Datenmanagement (DM) umfasst eine umfassende Sammlung konsistenter und verantwortungsvoller Praktiken, Konzepte und Prozesse. Diese Ressourcen richten Daten auf den Geschäftserfolg aus und implementieren a Datenstrategie. Darüber hinaus reichen sie von der langfristigen, abstrakten Planung bis hin zu praktischen, alltäglichen Datenaktivitäten.

Da DM viele Ergebnisse, Verhaltensweisen und Aktivitäten im gesamten Datenlebenszyklus umfasst, müssen Unternehmen es in einem organisieren Rahmen hilfreich. Eine solche Methodik umfasst mindestens Folgendes:

• Datenstrategie: Die Grundlage für die Priorisierung von Ressourcen und die Durchführung von Datenoperationen
• Datenamt: Eine Formalisierung von Datenverwaltungsrichtlinien, -verfahren und -rollen
• Datenarchitektur: Die Dateninfrastruktur des Unternehmens in ihrer Gesamtheit und ihren Komponenten

Unternehmen verwalten unter anderem diese drei Komponenten, um Geschäftschancen zu erhöhen, den Betrieb gut zu führen und Risiken zu reduzieren.

Datenmanagement definiert

Manchmal wird das Datenmanagement mit seinen Komponenten und Praktiken während der Geschäftskommunikation ausgetauscht. Folglich wird es in einem bestimmten Kontext verwendet, z Data Governance-Programm oder die Implementierung einer bestimmten Datenplattform, während andere DM-Prinzipien außer Acht gelassen werden.

Diese Art der Kommunikation löst Probleme oder erledigt Angelegenheiten schnell. Formalisierte Datenmanagement-Definitionen gehen jedoch weit gefasst und konzentrieren sich auf das gesamte Framework, sodass das Unternehmen im Allgemeinen auch andere Komponenten berücksichtigt. 

Zum Beispiel die von DAMA International DMBOK definiert Datenmanagement als „Entwicklung, Ausführung und Überwachung von Plänen, Richtlinien, Programmen und Praktiken, die den Wert von Daten und Informationsressourcen während ihres gesamten Lebenszyklus bereitstellen, kontrollieren, schützen und steigern.“ Diese Bedeutung umfasst alle Aktivitäten mit Daten im Verlauf ihrer Nutzung.

Zum Datenmanagement gehört auch jede Verbindung zwischen Unternehmen und Daten. Dieses Konzept deckt alle Themenbereiche und Strukturtypen von Unternehmensdaten ab, um den Datenverbrauchsanforderungen aller Anwendungen und Geschäftsprozesse gerecht zu werden. Darüber hinaus alle Datenereignisse und -praktiken, die für die Verwendung von Daten erforderlich sind Geschäftsentscheidungen fallen in den Kontext von DM.

Prozesse und Beteiligungen rund um die Bereitstellung konsistenter Echtzeitdaten im gesamten Unternehmen finden unter dem Dach von DM statt. Dazu gehören verbesserte Skalierbarkeit, Sichtbarkeit, Qualität, Vorbereitung, Governance, Sicherheit und Zuverlässigkeit. 

Datenverwaltungskomponenten

Die Auswahl an Datenmanagement-Praktiken, -Konzepten und -Prozessen bildet verschiedene Komponenten, die gemäß dem Datenmanagement-Framework beschrieben werden können. DAMA International hat ein weiterentwickeltes DMBoK 2 Wheel bereitgestellt, wie unten zu sehen:

Ein gelber Kreis mit übergeordneten Konzepten umgibt die Datenmanagementaktivitäten, die über den gesamten Lebenszyklus hinweg und grundlegende Aktivitäten durchgeführt werden. Diese Ideen informieren, leiten und treiben die Umsetzung von DM in einer Organisation voran. Dazu gehören die Datenstrategie und Daten-Governance.

Grundlegende Aktivitäten dienen der Arbeit des Datenmanagements, um den Lebenszyklus zu verwalten und aus Data Governance-Ergebnissen hervorzugehen. Beispiele für diese Ausgaben sind:

• Datensicherheit: Implementierung von Richtlinien und Verfahren, um sicherzustellen, dass Menschen und Dinge auch bei böswilligen Eingaben die richtigen Maßnahmen mit Daten und Informationsbeständen ergreifen. 
• Metadatenverwaltung: Gutes Metadatenmanagement“schafft den Kontext für andere Datenelemente und liefert ein vollständiges Bild der Daten“, bemerkt Autor David Kolinek. Diese ganzheitliche Sichtweise ermöglicht es, Daten zu organisieren und zu lokalisieren, ihre Bedeutung zu verstehen und ihren Wert zu maximieren.
• Datenqualitätsmanagement: Datenqualität (DQ) beschreibt den Grad des Vertrauens von Unternehmen und Verbrauchern in die Nützlichkeit von Daten auf der Grundlage vereinbarter Geschäftsanforderungen. Das Datenqualitätsmanagement bringt die DQ-Erwartungen mit der Realität in Einklang.

