Datenmanagement bildet das Fundament für den Geschäftserfolg

Datenanalysen spielen heute eine zentrale Rolle in Unternehmen, etwa beim Optimieren von Prozessen, der personalisierten Kundenansprache oder dem Aufbau von neuen digitalen Services und Geschäftsmodellen. Basis dafür ist ein effizientes Datenmanagement.

Daten, Daten und nochmals Daten – durch Digitalisierung, Cloud Computing und das Internet of Things (IoT) wächst die Menge der verfügbaren Informationen in Unternehmen von Jahr zu Jahr weiter an. Doch was tun mit diesem Datenschatz? Wie gelingt es, diese gigantischen Datenberge intelligent zu analysieren und die richtigen Entscheidungen zu treffen? Diese Auswertung ist für Unternehmen unverzichtbar geworden, um Prozesse zu optimieren oder neue, datenbasierte Geschäftsmodelle zu entwickeln - unabhängig von Branche oder Größe.

Beispiel Handel: Datenanalysen kommen im Einzelhandel sehr häufig im Umfeld der Disposition zum Einsatz, wenn es um den bedarfsgerechten Einkauf von Waren geht. Mit präzisen Absatzprognosen lassen sich kostspielige Über- oder Unterbestände im Lager verhindern, Leerverkäufe werden vermieden und das Sortiment ist stets verfügbar.

In der Industrie können die Hersteller von Maschinen ihren Kunden anhand der gesammelten Betriebsdaten der Maschinen (Temperatur, Leistung Auslastung etc.) beispielsweise Wartungsdienste, Echtzeitüberwachungen oder Optimierungen anbieten. Hier sind auch präzise Prognosen zu Risiken, Ausfällen und Wartungsbedarf möglich. Zudem entstehen neue datenbasierte Geschäftsmodelle wie Equipment as a Service. Ein Hersteller von Druckmaschinen zum Beispiel vermietet die Maschine und rechnet nach der Anzahl der darüber gedruckten Seiten ab (Pay per Use).

Voraussetzung für derartige moderne digitale Services ist ein effizientes und intelligentes Datenmanagement als Kern der Unternehmensstrategie. Firmen müssen die vorhandenen Datenmengen erschließen, aufbereiten und analysieren. Fallstricke sind hier beispielsweise eine fehlende Übersicht über die vorhandenen Daten, mangelhafte Datenqualität oder auch die Existenz von Datensilos, sprich die unzureichende Integration von Daten aus unterschiedlichsten Datenquellen. Effizientes Datenmanagement meistert diese Herausforderungen.

Lesen Sie im Folgenden:

• Datenmanagement ist breit gefächert
• Vielfältige Herausforderungen
• Datenmanagement-Lösungen – auch aus der Cloud
• Data Governance
• Vorteile im Überblick
• Beratung erhalten
• Arten von Daten
• Begriffserklärung
• Gratis-Whitepaper

Grundsätzliches Ziel des Datenmanagements ist es, dass Firmen Daten für alle Tätigkeiten und Geschäftsprozesse optimal, sicher und kosteneffizient nutzen können. Oder anders formuliert: Die richtigen Daten sollen zum richtigen Zeitpunkt in der richtigen Qualität für alle geschäftlichen Entscheidungen und Prozesse zur Verfügung stehen. Im besten Fall befinden sich häufig benötigte und wichtige Daten auf einem schnellen Speichersystem, weniger wichtige Daten auf langsameren und kostengünstigeren Datenträgern.

Datenmanagement ist ganzheitlich zu betrachten und umfasst den gesamten Lebenszyklus der Daten - vom Erfassen und Speichern über die Verarbeitung in verschiedensten Anwendungen bis hin zur Archivierung und zum Löschen. Wichtige Aspekte dabei sind Datenqualität, Datenschutz und Datensicherheit sowie Compliance mit der Pflicht zum Einhalten von gesetzlichen Anforderungen wie etwa der DSGVO, die den Umgang mit sensiblen personenbezogenen Daten wie Namen, Adresse, Religionszugehörigkeit oder Gesundheitsdaten regelt.

Die Datenqualität spielt in jedem einzelnen Geschäftsprozess eine wichtige Rolle. Daten müssen korrekt, eindeutig, konsistent, aktuell und vollständig sein – und sicher aufbewahrt werden. Datensicherheit umfasst drei wesentliche Schutzziele:

• Verfügbarkeit: Die Daten stehen innerhalb eines vereinbarten Zeitrahmens zur Verfügung.
• Vertraulichkeit: Schutz der Daten vor unbefugtem Zugriff von außen und vor Hacker-Angriffen.
• Integrität: Schutz von Information vor unbefugter Modifikation, Verfälschung und Verlust. Hier spielen Backup und Wiederherstellung (Recovery) der Daten eine wichtige Rolle.

