BI Target Operating Model: 5 Elemente für modernes Datenmanagement harmonisieren

Zusammenfassung

Überblick

• Modernes Datenmanagement bildet eine wichtige Grundlage für das übergeordnete Berichtswesen sowie weiterführende Analysen und den Einsatz von künstlicher Intelligenz
• Die alleinige Betrachtung neuer Technologien und BI-Architekturen ist dabei nicht ausreichend, sondern muss von einem gesamtheitlichen Target Operating Model gestützt werden
• Das Zusammenspiel von BI-Architektur, Datenprodukten, Prozessen, Organisation und Data Governance bildet die Grundlage für modernes Datenmanagement und damit einer nachhaltig erfolgreichen Unternehmenssteuerung

1 Einleitung

Das Berichtswesen in Unternehmen ist sehr vielfältig und es ergeben sich ständig neue Herausforderungen in diesem Bereich. Die gesteigerten Anforderungen an das Berichtswesen können dabei nur mithilfe eines modernen und zuverlässigen Datenmanagements gelöst werden.

In diesem Artikel wird untersucht, welche Einflüsse und Trends das Datenmanagement im Berichtswesen beeinflussen und wie Unternehmen diesen Herausforderungen durch die Einführung eines umfassenden Business Intelligence (BI) Target Operating Models (TOM) begegnen können. Im Fokus steht das Ziel die Notwendigkeit des Zusammenspiels aller Felder hervorzuheben. Dazu werden zunächst die verschiedenen Trends hervorgehoben und anschließend das TOM erläutert. Abschließend werden Erfolgsfaktoren aus der Unternehmenspraxis betrachtet.

1.1 Abgrenzung BI & Datenarchitekturen, Datenorganisation

Um die nachfolgende Betrachtung der Trends im Bereich des modernen Datenmanagements besser einordnen zu können, ist es wichtig zunächst die verschiedenen Begrifflichkeiten BI- und Datenarchitektur sowie Datenorganisation voneinander abzugrenzen. Eine klare Abgrenzung ist dabei nicht immer möglich, da alle drei entscheidend für die erfolgreiche Etablierung eines modernen Datenmanagements sind.

BI-Architektur

Unter dem Begriff BI-Architektur wird im Folgenden die Gesamtheit aller eingesetzten Hardware- & Softwarekomponenten eines Unternehmens verstanden. Diese kann, muss sich jedoch nicht von der IT-Architektur unterscheiden. So befasst sich die BI-Architektur insbesondere mit Infrastrukturentscheidungen, Softwareauswahl für BI Frontend-Technologien und Datenmanagement und -speicherung (z. B. Data Warehouse (DWH), Data Catalog Tools). Mögliche Schichten dieser BI-Architektur können Abbildung 2 im Kapitel 2.1 entnommen werden.

Datenarchitektur

Die Datenarchitektur stellt einen zentralen Teil innerhalb der BI-Architektur dar. Der primäre Fokus liegt hierbei auf der Struktur der Daten, den eingesetzten Formen der Datenmodellierung sowie den Datenflüssen. Wie die nachfolgenden Kapitel zeigen, spielen auch technische Datenstandards und die Interoperabilität der Daten untereinander eine immer größer werdende Rolle.

Datenorganisation

Die Festlegung zentraler Standards, die Regelung von Rollen und Verantwortlichkeiten innerhalb des Unternehmens und die Steuerung von Entwicklungs- und Betriebsprozessen liegen wiederum im Bereich der Datenorganisation. Diese muss sicherstellen, dass Rollen richtig zugeteilt und wahrgenommen werden als auch, dass die Mitarbeiter über die notwendigen Fähigkeiten verfügen.

Dabei kann es vorkommen, dass die Grenzen zwischen BI- und Datenarchitekturen verschwimmen und durch sich wandelnde Technologien vor allem die Datenorganisation zunehmend an Bedeutung gewinnt. Daher werden folgend zunächst einige Trends beleuchtet.

1.2 Relevante Trends im Bereich BI-Architektur

Früher verfügten Unternehmen lediglich über eine fragmentierte Datensicht aufgrund der isolierten Datenspeicherung in verschiedenen Silos. Diese wurden später durch Data Marts ergänzt, die bestimmten Geschäftsbereiche bedienten und Dimensionen für eine konsistente Analyse harmonisierten.

Heute lässt sich eine Verschiebung hin zu modernen cloud-basierten Technologien erkennen, bei dem traditionelle (on-premise oder cloud) DWHs zunehmend mit Cloud Data Lakes oder Data Lakehouses ergänzt bzw. ersetzt werden.

• Ein Data Lake stellt einen großen Pool aus strukturierten oder unstrukturierten Rohdaten dar, die zunächst unbearbeitet vorgehalten werden.

• Dagegen ist ein DWH ein Speicher für strukturierte Daten, die bereits für einen designierten Zweck verarbeitet wurden.

• Ein Data Lakehouse wiederum ist eine hybride Lösung, die die Datenstrukturen und Datenmanagementfunktionen eines DWH mit der Skalierbarkeit und Flexibilität eines Data Lakes kombiniert.

Diese neuen Architekturen bieten eine anpassungsfähige Grundlage für die Analyse und Speicherung großer Datenmengen aus verschiedenen Quellen sowie den Einsatz von Big-Data-Technologien wie Hadoop, Spark und NoSQL-Datenbanken, welche von zunehmender Häufigkeit und Bedeutung sind.

Cloud-basierte Lösungen werden immer häufiger, da sie kosteneffizient, flexibler und skalierbar sind sowie die Zusammenführung von Daten aus verschiedenen Quellen vereinfachen. Dies ist notwendig, um einen ganzheitlichen Blick auf die Daten zu bekommen, sie konsistent und vergleichbar zu halten, und dadurch fundierte Entscheidungen treffen zu können.

Moderne BI-Plattformen bieten Self-Service-Analysetools, die es Benutzern ermöglichen, Daten e...