Daten-Mapping ist für den Erfolg vieler Datenprozesse von entscheidender Bedeutung. Eine einzige Unachtsamkeit beim Daten-Mapping kann sich durch Ihre gesamte Organisation ziehen, wiederholt Fehler verursachen und schließlich zu falschen Analysen führen.

In fast jedem Unternehmen kommt es irgendwann einmal zu einer Umstellung zwischen Systemen. Verschiedene Systeme speichern ähnliche Daten jedoch auf unterschiedliche Art und Weise. Vor dem Verschieben oder Konsolidieren von Daten zur Analyse oder für andere Aufgaben benötigen Sie daher eine Roadmap, damit Daten genau dort landen, wo sie hingehören.

Bei Prozessen wie Datenintegration, Datenmigration, Data-Warehouse-Automatisierung, Datensynchronisierung, automatischer Datenextraktion sowie anderen Projekten zum Datenmanagement wirkt sich die Qualität des Daten-Mappings direkt auf die Qualität der Analysedaten aus, die zur Gewinnung wertvoller Einblicke genutzt werden.

Laden Sie The Definitive Guide to Data Quality jetzt herunter.
Weitere Informationen

So funktioniert Daten-Mapping in modernen Unternehmen

Daten-Mapping bezeichnet das Verknüpfen von Feldern verschiedener Datenbanken. Dies ist der erste Schritt für eine erfolgreiche Datenmigration, Datenintegration und andere Datenmanagementaufgaben.

Bevor Sie Ihre Daten analysieren können, um wertvolle Einblicke in Ihr Geschäft zu erhalten, müssen diese so vereinheitlicht werden, dass sie für Entscheidungsträger leicht zugänglich sind. Daten stammen heute häufig aus verschiedenen Quellen mit unterschiedlichen Definitionen für ähnliche Datenpunkte. In einem Quellsystem kann so im Feld „Staat“ für „Illinois“ z. B. „Illinois“ stehen, das Zielsystem speichert diese Information jedoch eventuell als „IL“.

Daten-Mapping überbrückt derartige Unterschiede zwischen zwei Systemen bzw. Datenmodellen, um aus einer Quelle entnommene Daten im Zielsystem nutzen zu können.

Daten-Mapping hat sich bereits seit einiger Zeit in Unternehmensabläufen etabliert. Die Menge an Daten und deren Quellen nehmen jedoch immer mehr zu und macht Daten-Mapping zusehends komplexer, sodass für die Bewältigung großer Datenmengen automatisierte Tools erforderlich sind.

Daten-Mapping ist der Schlüssel zum Datenmanagement

Daten-Mapping ist ein zentraler Bestandteil vieler Datenmanagementprozesse. Bei fehlerhafter Ausführung können Daten bei der Übertragung in das Zielsystem unbrauchbar werden. Daher ist sorgfältiges Daten-Mapping entscheidend für die optimale Nutzung der Daten bei Migrationen, Integrationen, Transformationen und in Data Warehouses.

Datenmigration

Datenmigration ist die einmalige Übertragung von Daten zwischen Systemen. Im Allgemeinen handelt es sich um Daten, die sich im Laufe der Zeit nicht ändern. Nach der Migration dient das Zielsystem als neue Quelle der migrierten Daten und die ursprüngliche Quelle wird nicht mehr verwendet. Daten-Mapping unterstützt den Migrationsprozess durch eine Verknüpfung von Quell- und Zielfeldern.

Datenintegration

Datenintegration ist ein laufender Prozess, bei dem Daten regelmäßig von einem System in ein anderes übertragen werden. Integrationen können nach Zeitplan erfolgen, z. B. vierteljährlich oder monatlich, oder durch ein Ereignis ausgelöst werden. Daten verbleiben sowohl im Quell- als auch im Zielsystem und werden dort gespeichert. Wie bei der Datenmigration verknüpft das Daten-Mapping Quell- und Zielfelder.

