Home • NEWS

Datenstrategie: Grundstein eines datengetriebenen Unternehmens

Eine Datenstrategie ist ein umfassender Plan, der festlegt, wie ein Unternehmen Daten als strategisches Asset nutzt, um konkrete geschäftliche Ziele zu erreichen. Sie beinhaltet die Definition dieser Ziele, die durch die effektive Nutzung von Daten erreicht werden sollen, und legt einen strukturierten Weg fest, um diese Ziele zu realisieren. Eine effektive Datenstrategie betrachtet Daten nicht nur als eine Sammlung von Zahlen und Fakten, sondern als einen integralen Bestandteil, der Wachstum, Innovation und Effizienz vorantreibt.

Zu den Schlüsselelementen einer Datenstrategie gehören:

• Zieldefinition: Festlegung klarer, messbarer Ziele, die durch Datennutzung erreicht werden sollen, wie z. B. verbesserte Kundeninteraktionen, effizientere Betriebsabläufe oder höhere Umsätze.

• Maßnahmenplan: Entwurf spezifischer Maßnahmen zur Datenerfassung, Datenverarbeitung und Datenanalyse, um die gesetzten Ziele zu erreichen.

• Risikomanagement: Identifikation potenzieller Risiken bei der Datennutzung, wie Datenschutzbedenken oder Datenqualitätsprobleme, und Entwicklung von Strategien zu deren Reduktion.

Beispiele für strategische Ziele, Maßnahmen und Risiken:

• Ziel: Steigerung der Kundenzufriedenheit durch personalisierte Angebote. Maßnahme: Implementierung eines Data Mining-Verfahrens zur Analyse von Kundenverhalten und Kaufmustern. Risiko: Datenschutzbedenken und möglicher Widerstand von Kunden gegenüber zu aufdringlichen Marketingstrategien.

• Ziel: Optimierung der Lieferkette durch präzise Bedarfsprognosen. Maßnahme: Einsatz von Predictive Analytics, um zukünftige Nachfragemuster vorherzusagen. Risiko: Ungenaue Vorhersagen aufgrund mangelnder Datenqualität oder unvorhergesehener Marktveränderungen.

Best Practices für eine Datenstrategie:

• Daten als Teil der Unternehmenskultur verstehen: Förderung eines unternehmensweiten Verständnisses dafür, dass Daten ein zentraler Bestandteil des Geschäftserfolgs sind.

• Stakeholder-Einbindung: Sicherstellung, dass alle Abteilungen und Führungskräfte in die Entwicklung und Umsetzung der Datenstrategie eingebunden sind.

• Flexibilität und Anpassungsfähigkeit: Entwicklung einer Datenstrategie, die flexibel genug ist, um sich an Veränderungen in der Geschäftsumgebung oder der Technologie anzupassen.

• Datenschutz und Compliance: Strenge Beachtung von Datenschutzrichtlinien und Compliance-Standards, um Vertrauen bei Kunden und Partnern aufzubauen und zu behalten.

Daten bilden das Rückgrat der meisten Geschäftsentscheidungen. Daher ist eine gut durchdachte Datenstrategie nicht nur ein Wettbewerbsvorteil, sondern eine Notwendigkeit. Durch die sorgfältige Planung und Umsetzung einer Datenstrategie werden Daten effektiv genützt, um Geschäftsziele zu erreichen und sich im Wettbewerb erfolgreich zu positionieren.

Integration der Datenstrategie in die strategische Vision des Unternehmens:

Die Entwicklung einer effektiven Datenstrategie muss immer im Kontext der übergeordneten strategischen Vision des Unternehmens betrachtet werden. Diese Vision definiert, wohin sich das Unternehmen in der Zukunft bewegen möchte und welche Rolle es in seinem Markt- und Gesellschaftsumfeld spielen will. Die Datenstrategie sollte daher nicht als isoliertes Element, sondern als integraler Bestandteil der Gesamtstrategie verstanden werden.

 

Anpassung an die Unternehmensvision:

• Abstimmung mit Geschäftszielen: Die Datenstrategie muss eng mit den langfristigen Geschäftszielen und der Mission des Unternehmens verzahnt sein. Dies gewährleistet, dass jede datenbezogene Initiative direkt zur Erreichung dieser Ziele beiträgt.

