Data-Governance-Richtlinien

Definition und Beispiele

Ein gut durchdachtes Data-Governance-Framework spielt in der Datenstrategie eines jeden Unternehmens eine entscheidende Rolle. Unternehmen sammeln immer mehr Daten und haben so die Möglichkeit, bessere und fundierte Entscheidungen zu treffen. Auf der anderen Seite bringt dieses Datenwachstum neue Herausforderungen mit sich. Je mehr Daten aus unterschiedlichen Quellen einfließen, desto eher besteht die Gefahr für Unternehmen, die Kontrolle bzw. die Übersicht zu verlieren. Daneben steigt das Risiko gesetzliche und branchenspezifische Vorschriften nicht einzuhalten. Hinzu kommen e höheren Kosten, die mit der Verwaltung einer zunehmend komplexen Datenumgebung verbunden sind.

Umfangreiche Data-Governance-Richtlinien sind deshalb überaus wichtig für den Geschäftserfolg. Sie gewährleisten, dass sich Informationen im Unternehmen effizient nutzen lassen. Zudem definieren sie Daten- und Personalprozesse, die für die Datenqualität und Datensicherheit im gesamten Unternehmen sorgen. Im Folgenden erfahren Sie, wozu ein Data-Governance-Framework dient und wie Sie es in Ihrem Unternehmen nutzen können. Profitieren Sie zudem von einem Data-Governance-Framework-Template.

Was ist eine Data-Governance-Richtlinie?

Data-Governance-Richtlinien legen fest, wer in welchen Situationen mit welchen Daten und unter Verwendung welcher Methoden welche Maßnahmen ergreifen kann. Ein Data-Governance-Framework gilt als Knotenpunkt des Datenmanagements innerhalb eines Unternehmens. Es sind Richtlinien, die strategische, taktische und operative Rollen und Verantwortlichkeiten in einer Organisation umfassen. Diese dienen dazu, sicherzustellen, dass die Daten vertrauenswürdig, gut dokumentiert und innerhalb eines Unternehmens leicht auffindbar sind. Zudem gewährleisten Data-Governance-Richtlinien, dass die Daten sicher, konform und vertraulich aufbewahrt werden.

Wann ist ein Data-Governance-Framework nötig?

Welche Daten in einem Unternehmen einer besonders sorgfältigen Kontrolle bedürfen, hängt von geschäftlichen Faktoren ab. So ist beispielsweise für einen Gesundheitsdienstleister die Gewährleistung des Datenschutzes für patientenbezogene Daten von besonderer Wichtigkeit. Eine sichere Verwaltung der Daten auf ihrem Weg durch das Unternehmen ist deshalb zwingend erforderlich, um die Einhaltung der staatlichen und branchenspezifischen Vorschriften zu gewährleisten. Diese Anforderungen bilden die Grundlage für die Data-Governance-Strategie dieses Unternehmens, die wiederum die Grundlage für das Data-Governance-Framework bildet.

Was für Vorteile bietet das Erstellen einer Data-Governance-Richtlinie?

Zu den wichtigsten Vorteilen, die ein Data-Governance-Framework mit sich bringt, gehören:

  • Eine einheitliche Sicht auf die Daten und gleichzeitig die Möglichkeit, flexibel auf die Bedürfnisse der einzelnen Geschäftsbereiche zu reagieren.
  • Ein Plan, der die Genauigkeit, Vollständigkeit und Konsistenz der Daten gewährleistet.
  • Eine Plattform zur Erfüllung der Anforderungen gesetzlicher Vorschriften und Branchenanforderungen.
  • Gut definierte Methoden und Best Practices für Daten und Datenmanagement, die sich unternehmensweit anwenden lassen.
  • Leicht zugängliche Daten, die sicher, konform und vertraulich behandelt werden.

Data-Governance-Framework-Beispiele: traditionelle Ansätze

Es gibt zwei traditionelle Ansätze zur Schaffung eines Data-Governance-Frameworks: Top-down und Bottom-up.

Top-down-Ansatz

Die Top-down-Methode verfolgt einen zentralisierten Ansatz für die Data Governance. Sie stützt sich auf ein kleines Team von Datenexperten, die genau definierte Methoden und bekannte Best-Practice-Beispiele anwenden. Die Datenmodellierung und -verwaltung hat in diesem Ansatz absolute Priorität. Erst danach stehen die Daten dem Rest des Unternehmens zur Verfügung, um sie für Analysen zu nutzen.

Dies führt jedoch zu einem massiven Problem bezüglich der Skalierbarkeit. Bei dieser Art von Data-Governance-Framework gibt es eine klare Unterscheidung zwischen Datenverwaltern und -konsumenten. Lediglich erstere sind befugt, die Daten in irgendeiner Form zu kontrollieren. In der Vergangenheit war die zu verwaltende Datenmenge gering und weniger Teams benötigten Zugang zu den Daten. Heute können die kleinen Teams von Datenverwaltern die Nachfrage der Datenkonsumenten kaum noch bewältigen. Dabei ist es mittlerweile eine der wichtigsten Geschäftsanforderung, saubere, vollständige und unverfälschte Daten jederzeit für jeden, der sie benötigt, zur Verfügung zu stellen.

Bottom-up-Ansatz

Im Gegensatz dazu ermöglicht die Bottom-up-Methode eine wesentlich flexiblere Datenverwaltung. Während der Top-down-Ansatz mit Datenmodellierung und Data Governance beginnt, setzt der Bottom-up-Ansatz bei den Rohdaten an. Erst nach dem Einlesen der Rohdaten wird das Schema der Daten definiert, also ob sie bspw. vom Datentyp oder der Länge her passend sind. Dieser Vorgang wird als „Schema-on-Read“ bezeichnet. Anschließend lassen sich Datenqualitätskontrollen, Sicherheitsregeln und Richtlinien implementieren.

