Enterprise Data Management: Verwendung und Bedarf

Einleitung

Unsere digitale Welt basiert auf Informationen. Daten sind überall und jeder nutzt sie für sein tägliches Geschäft. Das Datenmanagement erfreut sich in letzter Zeit bei Unternehmen, Organisationen, Analysten und Beratern großer Beliebtheit. Was treibt diese Entwicklung an, wenn man bedenkt, dass dieses Thema im Allgemeinen nicht als sehr sexy angesehen wird?

Daten sind eine Darstellung von Fakten. Indem Daten in einen Kontext gestellt werden, werden Informationen erstellt. Das Fehlen eines guten Datenmanagements bedeutet oft automatisch, dass Management- und Betriebsinformationen nicht effektiv sind. Auf lange Sicht wird dies eine Organisation so weit lähmen, dass sie nicht mehr richtig funktionieren kann. Der Grund dafür ist, dass wichtige Entscheidungen zu spät getroffen werden, weil sich die Menschen nicht mehr auf Managementinformationen verlassen können. Darüber hinaus erfordert das Geschäftsprozessmanagement immer mehr Zeit und Aufwand, da Aufgaben und Verantwortlichkeiten der Abteilungen nicht gut aufeinander abgestimmt sind. In dieser Situation erstellt und verwaltet jeder nur die Daten, die für die Ausführung seiner eigenen Aufgaben erforderlich sind, und verwendet dementsprechend einen eigenen Satz von Datendefinitionen. Weil sich Abteilungen gegenseitig Ungenauigkeiten vorwerfen, werden massenhaft Kontrollmaßnahmen verhängt und die Operationen werden noch zäher, was zu einer Abwärtsspirale für das gesamte Unternehmen führt. Daher besteht ein dringender geschäftlicher Grund, dem Datenmanagement eine unabhängige und professionelle Position innerhalb von Organisationen zuzuweisen.

Darüber hinaus erzwingen Regeln und Vorschriften eine strukturierte Organisation des Datenmanagements. Vorschriften im Finanzsektor, wie Basel und Solvency, schreiben die Implementierung eines Governance-Rahmens für die Datenqualität und die Rückverfolgbarkeit von Informationen vor, die in Organisationsberichten verwendet werden. In diesem Zusammenhang heißt es in Basel II: Die Bank muss über ein Verfahren zur Überprüfung der Dateneingaben in ein statistisches Ausfall- oder Verlustvorhersagemodell verfügen, das eine Bewertung der Genauigkeit, Vollständigkeit und Angemessenheit der Daten für die Zuweisung eines genehmigten Ratings umfasst. Qualitatives Datenmanagement ist wichtig, um diese Kriterien erfüllen zu können, kann aber auch sehr zeitaufwändig in der Umsetzung sein. In diesem Zusammenhang ist es schwierig, Regeln und Vorschriften einzuhalten oder Vereinbarungen mit Lieferanten und Kunden zu treffen.

Enterprise Data Management umfasst alle Aktivitäten innerhalb von Organisationen, die auf die strukturierte Identifizierung, Klassifizierung, Registrierung, Modellierung, Entsperrung, Sicherung, Archivierung und Löschung von Daten abzielen. In diesem Rahmen steht der Begriff Enterprise für den organisationsweiten Charakter des Datenmanagements.

Die Tatsache, dass das Datenmanagement im Geschäftsbetrieb eine so entscheidende Rolle spielt, wird durch Aussagen von C-Level-Beamten unterstrichen. Aloys Kregting, CIO von DSM, 2011 zum CIO des Jahres gewählt, sagt: ‚Dem CIO sollte es vor allem um den Wert von Informationen gehen. Sie müssen genau wissen, welche Personen welche Informationen wann benötigen, und diesen Prozess ebenfalls erleichtern. Dies unterstreicht einmal mehr die Bedeutung des Reportings und des Stammdatenmanagements.‘

