Keine Ergebnisse gefunden

Ihre Suche ergab keine Treffer

Was ist Datenmanagement?

Datenmanagement umfasst das sichere, effiziente und kostengünstige Sammeln, Speichern und Verwenden von Daten. Datenmanagement zielt darauf ab, Mitarbeiter, Unternehmen und damit vernetzte Dinge dabei zu unterstützen, die Verwendung von Daten gemäß den Richtlinien und Vorschriften zu optimieren. Auf diese Weise werden Entscheidungen getroffen und Maßnahmen ergriffen, die den Nutzen für das Unternehmen maximieren. Eine solide Datenmanagementstrategie wird wichtiger denn je, da Unternehmen zunehmend auf immaterielle Vermögenswerte angewiesen sind, um Mehrwert zu erzeugen.

Datenkapital ist Geschäftskapital

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

Angesichts dieser zentralen und unternehmenskritischen Funktion von Daten sind solide Managementpraktiken und ein stabiles Managementsystem für jedes Unternehmen unerlässlich – unabhängig von Größe oder Typ.

Mehr erfahren über die wachsende Bedeutung des Datenkapitals (PDF)

Das Verwalten digitaler Daten in einer Organisation umfasst eine breite Palette von Aufgaben, Richtlinien, Verfahren und Vorgehensweisen. Die Arbeit des Datenmanagements ist breit gefächert und umfasst unter anderem Folgendes:

  • Erstellen, Zugreifen auf und Aktualisieren von Daten in verschiedenen Datenebenen
  • Speichern von Daten in mehreren Clouds und in einer On-Premises-Umgebung
  • Bereitstellen von hoher Verfügbarkeit und Disaster Recovery
  • Verwenden von Daten in einer zunehmenden Vielfalt an Apps, Analysen und Algorithmen
  • Sicherstellen von Datenschutz und -sicherheit
  • Archivieren und vernichten von Daten gemäß Aufbewahrungszeitplänen und Compliance-Anforderungen

Eine formelle Datenmanagementstrategie berücksichtigt die Aktivitäten von Benutzern und Administratoren, die Funktionen von Datenmanagementtechnologien, die Anforderungen der gesetzlichen Bestimmungen und den Bedarf des Unternehmens, um aus seinen Daten Nutzen zu ziehen.

Datenmanagementsysteme von heute

Die heutigen Unternehmen 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 Verwaltungsaufgaben automatisieren können, sind aufgrund der Größe und Komplexität der meisten Datenbankbereitstellungen immer noch manuelle Eingriffe erforderlich. Immer wenn ein manueller Eingriff erforderlich ist, steigt die Wahrscheinlichkeit von Fehlern. Die Reduzierung des Bedarfs an manuellem Datenmanagement ist ein zentrales Ziel einer neuen Datenmanagementtechnologie – der autonomen Datenbank.

Eine Datenmanagementplattform ist das grundlegende System zum Erfassen und Analysieren großer Datenmengen in einer Organisation. 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 vor, 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 Antworten 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 noch mehr sparen können.

Basierend auf der Cloud nutzt eine autonome Datenbank künstliche Intelligenz (KI) und Machine Learning, um viele von Datenbankadministratoren ausgeführte Datenmanagementaufgaben zu automatisieren. Dazu gehört das Verwalten von Datenbanksicherungen, die Sicherheit und die Leistungsoptimierung.

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

  • Reduzierte Komplexität
  • Vermindertes Potenzial für menschliches Versagen
  • Höhere Datenbankzuverlässigkeit und -sicherheit
    • Verbesserte Betriebseffizienz
  • Geringere Kosten

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


Big Data-Managementsysteme

In mancherlei Hinsicht ist Big Data ist genau das, wonach es klingt – unglaublich viele Daten. Aber Big Data gibt es auch in vielfältigeren Formen als herkömmliche Daten und sie werden mit hoher Geschwindigkeit erfasst. Denken Sie an all die Daten, die jeden Tag oder jede Minute von Social Media wie Facebook eingehen. Die Menge, Vielfalt und Geschwindigkeit dieser Daten machen sie für Unternehmen so wertvoll, jedoch ist das Datenmanagement ist sehr komplex.

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

  • Bei der Big Data-Integration werden verschiedene Datentypen erfasst – vom Batch- bis zum Streaming-Verfahren – und transformiert, damit sie verarbeitet werden können.
  • Beim Big Data-Management werden Daten effizient, sicher und zuverlässig in einem Data Lake oder Data Warehouse gespeichert und verarbeitet – oft mithilfe von Objektspeicherung.
  • Big Data-Analysen liefern neue Erkenntnisse durch Analysen und nutzen Machine Learning und KI-Visualisierungen, um Modelle zu entwickeln.

Unternehmen nutzen Big Data, um die Produktentwicklung, die vorausschauende Wartung, das Kundenerlebnis, die Sicherheit, die betriebliche Effizienz und vieles mehr zu verbessern und zu beschleunigen. Mit zunehmenden Big Data werden auch die Möglichkeiten größer.

 

Herausforderungen beim Datenmanagement

Grundsätze für das Datenmanagement und Datenschutz

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

Die DSGVO und andere Gesetze, die sich daran orientieren, 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. Faktisch werden Verbraucher zu Daten-Stakeholdern mit echtem Rechtsanspruch, wenn Unternehmen keine Einwilligung nach Aufklärung 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 resultieren heute aus der schnelleren Geschäftsentwicklung und der zunehmenden Verbreitung von Daten. Die stetig wachsende Vielfalt, Geschwindigkeit und Menge der verfügbaren Daten, zwingt Unternehmen, nach effektiveren Managementtools 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, intelligente Geräte, Social Media und Videokameras, werden erfasst und gespeichert. Aber diese Daten haben keinen Nutzen, wenn das Unternehmen nicht weiß, über welche Daten es verfügt, 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 mehr Daten. Um maximale Reaktionszeiten in dieser expandierenden Ebene aufrechtzuerhalten, müssen Unternehmen die Art der Fragen, auf die die Datenbank antwortet, kontinuierlich überwachen und die Indizes bei Änderung der Abfragen entsprechend ändern – ohne die Leistung zu beeinflussen.
  • Sie müssen sich ständig ändernden Compliance-Anforderungen gerecht werden. Compliance-Vorschriften sind komplex, grenzüberschreitend 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 wissen nicht’, wie Sie Daten für neue Zwecke verwenden sollen. Das Sammeln und Identifizieren der Daten selbst bringt keinen Mehrwert – das Unternehmen muss sie auch verarbeiten. Wenn es viel Zeit und Mühe kostet, die Daten so zu konvertieren, dass sie für die Analysen brauchbar sind, werden diese Analysen nicht erfolgen. Somit geht der potenzielle Wert dieser Daten verloren.
  • Die Organisation muss mit den Änderungen bei der Datenspeicherung Schritt halten. In der neuen Welt des Datenmanagements speichern Organisationen Daten in zahlreichen Systemen, einschließlich Data Warehouses und unstrukturierten Data Lakes, in denen alle Daten in jedem Format in einem einzigen Repository gespeichert sind. Die Datenanalysten einer Organisation brauchen eine Möglichkeit, Daten schnell und einfach aus ihrem ursprünglichen Format in die Form, das Format oder das Modell zu transformieren, das sie für eine Vielzahl von Analysen benötigen.

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 größten Herausforderungen des Datenmanagements eingesetzt, mit denen Organisationen heute konfrontiert sind:

Der Wert einer Umgebung für die Datenanalyse

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 Data Science-Umgebung kann eine Organisation ermitteln, über welche Daten sie verfügt, und diese dann nutzbar machen. Diese Umgebung ermöglicht Datenanalysten das automatische Erstellen, Testen und Bewerten von Modellen, die zum Finden von Daten genutzt werden. Danach können sie in nutzbare und für die Organisation wertvolle Daten transformiert werden. 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 Discovery Layer, um Ihre Daten zu identifizieren. Eine Discovery Layer über der Datenebene Ihrer Organisation ermöglicht es Datenanalysten, nach Datensätzen zu suchen und diese zu durchsuchen, um Ihre Daten nutzbar zu machen.
  • Entwickeln Sie eine Data Science-Umgebung, um Ihre Daten effizient wiederzuverwenden. Eine Data-Science-Umgebung automatisiert nach Möglichkeit die Datentransformation und rationalisiert die Erstellung und Auswertung von Datenmodellen. Eine Reihe von Tools, mit denen die manuelle Transformation von Daten überflüssig wird, kann die Hypothese und das Testen neuer Modelle beschleunigen.
  • Verwenden Sie autonome Technologie, um die Leistungsniveaus Ihrer expandierenden Datenebene zu verwalten. 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 Antwortzeiten gewährleisten und DBAs und Datenanalysten von zeitaufwändigen manuellen Aufgaben befreien.
  • Nutzen Sie die Datenerkennung, um den Überblick über Compliance-Anforderungen zu behalten. Neue Tools verwenden die Datenerkennung, um Daten zu überprüfen und die Verbindungsketten zu identifizieren, die erkannt, nachverfolgt und überwacht werden müssen, um die Einhaltung verschiedener Gerichtsbarkeiten zu gewährleisten. Da die Compliance-Anforderungen weltweit steigen, wird diese Fähigkeit für Risiko- und Sicherheitsbeauftragte immer wichtiger.
  • Verwenden Sie eine gemeinsame Abfrageebene zur Verwaltung mehrerer und unterschiedlicher Formen der Datenspeicherung. Dank neuer Technologien können Datenverwaltungs-Repositorys zusammenarbeiten, sodass die Unterschiede zwischen ihnen verschwinden. Über eine gemeinsame Abfrageebene, die die zahlreichen Arten der Datenspeicherung umfasst, können Datenanalysten und Anwendungen auf Daten zugreifen, ohne dass sie wissen müssen, wo sie gespeichert sind. Dabei müssen die Daten nicht manuell in ein verwendbares Format umgewandelt werden.

Datenmanagement entwickelt sich weiter

Mit der neuen Funktion von Daten als Unternehmenskapital entdecken Organisationen, was digitale Start-ups und Disruptoren bereits wissen: Daten sind ein wertvoller Vermögenswert, um Trends zu erkennen, Entscheidungen zu treffen und vor Mitbewerbern zu handeln. Die neue Stellung von Daten in der Wertschöpfungskette veranlasst Organisationen, aktiv nach besseren Möglichkeiten zu suchen, um aus diesem neuen Kapital Mehrwert zu schaffen.

Innerhalb der Unternehmen entwickeln sich auch die Verantwortlichkeiten des DBA beim Datenmanagement weiter, wodurch sich die Anzahl der alltäglichen Aufgaben verringert. DBAs können sich daher auf strategischere Themen konzentrieren und Support beim Management kritischer Daten in Cloudumgebungen bieten, einschließlich Schlüsselinitiativen wie Datenmodellierung und Datensicherheit.