Die Bestandteile des Datenmanagements greifen ineinander und bilden ein funktionierendes System. Doch was genau sind diese Elemente und wie tragen sie zur Weiterentwicklung des Unternehmens bei?
Bestandteile des Datenmanagements und dessen Zusammenhang
Was sind die Bestandteile des Datenmanagements und wie hängen diese miteinander zusammen?
Die Datenarchitektur bietet einen Überblick über die Datenquellen, wie z.B. Systeme, Excel-Dateien und Cloud-Speicher, in denen Daten abgelegt sind. So entsteht eine umfassende Datenlandschaft.
Die Datenintegration verbindet Daten aus den verschiedenen Quellen der Datenarchitektur, um eine einheitliche Datenbasis zu schaffen.
Auf Basis der zusammengefügten Daten aus der Datenintegration und der Datenarchitektur folgt die Datenmodellierung. Hier werden Zusammenhänge und Abhängigkeiten der Daten aus Prozessen und Quellen sichtbar.
Das Datenqualitätsmanagement analysiert und misst die Verwendbarkeit der Daten und ihre Zusammenhänge. Die festgelegten internen Standards erstrecken sich über die gesamte Datenarchitektur.
Die Datenaufbereitung setzt die Erkenntnisse und Standards des Datenqualitätsmanagements um. Sie umfasst die Anreicherung, Aktualisierung, Bereinigung und Formatierung der Daten.
Die Datenverwaltung gewährleistet durchgehend die Sicherheit der Daten – von der Speicherung über die Bereinigung und Aufbereitung bis hin zur Nutzung in Prozessen und der Einsicht und Nutzung durch berechtigte Personen.
Die Datenkultur bestimmt, wie Daten im Unternehmen wahrgenommen und genutzt werden und welchen Einfluss sie auf das Unternehmen haben – ob negativ oder positiv.
Bestandteile des Datenmanagements am Praxisbeispiel
Wie sehen die Bestandteile des Datenmanagements am Praxisbeispiel aus?
#1 Datenarchitektur (Data Architecture)
Was ist eine Datenarchitektur?
Die Datenarchitektur bildet die Grundlage des Datenmanagements und umfasst die Datenquellen, wie z.B. Systeme, Datenbanken, Excel-Dateien und Cloud-Speicher sowie deren Struktur in Form von Schnittstellen und Datenflüssen.
Wie wird ein vollständiger Überblick über die Datenarchitektur erreicht?
Praxisbeispiel:
✔️ Endlich einen Überblick über alle vorhandenen Daten und deren Quellen haben.
➡️ Das Unternehmen nimmt eine Bestandsaufnahme aller Systeme und Datenquellen vor, einschließlich lokaler Excel-Dateien, ERP- und CRM-Systeme. Die unterschiedlichen Kundenstammdaten in ERP- und CRM-Systemen erfordern eine Überarbeitung des Synchronisierungsprozesses. Beispielsweise lokale Excel-Dateien mit Kundenzuordnungen, eigenen Notizen und Kontaktlisten aus dem E-Mail-Programm werden wie auf einer Landkarte aufgeführt.
➡️ Ein Überblick über den aktuellen Stand wurde erreicht.
Ziele, Umsetzung, Ergebnisse:
Mit den Zielen einen Überblick über Datenquellen und Schnittstellen zu haben und eine zielführende, den aktuellen Erfordernissen entsprechende und praxistaugliche Datenarchitektur zu realisieren – um Daten zur richtigen Zeit, an der richtigen Stelle, den richtigen Personen, zentral bereitzustellen.
Die Umsetzung erfolgt durch das Identifizieren, Dokumentieren, Strukturieren, Organisieren und Klassifizieren der Datenquellen.
Mit den Ergebnissen, dass eine umfassende Übersicht der Datenarchitektur entsteht, Erkenntnisse für nächste Schritte hinsichtlich Anpassungen zur digitalen Transformation vorhanden sind, KI-Nutzung und Prozessautomatisierung ersichtlich sind, Transparenz in der Datenverfügbarkeit besteht.