Als zweites Beispiel können wir auf den CEO eines Ölexplorations- und Produktionsunternehmens verweisen, der erkennt, dass ein gutes Datenmanagement der nächste Schritt auf dem Weg zu Business Excellence ist und es ihm ermöglichen wird, sich von seinen Konkurrenten abzuheben: ‚Kontinuierliche Verbesserungsbemühungen werden sich nun darauf konzentrieren, diese Veränderungen zu nutzen und den verborgenen Wert aufzudecken, den sie bieten. Dies bedeutet vereinfachte Prozesse und ein verstärktes Datenmanagement, um schnellere und fundiertere Entscheidungen zu treffen, besser auf Kundenbedürfnisse eingehen zu können und weniger Verschwendung zu verursachen – alles was zu einer höheren Wettbewerbsleistung führt.‘

Daten als Vermögenswert

Wie oben erwähnt, sind Daten eine Darstellung von Fakten. In einem geschäftlichen Umfeld bedeutet dies ‚Fakten über den Geschäftsbetrieb‘. Ohne Kontext oder Struktur haben diese Daten keinen Mehrwert für ein Unternehmen. Es fehlt der Inhalt und die Bedeutung, um einen wirklichen Wert zu haben. Dabei unterscheiden wir zwischen strukturierten Daten (gespeichert und angeordnet in einer Datenbank) und unstrukturierten Daten (in Form von Dokumenten, Dateien, Bildern, Textnachrichten, Formularen, Videos oder Tonaufnahmen, die nicht in Zeilen, Spalten oder Datensätze aufgenommen werden können).

Ohne Zusatzinformationen ist es schwierig, wenn nicht unmöglich, diese Daten zu klassifizieren, zu registrieren und für die Verwendung freizuschalten. In dem Moment, in dem wir den Kontext zu diesen Daten bringen, gewinnen sie an Bedeutung. Wir fügen dann eine Referenz, ein Datum und eine Uhrzeit, die Bedeutung der Nachricht und ein Format hinzu. Damit werden die Daten strukturiert und zu Informationen. Wenn wir alle verschiedenen Informationsquellen verbinden, indem wir Beziehungen herstellen und Muster identifizieren, werden diese Informationen zu Wissen. Dies ist also der Mehrwert von Business Intelligence (BI): Die Verbindung verschiedener Informationsquellen in einer Organisation, um die Entscheidungsfindung durch das Management des Unternehmens zu verbessern. Siehe auch Abbildung 1.

Abbildung 1. Wert von Daten, in Kontext gestellt.

Organisationen, die am besten in der Lage sind, ihre Daten zu strukturieren und diese Informationen für die Wissensarbeiter im Unternehmen zu öffnen, haben einen Wettbewerbsvorteil. Die Nutzung der inhärenten kommerziellen Macht dieser Daten wird Unternehmen und Organisationen einen strategischen Vorsprung gegenüber ihren Wettbewerbern verschaffen. Eric Schmidt, ehemaliger CEO von Google, erklärte 2010: ‚Ich glaube nicht, dass die Gesellschaft versteht, was passiert, wenn alles verfügbar, erkennbar und von jedem jederzeit aufgezeichnet wird.‘ Und Gartner erklärt: Im privaten Sektor schätzen wir zum Beispiel, dass ein Einzelhändler, der Big Data in vollem Umfang nutzt, das Potenzial hat, seine operative Marge um mehr als 60% zu steigern.‘ ()

Aber es geht nicht nur darum, Daten gut zu strukturieren und freizuschalten. Seit einigen Jahren war die vorherrschende Idee, dass BI das Problem der Managementinformationen lösen würde. Die meisten globalen Unternehmen und Organisationen haben komplexe Software implementiert und teure BI-Programme ausgeführt. Dennoch ist das Management nicht zufrieden. Da BI in erster Linie auf strukturierte Daten ausgerichtet ist, wird nicht genügend Aufwand investiert, um den Wert unstrukturierter Daten zu erschließen. Darüber hinaus können Managementinformationen nicht einfach an sich ändernde Unternehmensanforderungen angepasst werden. KPMG hat erklärt: ‚Riesige Investitionen in IT garantieren nicht unbedingt bessere Informationen. Wichtiger ist es, die Art und Weise, wie Daten gesammelt, verarbeitet und präsentiert werden, grundlegend zu verändern.‘ ()