Diese Data-Governance-Richtlinie, die mit dem Aufkommen von Big Data populär wurde, ist zwar skalierbarer als der zentralisierte Ansatz, schafft jedoch eine Reihe neuer Herausforderungen. So ist es schwer eine Art von Kontrolle zu etablieren, da Data Governance erst zu einem späteren Zeitpunkt Teil des Prozesses wird. Außerdem kann jeder unkontrolliert Daten eingeben. Ein Mangel an Data Governance führt wiederum zu:

  • einem erhöhten Risiko
  • mehr Kosten für die Datenverwaltung
  • einer überwältigenden Datenflut, die immer schwerer zu kontrollieren ist

Da beide traditionellen Ansätze gewisse Nachteile mit sich bringen, gilt es, einen modernen Ansatz für ein Data-Governance-Framework zu finden – einen, der die Datenkontrolle schon früh im Prozess etabliert und gleichzeitig den Nutzern die Möglichkeit gibt, selbst als Dateneigentümer und -verwalter zu fungieren.

Ein moderner Ansatz: kollaboratives Data-Governance-Framework-Template

Bei einem kollaborativen Data-Governance-Framework geht es darum, ein Gleichgewicht zwischen Top-down- und Bottom-up-Ansätzen herzustellen. Diese Richtlinie berücksichtigt, dass die Arbeit mit Daten im Team für den Erfolg eines Unternehmens unerlässlich ist. Andernfalls wäre die Menge an Arbeit, die zur Überprüfung der Zuverlässigkeit der Daten erforderlich ist, überwältigend.

Das kollaborative Data-Governance-Framework ermöglicht es, dass eine wachsende Menge an Personen im gesamten Unternehmen eine steigende Anzahl von Datenquellen einbringen können. Um die Skalierbarkeit der Data Governance aufrechtzuerhalten, gilt es, genau definierte Grundsätze für die kollaborative Verwaltung der Inhalte festzulegen. Das Festlegen dieser Grundsätze für die Datenpflege sorgt dafür, dass alle Mitarbeiter im Unternehmen mit den Daten arbeiten können, solange sie sich an die Standards halten. So lässt sich das gesamte Unternehmen in den Prozess der Umwandlung von Rohdaten in vertrauenswürdige, dokumentierte und gemeinsam nutzbare Daten einbinden.

Natürlich gibt es immer noch einige stark regulierte Geschäftsprozesse mit Datenelementen, die besondere Aufmerksamkeit erfordern. Die Aggregation von Risikodaten bei Finanzdienstleistungen oder Daten, wie Kreditkarteninformationen von Verbrauchern, eignen sich eher nicht für diesen Ansatz. In diesen Fällen kann das kollaborative Framework den Top-down-Ansatz ergänzen, aber nicht komplett damit ersetzen. Das Data-Governance-Team des Unternehmens sollte festlegen, welches Data-Governance-Modell in entsprechenden Situationen Anwendung findet.

Erfolge messen mit einem Data-Governance-Reifegradmodell

Data Governance ist eine Reise, kein Ziel. Um den Erfolg sicherzustellen, ist eine Methode notwendig, den Fortschritt zu messen und verbesserungswürdige Bereiche zu identifizieren.

Es gibt drei Reifegrade, die Organisationen auf dem Weg zu datengesteuerten Unternehmen durchlaufen:

  1. Datenintegration
  2. Datenintegrität
  3. Datenintelligenz: Datenkatalogisierung, Datenabfolge und Metadatenmanagement

Da Unternehmen vertrauenswürdige Daten benötigen, um Kundenerfahrungen zu verbessern und sichere Entscheidungen zu treffen, muss die Datenqualität eine Kernkomponente eines jeden Data-Governance-Frameworks sein. Je weiter Unternehmen in diesem Reifegrad fortgeschritten sind, desto mehr lassen sich die Vorteile leistungsstarker Technologien wie Datenprofilierung und Datenabgleich mit maschinellem Lernen nutzen. Weiterhin können sie so den größtmöglichen Nutzen aus all ihren Datenbeständen ziehen und gleichzeitig das notwendige Maß an Kontrolle und Vertrauen in diese Daten bewahren.

Ausschöpfen des vollen Potenzials eines Data-Governance-Frameworks

Bei der Data Governance geht es um mehr als Datenschutz und -kontrolle. Sind die Prozesse richtig umgesetzt, verlangsamen oder verhindern sie dabei nicht den Zugriff auf Daten. Vielmehr können sie den Datenzugriff verbessern, indem sie Unternehmen dabei helfen, vertrauenswürdige Daten den richtigen Personen im passenden Format zur benötigen Zeit zur Verfügung zu stellen. Gleichzeitig gewährleisten sie den Datenschutz und die Einhaltung gesetzlicher Vorschriften.

Mit dem „Ultimativen Data-Governance-Leitfaden“ von Talend erhalten Sie einen tieferen Einblick in die Methoden und bewährten Verfahren, mit denen Sie eine erfolgreiche Data-Governance-Initiative in Ihrem Unternehmen umsetzen können. Dort lesen Sie zusätzliche Details zu den in diesem Artikel behandelten Themen und lernen neue Bereiche kennen, darunter:

  • Möglichkeiten, wie Sie mit Data Governance Zeit, Geld und Ressourcen sparen können
  • Wie Sie das beste Data-Governance-Modell für Ihre Bedürfnisse auswählen
  • Drei Schritte zur Bereitstellung von Daten, denen Sie in jeder Größenordnung vertrauen können
  • Tipps für den Aufbau eines Datenteams und einer datengesteuerten Kultur

Sind Sie bereit, mit Talend durchzustarten?