Zum Inhalt
Mann prüft Daten

Was ist Datenmanagement?

Daten sind für den Betrieb und das Überleben eines Unternehmens von essenzieller Bedeutung.  Unternehmen müssen Daten richtig verstehen und im Datenrauschen der verschiedenen Systeme und Technologien, die die stark vernetzte globale Wirtschaft von heute unterstützen, die für sie relevanten Informationen finden. Daten stehen daher im Mittelpunkt. Doch allein sind sie wertlos. Unternehmen benötigen eine effektive Strategie, Governance und ein Datenmanagementmodell, um alle Formen von Daten für eine praktische und effiziente Nutzung in Lieferketten, Mitarbeiter-, Kunden- und Partnernetzwerken und vielem mehr zu verwenden.

 

Was also ist Datenmanagement? Datenmanagement ist die Praxis der Erfassung, Organisation und des Zugriffs auf Daten, um Produktivität, Effizienz und Entscheidungsfindung zu unterstützen. Angesichts der zentralen Rolle, die Daten in der heutigen Wirtschaft spielen, sind eine solide Datenmanagementstrategie und ein modernes Datenmanagementsystem für jedes Unternehmen unerlässlich – unabhängig von der Größe oder Branche.

Was ist Datenmanagement?

Die wichtigsten Elemente des Datenmanagements

Der Datenmanagementprozess umfasst eine breite Palette von Aufgaben und Verfahren, z. B.:

  • Sammeln, Verarbeiten, Validieren und Speichern von Daten
  • Integration verschiedener Arten von Daten aus unterschiedlichen Quellen, einschließlich strukturierter und unstrukturierter Daten
  • Sicherstellung von hoher Datenverfügbarkeit und Disaster Recovery
  • Regelung der Nutzung von und des Zugriffs auf Daten durch Mitarbeiter und Anwendungen
  • Schutz und Sicherheit von Daten und Gewährleistung des Datenschutzes

Warum ist Datenmanagement wichtig?

Jede Anwendung, jede Analyselösung und jeder Algorithmus, der in einem Unternehmen verwendet wird (die Regeln und der damit verbundene Prozess, die es Computern ermöglichen, Probleme zu lösen und Aufgaben zu erledigen), hängt vom nahtlosen Zugang zu Daten ab. Im Kern trägt ein Datenmanagementsystem dazu bei, dass die Daten sicher, verfügbar und korrekt sind. Aber die Vorteile des Datenmanagements enden hier noch nicht.

64,2

 Zettabyte

an digitalen Daten wurden im Jahr 2020 erzeugt – IDC.

80

%

der weltweiten Daten werden bis zum Jahr 2025 unstrukturiert sein – IDC

Lernen Sie die Vorteile von Datenmanagement und ‑analyse kennen.

Big Data in ein wertvolles Unternehmenskapital umwandeln

 

Zu viele Daten können erdrückend – und wertlos – sein, wenn sie nicht richtig verwaltet werden. Doch mit den richtigen Tools können Big Data genutzt werden, um Unternehmen tiefere Einblicke als je zuvor und genauere Vorhersagen zu ermöglichen. Sie können Unternehmen ein besseres Verständnis für die Wünsche ihrer Kunden vermitteln und ihnen dabei helfen, auf der Grundlage der gewonnenen Erkenntnisse außergewöhnliche Kundenerlebnisse zu bieten. Zudem können sie dazu beitragen, neue datengesteuerte Geschäftsmodelle voranzutreiben – beispielsweise Serviceangebote auf der Grundlage von Echtzeitdaten aus dem Internet der Dinge (IoT) und von Sensordaten –, die ohne die Fähigkeit zur Analyse und Interpretation von Big Data nicht ersichtlich bzw. naheliegend wären.

Bei Big Data handelt es sich um extrem große Datensätze, die häufig durch fünf Merkmale gekennzeichnet sind: die enorme Menge der erfassten Daten, die Vielfalt der Datentypen, die Geschwindigkeit, mit der die Daten generiert werden, der Wahrheitsgehalt der Daten und der Wert der Daten.