Lifecycle-Management-Aktivitäten finden täglich vor Ort statt und sind die praktischsten und sichtbarsten Teile des Datenmanagements. Diese Aktivitäten werden in drei Kategorien angezeigt:

• Planen und Entwerfen: Planungs- und Entwurfspraktiken kombinieren die hochrangige konzeptionelle Anleitung und die grundlegenden Aktivitäten in praktische Anforderungen, die technisch umgesetzt werden müssen. Beispielsweise stellt die Datenarchitektur eine Planungs- und Gestaltungsmanagementaktivität dar.
• Ermöglichen und pflegen: Aktivierungs- und Wartungsaktivitäten konzentrieren sich auf DataOps, um eine vorhersehbare Datenkommunikation, -integration und -automatisierung sicherzustellen. Das Stammdatenmanagement, eine Methode zur Sicherstellung der Einheitlichkeit und Genauigkeit der gemeinsam genutzten Datenbestände einer Organisation, besteht aus einer Reihe von Aktivierungs- und Wartungsaktivitäten.
• Verwendung und Erweiterung: Aktivitäten, die Daten nutzen und verbessern, generieren direkt geschäftliche Erkenntnisse und kennzeichnen die Arbeit von Analysten, Datenwissenschaftlern und anderen Geschäftsexperten. Beispielsweise beschreibt die Datenvisualisierung, wie die Informationen auf dem Bildschirm angezeigt werden, und bestimmt so deren Nützlichkeit.

Datenmanagement vs. Data Governance

Wenn Manager und Mitarbeiter über Data Governance diskutieren, ersetzen sie möglicherweise das Konzept des Datenmanagements. Die Bedeutungen von Data Governance und DM überschneiden sich in Prozessen rund um Datenqualität, Integration, Richtlinien und Standards erheblich.

DM umfasst jedoch auch die Implementierung von Richtlinien und Verfahren, die nicht unter den Mantel der Data Governance fallen, durch Technologien und Tools. Tägliche Datenaktivitäten, wie z Datenbeobachtbarkeitwerden nicht als Data-Governance-Praxis kategorisiert, sondern unter Datenmanagement-Praktiken abgedeckt.

Ist das Datenmanagement in der Datensicherheit enthalten?

Datensicherheit stellt einen wesentlichen Bestandteil des Datenmanagements dar. Seine Praktiken schützen digitale Informationen während ihres gesamten Lebenszyklus vor unbefugtem Zugriff, Korruption oder Diebstahl, umfassen alle Aspekte der Informationssicherheit und sind eng mit Data Governance verknüpft.

Wenn man sich jedoch nur auf die Datensicherheit konzentriert, werden wichtige Aspekte des Datenmanagements außer Acht gelassen. Zum Beispiel, Datenschutz Der Schwerpunkt liegt auf dem Schutz personenbezogener Daten, darf sich jedoch nicht mit der Datensicherheit überschneiden. Ein Geschäftsbereich erfährt möglicherweise über soziale Medien etwas über den Beziehungsstatus eines Mitarbeiters. Wenn die Organisation diese Person jedoch nicht über die Entdeckung informiert, stellt dies das Datenmanagement des Unternehmens in Bezug auf den Datenschutz in Frage.

Außerdem, Einblicke gewinnen durch Berichte und Analysen ist ein Haupttreiber von DM. Da Führungskräfte einen stärkeren Drang haben, neue Geschäftsmöglichkeiten zu finden, was einen angemessenen Zugriff und Transparenz mit Daten in ihrer gesamten Organisation erfordert, wird dies in Datenmanagement-Frameworks berücksichtigt.

Die Rolle der digitalen Transformation

Während Datenmanagement eine starke Grundlage von ist Digital-Transformation Management, sie sind nicht dasselbe. Das Datenmanagement konzentriert sich auf die Nutzung von Daten zur Aufrechterhaltung und Verbesserung des Geschäfts. Digitales Transformationsmanagement nutzt neue Technologien, um ein Unternehmen zu unterstützen und voranzubringen.

Angenommen, ein Unternehmen, Dynamic, möchte seine Abläufe durch neuere generative KI-Technologien digital transformieren. Dynamic muss DM-Prozesse durchführen, um sich zu verbessern Zugang auf Wissen über seine Kunden, Mitarbeiter, Produkte oder Finanzen. 

Darüber hinaus muss Dynamic bei seinen Mitarbeitern ansetzen, um ihr Wissen für die digitale Transformation zu teilen. Um an diesen Punkt zu gelangen, muss Dynamic sie ermutigen Teams zu arbeiten zusammen, was einen Ausflug beinhalten kann, um Remote-Mitarbeiter zum Mittagessen zusammenzubringen. Obwohl es sich nicht um eine DM-Veranstaltung handelt, wäre das Mittagessen ein Baustein für die digitale Transformation.

In der Zwischenzeit müsste Dynamic seine Mitarbeiter entsprechend ausbilden datenkompetent, Verbesserung ihrer Arbeit und Analyse von Unternehmensdaten. Eine solche Datenkompetenzschulung ist möglicherweise nicht für die digitale Transformation relevant, kann aber für andere DM-Aspekte relevant sein, wie z. B. die Einhaltung der Datenschutz-Grundverordnung (DSGVO) durch den Menschen.