#2 Datenintegration (Data Integration)
Was ist eine Datenintegration?
Die Datenintegration ist der Prozess, bei dem Daten aus den verschiedenen Quellen zusammengeführt und abgeglichen werden, um eine einheitliche Übersicht und Verwendung der Daten zu erhalten.
Wie erfolgt eine Datenintegration aus verschiedenen Quellen?
Praxisbeispiel:
✔️ Die vorhandenen ähnlichen Daten zusammenführen.
➡️ Das Unternehmen führt eine automatisierte Datenabfrage durch, bei der die Daten aus dem ERP- und CRM-System zusammengeführt und nebeneinandergestellt werden.
➡️ Der Umfang der Daten und die Unterschiede werden sichtbar.
Ziele, Umsetzung, Ergebnisse:
Mit den Zielen, eine einheitliche und konsistente Datengrundlage zu schaffen und die Datenqualität zu verbessern.
Die Umsetzung erfolgt durch das Zusammenführen und Abgleichen der Daten aus verschiedenen Quellen.
Mit den Ergebnissen, dass eine umfassende Datenübersicht entsteht, konsistente und aktuelle Datensätze vorliegen und fundierte Entscheidungsgrundlagen geschaffen werden.
#3 Datenmodellierung (Data Modeling)
Was ist eine Datenmodellierung?
Die Datenmodellierung zeigt Abhängigkeiten, Zusammenhänge und Beziehungen zwischen den Daten auf.
Wie erfolgt eine Datenmodellierung und wie kann sie dargestellt werden?
Praxisbeispiel:
✔️ Zusammenhänge und Bedingungen erkennen und verstehen.
➡️ Anhand der Kundennummern und einem Synchronisierungs-Schlüssel verknüpft das Unternehmen die Kunden in den jeweiligen Systemen eindeutig.
➡️ Die Zusammenhänge werden sichtbar und können visualisiert werden.
Ziele, Umsetzung, Ergebnisse:
Mit den Zielen, Klarheit über Datenbeziehungen und -strukturen zu schaffen und die Datenanalyse zu unterstützen.
Die Umsetzung erfolgt durch das Erkennen von Zusammenhängen, Abhängigkeiten, Klassen und Beziehungen, die bspw. durch die Erstellung von Entity-Relationship-Diagrammen (ERDs) visualisiert/dokumentiert werden können.
Mit den Ergebnissen, dass klar definierte Datenstrukturen und -beziehungen bekannt und dokumentiert sind, die Datenanalyse erleichtert wird und fundierte Entscheidungsgrundlagen geschaffen werden.
#4 Datenqualitätsmanagement (Data Quality Management)
Was ist Datenqualitätsmanagement?
Das Datenqualitätsmanagement stellt die Verwendbarkeit, Aussagekraft und Verlässlichkeit von Daten sicher. Es beinhaltet die Ist-Analyse, das Messen, Überwachen und Reporten der Datenqualität.
Wie erfolgt ein Datenqualitätsmanagement?
Praxisbeispiel:
✔️ Erfahren, wie es um die Qualität der Daten steht und welche Bereinigungen erforderlich sind.
➡️ Es zeigt sich, dass einige Kunden mehrfach vorkommen, einige nur im CRM, andere nur im ERP vorhanden sind. Einige Felder, wie die E-Mail-Adresse der Firma, sind identisch, aber die E-Mail-Adressen der Ansprechpartner unterscheiden sich oft. Die Daten müssen bereinigt und teilweise individuell geprüft werden. Fehlende Inhalte werden zwischen ERP und CRM übertragen, ohne weitere Dubletten zu erzeugen. Vorhandene Dubletten werden durch Zusammenführen eliminiert, um Informationen vollständig in einem Datensatz zu behalten.
➡️ Es wurde der Ist-Stand der Datenqualität, erforderliche Bereinigungen, etc. ganz konkret ersichtlich.