Informationen, die über ein Data Warehouse verfügbar gemacht werden, sind wertlos, wenn die Qualität des zugrunde liegenden Datensatzes schlecht ist. Unstrukturierte Daten (ca. b. 85% aller Unternehmensdaten) nicht über ein Data Warehouse abgerufen werden. Die Fragen sind daher: Wie können wir diese Daten aufwerten und was macht ein gutes Datenmanagement für unstrukturierte Daten aus? In diesem Zusammenhang bedeutet ‚gut‘ in Übereinstimmung mit den Qualitätskriterien, die die Organisation den Daten auferlegt hat. Es ist offensichtlich, dass ‚gute Daten‘ nicht einfach aus dem Nichts erscheinen. Ein Rahmen ist erforderlich. Dieser Rahmen besteht aus Aktivitäten, die ein Unternehmen logisch und präzise anordnen und in die Organisation einbetten muss. Dies nennt man Datenmanagement und umfasst alle organisatorischen Aktivitäten, die auf den Geschäftsbetrieb ausgerichtet sind, um Daten strukturiert zu identifizieren, zu klassifizieren, zu registrieren, zu modellieren, zu entsperren, zu sichern, zu archivieren und zu löschen. Für solche Aktivitäten verwenden wir den Begriff ‚Enterprise Data Management‘ (EDM), da es sich um Aktivitäten handelt, die unternehmensweit ausgeführt werden.

Das Bewusstsein, dass ein gutes Datenmanagement einen Mehrwert für die Unternehmensaktivitäten schaffen und die Gewinne steigern kann, hat Analysten und Berater dazu veranlasst, Daten auf die gleiche Ebene wie andere Unternehmensressourcen wie Grundstücke, Gebäude und Maschinen zu stellen. In diesem Zusammenhang werden Daten als Unternehmenswert definiert. Vermögenswerte müssen gut verwaltet werden: ordnungsgemäß gewartet und geschützt, mit zugewiesenem Eigentum und rechtzeitiger Entsorgung oder Ersatz von Daten, wenn diese veraltet sind. Genau wie andere Assets können auch Organisationsdaten verkauft werden, um ihren Wert zu ermitteln. Zum Beispiel werden Wettbewerber Kundeninformationen schätzen, weil sie zur Verbesserung des Umsatzes verwendet werden können.

Direktoren führender Unternehmen auf der ganzen Welt haben dies voll und ganz erkannt. Datenbezogene Programme sind auf ihren Aktionslisten prominent vertreten. Die Hackett Group erklärt: ‚Was Unternehmen erkennen, ist, dass sie viel Geld in die Anwendungen geworfen haben, aber ohne ihre Daten zu standardisieren und zu bereinigen, erhalten sie immer noch Informationen, die keinen Sinn ergeben. Sie haben Unternehmen, die unterschiedliche Definitionen verwenden, die Metriken unterschiedlich berechnen und unterschiedliche Hierarchien verwenden. Dieses gesamte Konzept des Stammdatenmanagements ist für Unternehmen absolut entscheidend, um schließlich an den Punkt zu gelangen, an dem sie über Predictive Analytics verfügen.‘ Der Business Case für die Initiierung von Master Data Management (MDM) -Programmen scheint offensichtlich: ‚Bis 2013 wird MDM die Datenredundanz von Unternehmen reduzieren, wodurch 80% der mit der Verwaltung redundanter Daten verbundenen Kosten eingespart werden können.‘ ()

Modelle für das Unternehmensdatenmanagement

Das Management von Daten ist seit geraumer Zeit Gegenstand großer Aufmerksamkeit, und es gibt eine Fülle von Modellen und Methoden, die alle behaupten, die beste Antwort auf die Struktur des Unternehmensdatenmanagements zu geben. Die Internationale Organisation für Normung, besser bekannt als ISO, hat unzählige Standards, von denen jede einen Teilaspekt des Datenspektrums abdeckt. Zum Beispiel befasst sich ISO 27001 mit Informationssicherheit. ISO 15489 ist die Norm, die auf das Management von Informationen aus archivalischer Sicht angewendet wird. ISO 23081 ist der Standard für Metadaten. Darüber hinaus kann man ISO 19005 als Richtlinie für das Erscheinungsbild von Daten verwenden. Wir haben also eine Flut von Standards. Andere Frameworks wie COSO und Frameworks wie Cobit und ISF sprechen von der Bedeutung von Daten im weiteren Sinne, jedoch nur aus einer Risikoperspektive.