• Förderung von Innovation und Wachstum: Datengetriebene Entscheidungen sollten darauf ausgerichtet sein, Innovationen zu fördern und das Wachstum in Einklang mit der Vision des Unternehmens zu unterstützen.

• Nachhaltigkeit und gesellschaftliche Verantwortung: Es ist wichtig, dass die Datenstrategie auch Aspekte wie Nachhaltigkeit und gesellschaftliche Verantwortung berücksichtigt, um zur positiven Wahrnehmung des Unternehmens beizutragen.

Umsetzung der Vision durch Daten:

• Kundenzentrierung: Nutzen Sie Daten, um ein tiefes Verständnis Ihrer Kunden zu entwickeln und so Produkte und Dienstleistungen anzubieten, die genau auf deren Bedürfnisse zugeschnitten sind.

• Operative Exzellenz: Einsatz von Datenanalysen zur Optimierung von Betriebsabläufen und zur Steigerung der Effizienz, was wiederum die Unternehmensvision unterstützt.

• Risikomanagement: Durch den Einsatz von Daten zur Vorhersage und Minimierung von Risiken kann das Unternehmen seine langfristigen Ziele sicherer verfolgen.

Die Verbindung von Datenstrategie und Unternehmensvision ermöglicht es einem Unternehmen, nicht nur in der Gegenwart erfolgreich zu sein, sondern sich auch proaktiv auf zukünftige Herausforderungen und Chancen vorzubereiten. Eine solche strategische Ausrichtung stellt sicher, dass die Nutzung von Daten in Einklang mit den übergeordneten Zielen und Werten des Unternehmens steht und dadurch einen echten Mehrwert schafft.

 

Data Governance als Schlüsselkomponente

Was ist Data Governance? - Data Governance bezeichnet ein Rahmenwerk von Richtlinien, Verfahren und Standards, das die Nutzung, die Überwachung, die Verwaltung und den Datenschutz in einer Organisation regelt. Es beinhaltet die Festlegung klarer Verantwortlichkeiten und Prozesse, um sicherzustellen, dass Daten sowohl effizient als auch verantwortungsvoll genutzt werden. Data Governance zielt darauf ab, Datenqualität zu gewährleisten, Compliance-Anforderungen zu erfüllen und einen strategischen Umgang mit Daten als Unternehmensressource zu fördern.

Data Governance umfasst eine Reihe von Aktivitäten:

1. Definition der Data Governance für die Organisation: Diese Aktivität beinhaltet die Schaffung einer klaren Struktur innerhalb der Organisation, die die Verantwortlichkeiten für Daten festlegt. Dies kann die Einrichtung spezifischer Rollen, wie die eines Chief Data Officers (CDO) oder eines Data Governance-Komitees umfassen, die für die Überwachung der Datennutzung, Datenqualität und Datensicherheit verantwortlich sind.

2. Durchführung einer Bereitschaftsbewertung: Diese Bewertung dient dazu, die aktuelle Lage des Unternehmens in Bezug auf Datenmanagement und -nutzung zu analysieren. Dabei werden bestehende Prozesse, Technologien und Kulturen untersucht, um Stärken, Schwächen und Verbesserungsmöglichkeiten zu identifizieren. Beispiel: Ein Online-Einzelhändler könnte feststellen, dass seine Datenbanken veraltet sind und eine Migration auf modernere, skalierbare Lösungen erforderlich ist.

3. Geschäftsausrichtung: Hierbei wird analysiert, wie die Datennutzung und -strategie mit den Geschäftszielen übereinstimmen. Es geht darum, sicherzustellen, dass die Datennutzung die Erreichung der Unternehmensziele unterstützt und vorantreibt. Beispiel: Ein Hersteller könnte seine Produktionsdaten analysieren, um Ineffizienzen aufzudecken und die Produktionsprozesse zu optimieren.

4. Entwicklung von organisatorischen Schnittstellen: Diese Aktivität beinhaltet die Schaffung von Schnittstellen und Kommunikationskanälen zwischen verschiedenen Abteilungen, um eine kohärente Datennutzung und -verwaltung zu gewährleisten. Beispiel: In einem multinationalen Konzern könnten regelmäßige Treffen zwischen regionalen Managern und der IT-Abteilung dazu dienen, globale und lokale Datenanforderungen abzustimmen.

