Keine Ergebnisse gefunden

Ihre Suche ergab keine Treffer.

Beachten Sie die folgenden Tipps, um das Gesuchte zu finden:

  • Prüfen Sie die Schreibweise des Suchbegriffs.
  • Verwenden Sie Synonyme für das eingegebene Stichwort, z. B. “Anwendung” statt “Software.”
  • Testen Sie eine der unten gezeigten beliebten Suchen.
  • Beginnen Sie eine neue Suche.
Aktuelle Fragen

Was ist Datenmanagement?

Datenmanagement ist das sichere, effiziente und kostengünstige Erfassen, Speichern und Nutzen von Daten. Das Ziel des Datenmanagements besteht darin, Mitarbeiter, Organisationen und verbundenen Unternehmen dabei zu helfen, die Verwendung von Daten im Rahmen von Richtlinien und Vorschriften zu optimieren, damit sie Entscheidungen treffen und Maßnahmen ergreifen können, die den Nutzen für das Unternehmen maximieren. Eine robuste Datenmanagementstrategie ist wichtiger denn je, da Unternehmen zunehmend auf immaterielle Vermögenswerte angewiesen sind, um Werte zu schaffen.

Datenkapital ist Geschäftskapital

In der digitalen Wirtschaft von heute sind Daten eine Art Kapital, ein wirtschaftlicher Produktionsfaktor für digitale Güter und Services. So wie ein Autohersteller kein neues Modell herstellen kann, wenn ihm das nötige finanzielle Kapital fehlt, kann er keine autonomen Fahrzeuge konstruieren, wenn die Daten für die Eingabe der Bordalgorithmen fehlen. Diese neue Rolle der Daten hat Auswirkungen auf die Wettbewerbsstrategie sowie auf die Zukunft des Computing.

Angesichts dieser zentralen und unternehmenskritischen Rolle von Daten sind starke Managementpraktiken und ein robustes Managementsystem für jedes Unternehmen unerlässlich, unabhängig von Größe oder Typ.

Mehr erfahren über den Aufstieg des Datenkapitals (PDF)

Die Verwaltung digitaler Daten in einem Unternehmen beinhaltet eine breite Palette von Aufgaben, Richtlinien, Verfahren und Vorgehensweisen. Die Arbeit des Datenmanagements ist breit gefächert und umfasst Faktoren wie die Vorgehensweise beim

  • Erstellen, Aktualisieren und Zugreifen auf Daten über verschiedene Datenebenen hinweg
  • Speichern von Daten in mehreren Clouds und On-Premises
  • Bereitstellen von Hochverfügbarkeit und Disaster Recovery
  • Verwenden von Daten in einer wachsenden Vielfalt von Apps, Analysen und Algorithmen
  • Gewährleisten von Datenschutz und Sicherheit
  • Archivieren und Vernichten von Daten gemäß den Aufbewahrungszeitplänen und Compliance-Anforderungen

Eine formelle Datenmanagementstrategie befasst sich mit den Aktivitäten von Nutzern und Administratoren, den Funktionen von Datenmanagementtechnologien, den regulatorischen Anforderungen und dem Bedarf des Unternehmens, aus seinen Daten Nutzen zu ziehen.

Datenmanagementsysteme heute

Unternehmen von heute benötigen eine Datenmanagementlösung, mit der sich Daten auf einer vielfältigen, aber einheitlichen Datenebene effizient verwalten lassen. Datenmanagementsysteme basieren auf Datenmanagementplattformen und können Datenbanken, Data Lakes und Warehouses, Big Data-Managementsysteme, Datenanalysen und mehr umfassen.

Alle diese Komponenten arbeiten zusammen als „Datendienstprogramm“ zur Bereitstellung der Datenmanagementfunktionen, die ein Unternehmen für seine Apps benötigt, sowie der Analysen und Algorithmen, die die von diesen Apps stammenden Daten verwenden. Obwohl Datenbankadministratoren (DBAs) mit den aktuellen Tools viele der herkömmlichen Managementaufgaben automatisieren können, sind aufgrund der Größe und Komplexität der meisten Datenbankbereitstellungen immer noch manuelle Eingriffe erforderlich. Mit jedem manuellen Eingriff steigt die Wahrscheinlichkeit von Fehlern. Die Reduzierung des Bedarfs an manuellem Datenmanagement ist ein zentrales Ziel einer neuen Datenmanagementtechnologie, der autonomen Datenbank.