Data Management Body of Knowledge

Ein vollständigeres Modell scheint das von DAMA-DMBOK zu sein. Es enthält eine Sammlung von Best Practices im Bereich des Datenmanagements, die im Laufe der Jahre durch neue Erkenntnisse aus der Praxis ergänzt wurden. Der DAMA-DMBOK-Leitfaden (vollständig: Data Management Body of Knowledge) ist eine Veröffentlichung der Data Management Association, einer internationalen Organisation, die sich an Datenmanager und Datenfachleute richtet, um Wissen über Datenmanagement zu verbreiten.

Der DMBOK identifiziert zehn verschiedene Datenfunktionen. Diese Funktionen sind in Abbildung 2 dargestellt. Data Governance ist die Funktion, die die anderen Domänen miteinander verbindet. In jedem der Bereiche sollten Umweltfaktoren wie aktuelle Arbeitsmethoden und -verfahren, verwendete Techniken und die Organisationskultur berücksichtigt werden.

Abbildung 2. Datendomänen nach DAMA ().

DAMA hat seine Schwachstellen. Zum Beispiel die Tatsache, dass die genannten Funktionen sich nur in groben Zügen aufeinander beziehen, so dass ein Benutzer nicht immer den Zusammenhang zwischen Funktionen und in der Folge die übergeordnete Bedeutung der Kombination erkennt oder versteht. Darüber hinaus scheint DAMA zumindest zu diesem Zeitpunkt auf traditionelle, strukturierte Daten ausgerichtet zu sein. In diesem Fall wird der Bedeutung von Inhalten aus den sozialen Medien wenig Aufmerksamkeit gewidmet. Die Datensicherheit innerhalb von DAMA zielt in erster Linie auf den technologischen Schutz von Daten ab. Abgesehen davon wurde der unterschiedliche Umgang der Generationen mit Daten nicht explizit als relevanter Faktor (Umweltfaktor) anerkannt. Schließlich – und das ist vielleicht der größte Einwand – handelt es sich vor allem um einen konzeptionellen Rahmen. Es fehlen praktische Beispiele, um Konzepte und Begriffe für den Leser ausreichend klar zu machen, was die Gefahr einer inkonsistenten Interpretation mit sich bringt. Die Art und Weise, wie der Rahmen umgesetzt werden sollte, ist ebenfalls ziemlich unklar. Dies widerspricht dem primären Ziel eines Wissenskörpers. Schließlich sollte die Anwendung dieses Wissensbestands darauf abzielen, die Konsistenz bei der Anwendung des Datenmanagements zu fördern. Aus diesen Gründen verwenden wir DAMA nur zur Identifizierung von Funktionen, da diese tatsächlich solide sind.

KPMG Enterprise Data Management Model

Die oben genannten Modelle enthalten wichtige Elemente, die bei der Realisierung einer professionellen Datenmanagementorganisation beachtet werden müssen. Für die Operationalisierung des Datenmanagements sind jedoch auch andere Aspekte wichtig, die von diesen Modellen nicht abgedeckt werden.

Dazu gehört zunächst, dass Daten zwischen Systemen sowohl innerhalb der Organisation als auch zwischen der Organisation und Dritten ausgetauscht werden. Daher sollte das Datenmanagement sicherstellen, dass gute Vereinbarungen über das Format getroffen werden, in dem Daten geliefert werden, über die Validierung der Qualität der gelieferten Daten, über mögliche Anreicherungsrunden vor der Weiterverarbeitung der Daten und über etwaige Verfahren, wenn Mängel im Prozess auftreten. Wir fassen diese Aktivitäten unter den Begriffen ‚Akquisition und Authoring‘ und ‚Vertrieb‘ zusammen.