Datenmanagement ist ein dynamischer Prozess, den Firmen immer wieder an die stetig wachsenden Datenmengen, wechselnde Anforderungen und vor allem an das hohe Tempo der Digitalisierung anpassen müssen. Damit sind vielfältige Herausforderungen verbunden:

Mangelnde Transparenz: Viele Unternehmen wissen nicht, welche Daten sie besitzen und wo diese gespeichert sind. Mittlerweile fallen neben den strukturierten Daten immer mehr unstrukturierte Daten aus Quellen wie Social Media, Sensoren und anderen IoT-Geräten sowie Videos an. Nur wer seine Daten kennt, kann sie auch produktiv einsetzen.

Existenz von Datensilos: Unternehmen müssen Daten aus unterschiedlichsten Quellen aggregieren und analysieren. Sämtliche Datenquellen (Maschinen, Prozesse, Produkte, Social Media etc.) und Systeme (ERP, CRM, BI etc.) sind miteinander zu integrieren. Doch oft erfassen die verschiedenen Abteilungen ihre eigenen Datenbestände. Das Datenmanagement muss diese Datensilos aufbrechen mit dem Ziel, eine „Single source of truth“ bereitzustellen, eine einheitliche Informationsbasis mit aktuellen und korrekten Daten.

Migration der Daten zwischen verschiedenen Speicherorten: Viele Unternehmen setzen mittlerweile auf hybride Umgebungen mit einer Mischung aus On-Premise-Infrastruktur, Private und Public Cloud. Datenmanagement und Integration aller Daten über die verschiedenen Speicherorte hinweg werden damit zum Knackpunkt. Mögliche negative Folgen sind etwa die fehlende Konsistenz der Daten, teure Storage-Nutzung oder die ineffiziente Analyse von Daten.

Diverse Speicherlösungen: Unternehmen speichern ihre Daten in mehreren Systemen und Daten-Architekturen wie Data Warehouses und unstrukturierten Data Lakes. Als flexible Speicherlösung gewinnt unter anderem Object Storage zunehmend an Bedeutung. Für Datenanalysen ist es notwendig, Daten über sämtliche Speicher hinweg zu finden, zu extrahieren und in eine geeignete Struktur oder Form zu überführen.

Infrastruktur nicht leistungsstark genug: Grundlegende Voraussetzung für die effiziente Datenanalyse ist eine leistungsfähige Big-Data-Infrastruktur, die schnell auf Datenbank-Anfragen reagiert und auch große und wachsende Datenmengen schnell auswertet. Hier bieten sich Cloud-Ressourcen an, die flexibel bezogen werden können und sogar GPU-gestütztes High Performance Computing ermöglichen.

Rechtliche Vorgaben: Firmen müssen in Bezug auf Datenhaltung und Datenschutz immer strengere Compliance-Anforderungen erfüllen. Beispiele sind etwa die steuerlichen Dokumentations- und Aufbewahrungspflichten gemäß GoBD (Grundsätze zur ordnungsgemäßen Führung und Aufbewahrung von Büchern, Aufzeichnungen und Unterlagen in elektronischer Form sowie zum Datenzugriff) oder natürlich die Vorgaben der Datenschutzgrundverordnung (DSGVO) zum Schutz personenbezogener Daten. Das Problem: Die gesetzlichen Regelungen zum Datenschutz verändern sich laufend und unterscheiden sich je nach Land – hier immer auf dem neuesten Stand zu bleiben, stellt eine Herausforderung dar.

Sicherheit: In letzter Zeit häufen sich die Schlagzeilen zu Cyber-Attacken auf Unternehmen aller Branchen, etwa zu Datendiebstahl oder Ransomware-Angriffen. Bei letztere legen Cyberkriminelle die Systeme der betroffenen Firmen durch Verschlüsselung wichtiger Daten weitgehend lahm und fordern Lösegeld (engl. „Ransom“), um die Daten wieder freizuschalten. Unternehmen müssen daher ihre technischen und organisatorischen Schutzmaßnahmen verbessern, um die Angriffe zu verhindern oder die Folgen abzumildern. Stichworte sind hier etwa Virenschutz, Firewall, sichere Passwörter, Multi-Faktor-Authentifizierung, begrenzter Zugriff auf Systeme über Rollen-/Rechte-Konzepte, regelmäßige Backups, Intrusion Detection Systems (IDS) zur Einbruchserkennung in ein Netzwerk oder Notfallpläne für den Fall eines erfolgreichen Angriffs.

Zum Glück werden Unternehmen mit dieser Fülle an Herausforderungen nicht allein gelassen. Cloud Provider wie plusserver bieten heute weit mehr als die reine Infrastruktur und können unterstützen, Daten sicher, DSGVO-konform, verfügbar und kosteneffizient zu speichern und zu verarbeiten. Sprechen Sie uns einfach an.

Beim Meistern all dieser Herausforderungen helfen Lösungen für das Datenmanagement, über die Firmen alle Speicherorte von Daten zentral verwalten und kontrollieren können. Damit erhalten sie den Überblick über die Nutzung der Daten, Prozesse und mögliche Leistungsprobleme. Diese Datenmanagement-Systeme können Datenbanken, Data Lakes, Data Warehouses und auch in der Cloud gespeicherte Daten umfassen. Sie weisen Speicherressourcen zu, optimieren die Reaktionszeiten auf Anfragen und sie erkennen sowie beheben Fehler im Datenbanksystem oder in der zugrunde liegenden Infrastruktur.

Viele dieser Datenmanagement-Plattformen für hybride bzw. Multi-Cloud-Umgebungen sind auch aus der Cloud im As-a-Service-Modell erhältlich – und damit schnell und kostengünstig skalierbar. Sie sollen das einheitliche Management von Daten an jedem Ort aus der Cloud ermöglichen und Firmen dabei helfen, das Datenwachstum zu bewältigen und Datensilos aufzulösen. Sie bieten meist mehrstufige Sicherheit mit Verschlüsselung, Multi-Faktor-Authentifizierung und rollenbasierter Zugriffskontrolle. Hinzu kommen Tools für das Management von Backups, Wiederherstellungen, Disaster Recovery, Archivierung und die Migration von Daten in einer Hybrid-Cloud-Umgebung. Weitere Funktionen betreffen die Analyse von Daten mit Hilfe von Algorithmen und maschinellem Lernen oder Tools für die schnelle Entwicklung von Daten-Services.

Doch wie erreichen Firmen ein intelligentes Datenmanagement? Grundsätzlich gilt: Es sollte sich nahtlos in die Unternehmensprozesse einfügen und praktikabel sein, um eine möglichst hohe Akzeptanz bei den Mitarbeitetenden zu erreichen.

Am Anfang sollte daher eine klare Strategie rund um die Ziele und die Vorgehensweise beim Datenmanagement stehen. Sie umfasst unter anderem Punkte wie Datenkategorien, Zugriffsrechte, Speicherorte, zulässige Dateiformate, Compliance-Themen wie Datenschutzvorschriften sowie eine Richtlinie für Data Governance. Letztere stellt sicher, dass Unternehmen ihre Daten einheitlich, korrekt und sicher speichern sowie Mitarbeitende einfach darauf zugreifen können.

In der Governance-Richtlinie legen sie die Rollen und Verantwortlichkeiten beim Umgang mit Daten fest und beschreiben die Prozesse, wie Daten im Unternehmen gesammelt, gespeichert, aufbereitet, verteilt und analysiert werden müssen. Zudem beschreibt die Richtlinie Maßnahmen zu Datensicherheit und Datenschutz sowie Sanktionen bei Verstößen. Hinzu kommen Vorschriften für die Auswahl und Kontrolle externer Dienstleister. Die Mitarbeitenden sollten diese Vorschriften natürlich kennen, den Wert der Daten verstehen und mit den bereitgestellten Tools arbeiten können. Dafür sind Schulungen unabdingbar.

Das Fundament für Datenmanagement bildet ein zuverlässiges Backup, damit sich Daten und Anwendungen nach einem Ausfall, Angriff oder Diebstahl schnell wiederherstellen lassen. Empfehlenswert ist auch eine Ebene beziehungsweise Schicht oberhalb der Datenabfragen, auf der Datenanalysten in allen Speicherorten und Speicherarchitekturen nach geeigneten Datensätzen suchen können, die sie für ihre Auswertungen benötigen – ähnlich einem Katalog in einer Bibliothek.

