Johannes Porsch, Marc Scheck
Das Thema Datenarchitektur kommt besonders zum Tragen, wenn Unternehmen gesamtheitlich betrachtet werden. Bei näherer Betrachtung und kritischer Analyse zeitgenössischer Unternehmen zeichnet sich immer deutlicher der Weg zu einem datengetriebenen Unternehmensmodell ab. Um dieses Ziel zu erreichen, bildet eine moderne Datenarchitektur die unverzichtbare Grundlage. Ebenso bedarf es einer Organisationsstruktur, die eine effektive Nutzung dieser Daten im Unternehmen ermöglicht. Insbesondere im Rahmen der BI-Architektur fokussiert die Datenarchitektur verstärkt auf die Organisation von Daten innerhalb des Unternehmens. Auf dieser Basis ermöglicht die Organisation wiederum die zielgerichtete Nutzung dieser Daten.
Angesichts der aktuellen Herausforderungen stellen diese beiden Aspekte fundamentale Bausteine dar, um eine klare BI-Architektur und Strategie zu realisieren. Eine bedeutsame Herausforderung besteht in der präzisen Einordnung, ob die vorhandenen Daten tatsächlich einen Mehrwert für das Unternehmen darstellen, oder lediglich gesammelt wurden ohne wirklichen Nutzen zu generieren. Oftmals erweisen sich nur etwa 15 % der Daten als wirklich relevant, und eine adäquate Architektur sowie Organisation können dabei unterstützen, genau diese entscheidenden Daten zu identifizieren.
Ein vergleichbares Szenario ergibt sich bei der Strukturierung umfangreicher und sich stetig erneuernder Daten im Kontext von Big Data. Die Vorhaltung dieser Daten, um den tatsächlichen Nutzen zu erkennen, kann durch eine geeignete Architektur und Organisation erfolgreich bewältigt werden. Bei der genaueren Betrachtung der Trends zeigt sich vor allem auch eine Entwicklung in diese Richtung, die im Folgenden näher beschrieben wird:
Data Product Thinking
Der Ansatz des produktorientierten Datenmanagements, auch Data Product Thinking genannt, spielt eine zentrale Rolle im Kontext der Datenarchitektur und Organisationsentwicklung. Hierbei werden Daten nicht mehr nur als Material betrachtet, sondern als eigenständige Produkte im Unternehmen. Dies erfordert eine kontinuierliche Weiterentwicklung und Vermarktung. Der Ansatz beeinflusst die Organisation, da ein neues Verständnis von Daten als wertvolles Produkt aufgebaut wird. Agile Arbeitsweisen ermöglichen eine iterative Generierung maximalen Mehrwerts. Ein Beispiel hierfür ist eine KI, die basierend auf Daten Produktempfehlungen erstellt. Im Rahmen von Data Product Thinking wird diese nicht nur als KI-Modell betrachtet, sondern als eigenständiges Produkt, das kontinuierlich optimiert wird. Der Erfolg wird klar und messbar definiert, wodurch Daten in den Fokus einer strategischen Produktentwicklung innerhalb der Organisation rücken.
KI
Der zweite Trend, welcher unter anderem im Kontext von Data Governance Anwendung findet, betrifft das Thema KI. Die Auswirkungen von KI sind nicht nur im alltäglichen Leben durch Anwendungen wie ChatGPT spürbar, sondern gewinnen auch im Unternehmensalltag zunehmend an Bedeutung. KI-Modelle werden mit Unternehmensdaten trainiert, um relevante Muster und Zusammenhänge zu identifizieren, die daraufhin im Rahmen von Data Governance für die Verarbeitung und Optimierung der Datenqualität genutzt werden können. In der heutigen stark regulierten Umgebung bezüglich der Datennutzung und des allgemeinen Unternehmensdaseins spielt KI eine Schlüsselrolle. Die Technologie ermöglicht es, regulatorische Bestimmungen kontinuierlich zu überwachen und abzugleichen, um die Data Governance Richtlinien jederzeit einzuhalten.
Zusätzlich zu diesem Aspekt sind weitere Themen zu beachten, darunter das Management von Metadaten, die Integration von Cloud- und as-a-Service-Lösungen sowie die Dezentralisierung der Data-Governance-Richtlinien. Diese Dezentralisierung ermöglicht eine flexiblere und effizientere Regelung, die nicht mehr ausschließlich zentralisiert erfolgt.
In der dynamischen Welt der ständigen technologischen Veränderungen ist ein Umdenken erforderlich. Wo früher das DWH als maßgeblich galt, sprechen und nutzen heute viele Unternehmen einen Data Lake. Es wird jedoch zunehmend klar, dass es nicht mehr ausreicht, sich ausschließlich auf Technologieansätze zu konzentrieren. Die rasche Evolution der Technologien erfordert einen Paradigmenwechsel in der Datenarchitektur und -organisation. Statt ausschließlich von einem technologischen Standpunkt aus zu denken, gewinnt anwendungsbezogenes Denken an Bedeutung. Hierbei liegt der Fokus darauf, nicht mehr primär von einer allgemeinen IT-Getriebenheit, sondern von den konkreten Anwendungsfällen aus zu agieren.
Diese neue Denkweise bedeutet, dass Agilität und Anpassungsfähigkeit zentral sind. Anstatt sich allein auf eine vordefinierte IT-Struktur zu stützen, sollte die Datenarchitektur und -organisation flexibel genug sein, um sich schnell an veränderte Marktbedingungen anzupassen. Unternehmen sollten eine agilere Herangehensweise annehmen, die auf konkreten Anwendungsfällen basiert, um effektiver auf die Dynamik und Komplexität der modernen te...