) gibt es ein Modell der Data Management Association International (»DAMA«). Die DAMA (www.dama.org) ist eine internationale, anbieterunabhängige Non-Profit-Organisation, die sich aus Fachexperten zusammensetzt und das Ziel verfolgt, Konzepte für das Daten- und Informationsmanagement (weiter) zu entwickeln. Die DAMA wurde 1980 in Los Angeles gegründet. Heute sind es über 40 »Chapter« in mehr als 15 Ländern mit über 5.000 Mitgliedern (https://dama.org/browse-chapters).

DAMA bietet Mitgliedschaften für Firmen und einzelne Mitglieder an, organisiert Seminare und Konferenzen, bietet ein Zertifizierungsprogramm an und darüber hinaus Bücher (siehe Literaturliste).

Die DAMA unterteilt das Daten- und Informationsmanagement in zehn Datenmanagement-Funktionen. Die Data Governance stellt die zentrale Wissensdomäne dar und verbindet die anderen neun Themen [2]:

  • Datenarchitekturverwaltung
  • Datenentwicklung
  • Data Operations Management
  • Datensicherheitsmanagement
  • Referenz- und Stammdatenverwaltung
  • Data Warehousing und Business Intelligence
  • Dokumenten- und Inhaltsverwaltung
  • Metadatenverwaltung
  • Datenqualitätsmanagement

Jede dieser zehn Funktionen ist nach einer einheitlichen Struktur beschrieben. Diese Struktur besteht aus einem Kontext-Diagramm. Ein Beispiel für ein Kontext-Diagramm ist in der Abbildung zur Funktion Datenqualitätsmanagement dargestellt.

 

Kontext Diagramm zur Funktion Datenqualitätsmanagement

 

Ein Kontext-Diagramm ist im DAMA-Guide für jede der zehn Funktionen spezifisch beschrieben und darüber hinaus zusätzliche Inhalte zur Organisation und Kultur, Aktivitäten, Deliverables, Rollen und Verantwortlichkeiten, Praxisbeispielen (auch wie man etwa den Wert einzelner Datenobjekte berechnen kann) und den Technologien. Die DAMA-Bücher sind für die Projektpraxis sehr nützlich.

Für die Anwendung in Projekten bedeutet dies, nicht sofort alle 10 Datenmanagement-Funktionen umzusetzen. Wichtig sind in einem ersten Schritt häufig zwei Funktionen:

  1. Eine Organisationsform um Datenmanagement im Unternehmen, etwa einer Abteilung in der Fachseite und zusätzlich Datenverantwortliche in den Geschäftsbereichen aufzubauen und
  2. anzufangen mit kleinen Projekten zur kontinuierlichen Verbesserung der Datenqualität für ausgewählte Datenobjekte (etwa Kunden und Lieferanten).

Inzwischen haben sich »Good Practices« bei führenden Unternehmen im Datenmanagement etabliert.

Diese sind:

  • Es gibt eine Data Governance, ein Modell zur organisatorischen Integration des Datenmanagements (etwa eine Datenmanagement-Abteilung oder ein Gremium für Datenmanagement) für die Geschäftsprozesse mit klaren Regeln wer Daten anlegt, ändern, verteilen, lesen darf und am Ende des Datenlebenszyklus löschen darf.
  • Das Datenmanagement ist in den Geschäftsprozessen aufgehangen. Die Datenqualität ist in der Verantwortung von Data Ownern, welche an die Geschäftsprozess-Owner berichten.
  • Es gibt für die »Datenverantwortlichen« Rollenbeschreibungen.
  • Sofern es sich um IT-Prozesse handelt, existieren ebenfalls Verantwortliche und Rollenbeschreibungen.
  • Es existieren Zielvereinbarungen für die verschiedenen Rollen in den Geschäftsbereichen und der IT-Organisation.
  • In allen IT-Einführungsprojekten in denen Geschäfts- oder IT-Prozesse tangiert werden wird der Datenmanagement-Prozess mit Verantwortlichkeiten, Rollen und Templates beschrieben.
  • Klare Regeln für den Umgang und die Pflege mit Daten, das heißt, wer darf anlegen, lesen, ändern, archivieren, löschen.
  • Gezielter Einsatz von Good-Practice-Standards, etwa DAMA, eClass, …
  • Für jedes Datenobjekt wird ein »Single Point of Truth (SPOC)« festgelegt.
  • Datenqualität: automatische Prüfungen von Regeln, um gleich bei der Dateneingabe Plausibilitätsprüfungen durchzuführen.
  • Es existiert eine »4-Augen-Regel« für die Freigabe eines einzelnen Stammdatensatzes.
  • Es sind Datenklassifikationen eingeführt, etwa Materialklassifikation, Equipment-Klassifikation, etc.
  • Es sind spezielle Softwarepakete für das Stammdatenmanagement eingeführt.