Eine Datenmanagement-Plattform ist das grundlegende System zum Erfassen und Analysieren großer Datenmengen in einem Unternehmen. Kommerzielle Datenplattformen umfassen in der Regel Softwaretools für die Verwaltung, die vom Datenbankanbieter oder von Drittanbietern entwickelt wurden. Diese Datenmanagementlösungen unterstützen IT-Teams und Datenbankadministratoren bei der Ausführung typischer Aufgaben wie z. B.

  • Erkennen, Warnen, Diagnostizieren und Beheben von Fehlern im Datenbanksystem oder in der zugrunde liegenden Infrastruktur
  • Zuweisen von Datenbankspeicher und Speicherressourcen
  • Vornehmen von Änderungen am Datenbankdesign
  • Optimieren der Reaktionszeiten auf Datenbankabfragen für eine schnellere Anwendungsperformance

Die immer beliebter werdenden Cloud-Datenplattformen ermöglichen Unternehmen eine schnelle und kostengünstige Skalierung. Einige sind als Service verfügbar, sodass Unternehmen sogar noch mehr sparen können.

Eine autonome Datenbank basiert auf der Cloud und nutzt künstliche Intelligenz (KI) und Machine Learning, um viele von Datenbankadministratoren ausgeführte Datenmanagementaufgaben zu automatisieren, einschließlich der Verwaltung von Datenbanksicherungen, Sicherheit und der Optimierung von Performance.

Die auch als selbstverwaltete Datenbank bezeichnete autonome Datenbank bietet erhebliche Vorteile für das Datenmanagement, einschließlich

  • Reduzierte Komplexität
  • Geringeres menschliches Fehlerpotenzial
  • Höhere Datenbankzuverlässigkeit und -sicherheit
    • Verbesserte betriebliche Effizienz
  • Niedrigere Kosten

Die immer beliebter werdenden Cloud-Datenplattformen ermöglichen Unternehmen eine schnelle und kostengünstige Skalierung. Einige sind als Service verfügbar, sodass Unternehmen sogar noch mehr sparen können.


Big Data-Management-Systeme

In gewisser Weise ist Big Data genau das, wonach es klingt – eine Unmenge an Daten. Aber Big Data gibt es auch in einer größeren Vielfalt an Formen als herkömmliche Daten und sie werden mit hoher Geschwindigkeit erfasst. Man denke nur an all die Daten, die jeden Tag oder jede Minute von einer Social Media-Quelle wie Facebook eingehen. Die Menge, Vielfalt und Geschwindigkeit dieser Daten machen sie für Unternehmen so wertvoll, aber sie machen ihre Verwaltung auch sehr komplex.

Da immer mehr Daten aus so unterschiedlichen Quellen wie Videokameras, Social Media, Audioaufnahmen und IoT-Geräten (Internet of Things) gesammelt werden, sind Big-Data-Managementsysteme entstanden. Diese Systeme sind auf drei allgemeine Bereiche spezialisiert.

  • Big-Data-Integration beziehen verschiedene Arten von Daten ein – von Batch bis hin zu Streaming – und transformieren sie, damit andere sie verwenden können.
  • Big-Data-Management speichert und verarbeitet Daten in einem Data Lake oder Data Warehouse effizienter, sicherer und zuverlässiger – oft mithilfe von Objektspeicher.
  • Big-Data-Analyse deckt neue Daten mit Analysen auf und erstellt Modelle mit Machine Learning und KI.

Unternehmen nutzen Big Data, um die Produktentwicklung, die vorausschauende Wartung, das Kundenerlebnis, die Sicherheit, betriebliche Effizienz und vieles mehr zu verbessern und zu beschleunigen. Mit der Größe von Big Data steigen auch die Möglichkeiten.

 

Herausforderungen beim Datenmanagement

Datenmanagementgrundsätze und Datenschutz

Die von der Europäischen Union erlassene und im Mai 2018 umgesetzte Datenschutz-Grundverordnung (DSGVO) enthält sieben Grundprinzipien für das Management und die Verarbeitung personenbezogener Daten. Zu diesen Grundsätzen gehören Rechtmäßigkeit, Verarbeitung nach Treu und Glauben, Transparenz; Zweckbindung; Richtigkeit; Speicherbegrenzung; Integrität und Vertraulichkeit und mehr.