Es ist kein Geheimnis, dass datengesteuerte Unternehmen einen großen Wettbewerbsvorteil haben. Sie sind in der Lage, mit fortschrittlichen Tools mehr Daten aus mehr Quellen als je zuvor zu verwalten. Darüber hinaus können sie viele verschiedene Arten von strukturierten und unstrukturierten Daten in Echtzeit nutzen, darunter IoT-Gerätedaten, Video- und Audiodateien, Internet-Clickstream-Daten und Social-Media-Kommentare. Das eröffnet mehr Möglichkeiten, Daten zu monetarisieren und sie als Ressource zu nutzen.

 

Die Datengrundlage für die digitale Transformation legen

 

Oft wird gesagt, dass Daten das Lebenselixier der digitalen Transformation sind – und das stimmt auch. Künstliche Intelligenz (KI), maschinelles Lernen, Industrie 4.0, fortschrittliche Analysen, das Internet der Dinge und intelligente Automatisierung benötigen allesamt viele, viele aktuelle, genaue und sichere Daten, um ihren Zweck zu erfüllen.

Die Bedeutung von Daten und datengesteuerten Technologien hat seit dem Ausbruch von COVID-19 noch weiter zugenommen. Viele Unternehmen stehen unter starkem Druck, ihre Daten jetzt besser zu nutzen, um künftige Ereignisse vorherzusagen, schnell umzuschwenken und Pläne und Geschäftsmodelle widerstandsfähiger zu machen.

Das maschinelle Lernen zum Beispiel benötigt sehr große und vielfältige Datensätze, um zu „lernen“, damit komplexe Muster erkannt, Probleme gelöst und seine Modelle und Algorithmen auf dem neuesten Stand gehalten und effektiv angewendet werden können. Fortschrittliche Analysen (die häufig auf maschinellem Lernen beruhen) sind zur Gewinnung relevanter und umsetzbarer Erkenntnisse ebenfalls auf große Mengen hochwertiger Daten angewiesen, um vertrauensvoll zu reagieren. Das IoT und das industrielle IoT beruhen auf einem stetigen Strom von Maschinen- und Sensordaten, die mit immer höherer Geschwindigkeit erzeugt werden.

Der gemeinsame Nenner bei jedem Projekt zur digitalen Transformation sind Daten. Bevor Unternehmen ihre Prozesse umgestalten, die Vorteile neuer Technologien nutzen und zu intelligenten Unternehmen werden können, muss eine solide Datengrundlage geschaffen werden. Kurz gesagt: Sie brauchen ein modernes Datenmanagementsystem.

Das weitere Überleben jedes Unternehmens hängt von einer flexiblen, datenzentrierten Architektur ab, die auf den ständigen Wandel reagieren kann.

Donald Feinberg, Vice President bei Gartner

Datenschutzgesetze einhalten

 

Ein gutes Datenmanagement ist auch unerlässlich, um die Einhaltung nationaler und internationaler Datenschutzgesetze – wie der Datenschutz-Grundverordnung (DSGVO) und des California Consumer Privacy Act in den USA – sowie branchenspezifischer Datenschutz- und Sicherheitsanforderungen zu gewährleisten. Wenn diese Schutzmaßnahmen nachgewiesen oder geprüft werden sollen, sind solide Richtlinien und Verfahren für das Datenmanagement von entscheidender Bedeutung.

Datenmanagementsysteme und ‑komponenten

Datenmanagementsysteme bauen auf Datenmanagementplattformen auf und umfassen eine Reihe von Komponenten und Prozessen, die Ihnen in ihrem Zusammenwirken helfen, einen Mehrwert aus Ihren Daten zu ziehen. Dazu gehören Datenbankmanagementsysteme, Data Warehouses und Data Lakes, Datenintegrationstools, Analysefunktionen und vieles mehr.

