Es gibt verschiedene Hierarchiestufen im Datenmanagement, die sich als Ebenen bezeichnen lassen. Diese Ebenen – operativ, strategisch und organisatorisch – haben jeweils spezifische Aufgaben und Ziele. Nur durch die Berücksichtigung aller Ebenen und deren Zusammenspiel lässt sich ein nachhaltiges und zielführendes Datenmanagement erreichen.
Welche Datenmanagement-Ebenen gibt es?
Ebene 1: Operatives Datenmanagement
Was gehört zum operativen Datenmanagement?
Das operative Datenmanagement umfasst tägliche Datenthemen wie die Erfassung, Verarbeitung und Verwendung von Daten.
Beispiel 1: Kundenstammdaten-Qualität
Täglich und an verschiedenen Stellen und in unterschiedlichen Datenquellen werden Kundenstammdaten erfasst, geändert und verwendet. Ob in der Angebots- und Auftragserfassung, für Marketing-Aktivitäten oder Vertriebsaktionen. Dubletten, unvollständige und veraltete Daten sind häufige Probleme. Oft traut sich niemand an eine Datenbereinigung heran oder fühlt sich zuständig.
Eine Datenbereinigung und -anreicherung allein reicht in der Regel nicht aus. Nach Bereinigung und Anreicherung der Kundenstammdaten stehen Systemupdates an, die Berücksichtigung verschiedener Systeme und deren Schnittstellen sowie ein passender Prozess, der mit nur wenigen Minuten Aufwand pro Monat für eine dennoch dauerhaft hohe Datenqualität sorgen kann.
Beispiel 2: Angebotserfassung
Jede fehlende oder nicht sofort verfügbare Information in der Angebotserfassung wird zum echten Zeitfresser. Je mehr Belegpositionen, desto spürbarer. Eine saubere Artikelanlage oder gründliche Artikelstammdaten-Bereinigung, ob bei Erfassung häufig wiederkehrende Artikel, einer Vielzahl von Artikeln und auch bei komplexen, sich zusammensetzenden Artikeln – eine Aufbereitung der Artikelstammdaten lohnt sich immer, falls noch nicht umfangreich oder lange nicht erfolgt.
Beispiel 3: Analyse und Reporting
Damit wiederkehrende Auswertungen oder Sonderanalysen verwendbar und aussagekräftig sind, sind definierte Zuordnungen, einheitliche Erfassungen und die Verfügbarkeit der Informationen grundlegend. Spätestens, wenn Datenanalysen automatisiert werden sollen, fällt es vielen Unternehmen auf die Füße, wenn zuvor kein Augenmerk auf die Datenqualität gelegt wurde. Auswahllisten im System, Pflichtfelder, wo sie Sinn machen und Bewusstsein in der Datenerfassung und Transparenz zur Datenverarbeitung im Unternehmen helfen dabei sehr. Dies muss allerdings zwingend in einem zum Unternehmen passenden Konzept ausgearbeitet werden, um so viele Daten wie nötig, aber ohne Einschränkung des Tagesgeschäfts zu erhalten – in der Datenqualität, in der sie gewünscht sind.
Das Tagesgeschäft hat Vorrang. Ich priorisiere daher immer dessen Problemfälle und Anfragen. Umfassende Importvorbereitungen und Reportautomatisierungen werden, falls nötig, unterbrochen, um Anmerkungen aus dem Tagesgeschäft einfließen zu lassen.
In Unternehmen, die es umgekehrt handhaben, erlebte ich stagnierende und frustrierende Entwicklungen. Die Weichen zur Unterstützung des Tagesgeschäfts und die passenden Rahmenbedingungen, damit dies gelingt, werden durch die nächsten beiden Ebenen gelegt.
Dabei sind zwingend Erkenntnisse aus dem Tagesgeschäft und insgesamt hoher Praxisbezug zu berücksichtigen. Das strategische Datenmanagement legt eine langfristige Basis für das Datenmanagement in Unternehmen.
Ebene 2: Strategisches Datenmanagement
Was gehört zum strategischen Datenmanagement?
Im strategischen Datenmanagement werden Richtlinien festgelegt, Zuständigkeiten und Verantwortlichkeiten bestimmt und technische Entscheidungen getroffen. Diese bilden die Rahmenbedingungen und internen Standards für die operativen Tätigkeiten.
