Datenmanagement als Erfolgsfaktor

Der Weg zum datengetriebenen Unternehmen: Herausforderungen und Best Practices

Inge Hanschke

© Shutterstock / Jesus Sanz

Die Digitalisierung verändert die Unternehmen und die Gesellschaft von innen heraus und hat großen Einfluss auf Geschäftsmodelle. Die Fähigkeit, aus vorhandenen Daten Mehrwert zu ziehen, wird zum Wettbewerbsfaktor. Unzureichendes Datenmanagement ist gleichzeitig ein Risiko in der Informationssicherheit. Die erforderliche Transformation zum datengetriebenen Unternehmen stellt hohe Anforderungen an Unternehmen. Es hilft, Best Practices für die erfolgreiche Einführung zu folgen.

Digitale Technologien durchdringen immer mehr Lebensbereiche und verändern so bestehende Produkte, Wertschöpfungsketten und etablierte Geschäftsmodelle eines jeden Unternehmens. Das erfordert radikale Innovationen. Innovative maßgeschneiderte Produkte und Time to Market entscheiden über die Wettbewerbsfähigkeit des Unternehmens. Renommierte Unternehmen in allen Branchen werden quasi über Nacht von neuen Wettbewerbern herausgefordert. So haben Gebrauchtwagenplattformen den Gebrauchtwagenmarkt über klassische Inserate. Jeder kann sich einfach und schnell über den erzielbaren Preis für sein Wunschauto informieren. Über Vergleichsplattformen lassen sich auch Strom- oder Gasanbieter leicht vergleichen. Diese Plattformen bieten zudem Services für einen einfachen und schnellen Wechsel. In anderen Branchen werden z. B. Dienstleistungen anstelle konkreter Produkte vertrieben, da nur noch über eine Rundum-sorglos-Leistung eine Differenzierung möglich ist.

Schnell entscheidungsfähig zu sein und eine agile zeitgerechte Umsetzung sind erfolgsentscheidend. Das Datenmanagement wird hier zunehmend zum Erfolgsfaktor, um neue Produkte und Dienstleistungen maßgeschneidert auf die Kundenanforderungen und das Leistungsvermögen des Unternehmens zu konzipieren und bereitzustellen. Die Fähigkeit, aus den vorhandenen Daten Mehrwert zu ziehen, ist entscheidend. Massendaten aus Messdaten, Kommunikationsdaten, Echtzeitdaten von Sensoren aus dem Internet of Things, Analyse- und Monitoringdaten, operativen IT-Systemen, Datawarehouse-Lösungen oder anderen Quellen wie das Internet und von Geschäftspartnern stehen zur Verfügung. Aus den Daten müssen die richtigen Rückschlüsse gezogen, Innovationen gestartet und gleichzeitig die Wertschöpfungskette optimiert werden. Erkenntnisse und Entscheidungen, die sich aus Informationen und den hierzu genutzten Daten erzeugen lassen, sind ein Wettbewerbsvorteil. So ist die Analyse des Kundennutzungsverhaltens maßgeblich für die Weiterentwicklung neuer Produkte.

W-JAX
Mike Wiesner

Data- und Event-driven Microservices mit Apache Kafka

mit Mike Wiesner (MHP – A Porsche Company)

Software Architecture Summit 2017
Dr. Carola Lilienthal

The Core of Domain-Driven Design

mit Dr. Carola Lilienthal (Workplace Solutions)

Sascha Möllering

Reaktive Architekturen mit Microservices

mit Sascha Möllering (Amazon Web Services Germany)

Diskrepanz zwischen Wunsch und Wirklichkeit

Immer mehr Unternehmen haben zwar die Bedeutung des Datenmanagements erkannt. Es besteht aber eine große Diskrepanz zwischen Anspruch und Wirklichkeit. Nicht immer sind die Datenverwendung und der Informationsfluss zwischen Applikationen klar. Durch Datenredundanzen und Inkonsistenzen entstehen hohe Aufwände, z. B. für Datenkonsolidierung. Zudem entstehen Informationssicherheitsrisiken. Gerade in der schnelllebigen Zeit der Digitalisierung mit permanenten Produktinnovationen entstehen schnell weitere Insellösungen, die im Nachhinein mit den zentralen Systemen zu integrieren sind und aktiv gemanagt werden müssen.