Prof. Martin Bernhard ist Geschäftsführer der ECG Management & Advisory Services und Gastprofessor für Additive Fertigung an der Staatlichen Universität von Montes Claros in Brasilien und Gastdozent an der Hoch­schule für Recht und Wirtschaft in Berlin. Darüber hinaus ist er Management-Berater für Technologiethemen wie Additive Fertigung, Robotik, Künstliche Intelligenz, Digitalisierung und für IT-Management-Themen.

 

 [1] MIT Technology Review, Februar 2020
[2] http://en.dwhwiki.info/concepts/meetings/data-management-association

 

Literatur von der DAMA:
DAMA DMBok (Buch u. CD) – 2017, 2te Ausgabe
ISBN-13:978-1634622349 – Taschenbuch:626 Seiten
Verlag: Technics Publications; Auflage: 2 (29. Juni 2017)
https://technicspub.com/dmbok/
DAMA Dictionary of Terms
https://technicspub.com/dmbok/
The DAMA Guide to the Data Management Body of Knowledge
(DAMA-DMBok Guide) – 2009, 1te Ausgabe, 430 Seiten
http://www.damafoundation.org/

 

Illustration: © Login/shutterstock.com

 

621 Artikel zu „Datenmanagement“

Interoperabilität – der Schlüssel zu effizientem Datenmanagement in Healthcare und Medtech: Datensilos aufbrechen

Sammeln, sichern und analysieren: Der optimale Umgang mit einer immensen Flut von Daten stellt die Gesundheitsversorgung in Zeiten bekannter Volkskrankheiten sowie neuartiger Infektionswellen vor große Herausforderungen. Worauf es insbesondere ankommt, ist eine digitale Strategie für das Management medizinischer Daten. Dabei gilt es nicht zuletzt, eine Lösung zu finden, wie sich Datensilos für eine reibungslose, vernetzte Zusammenarbeit von Systemen in der Gesundheitsversorgung erschließen lassen. Ein Überblick verdeutlicht das enorme Potenzial einer interoperablen Datenplattform.

Datenmanagement: Gastronomisches Erfolgskonzept

Der private Gastronomiegroßhändler in Österreich automatisiert sein Datenmanagement mit der EDI-Software der Lobster GmbH. »Bei Eurogast bekommen Sie alles, was Sie in Ihrem Betrieb brauchen!« Dieses Versprechen gibt das Unternehmen seinen Kunden. Damit die mehr als 45.000 Gastronomie- und Hotellerie-Betriebe sowie Großverbraucher in Österreich beliefert werden können, stellt sich die Eurogast-Gruppe flexibel auf die verschiedenen…

Defizite bei Datenmanagementsystemen: Legacy-Technologie bremst das Business aus

  Bei aller Rede von datengetriebenen Entscheidungen wird eines oft vernachlässigt: die Sicherstellung, dass die Daten tatsächlich »fahrbereit« sind. Zu viele Unternehmen klammern sich nach Erfahrung von Rubrik weiterhin an ihre alten IT-Systeme, auch wenn diese nicht mehr zum Geschäft passen. Veraltete Datenmanagementlösungen erfordern, dass IT-Teams wertvolle Zeit für die Wartung und Fehlerbehebung aufwenden müssen…

