Wie muss die passende Datenstrategie entwickelt werden?
Die Entwicklung einer ausgereiften und passenen Datenstrategie ist elementar um unterschiedliche Ziele für das Unternehmen und Teil-Aspekte der eigenen Prozesse erreichen zu können.
Daten spielen eine Schlüssel-Rolle für Entscheidungen, Voraussagen, Rückblick und die Kombination von externen Datenpools. Somit entstehen direkte und indirekte Wechselwirkungen zwischen jedem Datensatz und deren Feldern, wodurch die klassischen Effekte auf die Wettbewerbsfähigkeit, Effizienzsteigerung und Innovationsfähigkeit wirken können.
✅ Geschäftsziele definieren - Was möchte man erreichen?
Klären Sie die konkreten Ziele, die Sie durch den Einsatz von Daten erreichen möchten. Diese Ziele sollten eng mit den übergeordneten Unternehmenszielen verknüpft sein.
Um geeignete Geschäftsziele zu definieren, können sehr unterschiedliche Methodiken angewendet werden:
- SMART:
Definition für spezifisch, messbar, erreichbar, relevant und zeitgebunden (time). Hierbei sind klare, präzise Ziele in messbarer Form und mit einem realistischen Zeitfenster und der passenden Erwartungshaltung zu definieren.
- Prioritäts-gebunden:
Richten Sie Ihre Ziele klar an den Prioritäten aus dem Unternehmen aus. Dies kann direkt durch die Geschäftsführung oder durch eine Leitungsebene vorgegeben sein. Die Prioriäten können auch aus den Abteilungen erarbeitet und immer wieder je nach Kontext und Wichtigkeit verändert werden.
Planen Sie Ihre Geschäftsziele lieber umfassend und mit nötiger Bedacht. Wenn alle Stackholder und Interessen berücksichtigt werden können und die nötige Balance dabei erhalten bleiben kann, können sehr viele Ziele zur gleichen Zeit erreicht werden.
✅ Dateninventar erstellen - Was besitzt das Unternehmen?
Identifizieren Sie alle vorhandenen Datenquellen und -ressourcen. Dazu gehören interne Datenbanken, externe Datenlieferanten, Benutzerdaten, soziale Medien usw.
Die Nutzung einer Inventarverwaltung kann die Daten ohne Aufwand zur Verfügung stellen und somit die Entscheidungen massiv beschleunigen, was wiederum Kosten spart und die eigene Innovationskraft heben kann.
💡 Inventarisierung leicht gemacht
Kombiniert Hardware, Lizenzen, Verträge, Bestellungen und vieles mehr in einem System.
✅ Datenqualität sicherstellen - Gute Daten für gute Entscheidungen
Stellen Sie sicher, dass die Daten korrekt, aktuell, vollständig und relevant sind. Daten von schlechter Qualität können zu fehlerhaften Analysen und Entscheidungen führen.
Systeme, wie z. B. eine Inventarverwaltung, helfen bei der Vereinfachung solcher komplexen Daten, da Sie dies unterschiedlichen Benutzergruppen zugänglich machen kann.
Zusätzlich wird durch Halb-Automatiken oder einer Voll-Automatik der eigentliche Mehrwert für die Digitalisierung im Unternehmen geschaffen. Ohne eine hohe Datenqualität von Beginn an, wird es über die Zeit immer schwieriger im Nachhinein einen solche Hebewirkung zu entfalten.
✅ Datenschutz und -sicherheit - Alles nach den Regeln
Berücksichtigen Sie Datenschutzgesetze und -richtlinien, um sicherzustellen, dass personenbezogene Daten angemessen geschützt werden. Implementieren Sie Sicherheitsmaßnahmen, um unbefugten Zugriff auf Daten zu verhindern.
Mehr Infos dazu in unserem Artikel "Brave New Digital World – Welt ohne Datenschutz".
✅ Technologische Infrastruktur - Was muss wie verarbeitet werden können?
Bewerten Sie Ihre bestehende technologische Infrastruktur und prüfen Sie, ob sie den Anforderungen Ihrer Datenstrategie entspricht. Möglicherweise sind Upgrades oder neue Tools erforderlich.
Die Speicherung der Daten ist die Grundlage für jegliche weitere Nachverarbeitung. Es gibt hier sehr unterschiedliche Möglichkeiten, die auch über die Speicherung hinaus gehen:
- Datenmanagement und -speicherung:
- Datenbanken: Traditionelle relationale Datenbanken wie MySQL, PostgreSQL oder NoSQL-Datenbanken wie MongoDB für die Speicherung strukturierter und unstrukturierter Daten.