So steigen die Komplexität der IT-Landschaft und auch das Risiko in der Informationssicherheit. Ein Beispiel sind Services in der Cloud, die einfach und auch vom Fachbereich ohne Mitwirkung und lästige Abstimmung mit der IT genutzt werden können. Nicht selten werden dabei unternehmenskritische Daten veröffentlicht, ohne dass die Auswirkungen transparent sind. Oder aber es werden Insellösungen aufgebaut, die nachträglich von der IT mit großem Aufwand mit anderen Systemen zu integrieren sind, da die Lösungen nicht ohne Daten aus anderen Systemen arbeitsfähig sind. Eine Cloud-Strategie fehlt häufig, und so stellt eine hybride IT-Umgebung mit Cloud und On-Premises die Unternehmen vor ganz neue Herausforderungen.

Herausforderung Datenmanagement

Das Datenmanagement zielt darauf ab, eine konsistente 360-Grad-Sicht über alle Bereiche des Unternehmens bereitzustellen, um Mehrwert für Vertriebs- und Marketingaktionen zu generieren, maßgeschneiderte Produkte und Services mit Kundenwert bereitzustellen, den Geschäftsbetrieb abzusichern und zu optimieren sowie die Auswirkungen von Veränderungen transparent zu machen. Hierzu müssen an jeder Stelle im Unternehmen alle relevanten Informationen zum richtigen Zeitpunkt, am richtigen Ort und in der für den Verwendungszweck erforderlichen Qualität zur Verfügung stehen.

Das Datenmanagement umfasst die Menge aller organisatorischen, methodischen, konzeptionellen, technischen Maßnahmen und Verfahren, die auf einen nachhaltigen Unternehmenserfolg abzielen. Hierzu sind die richtigen Daten zum richtigen Zeitpunkt für die Geschäftsprozesse bereitzustellen, die optimale Nutzung der Daten zu gewährleisten und eine angemessene Datenqualität und Informationssicherheit sicherzustellen.

Lesen Sie auch: Die Top-Datenbanken 2017: Trends für SQL, NoSQL, Big Data, Fast Data

Für einen nachhaltigen Unternehmenserfolg ist eine möglichst positive Customer Experience, die Summe der Erfahrungen eines Kunden mit dem Unternehmen, immanent wichtig. Zufriedene Kunden führen zu einer größeren Verbreitung der Produkte und Dienstleistungen des Unternehmens. Sie sind erfolgsentscheidend, um dauerhaft als Marke und Unternehmen erfolgreich zu sein. Hierzu muss das Unternehmen seine Kunden, deren Bedürfnisse und deren Feedback zu Produkten und Dienstleistungen des Unternehmens kennen. Daten aus den unterschiedlichen Quellen müssen analysiert und als Input für die Weiterentwicklung des Geschäftsmodells genutzt werden. Beispiele für Daten sind hierbei das Klickverhalten auf Internetseiten, Analyse aller Daten zum Kunden von Akquise- bis Beschwerdeinformationen oder direktes Feedback zu Produkten, die z. B. über Lean-Start-up-Techniken schnell dem Kunden zur Verfügung gestellt werden [1].

Diese 360-Grad-Sicht auf den Kunden muss neben innovativen Ideen in die Gestaltung neuer Produkte und Dienstleistungen einfließen, um den Kunden Mehrwert zu liefern. Gleichzeitig muss aber das Business Outcome ganzheitlich betrachtet werden. Dies schließt Effizienz und damit wirtschaftliche Aspekte ebenso wie die Gewährleistung eines sicheren und zuverlässigen Geschäftsbetriebs sowie eine nachhaltige Daten- und Servicequalität mit ein (Abb. 1). Für die Umsetzung sind angemessene Methoden und Technologien und eine schlanke handhabbare Daten-Governance erfolgsentscheidend.