Die 7 Sünden des Produktdaten-Managements: Wie sich mangelndes Produktdatenmanagement auf die Customer Experience auswirkt

Produktdaten-Management ist für viele Unternehmen ein heikles Thema. Diverse Herausforderungen wie fehlende Standards oder veraltete Technologien erschweren es ihnen, Produktdaten sauber und fehlerfrei aufzubereiten und auszuspielen. Das kostet Umsatz, denn umfangreiche, strukturierte Daten sind eine Grundvoraussetzung für den Erfolg in der kundenzentrierten Produktkommunikation auf unterschiedlichen Touchpoints . Ein Tool wie ein PIM bringt Transparenz in…

Grüne Energiebilanz: Mit neuem Datenmanagement zu mehr Nachhaltigkeit

Die Liberalisierung des Strommarktes bereitete das Feld für LichtBlick SE, 1998 als Ökostrompionier durchzustarten und die Energiewende voranzutreiben. Mittlerweile gilt das Unternehmen als Marktführer für Ökostrom, der 600.000 Haushalte (über eine Million Verbraucher) versorgt. Mehr als 500 Mitarbeiter sorgen dafür, dass E-Mobilität, intelligente Energieprodukte und vernetzte, digitale Lösungen Synergien und Mehrwert schaffen und grüne Energie…

Best-of-Suite oder Best-of-Breed? Lösungen im Datenmanagement

Bei der Implementierung externer Dienstleistungen stehen Unternehmen nicht selten vor der Frage, ob sie ihre Software und Technologien von einem Anbieter beziehen oder verschiedene Experten zu Rate ziehen. Best-of-Suite meint alle Anwendungen aus einer Hand zu nutzen, also quasi eine All-in-One-Lösung, Best-of-Breed bedeutet für jede individuelle Leistung das Beste auf dem Markt zu verwenden. Unternehmen…

Effizientes Datenmanagement im Sport – Profiteams setzen vermehrt auf Cloud Data Management

Profisport ist ein großes Geschäft. Da die Teams auf der Suche nach einem Vorsprung sowohl auf dem Feld als auch außerhalb des Feldes sind, nutzen viele Vereine den technologischen Fortschritt und Big Data, um Spielern und Fans das bestmögliche Spielerlebnis zu bieten. Die Daten werden nicht nur verwendet, um Strategien für den Gewinn von Meisterschaften…

Datenmanagement in Multi-Cloud-Umgebungen: Unternehmensdaten unter Kontrolle

Der Schutz und die Integrität seiner Daten hat für ein Unternehmen höchste Priorität. Das gilt auch dann, wenn solche Informationen auf mehreren Public-Cloud-Plattformen gespeichert werden. Wer die volle Kontrolle über solche Daten behalten möchte, benötigt eine Lösung, die Multi-Cloud-Services mit einem effektiven Datenmanagement verbindet. Cloud Computing – ja gerne. Aber geschäftskritische Daten sollten dennoch unter…

Schwächen beim Datenmanagement kosten Unternehmen zwei Millionen Euro jährlich

Mitarbeiter in Deutschland vertrödeln im Schnitt täglich zwei Stunden mit der Suche nach Daten. Im Gegensatz dazu, wenn Mitarbeiter schnell und effektiv mit Wunderino bonus auf Daten zugreifen können, erzielen sie mehr Erkenntnisse und treffen bessere, besser informierte Entscheidungen. Unternehmen wollen in der digitalen Wirtschaft wettbewerbsfähiger agieren, scheitern jedoch schon daran, ihre Daten effektiv zu…

Digitale Gesundheitsversorgung erfordert durchgängiges Datenmanagement

Ob Budgetrestriktionen, politische Entwicklungen oder Personalengpässe – über die akuten und chronischen Herausforderungen für die Gesundheitseinrichtungen wurde und wird aktuell viel kritisch berichtet. Während diese Fragen natürlich wichtig sind, erscheint die Aufmerksamkeit, die den möglichen Lösungen für diese Herausforderungen gewidmet wird, wesentlich geringer zu sein. Markus Grau, Principal Systems Engineering bei Pure Storage erläutert, welch…