 

Datenbankmanagementsysteme (DBMS)

 

Es gibt viele verschiedene Arten von Datenbankmanagementsystemen. Zu den gängigsten zählen relationale Datenbankmanagementsysteme (RDBMS), objektorientierte Datenbankmanagementsysteme (OODMBS), In-Memory-Datenbanken und spaltenorientierte Datenbanken.

Datenmanagementsysteme

Unterschiedliche Datenmanagementsysteme

  • Relationales Datenbankmanagementsystem (RDBMS): Ein RDBMS ist ein Datenbankmanagementsystem, das Datendefinitionen enthält, sodass Programme und Abfragesysteme Datenelemente anhand ihres Namens referenzieren können, anstatt jedes Mal die Struktur und den Speicherort der Daten zu beschreiben. Auf der Grundlage des relationalen Modells pflegen RDBMS-Systeme auch Beziehungen zwischen Datenelementen, die den Zugriff verbessern und Duplikate vermeiden. So werden beispielsweise die Grunddefinition und die Merkmale eines Artikels einmal gespeichert und mit den Detailzeilen des Kundenauftrags und den Preistabellen verknüpft.
  • Objektorientiertes Datenbankmanagementsystem (OODBMS): Ein OODBMS ist ein anderer Ansatz für die Datendefinition und ‑speicherung, der von Entwicklern objektorientierter Programmiersysteme (OOPS) entwickelt und verwendet wird. Die Daten werden als Objekte gespeichert, d. h. als abgeschlossene und eigenständige Entitäten, und nicht in Tabellen wie in einem RDBMS.
  • In-Memory-Datenbank: Eine In-Memory-Datenbank (IMDB) speichert Daten im Hauptspeicher (RAM) eines Computers und nicht auf einer Festplatte. Der Abruf aus dem Arbeitsspeicher ist wesentlich schneller als der Abruf aus einem festplattenbasierten System, weshalb In-Memory-Datenbanken häufig von Anwendungen verwendet werden, die kurze Antwortzeiten erfordern. Hat es früher beispielsweise Tage gedauert, um einen Bericht zu erstellen, kann jetzt innerhalb von Minuten, wenn nicht sogar Sekunden, abgerufen und analysiert werden.
  • Spaltenbasierte Datenbank: In einer spaltenbasierten Datenbank werden Gruppen zusammengehöriger Daten (eine „Spalte“ von Informationen) für einen schnellen Zugriff gespeichert. Sie wird in modernen In-Memory-Geschäftsanwendungen und für viele eigenständige Data-Warehouse-Anwendungen genutzt, bei denen die Abrufgeschwindigkeit (eines begrenzten Datenbereichs) wichtig ist.
     

Data Warehouses und Data Lakes

  • Data Warehouse: Ein Data Warehouse ist ein zentrales Repository für Daten, die aus vielen verschiedenen Quellen für die Berichterstattung und Analyse gesammelt werden.
  • Data Lake: Ein Data Lake ist ein riesiger Pool von Daten, die in ihrem rohen oder ursprünglichen Format gespeichert sind. Data Lakes werden in der Regel zur Speicherung von Big Data verwendet, einschließlich strukturierter, unstrukturierter und halbstrukturierter Daten.
     

Stammdatenmanagement

 

Stammdatenmanagement (Master Data Management, MDM) ist die Erstellung einer einzigen vertrauenswürdigen Master-Referenz (eine einheitliche Datenbasis) für alle wichtigen Geschäftsdaten, beispielsweise Produkt-, Kunden-, Anlagen-, Finanzdaten und mehr. MDM trägt dazu bei, dass Unternehmen nicht mehrere, möglicherweise inkonsistente Datenversionen in verschiedenen Geschäftsbereichen verwenden, einschließlich in Prozessen, Abläufen, Analysen und Berichten. Zu den drei wichtigsten Säulen eines effektiven MDM gehören: Datenkonsolidierung, Daten-Governance und Datenqualitätsmanagement.