Abb. 1: Die verschiedenen Aspekte des Datenmanagements muss eine handhabbare Daten-Governance unter einen Hut kriegen

Von besonderer Bedeutung sind eine klare Datenstrategie und Prinzipien als Leitplanken und Orientierungshilfe für Projekte und den laufenden Geschäftsbetrieb. Beispiele hierfür sind klare Verantwortlichkeit für Kennzahlen sowie Stamm- und Bewegungsdaten oder die fachliche Clusterung von Data Warehouses (DWH). Jeder Mitarbeiter muss sich angesprochen und zuständig fühlen.

Toolstandards für alle Bereiche des Datenmanagements, wie Reporting, DWH, ETL (Prozess für die Extraktion, Transformation und Laden von Daten) und Big Data, geben gepaart mit Referenzarchitekturen weitere Leitplanken vor und helfen, die Komplexität und Kosten zu reduzieren sowie die Qualität durch professionalisierte Teams zu erhöhen.

Für die Planung und Steuerung des Datenmanagements ist eine Übersicht essenziell, die z. B. über ein fachliches Objektmodell [2] und grobgranulare Kerngeschäftsobjekte erzeugt werden kann. Zudem ist Transparenz über die Datenverwendung in Applikationen und in Geschäftsprozessen wichtig, um Abhängigkeiten und Auswirkungen von Veränderungen zu erfassen.

Um Datenmanagement in der Organisation zu verankern, ist eine adäquate handhabbare Daten-Governance unabdingbar. Ausgangspunkt hierfür ist eine realistische Einschätzung der aktuellen Ausgangslage. Hierfür ist eine Reifegradanalyse durchzuführen. In Abbildung 2 sind die betrachteten Dimensionen des Lean42-Datenmanagement-Reifegrad-Modells abgebildet. Eine realistische Einschätzung des Reifegrads ist essenziell, um adäquate Rollen und Datenmanagementprozesse festzulegen. Durch die Verankerung der Datenmanagementprozesse in der Organisation [3] bekommen Unternehmen das Datenmanagement gepaart mit einem gesteuerten Veränderungsprozess ihrer Kultur in Richtung einer offenen Leistungs- und Fehlerkultur zum Fliegen.

Abb. 2: Für die Reifegradanalyse nützlich: das Lean42-Datenmanagement Reifegradmodell

Best Practices für Datenmanagement

Datenmanagement ist ein wesentliches Instrument für die nachhaltige Steigerung des Unternehmenserfolgs, da nur so die relevanten Informationen zum richtigen Zeitpunkt für Entscheidungen, Planungen und den Geschäftsbetrieb zur Verfügung stehen. Für alle Ebenen des Datenmanagements (Abb. 3) müssen Methoden und Technologien bereitgestellt werden:

  • Ebene Quellsysteme (OLTP-Systeme): Festlegung der Verwendung und Masterschaften (führende Systeme) für Geschäftsobjekte
  • Datenversorgung: Sichere und qualitativ hochwertige Datenlogistik mit ETL- und Qualitätsservices inklusive der Anreicherung von Daten sowie Master- und Metadatenmanagement
  • Business-Intelligence-Datenhaltung: Definiertes semantisches Modell mit u. a. historischer Betrachtung sowie transparenter Herleitung von KPIs und BI-Referenzarchitektur
  • Informationsservices: 360-Grad-Sicht und maßgeschneiderte Sichten zugeschnitten auf die individuellen Bedürfnisse bereitstellen. Hierzu werden aufbereitete Daten auf der Basis eines definierten semantischen Modells und Endbenutzerwerkzeuge und Tools für Reporting, Dashboards, Decision-Support, Interactive Analysis, OLAP Analysis und Data Exploration sowie Big-Data-Tools genutzt.