5. Definition des Data Governance Umfangs: Bei dieser Aktivität werden die spezifischen Prozesse, Richtlinien und Werkzeuge definiert, die für die effektive Umsetzung der Data Governance erforderlich sind. Beispiel: Ein Softwareunternehmen könnte ein System für die Datenerfassung und -protokollierung einführen, um die Nachverfolgbarkeit und den Schutz geistigen Eigentums sicherzustellen.

6. Entwicklung von Zielen, Prinzipien und Richtlinien: Hier werden konkrete Ziele und Prinzipien für die Data Governance festgelegt, die auf die Einhaltung von Datenstandards, die Verbesserung der Datenqualität und die Einhaltung gesetzlicher Vorschriften abzielen. Beispiel: Ein Finanzdienstleistungsunternehmen könnte Richtlinien für den Umgang mit sensiblen Kundeninformationen entwickeln, um Betrugsfälle zu minimieren.

Best Practices zur Einführung:

• Stakeholder-Engagement: Einbeziehung aller relevanten Stakeholder von Beginn an, um Unterstützung und Verständnis für die Data Governance zu schaffen.

• Klare Definition von Rollen und Verantwortlichkeiten: Festlegung, wer für welche Aspekte der Data Governance zuständig und verantwortlich ist.

• Schulungen und Bewusstseinsbildung: Sicherstellung, dass alle Mitarbeiter:innen die Bedeutung von Data Governance verstehen und entsprechend handeln können.

• Fortlaufende Überwachung und Anpassung: Kontinuierliche Bewertung der Data Governance-Maßnahmen und Anpassung an sich ändernde Anforderungen und Umstände.

• Etablierung einer Datenkultur: Förderung einer datenorientierten Denkweise auf allen Ebenen und die Schulung der Mitarbeiter:innen im Umgang mit Daten.

Insgesamt bildet Data Governance das Rückgrat für eine verantwortungsbewusste, sichere und effektive Datennutzung in Organisationen und ist somit ein unverzichtbarer Bestandteil einer umfassenden Datenstrategie.

 

Datenqualität: Der Schlüssel zur effektiven Datennutzung

Die Qualität von Daten spielt eine entscheidende Rolle in jedem datengesteuerten Unternehmen. Es ist wichtig zu verstehen, dass die Datenqualität immer vom Nutzungsszenario abhängig ist – „fit for purpose“. Das bedeutet, dass Daten, um als qualitativ hochwertig zu gelten, geeignet sein müssen, um die spezifischen Anforderungen und Ziele des jeweiligen Einsatzgebietes zu erfüllen.

Dimensionen der Datenqualität:

1. Genauigkeit (Accuracy): Genauigkeit bezieht sich darauf, inwieweit Daten tatsächliche Entitäten der realen Welt korrekt darstellen. Die Messung der Genauigkeit ist schwierig, es sei denn eine Organisation kann die Datenerhebung reproduzieren oder die Genauigkeit der Datensätze manuell bestätigen. Die meisten Maßnahmen für Genauigkeit beruhen auf dem Vergleich mit einer Datenquelle, die als genau verifiziert wurde, wie einem System of Record oder Daten von einer zuverlässigen Quelle. Beispiel: Ein Online-Einzelhändler hat eine Kundendatenbank, in der die Adressen vieler Kunden falsch sind, was zu Problemen bei der Lieferung führt.

2. Vollständigkeit (Completeness): Vollständigkeit bezieht sich darauf, ob alle erforderlichen Daten vorhanden sind. Vollständigkeit kann auf Datensatzebene oder Spaltenebene gemessen werden. Es wird überprüft, ob der Datensatz alle erwarteten Datensätze enthält, ob Datensätze korrekt ausgefüllt sind und ob Spalten/Attribute im erwarteten Maße ausgefüllt sind. Beispiel: In einer Patientendatenbank eines Krankenhauses fehlen wichtige Informationen, wie Allergien oder aktuelle Medikationen in den Patientenakten.