Eine technologiegestützte Disziplin, in der die Geschäftsbereiche und IT-Organisationen zusammenarbeiten, um die Einheitlichkeit, Genauigkeit, Verantwortlichkeit, semantische Konsistenz und Nachvollziehbarkeit der offiziellen, gemeinsam genutzten Stammdatenbestände des Unternehmens zu gewährleisten.

Definition von MDM von Gartner

Verwaltung großer Datenmengen

 

Es wurden neue Arten von Datenbanken und Tools entwickelt, um Big Data zu verarbeiten – riesige Mengen strukturierter, unstrukturierter und halbstrukturierter Daten, die Unternehmen heute regelrecht „überfluten“. Neben hocheffizienten Verarbeitungstechniken und cloudbasierten Systemen zur Bewältigung des Volumens und der Geschwindigkeit wurden auch neue Ansätze zur Interpretation und Verwaltung der Datenvielfalt geschaffen. Damit die Datenmanagementtools verschiedene Arten von unstrukturierten Daten verstehen und verarbeiten können, werden beispielsweise neue Vorverarbeitungsprozesse eingesetzt, um Datenelemente zu identifizieren und zu klassifizieren, sodass sie leichter gespeichert und abgerufen werden können.

 

Datenintegration

 

Unter Datenintegration versteht man das Erfassen, Umwandeln, Kombinieren und Bereitstellen von Daten, wo und wann sie benötigt werden. Diese Integration findet sowohl im Unternehmen als auch über Partner sowie Datenquellen und Anwendungsfälle von Drittanbietern hinweg statt, um die Datennutzungsanforderungen aller Anwendungen und Geschäftsprozesse zu erfüllen. Zu den Techniken gehören Massen-/Batch-Datenbewegung, Extrahieren, Transformieren, Laden (ETL), Erfassung von Änderungsdaten, Datenreplikation, Datenvirtualisierung, Integration von Streaming-Daten, Datenorchestrierung und vieles mehr.

 

Daten-Governance, Sicherheit und Compliance

 

Daten-Governance ist eine Sammlung von Regeln und Verantwortlichkeiten zur Gewährleistung der Datenverfügbarkeit, ‑qualität, ‑konformität und ‑sicherheit im gesamten Unternehmen. Sie legt die Infrastruktur fest und benennt die Personen (oder Positionen) innerhalb eines Unternehmens, die für den Umgang mit und den Schutz von bestimmten Arten und Typen von Daten sowohl berechtigt als auch verantwortlich sind. Daten-Governance ist ein zentraler Bestandteil der Compliance. Die Systeme kümmern sich um die Mechanismen der Speicherung, Verarbeitung und Sicherheit. Aber es ist die Mitarbeiterseite – die Governance-Seite –, die sicherstellt, dass die Daten von Anfang an korrekt sind und ordnungsgemäß gehandhabt und geschützt werden, bevor sie in das System eingegeben werden, während sie verwendet werden und wenn sie aus dem System zur Verwendung oder Speicherung an anderer Stelle abgerufen werden. Die Governance legt fest, wie die Verantwortlichen Prozesse und Technologien einsetzen, um Daten zu verwalten und zu schützen.

 

Natürlich ist die Datensicherheit in der heutigen Welt der Hacker, Viren, Cyberangriffe und Datenschutzverletzungen ein immens wichtiges Thema. Während die Sicherheit in die Systeme und Anwendungen integriert ist, sorgt die Daten-Governance dafür, dass diese Systeme zum Schutz der Daten ordnungsgemäß eingerichtet und verwaltet werden und dass die entsprechenden Verfahren und Verantwortlichkeiten außerhalb der Systeme und Datenbanken durchgesetzt werden.