Die DSGVO und andere Gesetze, die in ihre Fußstapfen treten, wie der California Consumer Privacy Act (CCPA), verändern das Datenmanagement. Diese Anforderungen sehen standardisierte Datenschutzgesetze vor, die dem Einzelnen die Kontrolle über seine personenbezogenen Daten und deren Verwendung ermöglichen. Verbraucher werden praktisch zu Datenakteuren mit echtem Rechtsanspruch, wenn Unternehmen keine Einwilligungserklärung bei Datenerfassung einholen, die Datennutzung oder -lokalität nur unzureichend kontrollieren oder die Datenlösch- oder Portabilitätsanforderungen nicht erfüllen.

Mehr erfahren über die DSGVO und das Datenmanagement

Die meisten Herausforderungen beim Datenmanagement liegen heute im höheren Geschäftstempo und in der zunehmenden Verbreitung von Daten. Die stetig wachsende Vielfalt, Geschwindigkeit und Datenmengen, die Unternehmen zur Verfügung stehen, zwingt sie dazu, nach effektiveren Verwaltungstools zu suchen, um Schritt zu halten. Zu den wichtigsten Herausforderungen für Unternehmen zählen:

  • Sie wissen nicht, über welche Daten sie verfügen. Daten von einer zunehmenden Anzahl und Vielfalt an Quellen wie Sensoren, intelligenten Geräten, Social Media und Videokameras werden gesammelt und gespeichert. Aber diese Daten sind nicht nützlich, wenn das Unternehmen nicht weiß, welche Daten es hat, wo sie sich befinden und wie sie verwendet werden.
  • Sie müssen die Performanceniveaus beibehalten, wenn die Datenebene erweitert wird. Unternehmen erfassen, speichern und verwenden ständig immer mehr Daten. Um Spitzenantwortzeiten in dieser expandierenden Ebene aufrechtzuerhalten, müssen Unternehmen die Art der Fragen, auf die die Datenbank antwortet, kontinuierlich überwachen und die Indizes ändern, wenn sich die Abfragen ändern – ohne Auswirkungen auf die Performance.
  • Sie müssen die sich ständig ändernden Compliance-Anforderungen erfüllen. Compliance-Regelungen sind komplex und multijurisdiktional und ändern sich ständig. Unternehmen müssen in der Lage sein, ihre Daten leicht zu überprüfen und alles zu identifizieren, was unter neue oder geänderte Anforderungen fällt. Insbesondere müssen personenbezogene Daten (PII) erfasst, nachverfolgt und überwacht werden, um die Einhaltung der zunehmend strengeren globalen Datenschutzbestimmungen zu gewährleisten.
  • Sie sind sich nicht sicher, wie Sie Daten für neue Zwecke verwenden sollen. Das Sammeln und Identifizieren der Daten selbst bietet nicht den Nutzen, den das Unternehmen braucht, um sie zu verarbeiten. Wenn es viel Zeit und Mühe kostet, die Daten in das zu konvertieren, was sie für die Analyse benötigen, findet diese Analyse nicht statt. Infolgedessen geht der potenzielle Wert dieser Daten verloren.
  • Sie müssen mit den Änderungen im Datenspeicher Schritt halten. In der neuen Welt des Datenmanagements speichern Unternehmen Daten in mehreren Systemen, einschließlich Data Warehouses und unstrukturierte Data Lakes, in denen alle Daten in jedem Format in einem einzigen Repository gespeichert sind. Die Datenanalysten eines Unternehmens brauchen eine Möglichkeit, Daten schnell und einfach aus ihrem ursprünglichen Format in die Form, das Format oder das Modell zu transformieren, wo sie für eine Vielzahl von Analysen benötigt werden.

Best Practices für das Datenmanagement

Um die Herausforderungen des Datenmanagements bewältigen zu können, sind umfassende, durchdachte Best Practices erforderlich. Obwohl die spezifischen Best Practices je nach Art der betroffenen Daten und Branche variieren, werden die folgenden Best Practices für die wesentlichen Herausforderungen des Datenmanagements eingesetzt, mit denen Unternehmen heute konfrontiert sind:

Der Wert einer Datenanalyseumgebung

Die Datenanalyse ist ein interdisziplinärer Bereich, der mit wissenschaftlichen Methoden, Verfahren, Algorithmen und Systemen Wert aus Daten gewinnt. Datenanalysten kombinieren unterschiedliche Kompetenzen, z. B. aus dem Bereich Statistik, Informatik oder Betriebswirtschaft, um Daten zu analysieren, die aus dem Internet, von Smartphones, Kunden, Sensoren und anderen Quellen stammen.