3. Konsistenz (Consistency): Konsistenz bezieht sich darauf, dass Datenwerte innerhalb eines Datensatzes und zwischen Datensätzen sowie konsistent über Datensätze hinweg zugeordnet sind. Konsistenz kann sowohl für die Konsistenz des Formats als auch für die Konsistenz der Datenverwendung gelten. Beispiel: In einem multinationalen Unternehmen werden Daten in verschiedenen Regionen unterschiedlich formatiert, z.B. Datumswerte, Währungen etc., was zu Inkonsistenzen bei der Datenaggregation führt.

4. Integrität (Integrity): Bei Daten bezieht sich Integrität normalerweise entweder auf die referenzielle Integrität (zwischen Objekten über einen gemeinsamen Referenzschlüssel) oder die interne Konsistenz innerhalb eines Datensatzes. Datensätze ohne referenzielle Integrität haben ungültige Referenzschlüssel oder Duplikate – identische Zeilen, die Auswertungen verfälschen. Beispiel: In einer Immobiliendatenbank verweisen einige Datensätze auf Grundstücke, die in der zugehörigen Referenztabelle nicht existieren.

5. Plausibilität (Reasonability): bedeutet, dass ein Datenmuster den Erwartungen entspricht. Zum Beispiel, ob eine Verteilung von Verkäufen über ein geografisches Gebiet auf der Grundlage dessen, was über die Kunden in diesem Gebiet bekannt ist, erwartet wird. Die Messung erfolgt basierend auf dem Vergleich mit Benchmark-Daten oder früheren Instanzen eines ähnlichen Datensatzes. Beispiel: Ein Vertriebssystem zeigt an, dass ein kleiner Einzelhändler innerhalb eines Tages Produkte im Wert von mehreren Millionen Euro gekauft hat, was unplausibel und somit unwahrscheinlich erscheint.

6. Aktualität (Timeliness): Das Konzept der Aktualität bezieht sich auf mehrere Eigenschaften der Daten. Maßnahmen der Aktualität müssen im Hinblick auf die erwartete Volatilität verstanden werden – wie häufig sich Daten wahrscheinlich ändern und aus welchen Gründen. Die Aktualität der Daten ist das Maß dafür, ob Datenwerte die aktuellste Version der Informationen sind. Beispiel: Eine Finanzdatenbank aktualisiert Börsenkurse nur einmal pro Tag, was für Day-Trader, die Echtzeitinformationen benötigen, nicht aktuell genug ist.

7. Einzigartigkeit (Uniqueness): Einzigartigkeit besagt, dass keine Entität innerhalb des Datensatzes mehr als einmal existiert. Die Feststellung der Einzigartigkeit von Entitäten in einem Datensatz impliziert, dass ein Schlüsselwert sich auf jede einzigartige Entität bezieht und nur auf diese spezifische Entität innerhalb des Datensatzes. Beispiel: In einer Marketingdatenbank gibt es mehrere Datensätze für denselben Kunden, was zu Mehrfachzusendungen von Werbematerial und Verwirrung bei Kunden führt.

8. Gültigkeit (Validity): Gültigkeit bezieht sich darauf, ob Datenwerte mit einem definierten Wertebereich übereinstimmen. Ein Wertebereich kann eine definierte Menge gültiger Werte sein (wie in einer Referenztabelle) oder über Regeln bestimmt werden. Der Datentyp, das Format und die Genauigkeit der erwarteten Werte müssen bei der Definition des Wertebereichs berücksichtigt werden. Daten können auch nur für eine bestimmte Zeit gültig sein. Beispiel: In einer Anwendung zur Arbeitszeiterfassung können Mitarbeiter:innen Arbeitszeiten eingeben, die außerhalb ihrer normalen Arbeitsstunden liegen, z.B. mitten in der Nacht, was gegen die vorgegebenen Arbeitszeitregeln verstößt.

Best Practices zur Verbesserung der Datenqualität:

• Datenqualitätsmetriken definieren und überwachen: Festlegen klarer Metriken, um die Datenqualität zu messen. Eine kontinuierliche Überwachung der Metriken.

• Datenbereinigungsprozesse implementieren: Durchführen regelmäßiger Datenbereinigungsaktionen, um Ungenauigkeiten zu korrigieren und Duplikate zu entfernen.

• Schulung und Bewusstseinsbildung der Mitarbeiter:innen: Sicherstellen, dass alle Mitarbeiter:innen die Bedeutung von Datenqualität verstehen und entsprechend handeln.

• Feedbackschleifen einrichten: Etablieren von Mechanismen, um Feedback zur Datenqualität zu sammeln und umzusetzen.

• Verwendung von Technologien zur Datenqualitätsverbesserung: Investieren in Werkzeuge und Technologien, die bei der Überwachung und Verbesserung der Datenqualität helfen.

Die Sicherstellung einer hohen Datenqualität ist ein kontinuierlicher Prozess, der Anpassungen und Verbesserungen erfordert, um mit den sich ändernden Anforderungen des Unternehmens und des Marktes Schritt zu halten. Durch die Fokussierung auf die Verbesserung der Datenqualität kann sichergestellt werden, dass Datenanalysen und Entscheidungen auf soliden, zuverlässigen Informationen basieren - und somit Risiken vermindert werden.

Benötige ich das alles wirklich?

Letztlich sind die notwendigen Maßnahmen immer abhängig von den Zielen und Vorstellungen im Unternehmen. Dabei ist zu beachten, dass diese Ziele und Vorstellungen sich laufend ändern und anpassen. Daher müssen sowohl die Strategie als auch das Governance-Konzept flexibel bleiben, um auf geänderte Bedingungen zu reagieren.

Durch die dynamische Natur datengetriebener Projekte ist ein Top-Down-Ansatz, bei dem zuerst alle strategischen und Governance-Themen erschöpfend behandelt werden, meistens der falsche Weg. Die beste Vorgangsweise ist es, eine grobe Datenstrategie mit klaren strategischen Zielen zu formulieren.

Aus diesen Zielen werden erste Use Cases entwickelt. Durch diese Erfahrungen werden Informationen für die Erstellung und Verbesserung des Governance-Konzepts gewonnen. Durch die Arbeit mit den Daten im Rahmen der Use Cases, werden auch Notwendigkeiten für die Datenqualität sowie Schwachpunkte identifiziert, die es in Folge erlauben Anforderungsprofile für die Datenqualität zu erstellen.

Daraus werden erste Use Cases abgeleitet und diese Use Cases informieren dann über die Entwicklung des Governance-Konzepts und ermöglichen es auch Anforderungsprofile für die Datenqualität zu erstellen.

Zumeist ist in ersten Use Cases die Lage der Datenqualität unklar und die Governance-Konzepte sind bislang nicht erprobt, daher wird mit jedem neuen Projekt eine Feedback-Schleife etabliert, um Data Governance- und Qualitätsanforderungen, aber letztlich auch die Datenstrategie anzupassen.

 

Zusammenfassung

Eine umfassende Datenstrategie, die auf effektive Data Governance und kontinuierlich verbesserte Datenqualität abzielt, spielt in der heutigen Geschäftswelt eine entscheidende Rolle. Eine solide Datenstrategie integriert Daten als strategisches Asset in die Unternehmensvision, legt Ziele fest und formuliert einen Plan zur Realisierung dieser Ziele. Sie berücksichtigt Risikomanagement, Datenschutz und Compliance, während sie gleichzeitig die Unternehmenskultur einbezieht.

Die Data Governance definiert klare Verantwortlichkeiten und Prozesse für die effiziente und verantwortungsbewusste Nutzung von Daten. Sie stellt sicher, dass die Datennutzung den internen und externen Richtlinien entspricht und sichert die Datenintegrität.

Die Datenqualität ist der Schlüssel für effektive Datennutzung, wobei Genauigkeit, Vollständigkeit, Konsistenz, Integrität, Vernünftigkeit, Aktualität, Genauigkeit und Einzigartigkeit entscheidend sind. Kontinuierliche Verbesserung der Datenqualität gewährleistet, dass Entscheidungen und Analysen auf zuverlässigen Informationen basieren.

Zusammenfassend ist die Kombination aus einer durchdachten Datenstrategie, robuster Data Governance und Fokus auf Datenqualität entscheidend für den Erfolg in einer modernen, datenorientierten Geschäftswelt.