Darüber hinaus sollte EDM auch sicherstellen, dass der EDM-Rahmen als Ganzes beibehalten werden kann. Die Organisation muss über Prozesse verfügen, um Dokumente und Fehler aufzuzeichnen, die während der operativen Ausführung von EDM-Aktivitäten festgestellt wurden. Diese sollten in den Konsultationsgremien der EDM-Governance erörtert werden und zu einer Anpassung der bestehenden Verfahren und Techniken führen. In diesem Zusammenhang kann man eine Situation betrachten, in der ein Datenqualitäts-Dashboard, das innerhalb einer Organisation verwendet wird, angepasst werden muss, weil die Organisation ein neues Datenobjekt überwachen möchte. In solchen Fällen sollte es einen Änderungsprozess geben, der die Entscheidungsfindung für diese Änderung vornimmt und die Änderung des Dashboards nach der Entscheidung umsetzt.

Schließlich sollten alle von einer Organisation durchgeführten EDM-Aktivitäten nach ihrer Wirksamkeit und Effizienz bewertet werden. Genau wie bei den primären Prozessen innerhalb einer Organisation sollte es einen Plan-, Do-, Check- und Act-Mechanismus für EDM geben, damit kontrolliert werden kann, ob die Ausführung von EDM-Aktivitäten den diesbezüglichen Vereinbarungen entspricht oder nicht. Die Prozessüberwachung ermöglicht dies und ermöglicht es der EDM-Organisation, Fehler unabhängig zu identifizieren und Korrekturmaßnahmen zu ergreifen.

Diese Schritte sind im KPMG EDM-Modell in Abbildung 3 dargestellt.

Abbildung 3. KPMG Unternehmensdaten-Management-Modell.

Nachfolgend finden Sie eine kurze Beschreibung der wichtigsten Elemente des Modells.

• Data Governance ist auf die Steuerung von Datenmanagementaktivitäten ausgerichtet. Themen wie Strategie, Politik, Rollen, Aufgaben und Verantwortlichkeiten fallen in diese Kategorie.
• Datenarchitektur befasst sich mit der Definition und Dokumentation von Datenobjekten und Datenstrukturen in einem Datenmodell. Diese bilden die Grundlage für die Informationsanalyse und den Prozess- und Systemaufbau in einer Organisation.
• Stammdatenmanagement betrifft die Qualität von Stamm- und Referenzdaten. Das ultimative Ziel ist es, einzigartige (‚goldene‘) Datensätze zu erstellen.
• Data Warehousing ist die Aktivität, die die Definition der Architektur sicherstellt, die zum Speichern von Daten in relationalen Datenbanken verwendet wird.
• Business Intelligence beinhaltet das Öffnen von Daten, die in Data Warehouses gespeichert sind. Die Daten müssen so bereitgestellt werden, dass sie dem Management nützliche Informationen liefern, die es ihm ermöglichen, fundierte Entscheidungen zu treffen.
• Das Datenqualitätsmanagement betrifft die strukturelle Dokumentation von Qualitätskriterien, die Analyse der tatsächlichen Datenqualität und das Datenqualitätsreporting.
• Content Management zielt auf die Klassifizierung von Daten, die Strukturierung von Dokumentenflüssen und den Zugriff darauf ab.
• Die Archivierung orientiert sich an der Verlagerung inaktiver Daten in andere Umgebungen.
• Unter Governance Operations versteht man unter Metadaten Informationen zu Datenverwaltungselementen wie technische und funktionale Beschreibungen von Datenobjekten und Datenmodellen.
• Das Datenbankmanagement ist auf die operative technische Verwaltung von Datenbanken ausgerichtet.
• Die Datensicherheit zielt darauf ab, Daten vor unbefugtem Zugriff und unbefugter Verwendung dieser Daten zu schützen.
• Das Identitätsmanagement legt abschließend den Zugriff auf Daten fest.

Für eine detailliertere Beschreibung einiger dieser EDM-Elemente verweisen wir auf die separaten Beiträge zu EDM-Elementen, die in diesem Kompakt enthalten sind.

