Reifegradmodell: In 3 Schritten das Beste aus den Daten herausholen

bei

 / 9. October. 2020

Mit der Digitalisierung wächst die Bedeutung der Daten zunehmend – das ist nichts Neues. Aber was heißt das konkret für Unternehmen? Betriebe, die ihre Daten lediglich passiv nutzen, etwa um rückblickend den Erfolg des vergangenen Quartals auszuwerten, verschenken das enorme Potenzial der Informationen. Denn als strategischer Aktivposten eingesetzt, können Datensätze aktiv Gewinne erzielen – etwa indem sie Geschäftswachstum vorantreiben, neue Geschäftsmöglichkeiten identifiziert oder die Einhaltung gesetzlicher Vorschriften belegen und so Strafzahlungen vermeiden. Entscheidend dafür ist jedoch, dass die Daten zuverlässig und vertrauenswürdig sind. Allerdings gaben einer aktuellen Umfrage von ASG Technologies[1] zufolge 63 % der befragten Unternehmen an, Bad Data, also fehlerhafte, veraltete oder ungenaue Daten, für Geschäftsentscheidungen genutzt zu haben. Mehr als die Hälft habe so eine Geschäftsmöglichkeit verpasst. Bei 64 % seien dadurch sogar zusätzliche Kosten entstanden. Das verdeutlicht ein Problem: Beim Versuch, möglichst schnell den maximalen Wert aus den Daten zu ziehen, lassen viele Unternehmen die Grundlagen eines stabilen Datenmanagements außer Acht. Wer aber nachhaltig von seinen Daten profitieren will, braucht einen strukturierten Ansatz, der die Grundlagenarbeit miteinbezieht und darauf ausgelegt ist, stets das Optimum aus den Daten herauszuholen. Ein Reifegradmodell kann dabei unterstützen.

First things first: Die Grundlagenarbeit

Zunächst: Es gibt ihn nicht: den „einen“ Weg zum erfolgreichen Metadatenmanagement. Jeder Betrieb unterliegt anderen Voraussetzungen und ist anders strukturiert. Demensprechend individuell müssen die einzelnen Schritte ausgestaltet werden. Aber der Prozess zur Monetarisierung der Daten startet immer mit der Erkenntnis, dass das Datenmanagement optimiert werden muss. Dahinter steckt in der Regel das Ziel, bessere operative Entscheidungen zu treffen und den maximalen wirtschaftlichen Nutzen aus den Daten zu ziehen. Genau in dieser „Sensibilisierungsphase“, in der das Problem identifiziert wurde, setzt das Reifegradmodell[2] an.

Voraussetzung: Das Problem erkennen

Unternehmen in der Sensibilisierungsphase setzen bereits Daten ein, um ihr Geschäft zu betreiben. Dementsprechend verfügen sie auch über Datenverwaltungsstrukturen. Nicht selten sind die Informationen aber in Silos angelegt und in bestimmte Geschäftsbereiche, Produkte oder Zielgruppen unterteilt. Das Problem: Diese Struktur verhindert eine unternehmensweite Sicht auf den gesamten Datenbestand. Redundanzen und Unsicherheiten, wie bestimmte Datenelemente verwendet werden, sind die Folge. Die Vertrauenswürdigkeit der Informationen lässt sich nicht einschätzen. In dieser ersten Phase haben die Unternehmen den Handlungsbedarf erkannt und stehen nun vor der Herausforderung, die enorme Datenmenge zu demokratisieren.

Schritt für Schritt: Das Reifegradmodell

Schritt 1: Grundlagenarbeit – das vollständige Dateninventar

Zu Beginn müssen Unternehmen das komplette Dateninventar erfassen. Da regelmäßig neue Daten hinzukommen, gilt es anschließend einen automatisierten Prozess einzuführen, der diesen Bestand kontinuierlich aktualisiert. Das ist einer der wichtigsten Schritte, der oftmals übersprungen wird. Genau das verursacht hinterher Probleme. Denn um die Vertrauenswürdigkeit der Daten einzuschätzen, müssen die Mitarbeiter wissen, welche Daten wo abgelegt sind, aus welcher Quelle sie stammen und in welchem Kontext sie stehen. Erst dann können sie sie als sichere Entscheidungsgrundlage nutzen. Entsprechende DI-Tools erkennen Bestände und integrieren Informationen zur Quelle, Anwendung oder dazugehörigen Geschäftsprozessen automatisch.