Beispiel 1: Datenarchitektur mit Datenquellen- und Systementscheidungen
Die Entscheidung für die Anzahl und Art der Systeme mit jeweiliger Datenhaltung ist entscheidend, um Datensilos und doppelte Datenhaltung zu vermeiden sowie zentrale Datenzugriffe zu ermöglichen. Diese Aufgabe liegt oft bei der IT-Abteilung.
Ein großes Problem sehe ich derzeit im Zusammenhang mit KI – stimmt die Datenbasis im Unternehmen nicht und wird KI daraufgesetzt, wirkt das wie ein Brandbeschleuniger im Datenchaos.
Beispiel 2: Schnittstellen
Systeme miteinander zu verbinden, um mehrfache Datenerfassung und unterschiedliche Datenstände zu vermeiden und Zeit im Tagesgeschäft zu sparen. Schnittstellen, die nicht ganzheitlich gedacht sind, nur für Teile von Prozessen oder die nicht ohne manuelle Eingriffe funktionieren, sind ein häufiges Problem in der Praxis.
Beispiel 3: Richtlinien
Richtlinien sind sowohl strategisch als auch organisatorisch relevant. Strategisch legen sie die langfristigen Ziele und Rahmenbedingungen fest, organisatorisch sorgen sie für die Umsetzung und Einhaltung im täglichen Betrieb.
Nur in der Theorie und rein strategisch erstellte Richtlinien, die in der Praxis nicht umsetzbar sind, stehen oft zwischen dem strategischen und operativen Datenmanagement. Eine eher grobe Skizze aus strategischer Sicht zu erstellen – die Richtlinie jedoch insbesondere praxisbasiert auszuarbeiten und mit der Skizze nur noch einmal abzugleichen, führt meiner Erfahrung nach zu wirklich anwendbaren Richtlinien.
Beispiel 4: Zuständigkeiten und Verantwortlichkeiten
Die Zuständigkeiten und Verantwortlichkeiten werden funktional und ineinandergreifend festgelegt, sodass im Tagesgeschäft nach und nach für Entlastung gesorgt wird und langfristig flexibel und zeitnah auf Änderungsanforderungen eingegangen werden kann. Wie dies gelingt, spiegelt das Tagesgeschäft sehr gut wider. Denn eine ungünstige Entscheidung in der Verantwortungsverteilung kann jede noch so umfassende und qualitative Umsetzung im operativen und organisatorischen Bereich zunichtemachen.
Beispiel 5: Bestimmung der Unternehmensziele
Abhängig von den Unternehmenszielen erfolgt die Priorisierung von Umsetzungen und die grundlegende strategische Entscheidungsfindung. Damit begründen die Unternehmensziele hinsichtlich des Datenmanagements, wie sich eine Datenkultur im Unternehmen entwickeln kann. Ziele können beispielsweise eine starke Datengetriebenheit bedeuten und Mitarbeitende zu Leidtragenden der Daten machen – oder auch datengestützte Tagesgeschäftsentlastung mit mehr Transparenz und Kundenzufriedenheit dienlicher Datennutzung bedeuten. Meine Präferenz wäre Letzteres.
Während das operative Datenmanagement auf die Funktionalität und das strategische auf das grundlegende aus ist, dient das organisatorische der Aufrechterhaltung.
Ebene 3: Organisatorisches Datenmanagement
Was gehört zum organisatorischen Datenmanagement?
Das organisatorische Datenmanagement stellt sicher, dass vorhandene Daten sicher sind und neue Erkenntnisse in die internen Standards einfließen.
Beispiel 1: Berechtigungskonzepte
Ungünstig ist, wenn zu viele auf alles zugreifen, ändern und löschen können. Ebenso ungünstig und Datensilos begünstigend ist es allerdings auch, wenn Zugriffe fehlen und Informationen regelrecht gehortet und als rares Gut gehandelt werden. Detaillierte Berechtigungskonzepte, die zulassen, auch punktuell Berechtigungen zu gewähren oder zu entziehen, machen zwar Arbeit in der Implementierung, lohnen sich jedoch.
Beispiel 2: Datenschutz
Die DSGVO ist nicht nur lästig. Praktikabel angewendet helfen Prinzipien wie z.B. der Datenminimierung bei Systementscheidungen aus einem zusätzlichen Blickwinkel hinzuschauen: wo einzelne Systeme bspw. zur mehrfachen Datenerfassung und Verteilung von Daten führen würden, könnten in einem größeren System Daten viel gezielter eingesetzt werden.