Vorteile des Datenmanagements

Daten, eine wiederverwendbare Ressource, fördern Geschäftsmöglichkeiten und Einnahmen. Das Datenmanagement stellt die Engine bereit, um Daten zu diesem Zweck voranzutreiben. 

Zusätzlich spart DM Unternehmen Geld und erhöht die Effizienz. Es bietet eine Möglichkeit, Risiken wie ineffiziente Abläufe oder Bußgelder aufgrund mangelnder Compliance oder einer Datenschutzverletzung zu erkennen und zu bewältigen.

Darüber hinaus nutzen Unternehmen das Datenmanagement, um sich schnell anzupassen, wenn sich die Geschäftsumgebung ändert. Durch DM können sie Griff üblich und laufende Herausforderungen, wie steigende Datenmengen, neue Rollen für Analysen und Compliance-Anforderungen. 

Unternehmer sehen diese Vorteile konkret mit

• Bessere Leistung der Geschäftsaktivitäten mit mehr Skalierbarkeit
• Verbesserte Kundenbeziehungen durch individuelle Anpassung ihrer Erfahrung
• Verbesserte Sicherheit und Privatsphäre
• Effektivere Marketing- und Vertriebskampagnen
• Verbesserter Datenzugriff durch größere Möglichkeiten zum Datenaustausch
• Schnellere Lieferung von Produkten und Dienstleistungen 
• Verbessertes Betriebsmanagement durch Zusammenführung einzelner Aktivitäten
• Bessere Regulierung und Compliance-Kontrollen
• Schnellere API- und Systementwicklung
• Verbesserte Entscheidungsfindung und Berichterstattung, insbesondere mit Echtzeitdaten
• Besser Datenfluss über alle Geschäftsbereiche hinweg im gesamten Unternehmen
• Mehr Konsistenz bei allen Arbeitsaktivitäten im Unternehmen
• Schnellere Einführung von KI-Technologien

Anwendungsbeispiele

Anwendungsfälle für das Datenmanagement umfassen verschiedene Anwendungen, Technologien, Branchen und Ergebnisse. Diese Beispiele umfassen größere langfristige Geschäftsziele und spezifische technische Implementierungen.

Langfristige unternehmensweite Szenarien

Nachfolgend finden Sie langfristige, unternehmensweite Beispiele:

• Das USTRANSCOM entwickelte und implementierte eine Datenstrategie für eine fundiertere Entscheidungsfindung, Kundenverständnis und Verbesserungen im Betrieb. 
• Eine Institution für höheres Lernen implementierte ein Data Governance-Programm als unternehmensweite Initiative, einschließlich eines Datenkatalogs. Diese DM-Implementierung führte zu einer verbesserten Zusammenarbeit und Transparenz, wobei die Benachrichtigungen über Data Governance-Entscheidungen von 80 auf 25 Tage sanken.
• Ein Gesundheitsunternehmen umgesetzt Technologien des maschinellen Lernens (ML) zur Erkennung und Bekämpfung von Betrug. 
• A globale finanzielle Das Dienstleistungsunternehmen implementierte ein robustes DM-Framework, um hohe Transaktionsvolumina bewältigen zu können.
• Europäische Autohersteller im Einsatz eine sichere Das Datenaustausch-Ökosystem Catena-X verfügt über Funktionen zur Erkennung eines Qualitätsproblems und reduziert so die Anzahl der zurückzurufenden Fahrzeuge um mehr als 80 %.

Kurzfristige projektbasierte Szenarien

Die folgende Liste enthält Anwendungsfälle, die für ein bestimmtes kurzfristiges Projekt oder eine Untergruppe von Einheiten durchgeführt wurden:

• Eine Firma implementierte die digitale Transformation über eine WalkMe-App und eine Digital Adoption Platform (DAP). Die Organisation engagierte Kunden durch Technologie, Menschen und Prozesse und führte zu einem zentralen Repository für Hilfeinhalte.
• Eine gemeinsame Forschungsinitiative mehrerer Universitäten, das E2e-Projekt, wurde erfasst Herstellungsdaten über die Luftkomprimierung durch ein Internet-of-Things-Kit (IoT) und den gemeldeten Energieverbrauch. Die Hersteller erhielten Empfehlungen zur Effizienzsteigerung sowie gezielte Reparaturen und Austauschmaßnahmen.
• A Finanzgruppe Eine Organisation hat ihre Daten mit anderen Geschäftseinheiten innerhalb der Organisation integriert.
• Ein Unternehmen hat Data Fabric implementiert, um nachgehen auf die Kundenstimmung, um die Abwanderung vorherzusagen und erweiterte prädiktive und präskriptive Analysen zur Optimierung von Produkten oder Prozessen durchzuführen.

Bild oben benutzt für Lizenz für Shutterstock.com

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://www.dataversity.net/what-is-data-management/