Das Thema Datenmanagement kostet zwar Zeit und ist arbeitsintensiv, bringt Unternehmen aber eine Reihe von Vorteilen. Dazu gehören:

• Transparenz: Übersicht über alle im Unternehmen vorhandenen Daten aus unterschiedlichsten Datenquellen und damit bessere Planbarkeit der erforderlichen Speicherkapazitäten.
• Verfügbarkeit: Da ausreichend Speicherkapazitäten Engpässe und Ausfälle vermeiden, können Mitarbeitende jederzeit auf die benötigten Informationen zugreifen.
• Höhere Qualität: Daten werden aus allen Quellen korrekt, eindeutig, konsistent, aktuell und vollständig erfasst.
• Höhere Datensicherheit: Datenmanagement erhöht die Sicherheit, da digitale Informationen nur schwer verloren gehen, verfälscht oder gestohlen werden.
• Höhere Produktivität und Effizienz: Wenn Mitarbeitende schneller auf benötigte Daten zugreifen können, arbeiten sie produktiver. Das gilt insbesondere für agil arbeitende Teams. Datenmanagement bildet auch die Basis für effizientere Prozesse im Unternehmen.
• Betriebskosten sinken: Da Datenmanagement die IT-Ressourcen effizient nutzt, sinken die Kosten für den Betrieb und die Wartung der Storage-Infrastruktur.
• Punktgenaue Analysen: Dank Datenmanagement können Data Scientists für ihre Analysen auf hochwertige und aktuelle Rohdaten zurückgreifen.
• Zufriedenere Kunden: Mit klugem Datenmanagement können Firmen ihre Produkte und Services verbessern, Inhalte und Angebote personalisieren und gezielt auf die Bedürfnisse ihrer Kunden zuschneiden. Damit verbessern sich das Kundenerlebnis (Customer Experience) und auch die Kundenzufriedenheit.
• Compliance gewahrt: Datenmanagement unterstützt und vereinfacht die Einhaltung von Compliance-Vorschriften sowie der DSGVO.

Sichern Sie sich das nötige Know-how

Möchten Sie diese Vorteile auch für Ihr Unternehmen erschließen? Als Multi-Cloud Data Service Provider helfen wir Ihnen dabei, für Ihre Vielzahl an wertvollen Daten im Unternehmen jeweils die passenden Speicher- und Verarbeitungsorte zu finden und eine effiziente Datenmanagement-Strategie umzusetzen.

Bevor Firmen eine Datenmanagement-Strategie erstellen, sollten sie die vorhandenen Datenbestände kategorisieren und nach ihrer Kritikalität klassifizieren. Prinzipiell gibt es vier Arten von Daten:

Für die schnelle Bereitstellung von Daten ist eine agile Datenarchitektur notwendig. Hier gibt es verschiedene Ansätze mit Data Warehouses, Data Lakes, Datenvirtualisierung oder einem Mix aus diesen Methoden. Eine Begriffsklärung:

Data Lake: Ein „Datensee“ speichert und verwaltet als zentrales Repository sämtliche Daten aus verschiedenen Quellen in ihrem ursprünglichen Rohformat, sprich die Daten sind nicht bereinigt oder transformiert. Neben text- oder zahlenbasierten Daten kann der Data Lake auch Bilder, Videos oder andere Datenformate aufnehmen. Beim Data Lake bleiben aber die Herausforderungen an Verfügbarkeit, Aufbereitung und Integration der Daten. Der Abruf der Daten fordert daher Expertenwissen von Data Scientists und Spezialtools.

Data Warehouse: Im Data Warehouse sind die Daten bereinigt, transformiert, standardisiert und angepasst, um sie meist in SQL-Tabellen zu speichern. Daher eignet es sich gut als Basis für Analysen durch klassische Business-Anwender, nicht nur für Data Scientists. Hier fällt der Aufwand vor allem für das Vorbereiten der Daten beim Einspeisen an. Es wird komplexer, je mehr Daten integriert werden müssen.

Datenvirtualisierung: Bündelt über Konnektoren Daten aus verschiedenen Quellen in einem virtuellen Datenmodell und stellt diese direkt bei der Abfrage zur Analyse bereit. Die Daten werden dabei nicht physisch bewegt und kopiert, sondern bleiben an ihrem ursprünglichen Speicherort, sei es in der Cloud oder auf einer lokalen Storage-Lösung. Das System im Hintergrund kann dabei auch ein Data Lake oder ein Data Warehouse sein. Für den schnellen Zugriff werden die Daten in der Regel in einem leistungsfähigen Cache abgelegt und vorgehalten. Algorithmen optimieren dabei die Abfragen auf die einzelnen Datenquellen.