Abb. 3: Für alle Ebenen des Datenmanagements müssen Methoden und Technologien definiert werden

Methoden und Technologien für das Datenmanagement

  • Datenstrategie und Prinzipien als Leitplanke und Orientierungshilfe
  • Toolstandards und Referenzarchitekturen
  • Die richtige Granularität für jede Planungsebene
  • Transparenz über die Datenverwendung (die Datenlandkarte)

Daten-Governance

  • Reifegradanalyse als objektiver Ausgangspunkt
  • Klare Rollen, Verantwortlichkeiten und Prozesse
  • Organisatorische Verankerung der Datenmanagementprozesse in den Entscheidungs-, Planungs- und Durchführungsprozessen
  • Offene Leistungs- und Fehlerkultur als Grundlage für die kontinuierliche Verbesserung

So liefert Datenmanagement sowohl Transparenz im Geschäftsbetrieb als auch tiefe Einblicke in die für Entscheidungen relevanten Fragestellungen. Wichtig sind hierbei:

  • Einfache und flexible sowie für Endanwender geeignete Aufbereitungsmöglichkeiten von Analyseergebnissen
  • Einfacher Zugriff auf traditionelle und neue Datenquellen aus dem Unternehmen oder von Geschäftspartnern sowie Daten in Echtzeit, während der Kunde mit dem Unternehmen interagiert
  • Unterstützung der Data-Analytiker (häufig Data Scientists genannt) durch fortgeschrittene Analysemethoden, z. B. im Big-Data-Umfeld oder Prognoseverfahren
  • Big oder Smart Data, um z. B. auf den Kunden oder Produkte bezogene Daten zu identifizieren, zu interpretieren und zu nutzen
  • Hohe Datenqualität in den Quellsystemen und hierfür systematische Methoden für die Datenbereinigung und Qualitätssteigerung. Die Datenbereinigung beginnt dabei mit dem Verstehen der Daten.
  • Übergreifendes semantisches Modell für Konsistenz und Transparenz zur Beantwortung von Fragen wie „Woher stammen die Daten?“, „Welche Qualität haben sie?“, „Was für Daten wurden genutzt, und wo sonst wurden sie noch verwendet?“, „Wie wurden die Daten transformiert?“ und „Welche Berichte oder Informationsservices nutzen diese Daten?“.

So können z. B. Marketing- und Werbekampagnen perfekt auf die Zielgruppe zugeschnitten und damit ein besseres Business Outcome liefern oder teure Entwicklungen in die falsche Richtung vermieden werden. Saubere Daten sind die Erfolgsgrundlage.

Transparenz über die Datenverwendung ist wiederum die Voraussetzung für das Aufräumen. Diese Transparenz ist daher häufig ein erster Schritt in der Einführung des Datenmanagements. Abbildung 4 zeigt ein systematisches Vorgehen für die Einführung und Verankerung vom Datenmanagement. Alleine das Erstellen der Datenlandkarte mit fachlichem Objektmodell sowie CRUD-Tabellen für das Aufzeigen der Datenverwendung sowie Informationsflüssen ist nicht ganz einfach. Die historisch gewachsene IT-Landschaft muss erst im Zusammenspiel mit fachlichen und technischen Strukturen verstanden werden. So muss es z. B. einen Single Point of Truth für Applikationen und Geschäftsprozesse geben. Dies wird häufig über Enterprise Architecture Management aufgebaut.

Abb. 4: Ein systematisches Vorgehen ist beim Datenmanagement unabdingbar

Fazit

Daten sind der Rohstoff des 21. Jahrhunderts. Durch die digitale Fähigkeit des Datenmanagements wird der Wert gehoben. Hierzu muss der Business Outcome klar identifiziert werden, um die Customer Experience und damit nachhaltig den Unternehmenserfolg zu steigern. Grundvoraussetzung sind angemessene Methoden und Technologien und eine schlanke handhabbare Daten-Governance. Angesichts der fundamentalen Veränderungen in der digitalen Transformation kommt es darauf an, das eigene Unternehmen rechtzeitig für die Anforderungen von morgen fit zu machen. Ein systematisches Datenmanagement ist hierfür ein Erfolgsfaktor.

Geschrieben von
Inge Hanschke
Inge Hanschke
Das Motto von Frau Inge Hanschke ist „einfach und effektiv“. Sie ist Geschäftsführerin von Lean42 und eine anerkannte Autorin von Fachbüchern über EAM, BPM, Businessanalyse und Lean IT Management. Die Inhalte basieren auf den Erfahrungen aus 27 Berufsjahren als IT-Managerin bei Anwenderunternehmen, in einem ERP-Produkthaus und bei verschiedenen IT-Dienstleistern. E-Mail: Inge.Hanschke@Lean42.com
Kommentare

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.