EDM aus organisatorischer Sicht

Im Rahmen dieses Artikels bleibt uns nur noch die Frage, wie das EDM-Modell am besten in der Praxis umgesetzt werden kann.

Wenn man sich die verschiedenen Komponenten von EDM genau ansieht, wie in Abbildung 3 gezeigt, hat man den Eindruck, dass es in diesen Komponenten wenig logische Ordnung gibt. Abbildung 3 zeigt, dass es keine vorgeschlagene Priorisierung oder Phasenfolge der Konstruktion und Implementierung der Elemente gibt. Es ist jedoch offensichtlich, dass Data Governance alle anderen Elemente miteinander verbindet. Damit möchten wir darauf hinweisen, dass es keine Rangfolge zwischen den Domänen gibt und dass die Reihenfolge, in der die Komponenten von EDM angeordnet sind, rein zufällig ist. Data Governance bildet hier eine Ausnahme. Die Verbindung, die Data Governance zwischen allen anderen Teilen von EDM bildet, zeigt deutlich, dass keine Datenmanagementaktivität entwickelt und erfolgreich implementiert werden kann, wenn es keine Data Governance innerhalb der Organisation gibt.

Data Governance bildet die Grundlage für alle Datenmanagementaktivitäten. Ohne dieses Fundament wären die Aktivitäten nur ein Haufen loser Ziegel ohne Struktur und Zement. Dies könnte bedeuten, dass BI-Lösungen gekauft und implementiert werden, während es nicht genügend Datenstandards oder Datendefinitionen gibt. Oder es kann sein, dass die Datenqualität, die erforderlich ist, um zuverlässige Managementinformationen zu generieren, unzureichend ist. Dies kann dazu führen, dass Systeme entworfen und gekauft werden, die nicht mit anderen Systemen kompatibel sind, da es kein übergeordnetes Unternehmensdatenmodell gibt, das als Grundlage für alle Systementwicklungen dient. Es kann letztendlich dazu führen, dass eine Organisation die Spuren, die Internetnutzer auf Websites hinterlassen, aktiv nutzt, ohne die Datenschutzbestimmungen zu berücksichtigen, was zu Imageschäden und möglicherweise zu Ansprüchen führen kann.

Data Governance stellt sicher, dass es eine unternehmensweite Vision und Strategie für das Datenmanagement gibt, die vom Management unterstützt wird. Die Vision informiert uns darüber, was wir erreichen wollen. Es zeigt sozusagen den Ehrgeiz der Organisation an. Alle datenbezogenen Aktivitäten sollten dieser Vision entsprechen, und die Strategie sollte Konsistenz in diesen Aktivitäten bringen. Die Strategie bestimmt auch den Umfang des Datenmanagements innerhalb einer Organisation. Wenn sie das übergeordnete DAMA-Modell ignorieren, ziehen es Organisationen möglicherweise vor, bestimmte Aspekte aus der Betrachtung auszulassen, da sie wahrscheinlich bereits an anderer Stelle in einer dezentralen Einheit ausgefüllt werden. Ein immer wiederkehrendes Phänomen ist zum Beispiel die Tatsache, dass HR eine eigene Datenmanagementorganisation aufbaut und nur eingeschränkt von den Richtlinien und Standards Gebrauch macht, die die zentrale Datenmanagementorganisation entwickelt hat.

Data Governance stellt auch sicher, dass der Formulierung von Richtlinienregeln Aufmerksamkeit geschenkt wird. In diesem Zusammenhang beziehen wir uns auf die Informationssicherheitspolitik, Richtlinienregeln zur Datenarchitektur, Archivierung und Datenqualität. Darüber hinaus sorgt Data Governance für die organisatorische Einbettung des Datenmanagements. Es ist notwendig zu bestimmen: Wer ist letztendlich verantwortlich, wo und wie werden Entscheidungen über Strategie, Politik, Standards, Rollen, Eigentum getroffen? Wie und wann werden beispielsweise Berichte über Datenverwaltungsaktivitäten innerhalb der Organisation formuliert? Wie organisieren wir die Durchführung der Stammdatenpflege?