Ziele, Umsetzung, Ergebnisse:
Mit den Zielen, die Datenverwendbarkeit und -zuverlässigkeit sicherzustellen und Datenfehler zu reduzieren.
Die Umsetzung erfolgt durch die Implementierung von Standards zur Datenqualität, regelmäßige Datenbereinigungen und die Nutzung von Datenqualitätswerkzeugen, wie z.B. einem unternehmensspezifischem Excel-Tool.
Mit den Ergebnissen, dass zuverlässige und genaue Daten vorliegen, fundierte Entscheidungsgrundlagen geschaffen werden und Datenfehler reduziert werden. Je höher die Datenqualität, desto reibungsloser laufen darauf basierte Prozesse. Und umso mehr Prozessautomatisierung ist möglich, desto umfassender informiert sind Mitarbeitende zu tiefgreifenden Themen.
#5 Datenaufbereitung (Data Preparation)
Was ist eine Datenaufbereitung?
Die Datenaufbereitung ist die Umsetzung des Datenqualitätsmanagements – dessen Erkenntnisse, gesetzten Standards und Ziele. Dabei werden die Daten umfassend bereinigt, angereichert und in das erforderliche Format, bspw. für verschiedene Systeme, gebracht.
Wie erfolgt eine Datenaufbereitung?
Praxisbeispiel:
✔️ Auffälligkeiten aus dem Datenqualitätsmanagement beheben und die darin festgelegten Standards erreichen.
➡️ Fehlende Daten in einer Quelle werden durch Daten aus der anderen ergänzt. Unterschiede werden geprüft, der Umgang mit Sonderfällen wird mit den Fachbereichen besprochen und fehlende Informationen werden eingeholt.
➡️ Beide Datenquellen werden schließlich ohne Auffälligkeiten und im jeweiligen Systemformat aufbereitet, sodass sie für ein Systemupdate genutzt werden können.
Ziele, Umsetzung, Ergebnisse:
Mit den Zielen, Auffälligkeiten aus dem Datenqualitätsmanagement zu beheben und die darin festgelegten Standards zu erreichen, Grundlage für Automatisierungen von Prozessen, reibungslose Abläufe und Entlastung zu schaffen, verlässliche Daten bereitzustellen.
Die Umsetzung erfolgt, indem Daten bereinigt, angereichert, vervollständigt, aktualisiert, transformiert sowie spezielle Fälle mit den Fachbereichen erörtert werden.
Mit den Ergebnissen, dass die betroffenen Datenquellen der gewünschten Datenqualität entsprechen, im benötigten Format vorliegen und bereit für Systemupdates oder ähnliche Verwendungen sind.
#6 Unternehmenspolitische Datenverwaltung (Data Governance)
Was ist unternehmenspolitische Datenverwaltung?
Die unternehmenspolitische Datenverwaltung dient der durchgängigen Wahrung des Schutzes der Daten, deren Form und Verwendung – während sie gespeichert, verarbeitet, bereinigt, versendet, genutzt und gezeigt werden.
Dabei werden die Erkenntnisse aus dem Datenqualitätsmanagement sowie Kenntnisse aus Datenarchitektur und Datenmodellierung in Richtlinien verpackt. Sie sichern die Standards, sorgen für deren Einhaltung und schützen vor Zugriffen, Verlust, etc.
Wie wird unternehmenspolitische Datenverwaltung praktisch angewendet?
Praxisbeispiel:
✔️ Eine Richtlinie erstellen, die nicht nur auf dem Papier funktioniert, sondern gelebt werden kann.
➡️ Ein im Datenaufbereitungsprozess entstandenes Excel-Tool enthält Überprüfungen, Messungen und ersichtliche Zusammenhänge. Die Ergebnisse der Sonderfallprüfungen mit den Fachbereichen werden in einer Richtlinie und Systemanforderung festgehalten. Informationen der System-Dienstleister zu Umsetzungsoptionen und Empfehlungen werden hinzugefügt.
➡️ So entsteht eine praxisnahe und abgestimmte Richtlinie.
Ziele, Umsetzung, Ergebnisse:
Mit dem Ziel, eine Richtlinie zu erstellen, die nicht nur auf dem Papier funktioniert, sondern gelebt werden kann sowie anwendbaren Datenschutz und Einhaltung gesetzlicher Anforderungen.
Die Umsetzung erfolgt basierend auf den praktischen Erkenntnissen, Kenntnissen und definierten Standards vorheriger Bestandteile des Datenmanagements. Dies wird nur noch in Richtlinien runtergeschrieben, fürs Anforderungsmanagement für Systemanpassungen und -Updates definiert und für Prozessbeschreibungen visualisiert.
Mit dem Ergebnis einer praxisnahen und umsetzbaren Datenverwaltung.
#7 Datenkultur (Data Culture)
Was ist eine Datenkultur?
Die Datenkultur zeigt, wie im Unternehmen mit Daten umgegangen wird und wie sie gesehen werden – ob als lästig, nervig oder hilfreich. Sie entwickelt sich organisch und mit einem Selbstverständnis. Durch Verschriftlichung wird sie festgehalten und an neue Mitarbeitende weitergegeben. Versuche, diese ausschließlich durch Richtlinien und Schulungen zu erzwingen, sind nicht zielführend.
Wie wird eine Datenkultur aufgebaut und weiterentwickelt?
Praxisbeispiel:
✔️ Aufbau und Weiterentwicklung einer Datenkultur mit Praxisbezug.
➡️ Durch die Erörterung mit den Fachbereichen entstehen ein neues Bewusstsein, Verständnis und eine transparente Kenntnis des Ist-Zustandes. Darauf basierend wird eine gemeinsame Zielsetzung für saubere und verlässliche Kundenstammdaten entwickelt. Dies betrifft Bereiche wie Angebotserfassung, Reporting sowie Vorbereitung für Kundenbesuche und Vertriebsaktionen.
➡️ Ein wesentlicher Beitrag zur entstehenden bzw. sich weiterentwickelnden Datenkultur ist geschafft.
Ziele, Umsetzung, Ergebnisse:
Mit den Zielen, eine Datenkultur mit Praxisbezug aufzubauen und weiterzuentwickeln, Eigenverantwortung und Selbstwirksamkeit zu erkennen.
Die Umsetzung erfolgt aus der Praxis heraus und mit einem Selbstverständnis. Durch Bewusstsein für Ursache und Wirkung bei konkreten Themen sowie merkliche Entlastung bei eigenen Themen entsteht eine Möglichkeit zur Mitgestaltung eigener Erfahrungen zielführend einzubringen.
Mit dem Ergebnis, dass eine Datenkultur entsteht, begleitend zur Praxis und organisch, statt aufgezwungen. Eine Datenkultur, die auf Verstehen und Selbstverständnis beruht, muss weniger nachgehalten werden als eine, die auf Theorie und trockenen Schulungen basiert.
Schlussfolgerung
Wie wirken sich die verschiedenen Bestandteile des Datenmanagements im Unternehmen aus?
Die Bestandteile des Datenmanagements – von der Datenarchitektur über die Datenintegration bis hin zur Datenkultur – sind eng miteinander verknüpft und bilden gemeinsam ein funktionales System. Während Grundlagen, wie eine gut durchdachte Datenarchitektur, einmal geschaffen und selten angepasst werden, sind das Datenqualitätsmanagement und die Datenverwaltung kontinuierliche Prozesse. Nur das Zusammenspiel und die Berücksichtigung aller Bestandteile führen zur Ausschöpfung des vollen Potenzials des Datenmanagements, dessen Qualität sich final in der gelebten Datenkultur zeigt.
Haben Sie Bedarf in einem oder mehreren Bereichen erkannt? Vereinbaren Sie direkt einen Termin für eine unverbindliche Erstanalyse.
100% unverbindlich