- Data Warehouses: Technologien wie Amazon Redshift, Google BigQuery oder Snowflake ermöglichen die Speicherung und Analyse großer Mengen von Daten für Business Intelligence und Analysen.
- Datenintegration und ETL (Extraktion, Transformation, Laden):
- ETL-Tools: Plattformen wie Apache NiFi, Talend oder Microsoft SSIS erleichtern die Datenintegration, Transformation und den Transfer zwischen verschiedenen Datenquellen.
- Datenanalyse und -verarbeitung:
- Data Analytics-Plattformen: Tools wie Tableau, Power BI, QlikView oder Looker ermöglichen die Erstellung von interaktiven Dashboards und Berichten zur Visualisierung von Daten.
- Data Science-Plattformen: Python-basierte Plattformen wie Jupyter Notebooks in Kombination mit Bibliotheken wie pandas, scikit-learn und TensorFlow für die Entwicklung und Bereitstellung von Machine Learning-Modellen.
- Big Data-Technologien:
- Hadoop: Die Hadoop-Ökosystemtools wie HDFS, MapReduce und Hive sind nützlich für die Verarbeitung und Analyse großer Datenmengen.
- Spark: Apache Spark ermöglicht schnelle Datenverarbeitung und -analyse und unterstützt auch Machine Learning und Graphenverarbeitung.
- Cloud-Plattformen:
- Amazon Web Services (AWS), Microsoft Azure, Google Cloud: Diese Cloud-Anbieter bieten eine Vielzahl von Diensten zur Datenverarbeitung, -speicherung und -analyse, darunter auch spezialisierte Dienste für Big Data und künstliche Intelligenz.
- Machine Learning und KI:
- Machine Learning-Frameworks: Neben TensorFlow und scikit-learn sind auch KI-Frameworks wie PyTorch relevant.
- AutoML-Plattformen: Dienste wie Google AutoML oder Azure AutoML erleichtern die Entwicklung von Machine Learning-Modellen, ohne umfangreiche Fachkenntnisse.
- IoT-Plattformen (Internet of Things):
- IoT-Hubs: Plattformen wie AWS IoT oder Azure IoT Hub ermöglichen die Sammlung, Verarbeitung und Analyse von Daten aus vernetzten Geräten.
- Blockchain-Technologie:
- Blockchain-Plattformen: In einigen Fällen kann die Blockchain-Technologie zur Sicherung, Verifizierung und Transaktionsverfolgung von Daten eingesetzt werden.
- Data Governance und Sicherheit:
- Daten-Governance-Tools: Diese unterstützen bei der Definition von Richtlinien zur Datennutzung, Zugriffskontrollen und Datenqualität.
- Sicherheitslösungen: Tools zur Datenverschlüsselung, Zugriffskontrolle und zum Schutz vor Datenlecks.
Durch passende Technologie kann das "wahre" Niveau der Daten in sehr unterschiedlichen Cases angeboten und gehoben werden. Die Vielfältigkeit beim Einsatz von Technologien, um Daten optimal analysieren zu können gibt es nicht, sondern muss mit den Geschäftszielen, dem möglichen Budget, aber auch anderen Faktoren abgestimmt sein.
✅ Datenanalyse und -verarbeitung - Welche Dashboards benötigt man?
Legen Sie fest, wie Daten gesammelt, analysiert, verarbeitet und interpretiert werden sollen. Hierzu gehören Analysemethoden, Algorithmen, Machine Learning-Modelle usw.
Gerade die visuelle Darstellung von Daten bietet für eine schnelle Erfassung von Massendaten und zur Vereinfachung von komplexen Situationen ungeahnte Möglichkeiten.
Unterschiede zwischen mehreren Jahren darzustellen ist wesentlich einfacher:
Gerade in der Vereinfachung durch Graphen und andere visuelle Mittel können Daten und deren Bedeutung den unterschiedlichen Nutzergruppen verdeutlicht werden. Diese Wirkung ist nie zu unterschätzen, denn Daten waren lange Zeit nichts für die Nutzergruppen außerhalb der IT.
✅ Fähigkeiten und Ressourcen - Hat man die passenden Mitarbeiter an Bord?
Nur mit dem richtigen Team und den passenden Fähigkeiten können anspruchsvolle Ziele erreicht werden. Experten aus unterschiedlichen Bereichen werden dabei zu diversen Teams zusammengebaut und bringen das Unternehmen voran.
Stellen Sie sicher, dass Sie über die richtigen Fähigkeiten im Team verfügen, um die Datenstrategie umzusetzen. Dies könnten Data Scientists, Data Engineers, Analysten usw. sein.