 

Business Intelligence und Analysen

 

Die meisten, wenn nicht sogar alle Datenmanagementsysteme umfassen grundlegende Datenabruf- und Berichterstattungstools, und viele bieten leistungsstarke Abruf-, Analyse- und Berichtsanwendungen oder sind mit diesen gebündelt. Anwendungen für Berichte und Analysen sind auch von Drittanbietern erhältlich und werden mit ziemlicher Sicherheit als Standardfunktion oder als optionales Zusatzmodul für erweiterte Funktionen im Anwendungspaket enthalten sein.

 

Die Stärke der heutigen Datenmanagementsysteme liegt zu einem großen Teil in den Ad-hoc-Abfragetools, mit denen die Nutzer mit einem Minimum an Schulung ihre eigenen Datenabfragen und Berichte erstellen können, die eine überraschende Flexibilität bei der Formatierung, den Berechnungen, den Sortierungen und den Zusammenfassungen bieten. Darüber hinaus können Spezialisten dieselben Tools oder anspruchsvollere Analysetools verwenden, um noch mehr Berechnungen, Vergleiche, höhere Mathematik und Formatierungen durchzuführen. Neue Analyseanwendungen sind in der Lage, herkömmliche Datenbanken, Data Warehouses und Data Lakes zu verbinden, um Big Data mit Geschäftsanwendungsdaten für bessere Prognosen, Analysen und Planungen zu verknüpfen.

Was ist eine Unternehmensdatenstrategie und warum sollten Sie eine haben?

Viele Unternehmen haben sich bei ihrer Datenstrategie passiv verhalten: Sie haben das akzeptiert, was der Anbieter ihrer Geschäftsanwendungen in ihre Systeme integriert hat. Doch das ist jetzt nicht mehr ausreichend. Angesichts der heutigen explosionsartigen Zunahme von Daten und ihrer Bedeutung für den Betrieb eines jeden Unternehmens wird es immer notwendiger, einen proaktiveren und umfassenderen Ansatz für das Datenmanagement zu wählen. In der Praxis heißt das, eine Datenstrategie zu erarbeiten, die folgende Aufgaben erfüllt:

  • Identifizierung der spezifischen Arten von Daten, die Ihr Unternehmen benötigt und verwendet
  • Zuordnung der Zuständigkeit für die einzelnen Arten von Daten und
  • Festlegung von Verfahren zur Steuerung der Gewinnung, Sammlung und Verarbeitung dieser Daten

Einer der Hauptvorteile einer Strategie und Infrastruktur für das Datenmanagement im Unternehmen besteht darin, dass sie das Unternehmen zusammenführt und alle Aktivitäten und Entscheidungen zur Unterstützung des Unternehmenszwecks – der effektiven und effizienten Bereitstellung hochwertiger Produkte und Dienstleistungen für die Kunden – koordiniert. Eine allumfassende Datenstrategie und eine nahtlose Datenintegration beseitigen Informationssilos. Auf diese Weise können alle Abteilungen, Manager und Mitarbeiter ihren individuellen Beitrag zum Unternehmenserfolg erkennen und verstehen – und ihre Entscheidungen und Handlungen auf diese Ziele ausrichten.

placeholder

Entwicklung einer Datenstrategie für Ihr Unternehmen

Nehmen Sie an unserer Expertenschulung zur Datenstrategie teil – kostenlos und online.

Die Entwicklung des Datenmanagements

Effektives Datenmanagement ist seit mehr als 50 Jahren entscheidend für den Unternehmenserfolg – von der Unterstützung von Unternehmen bei der Verbesserung der Genauigkeit von Informationsberichten, dem Erkennen von Trends und dem Treffen besserer Entscheidungen bis hin zur Förderung der digitalen Transformation und dem Einsatz neuer zeitgemäßer Technologien und Geschäftsmodelle. Daten sind zu einer neuen Art von Kapital geworden, und zukunftsorientierte Unternehmen sind immer auf der Suche nach neuen und besseren Möglichkeiten, Daten zu ihrem Vorteil zu nutzen. Hier finden Sie die neuesten Trends im modernen Datenmanagement, die Sie unbedingt im Auge behalten und deren Relevanz für Ihr Unternehmen und Ihre Branche Sie prüfen sollten:

  • Data Fabric: Die meisten Unternehmen verfügen heute über eine Vielzahl von Datentypen, die sowohl vor Ort als auch in der Cloud bereitgestellt werden, und sie setzen mehrere Datenbankmanagementsysteme, Verarbeitungstechnologien und Tools ein. Eine Data Fabric, eine maßgeschneiderte Kombination aus Architektur und Technologie, nutzt dynamische Datenintegration und ‑orchestrierung, um den reibungslosen Zugriff auf und die gemeinsame Nutzung von Daten in einer verteilten Umgebung zu gewährleisten.
  • Datenmanagement in der Cloud: Viele Unternehmen verlagern ihre Datenmanagementplattformen ganz oder teilweise in die Cloud. Das Cloud-Datenmanagement nutzt alle Vorteile, die die Cloud zu bieten hat – darunter Skalierbarkeit, erweiterte Datensicherheit, verbesserter Datenzugriff, automatische Backups und Disaster Recovery, Kosteneinsparungen und vieles mehr. Cloud-Datenbanken und Database-as-a-Service (DBaaS)-Lösungen, Cloud Data Warehouses und Cloud Data Lakes werden immer beliebter.
  • Erweitertes Datenmanagement: Einer der neueren Trends heißt „erweitertes Datenmanagement“ (Augmented Data Management). Es nutzt KI und maschinelles Lernen mit dem Ziel, dass sich Datenmanagementprozesse selbst konfigurieren und abstimmen. Gartner geht davon aus, dass diese Technologie bis zum Jahr 2022 ein erhebliches Disruptionspotenzial haben wird. Das erweiterte Datenmanagement ist in der Lage, alles zu automatisieren, von der Datenqualität über das Stammdatenmanagement bis hin zur Datenintegration. Dadurch können sich qualifizierte technische Mitarbeiter auf höherwertige Aufgaben konzentrieren.

Bis zum Jahr 2022 werden die manuellen Aufgaben des Datenmanagements durch den Einsatz von maschinellem Lernen und automatisiertem Service-Level-Management um 45 % reduziert.

Gartner

  • Erweiterte Analysen: Ein weiterer von Gartner identifizierter Top-Technologietrend – Erweiterte Analysen (Augmented Analytics) – ist bereits Realität. Sie nutzen künstliche Intelligenz, maschinelles Lernen und die Verarbeitung natürlicher Sprache (natural language processing, NLP). Damit können sie nicht nur automatisch die wichtigsten Erkenntnisse gewinnen, sondern auch den Zugang zu erweiterten Analysen demokratisieren. So kann jeder, nicht nur Datenwissenschaftler, Fragen zu seinen Daten stellen und Antworten auf natürliche, dialogorientierte Weise erhalten.

Informieren Sie sich über weitere Begriffe und Trends im Datenmanagement.

Zusammenfassung

Wir wissen, dass Informationen aus Daten abgeleitet werden. Und wenn Informationen Stärke bedeuten, dann könnten das effektive Management und die optimale Nutzung Ihrer Daten für Ihr Unternehmen geradezu eine „Superkraft“ entfalten. Daher entwickeln sich die Aufgaben des Datenmanagements und die Rolle der Datenbankanalysten (DBAs) zu Change Agents, die die Cloud-Einführung vorantreiben, neue Trends und Technologien nutzen und dem Unternehmen einen strategischen Mehrwert verschaffen.  

placeholder

Datenbank- und Datenmanagementlösungen

SAP kann Ihnen bei der Verwaltung, Steuerung und Integration Ihrer Unternehmensdaten helfen.

Mehr aus dieser Reihe

SAP-Insights-Newsletter

placeholder
Jetzt abonnieren

Abonnieren Sie unseren Newsletter und erhalten Sie wichtige Informationen und Einblicke.

Weitere Informationen

Zum Seitenanfang