Mithilfe einer Datenanalyseumgebung kann ein Unternehmen ermitteln, über welche Daten es verfügt, und diese dann verwertbar machen. In dieser Umgebung können Datenanalysten automatisch Modelle, die zum Auffinden von Daten verwendet werden, erstellen, testen und auswerten und diese dann so umwandeln, dass sie für das Unternehmen anwendbar und wertvoll sind. Mit einer zentralen Plattform können Datenanalysten in einer auf die Zusammenarbeit ausgelegten Umgebung mit ihren bevorzugten Open-Source-Tools arbeiten. Ihre Arbeit wird dabei durch ein Versionskontrollsystem synchronisiert.

Mehr erfahren über Data Science Erfahren Sie, wie Sie mit einer Data Science-Plattform eine größere Wirkung erzielen
  • Erstellen Sie eine Ermittlungsebene, um Ihre Daten zu identifizieren. Eine Ermittlungsebene basierend auf der Datenebene Ihres Unternehmens ermöglicht es Datenanalysten, nach Datasets zu suchen, um Ihre Daten nutzbar zu machen.
  • Entwickeln Sie eine Datenanalyseumgebung, um Ihre Daten effizient für neue Zwecke zu verwenden. Eine Datenanalyseumgebung automatisiert so weit wie möglich die Aufgaben der Datentransformation und rationalisiert die Erstellung und Auswertung von Datenmodellen. Einige Tools, mit denen die manuelle Datentransformation überflüssig wird, können das Aufstellen von Hypothesen und das Testen neuer Modelle beschleunigen.
  • Nutzen Sie autonome Technologien, um die Performanceniveaus in Ihrer erweiterten Datenebene beizubehalten. Autonome Datenfunktionen verwenden KI und Machine Learning, um Datenbankabfragen kontinuierlich zu überwachen und Indizes zu optimieren, wenn sich die Abfragen ändern. Auf diese Weise kann die Datenbank schnelle Reaktionszeiten gewährleisten und DBAs und Datenanalysten von zeitaufwändigen manuellen Aufgaben befreien.
  • Nutzen Sie Data Discovery, um den Überblick über Compliance-Anforderungen zu behalten. Neue Tools verwenden die Data Discovery, um Daten zu überprüfen und die Verbindungsketten zu identifizieren, die erkannt, nachverfolgt und überwacht werden müssen, um die Einhaltung mehrerer Gerichtsbarkeiten zu gewährleisten. Da die Compliance-Anforderungen weltweit steigen, wird diese Funktion für Risiko- und Sicherheitsbeauftragte immer wichtiger.
  • Verwenden Sie eine gemeinsame Abfrageebene, um mehrere und unterschiedliche Formen der Datenspeicherung zu verwalten. Dank neuer Technologien können Datenmanagement-Repositorys zusammenarbeiten, sodass die Unterschiede zwischen ihnen verschwinden. Über eine gemeinsame Abfrageebene, die die zahlreichen Arten von Datenspeicherung umfasst, können Datenanalysten und Anwendungen auf Daten zugreifen, ohne dass sie wissen müssen, wo sie gespeichert sind, und ohne dass die Daten manuell in ein verwendbares Format umgewandelt werden müssen.

Datenmanagement entwickelt sich weiter

Mit der neuen Rolle von Daten als Geschäftskapital entdecken Unternehmen, was digitale Start-ups und Disruptoren bereits wissen: Daten sind eine wertvolle Ressource, um Trends zu erkennen, Entscheidungen zu treffen und Maßnahmen vor Wettbewerbern zu ergreifen. Die neue Position von Daten in der Wertschöpfungskette veranlasst Unternehmen, aktiv nach besseren Möglichkeiten zu suchen, um mit diesem neuen Kapital den Wert zu maximieren.

Innerhalb der Unternehmen entwickeln sich auch die Verantwortlichkeiten für das Datenmanagement des DBA weiter, wodurch sich die Anzahl der alltäglichen Aufgaben verringert. DBAs können sich auf strategischere Themen konzentrieren sowie Support für das Management kritischer Daten in Cloud-Umgebungen bereitstellen und dabei Schlüsselinitiativen wie Datenmodellierung und Datensicherheit einbeziehen.