Dieser Überblick wird deutlich gemacht haben, dass Data Governance die Grundlage eines guten Datenmanagements ist. Unabhängig davon, in welchem Reifegrad sich eine Organisation befindet, ist es immer von Vorteil, die Qualität der Data Governance ernsthaft zu untersuchen und zu prüfen, ob ihre Reichweite angemessen ist oder nicht.

Stellen Sie sich vor, eine Organisation hat ihre Data Governance vollständig in Ordnung. Gibt es dann Standbeine oder Best Practices, die klären können, welche der anderen Datenmanagementkomponenten hinsichtlich der Priorisierung direkt für eine Optimierung in Frage kommen? Leider ist dies nicht der Fall. Mit anderen Worten, die Erfahrung hat uns gelehrt, dass dies von den Prioritäten abhängt, die sich aus der Agenda der Organisation selbst ergeben.

Stellen Sie sich vor, eine Organisation beschließt, ein altes Informationssystem durch ein neues ERP-System zu ersetzen. Man könnte sich dann fragen, welche Auswirkungen dies auf das Datenmanagement haben könnte. Was sollte die höchste Priorität haben? Dies kann dazu führen, dass dem ‚Data Quality Management‘ als Folge der notwendigen Migration höchste Priorität eingeräumt wird. Verschmutzte Daten werden bereinigt, Metadokumentationen angegangen und das Stammdatenmanagement verbessert. Die Implementierung einer Datenintegrationsanwendung kann beispielsweise dazu führen, dass das Datenarchitekturmodell aktualisiert wird und eine Datenqualitätsanwendung ausgewählt und implementiert wird, um Daten zu bereinigen und anzureichern, bevor sie mit anderen Plattformen geteilt werden.

Abbildung 4. Beziehung zwischen Geschäftsmodell und EDM.

Abschließend glauben wir, dass auf der Grundlage von Data Governance und abhängig von der Geschäftsagenda der Organisation diejenigen Datenmanagementaktivitäten verfolgt werden sollten, die zu einem bestimmten Zeitpunkt den größten Mehrwert bei der Verwirklichung der Agenda bringen. Die Details sind in Abbildung 4 dargestellt. Im Mittelpunkt von Vision und Strategie steht das Geschäftsmodell, das zur Verwirklichung der in Vision und Strategie erklärten Ziele erforderlich ist. Dieses Geschäftsmodell stellt Anforderungen an die primären und unterstützenden Prozesse. Damit diese Prozesse funktionieren, werden Ressourcen benötigt, die sich später in Manpower, Daten und IT-Ressourcen unterteilen lassen. Was genau und wie viel im konkreten Fall auf der Datenseite benötigt wird, bestimmt die Geschäftsagenda. EDM bietet einen Halt für die Art und Weise, wie dies organisiert werden sollte. Dies ist ein maßgeschneiderter Ansatz und kann nicht in ein festes Muster von Datenmanagementaktivitäten eingekapselt werden.

Fazit

In diesem Beitrag haben wir eine Einführung in EDM als Ansatz zur Verwaltung aller Daten gegeben, die eine Organisation generiert oder erfasst. Eine ordnungsgemäße Implementierung dieses Ansatzes stellt sicher, dass diese Daten den Datenqualitätsanforderungen der Organisation entsprechen und dass die Daten, die zur Ausführung von Prozessen und zum Treffen fundierter Entscheidungen des Managements erforderlich sind, korrekt, vollständig und zeitnah verfügbar sind. In diesem Fall sind Daten ein Asset, das wie alle anderen Unternehmenswerte verwaltet werden muss. Anschließend haben wir die Bestandteile von EDM weiter definiert. So ist ein Rahmen von Managementaktivitäten entstanden, der die Grundlage für die Datenqualität bildet. Schließlich haben wir argumentiert, dass die Implementierung der Bestandteile nicht nach einem festen Muster erfolgen kann. In der Operationalisierung ist es die Unternehmensstrategie und Priorisierung, die bestimmen, welche der Komponenten von EDM ausgewählt und optimiert werden. Eine entscheidende Rolle wird der Data Governance zugewiesen, die die organisationsweite und vom Management gesponserte Vision und Strategie sicherstellt.