Beispiel 3: Pragmatisches Datenverständnis und Umgang mit Daten
Bewusstsein über die Relevanz von Daten, Transparenz der Verwendung von Daten und die Auswirkungen von Datenproblemen sowie ständige Sensibilisierung zu diesen Themen passiert nicht von selbst. Dies kann jedoch so in den Arbeitsalltag integriert werden, dass auf häufige und trockene Schulungen verzichtet werden kann.
Beispiel 4: Datenqualität
Dass dies regelmäßig überprüft und umgesetzt wird, wird bestenfalls durch Routinen und Prozesse sichergestellt.
Bedeutung der Schnittstellenfunktion zwischen den Ebenen im Datenmanagement
Warum sind Schnittstellen im Datenmanagement wichtig?
Aufgrund zu strikter Trennung bei der Bearbeitung innerhalb der Ebenen und fehlender Schnittstellenfunktionen bleibt die vollumfängliche Bearbeitung in Unternehmen oft aus. Eine Schnittstellenfunktion kann beispielsweise durch einen internen oder auch externen Business Analysten erfüllt werden.
Schnittstellen zwischen den verschiedenen Ebenen des Datenmanagements sind entscheidend, um reibungslose Umsetzungen zu gewährleisten. Ohne diese Schnittstellen können Datensilos entstehen, unnötig viele Meetings und nachträgliche Datenkorrekturen erforderlich werden.
Bei wem ist das Datenmanagement federführend am besten aufgehoben?
Wenn das Datenmanagement nicht bei der Geschäftsführung selbst aufgehängt ist, ist es aus meiner Erfahrung bestenfalls bei einem Business Analysten aufgehoben.
Dieser übernimmt demnach nicht nur einzelne Umsetzungen wie Auf-, Ausbau und Automatisierung von Reporting und Analyse (-Landschaft), wie es ein Data Analyst täte, sondern hat auch durchgehend die Datenqualität im Blick, wie ein Data Quality Manager sowie die relevanten Systeme wie ERP und CRM sowie Schnittstellen, gemeinsam mit der IT, die den technischen Part übernimmt.
Bei all diesen Tätigkeiten steht der Business Analyst mit der operativen Ebene in engem Kontakt, berücksichtigt alle Anmerkungen und formuliert die Anforderungen, kommuniziert und koordiniert sowie testet diese mit.
Das Gesamtziel des Unternehmens wird bei den umfassenden, aber zusammenhängend bearbeiteten Themen durchgehend nachgehalten.
Indem die einzelnen Bestandteile und Ebenen im Sinne der Beteiligten und des Unternehmens zusammengeführt werden in der Umsetzung, gelingt somit ein umfassendes, ineinandergreifendes und durchdachtes Datenmanagement.
Schlussfolgerung
Wie lassen sich die verschiedenen Ebenen und Schnittstellen im Datenmanagement zu einem erfolgreichen Gesamtkonstrukt verbinden?
Zusammenfassend lässt sich sagen, dass die verschiedenen Ebenen und Schnittstellen im Datenmanagement – operativ, strategisch und organisatorisch – eng miteinander verknüpft sind und gemeinsam ein funktionales System bilden.
Ein durchdachtes und sich mitentwickelndes Datenmanagement befähigt Unternehmen dazu, nicht nur ihre Daten zuverlässig zu nutzen, sondern interne Prozesse zu stabilisieren, flexibel reagieren zu können und neben Wettbewerbsvorteilen auch Kundenbindungen zu stärken.
Während das operative Datenmanagement die täglichen Datenprozesse abdeckt, legt das strategische Datenmanagement die langfristigen Rahmenbedingungen fest. Das organisatorische Datenmanagement sorgt für die Sicherheit und kontinuierliche Verbesserung der Daten – doch nur durch das Zusammenspiel und die Berücksichtigung aller Ebenen kann das volle Potenzial des Datenmanagements ausgeschöpft und für den Erfolg des Unternehmens genutzt werden.
Haben Sie Bedarf in einem oder mehreren Bereichen erkannt? Vereinbaren Sie direkt einen Termin für eine unverbindliche Erstanalyse.
100% unverbindlich
Weitere Ressourcen
Weiterlesen:
