Close-up view of two business people viewing a graph on a digital tablet

Datenmanagement

Was ist das und warum ist es wichtig

Wie funktioniert Data Management

Seit Menschengedenken sammeln Unternehmen Daten und müssen diese entsprechend verwalten, um das Paradoxon "Garbage in, garbage out" zu vermeiden. Mit dem Anstieg der Datenmengen, -typen und -quellen wächst auch die Notwendigkeit, Daten in Echtzeit zu verarbeiten - und die Dringlichkeit, Daten gut zu verwalten, bleibt eine Top-Priorität für den Geschäftserfolg. Informieren Sie sich über einige der wichtigsten Data Management-Technologien.

Datenzugriff

Unter Datenzugriff versteht man den Zugriff auf (oder das Abrufen von) Informationen aus beliebigen Quellen, unabhängig von ihrem Speicherort. Bestimmte Technologien, wie z. B. Datenbanktreiber und Dokumentenkonverter, machen diese Aufgabe einfacher und effizienter.

Warum ist das wichtig?
Wichtige Daten befinden sich an den unterschiedlichsten Orten – in Textdateien, Datenbanken, E-Mails, Data Lakes, Webseiten und Social Media Feeds. Mit einer guten Zugangsstechnologie können Sie nützliche Daten aus jeder Art von Datenspeichermechanismus oder -format ziehen und verschwenden Ihre Zeit nicht länger mit der Suche nach ihnen.

Data Integration

Datenintegration (DI) ist ein Prozess, der verschiedene Datentypen kombiniert, um einheitliche Ergebnisse zu präsentieren. Mit Datenintegrationstools können Sie die Schritte für diese Arbeit entwerfen und automatisieren. ETL (Extrahieren, Transformieren und Laden) und ELT (Extrahieren, Laden und Transformieren) sind Beispiele für DI-Tools.

Warum ist das wichtig?
Die Datenintegration erstellt Datenkombinationen, die für die Entscheidungsfindung nützlich sind. Da sie Elemente aus mehreren einzelnen Datensätzen verknüpft, können integrierte Daten neue Erkenntnisse liefern und Ihnen helfen, verschiedenste Fragen zu beantworten.

Data Quality

Bei der Datenqualität geht es darum, sicherzustellen, dass die Daten korrekt und für den vorgesehenen Zweck verwendbar sind. Das beginnt bereits mit dem Zugriff auf Daten und setzt sich über verschiedene Integrationspunkte mit anderen Daten fort – einschließlich des Zeitpunktes kurz vor der Veröffentlichung oder Berichterstattung.

Warum ist das wichtig?
Schlechte Datenqualität kann zu kostspieligen Fehlentscheidungen führen. Daten, die veraltet, unzuverlässig, unvollständig oder nicht für den beabsichtigten Zweck geeignet sind, werden nicht als zuverlässig erkannt und verursachen Probleme im gesamten Unternehmen. Eine Data Quality-Lösung, die auf automatisierte, konsistente Weise standardisieren, analysieren und überprüfen kann, verringert diese Risiken.

Data Governance

Data Governance ist ein Gefüge aus Experten, Richtlinien, Prozessen und Technologien, die Ihre Datenverwaltung bestimmen. Mit einer Data-Governance-Software können Sie die Regeln definieren, mit denen Sie Ihre Richtlinien durchsetzen und so Ihre Daten- und Geschäftsstrategien aufeinander abstimmen können.

Warum ist das wichtig?
Governance wird in der Regel durch die Einhaltung von Vorschriften, wie CECL oder GDPR, getrieben. Mithilfe von Governance-Richtlinien können Sie festlegen, auf welche Daten Benutzer zugreifen dürfen, wer Daten ändern (bzw. einsehen) darf und wie mit Ausnahmen umgegangen werden soll. Data-Governance-Tools unterstützen Sie bei der Kontrolle und Verwaltung von Regeln, bei der Nachverfolgung ihrer Handhabung und bei der Erstellung von Berichten für Audits.

Business-Glossare, Datenherkunft und Metadaten

Verwenden Sie ein Business-Glossar, um Datendefinitionen und -eigentümer festzulegen, Workflows zu integrieren und Probleme zu kennzeichnen sowie die Datenherkunft und Beziehungen zu visualisieren. Die Datenherkunft verfolgt den Weg der Daten von ihrem Ursprung bis zu ihrem aktuellen Speicherort, indem sie wichtige Details – technische, geschäftliche und Metadaten – nachverfolgt.

Warum ist das wichtig?
Diese Tools tragen gemeinsam dazu bei, die Zusammenarbeit zu optimieren und Business und IT aufeinander abzustimmen. Wenn Sie über potenzielle Schwierigkeiten informiert werden, können Sie diese frühzeitig angehen, bevor sie größere Probleme verursachen. Außerdem können Sie mit diesen Tools Zusammenhänge zwischen Daten untersuchen und eine Abschätzung der Folgen vornehmen.

Datenaufbereitung

Die Datenaufbereitung hat die Aufgabe, Daten zur Analyse vorzubereiten. Dabei werden Daten aus den unterschiedlichsten Quellen zusammengeführt, bereinigt und umgewandelt. Wenn dies über eine Self-Service-Schnittstelle erfolgt, können die Business-User mit minimalem Schulungsaufwand auf die benötigten Daten zugreifen und diese bearbeiten, ohne die IT-Abteilung zu bemühen.

Warum ist das wichtig?
Gute Datenaufbereitung ist die Voraussetzung für gute Ergebnisse, dabei handelt sich aber um eine zeitraubende Aufgabe. Gute Datenaufbereitungstools machen bereinigte Daten sichtbar und schaffen einen Mehrwert – so können Datenexperten schnell auf Daten zugreifen, sie bereinigen, umwandeln und für jeden Analysezweck strukturieren. Das Ergebnis: höhere Produktivität, bessere Entscheidungen und größere Flexibilität.

Erweitertes Datenmanagement

Dieser Ansatz nutzt künstliche Intelligenz oder maschinelles Lernen, damit sich Prozesse wie Datenqualität, Metadatenmanagement und Datenintegration selbst konfigurieren und optimieren. SAS kann zum Beispiel:

Eine Liste mit Vorschlägen zur Verbesserung der Daten generieren. Maßnahmen, die im Laufe der Zeit ergriffen werden, führen zu immer besseren Ergebnissen.

Datenprofile erstellen und automatisch persönliche Informationen finden, die markiert werden können, um das Verhalten zu beeinflussen – z. B. nur bestimmten Benutzern den Zugriff auf persönliche Daten in einer Tabelle erlauben.

Datenumwandlungen und anschließende Verbesserungen im Laufe der Zeit mithilfe von maschinellem Lernen vorschlagen – dies geschieht über eine Suchmaschine, die Daten und Metadaten analysiert.

Empfehlungen für Benutzer und für die nächstbesten Aktionen während des Datenaufbereitungsprozesses geben.

Mehr über die Funktionsweise von Datenmanagement heute

  • Data Management für künstliche Intelligenz (KI) und maschinelles Lernen (ML). Viele Geschäftsprozesse stützen sich auf KI, bei der es sich um die wissenschaftliche Entwicklung von Systemen handelt, die menschliche Aufgaben durch Lernen und Automatisierung nachahmen. KI- und ML-Techniken werden beispielsweise häufig bei Kredit- und Darlehensvergaben, medizinischen Diagnosen und Angeboten im Einzelhandel eingesetzt. Bei KI und ML ist es wichtiger denn je, gut gepflegte Daten zu haben, die Sie verstehen und denen Sie vertrauen – denn wenn mangelhafte Daten Algorithmen, die sich an das Erlernte anpassen, ‚füttern‘, können sich Fehler schnell vermehren.
  • Data Management für das Internet der Dinge (IdD). Die Daten, die von den in IdD-Geräten eingebetteten Sensoren stammen, werden oft als Streaming-Daten bezeichnet. Beim Daten-Streaming oder der Verarbeitung von Event- Stream-Daten werden Echtzeitdaten im laufenden Betrieb analysiert. Dies geschieht durch die Anwendung von Datenlogik, Erkennung von Datenmustern und deren Filterung für verschiedenste Zwecke, während sie in ein Unternehmensnetzwerk fließen. Betrugserkennung, Netzwerk-Monitoring, E-Commerce und Risk Management sind beliebte Anwendungen für diese Techniken.
  • Bidirektionales Metadata Management. Bidirektionales Metadatenmanagement ermöglicht die gemeinsame Nutzung und Verbindung von Metadaten zwischen verschiedenen Systemen. SAS hat sich beispielsweise durch seine Beteiligung am OPDi-Egeria-Projekt verpflichtet, Teil der offenen Metadaten-Community zu sein. Dieses Projekt unterstreicht die Notwendigkeit von Metadaten-Standards zur Förderung eines verantwortungsvollen Datenaustauschs über verschiedene Technologieumgebungen hinweg.
  • Data Fabric und semantische Schicht. Der Begriff Data Fabric beschreibt die vielfältige Datenlandschaft eines Unternehmens, in der große Mengen und Arten von Daten verwaltet, verarbeitet, gespeichert und analysiert werden, wobei eine Vielzahl von Methoden zum Einsatz kommt. Die semantische Schicht spielt eine wichtige Rolle in der Data Fabric. Wie ein Business-Glossar ist die semantische Schicht eine Möglichkeit, Daten mit allgemein definierten Geschäftsbegriffen zu verknüpfen, die im gesamten Unternehmen verwendet werden.
  • Data Management und Open Source. Open Source bezeichnet ein Computerprogramm oder eine Infrastruktur, deren Quellcode öffentlich zugänglich ist und von einer Benutzer- Community verwendet und verändert werden kann. Die Verwendung von Open Source kann die Entwicklungsarbeit beschleunigen und die Kosten senken. Und Datenexperten können optimal arbeiten, wenn sie in der Programmiersprache und -umgebung ihrer Wahl arbeiten können.
  • Datenföderation/Datenvirtualisierung. Datenföderation ist eine besondere Art der virtuellen Datenintegration, die es Ihnen ermöglicht, zusammengehörige Daten aus verschiedensten Quellen zu betrachten, ohne dass Sie die kombinierte Ansicht an einen neuen Ort verschieben und dort speichern müssen. Sie können also genau dann auf zusammengehörige Daten zugreifen, wenn Sie sie benötigen. Im Gegensatz zu ETL- und ELT-Tools, die eine Momentaufnahme zu einem bestimmten Zeitpunkt zeigen, generiert Datenföderation Ergebnisse auf der Grundlage dessen, wie die Datenquellen zum Zeitpunkt der Anfrage aussehen. So erhalten Sie eine zeitnähere und potenziell genauere Sicht auf die Informationen.

Nächste Schritte

Entdecken Sie, wie Sie mit einer Analytics Platform, die ein ausgewogenes Verhältnis zwischen Auswahl und Kontrolle bietet, das Beste aus Ihren Investitionen in Daten, Mitarbeitern und Analysetechnologie herausholen können.

Data Management-Lösungen

Zuverlässige Daten führen zu zuverlässigen Analysen – und das ist wichtig für den wirtschaftlichen Erfolg eines jeden Unternehmens. Und verlässliche Daten beginnen mit einer soliden Datenmanagementstrategie, die durch bewährte Datenmanagementtechnologie unterstützt wird. SAS Data Management beinhaltet alle benötigten Funktionen, um auf Daten zuzugreifen, sie zu integrieren, zu bereinigen, zu verwalten und für Analytics vorzubereiten – einschließlich Advanced Analytics wie künstliche Intelligenz und maschinelles Lernen. Das alles ist Teil der SAS-Plattform. So schaffen Sie mit Hilfe Ihrer Analytics-Programme große Chancen.

Erfahren Sie mehr über SAS Data Management


Setzen Sie sich mit uns in Verbindung