Schritt 2: Das Datenmanagement

Ist das Dateninventar vollständig und aktuell, können sich die Unternehmen dem Datenmanagement widmen. Wichtige Prozesse sind hier: Data Governance, Datenaustausch und Datenrationalisierung. Data Governance gibt den Rahmen und die Regeln für das Datenmanagement vor. Gleichzeitig kontrolliert es auch die Einhaltung von definierten Prozess-, Qualitäts- und Sicherheitsstandards. Damit sorgt Data Governance nicht nur für einen verständlichen, korrekten und sicheren Datenbestand, sondern ist auch ein wichtiger Faktor für die Einhaltung von Datenschutzrichtlinien. Mit Data Sharing können Mitarbeiter bereichsübergreifend zusammenarbeiten. Dazu wird ein Self-Service-Inventar erstellt, in dem sie alle relevanten Daten für ihre Aufgabe finden können. Besonders zur Förderung von Innovationen spielen solche Self-Service-Datenzugriff eine wichtige Rolle. Data Rationalization senkt Kosten und erleichtert das Finden von Daten. Dazu werden die Datenbestände kategorisiert und mit einem wesentlichen Geschäftswert verknüpft. Ein Geschäftsglossar fasst die entsprechenden Geschäftsbegriffe zusammen. Diese Zuordnung von Geschäftsbegriffen zu Datenelementen ist die Basis für automatisiertes Data Lineage, das die Herkunft und den Fluss der Daten durch das Unternehmen nachvollzieht. So lassen sich doppelte oder nicht verwendete Daten erkennen und entfernen. Der Vorteil: Sind weniger Datenelemente vorhanden, sinken Speicher- und Verwaltungskosten, und nützliche Daten lassen sich leichter finden.

Schritt 3: Daten monetarisieren

Nach Schritt eins und zwei besitzen die Unternehmen bereits die wesentliche Informationsstruktur, um einen wirtschaftlichen Nutzen aus den Daten zu ziehen. Um den Prozess zu vollenden, sind im letzten Schritt fünf Aspekte wichtig:

  • Daten ermitteln, die geeignet sind, das Geschäft voranzubringen
  • Datenbestände kennzeichnen, um sie mit der geschäftlichen Nutzung zu verknüpfen
  • Metriken hinzufügen, um festzustellen, wer Daten für welchen Zweck verwendet und welcher Wert daraus abgeleitet wird
  • Neue Datenquellen automatisch erfassen und kennzeichnen, um Monetarisierungsmöglichkeiten zu identifizieren
  • Den Wert der Daten feststellen und an externe Nutzer weiterleiten

Fazit

Die zunehmende Masse an Daten, gesetzlichen Vorgaben und auch die Erwartungen der Kunden üben immer mehr Druck auf die Unternehmen aus. Accenture[3] zufolge ist das Extrahieren des Datenwerts sogar längst zu einer Wettbewerbsnotwendigkeit geworden. Vor allem bei Geschäftsentscheidungen, Produkteinführungen und der Marktpositionierung sind vertrauenswürdige Daten wertvoll und können einen entscheidenden Wettbewerbsvorteil ausmachen. Die drei Schritte des Reifegradmodells helfen Unternehmen dabei, ihre Daten genau zu kennen und zu wissen, wo sie diese gewinnbringend einsetzen können. So können sie langfristig das Optimum aus den Daten herausholen.

 

Quellen und Referenzen:

[1] https://content.asg.com/MarketingCollateral/DataIntelligence/whitepaper-asg-data-intelligence-barriers-to-success.pdf

[2] https://www.asg.com/de/Collateral/The-ASG-Data-Intelligence-Maturity-Model.aspx

[3] https://www.accenture.com/us-en/topic-accenture-value-of-data

 

Über den Autor:


Nicole Biel verantwortet seit 2019 bei ASG Technologies als Regional Field Marketing Manager den Bereich DACH. Sie ist seit 20 Jahren im Bereich IT tätig und kann auf Führungspositionen im Consulting, Lösungsvertrieb und Marketing bei internationalen Unternehmen wie amdocs und SAP zurückblicken.