Datenmanagement: Schutz und Sicherheit im Rechenzentrum

Egal ob infolge von Hardware- oder Softwarefehlern, menschlichem Versagen oder einem Viren- oder Hackerangriff, die Gründe für einen möglichen Datenverlust in Unternehmen sind vielfältig. Doch noch immer realisieren viele nicht die Gefahr eines Datenausfalls oder -verlustes. Der IT-Sicherheitsspezialist Datarecovery aus Leipzig hat Ende 2018 in einer Studie herausgefunden, dass 29 Prozent der Unternehmen ihre Daten…

Cloud Data Management in 2019 – das Jahr der Datenmanagement-Revolution

Daten stehen im Mittelpunkt der digitalen Transformation, die in 2019 an Geschwindigkeit zulegen wird. Davon ist Rubrik, Experten für Cloud Data Management, überzeugt. Unternehmen bewegen sich von monolithischen Legacy-Infrastrukturen hin zu modernen verteilten hybriden Cloud-Infrastrukturen. Dies bedeutet, dass der Schutz und die Verwaltung von Daten einen Wandel und eine Weiterentwicklung durchlaufen müssen. Dies beinhaltet vielerorts…

Datenmanagement – Wertbeitrag muss herausgearbeitet werden

Daten und Datenmanagement sind für viele Menschen ein sehr abstraktes Thema. Daten lassen sich nicht anfassen. Die Kosten schlechter Datenqualität sind in den seltensten Fällen offensichtlich. Eine Kostenstelle für schlechte Datenqualität gibt es nicht. Aber: Auch wenn die Kosten schlechter Datenqualität meist nicht sichtbar sind, so sind sie doch immer signifikant.

Datenmanagement als Wettbewerbsvorteil: Wie Banken den Fintechs die Stirn bieten können

Kaum eine Branche ist so stark von der Digitalisierung betroffen wie der Finanzsektor. Innovative Fintechs wie N26, Clark und Lendstar krempeln mit ihren digitalen Geschäftsmodellen den Markt um. Sie bieten Dienstleistungen, die genau auf die Bedürfnisse der Kunden zugeschnitten sind, und überzeugen mit nutzerfreundlichen Apps. Kunden können damit ihre Geldgeschäfte zu jeder Zeit bequem online…

Datenmanagement: Das Glück kurzer Reaktionszeiten

Ein neuer Ansatz für flexibles Datenmanagement ist gefragt. Unternehmen müssen heute kundenorientiert arbeiten und in der Lage sein, Innovationen schnell auf den Markt zu bringen. Dabei müssen Applikationen hohe Ansprüche an Verfügbarkeit und Performance erfüllen. Ausfallzeiten kann sich niemand leisten, denn die Kundenerwartungen sind hoch. All das erfordert eine flexible, skalierbare IT-Umgebung. Um den unterschiedlichen,…

Infrastruktur für das Datenmanagement modernisieren –Tipps zum Umstieg beim Lebenszyklusende

Jedes Unternehmen, das eine eigene Dateninfrastruktur betreibt, muss sich mit dem Ende von Produktlebenszyklen auseinandersetzen. So sind Systeme für Backup-, Wiederherstellungs- und Archivierungsprozesse, die seit vielen Jahren ihren Dienst verrichten, irgendwann veraltet. Wie der Übergang in eine neue Infrastruktur gestaltet werden kann, erklärt Rubrik.   »End of Life« oder kurz EOL ist sowohl ein objektiver…

Unerkannte Lücken beim Energiedatenmanagement können zu Fehlentscheidungen bei Investitionen führen

Finanzielles Risiko: Messaufnehmer und Auswertungssoftware müssen optimal aufeinander abgestimmt sein.   Viele Unternehmen – in Deutschland waren es im Jahr 2015 nach Angaben der International Organization for Standardization (ISO) 6.390 Betriebe – haben bereits ein Energie-Audit durchgeführt und sich für die ISO-Energiemanagement-Norm 50001 zertifizieren lassen. Damit können sie Steuern sparen und vermitteln dem Verbraucher, dass…