✅ Kulturelle Veränderungen - Ist das Unternehmen bereit für den Umstieg?
Fördern Sie eine datengetriebene Denkweise im gesamten Unternehmen. Schulungen und Schulungsprogramme können dazu beitragen, die Akzeptanz und Nutzung der Datenstrategie zu fördern.
Fördern Sie den Austausch zwischen Abteilungen, unterschiedlichen Personengruppen und führen Vorteile und passende Synergien vor. Dadurch werden Barriere natürlich gebrochen und zugleich die Aufmerksamkeit auf Business Cases gelenkt, die das eigene Unternehmen voranbringen können.
✅ Governance und Compliance - Passen die eigenen Richtlinien für die neue Strategie?
Richtlinien können im Unternehmen unnötige Kommunikation verhindern und Klarheit bei Mitarbeitern und Managern erzeugen. Dies entlastet somit alle Mitarbeiter von der Geschäftsführung bis zum Büromitarbeiter.
Erstellen Sie klare Richtlinien und Verantwortlichkeiten für die Verwaltung und den Zugriff auf Daten. Dies gewährleistet die Integrität der Daten und die Einhaltung von Vorschriften.
✅ Messbare Metriken - Was soll wie und warum gemessen werden?
Definieren Sie messbare KPIs (Key Performance Indicators), um den Erfolg der Datenstrategie zu bewerten. Dies ermöglicht es Ihnen, Fortschritte zu verfolgen und bei Bedarf Anpassungen vorzunehmen.
Was sind in diesem Umfeld der Inventarisierung messbare KPIs:
- Menge an Geräten im Einsatz (im jeweiligen Unternehmen und der passenden Unterabteilung und Standort etc.)
- Wie viele Geräte welchen Typs gibt es? Welche Geräte sind innerhalb oder außerhalb der Wartung?
- Welche Kosten wurden in welchem Zeitraum von wem verursacht?
- Wie groß oder klein ist der Lagerbestand an einem spezifischen Tag?
- Sind bestimmte Produkte über- oder unterlizenziert?
Definieren Sie die nötigen KPIs für sich und bewerten Sie diese immer wieder, damit keine unnötigen Prozess-Probleme innerhalb der IT-Abteilung auftreten. Damit kann die Zufriedenheit der IT-Abteilung maßgeblich erhöht werden und der gesamte Ablauf der Inventarisierung gestrafft werden.
✅ Skalierbarkeit - Wie groß oder klein soll die Lösung ausgerollt werden?
Denken Sie an die zukünftige Skalierbarkeit Ihrer Datenstrategie. Technologische und geschäftliche Anforderungen können sich ändern, daher sollte Ihre Strategie flexibel genug sein, um sich anzupassen.
✅ Kommunikation und Zusammenarbeit - Wie werden Ziele und Aufgaben mit den passenden Abteilungen geteilt?
Stellen Sie sicher, dass die Datenstrategie von allen relevanten Abteilungen und Stakeholdern verstanden und unterstützt wird. Die Zusammenarbeit zwischen Teams ist entscheidend, um die Strategie erfolgreich umzusetzen.
📃 Fazit - Warum IT-Asset-Management gerade für eine unternehmensweite Datenstrategie hilfreich ist?
Als zentrale Daten-Plattform kann eine Inventarverwaltung eingebunden in der Datenstrategie erst das Potenzial für ein effizientes Datenmanagement entfalten.
Spezifische Asset-Felder, Datenanhänge zu den passenden Geschäftsvorfällen, Beziehungen zwischen Assets, Mitarbeitern und anderen Bausteinen ergeben dabei den 360 Grad Blick auf das Unternehmen.
Unterschiedliche Nutzergruppen haben dabei den elementaren Vorteil, dass Sie jeweils die Daten für Ihren Anspruch nutzen können:
- Manager und C-Level-Ebene: Statistik-Werte und Zahlen für eine umfassende Übersicht
- IT-Administratoren: Eher technische Nutzen und Rückblick auf historische Informationen zwecks Verfolgung
- Einkauf: Zwecks passender Bestellung und Abwägung bezüglich Über- und Unterkapazitäten im Lagerbereich
- Personal/HR: Mitarbeitereinstellungen oder Entlassungen zeitnah für alle sichtbar im System
Daten können vielfältig genutzt für das "gesamte Unternehmen" sehr wertvoll sein. Die Synergien kommen mittelfristig über die Zeit immer mehr zum Vorschein und helfen die Zufriedenheit in allen Abteilungen zu entfalten. Somit entstehen auch keine direkt messbaren Effekte, sondern allgemeine positive Effekte.