Laden Sie The Definitive Guide to Data Integration jetzt herunter.
Weitere Informationen

Datentransformation

Datentransformation ist die Umwandlung von Daten aus einem Quell- in ein Zielformat. Dies kann mit einer Bereinigung der Daten durch Änderung der Datentypen, einem Löschen von Nullen oder Duplikaten sowie einer Aggregation oder Anreicherung der Daten oder anderen Transformationen einhergehen. So kann z. B. „Illinois“ in „IL“ umgewandelt werden, um dem Zielformat zu entsprechen. Diese Transformationsformeln sind Teil der Daten-Map und werden von ihr verwendet, um Daten bei der Übertragung in das für die Analyse benötigte Format umzuwandeln.

Data Warehouse

Sollen Daten zur Analyse oder für andere Aufgaben in einer Quelle gepoolt werden, erfolgt dies normalerweise in einem Data Warehouse. Daten für Abfragen, Berichte oder Analysen stammen dann aus dem Data Warehouse und sind darin bereits migriert, integriert und transformiert. Das Daten-Mapping stellt sicher, dass Daten aus dem Data Warehouse ordnungsgemäß in das Zielsystem übertragen werden.

Aus welchen Schritten besteht das Daten-Mapping?

  • Schritt 1: Definieren – Definieren Sie die zu verschiebenden Daten, einschließlich der Tabellen, der Felder in jeder Tabelle und der Feldformate nach dem Verschieben. Bei Datenintegrationen wird zudem die Häufigkeit der Datenübertragung definiert.
  • Schritt 2: Daten mappen – Weisen Sie Quell- und Zielfelder einander zu.
  • Schritt 3: TransformierenSollte ein Feld eine Transformation erfordern, wird die Transformationsformel oder -regel programmiert.  
  • Schritt 4: TestenStarten Sie in einem Testsystem oder mit Beispieldaten aus der Quelle eine Testübertragung und nehmen Sie gegebenenfalls Anpassungen vor.
  • Schritt 5: ImplementierenWenn die Datentransformation wie vorgesehen funktioniert, legen Sie einen Zeitpunkt für den Beginn der Migration oder Integration fest.
  • Schritt 6: Warten und AktualisierenBei laufenden Datenintegrationen ist die Daten-Map eine dynamische Schnittstelle, die Aktualisierungen und Änderungen erfordert, wenn neue Datenquellen hinzugefügt, Datenquellen geändert oder Anforderungen im Zielsystem modifiziert werden.

So kann Sie das richtige Daten-Mapping-Tool unterstützen

Daten-Mapping

Moderne cloudbasierte Daten-Mapping- und Datentransformations-Tools können Unternehmen bei der Nutzung ihrer Daten unterstützen, ohne dabei ihr Budget zu sprengen. Dieses Daten-Mapping-Beispiel zeigt, wie Datenfelder aus Quelle und Ziel einander zugewiesen werden.

Bisher reichte es aus, Data-Mapping analog zu dokumentieren. Das hat sich inzwischen geändert. Angesichts der Flut an Daten, Mappings und laufenden Änderungen reichen papierbasierte Systeme heute nicht mehr aus. Sie sind nicht transparent genug und können die unvermeidlichen Änderungen in Datenmodellen nicht nachverfolgen. Ein manuelles Daten-Mapping bedeutet zudem, dass Transformationen manuell programmiert werden müssen, was zeitaufwendig ist und die Fehleranfälligkeit erhöht.

Transparenz für Analysten und Architekten

Weil Datenqualität wichtig ist, sind Datenanalysten und -architekten auf eine präzise Echtzeitansicht der Quell- und Zieldaten angewiesen. Daten-Mapping-Tools liefern eine zentrale Ansicht der verknüpften Datenstrukturen, die Analysten und Architekten einen Überblick über Dateninhalte, Datenfluss und Datentransformationen verschafft.

Optimierung komplexer Formate

Angesichts der überwältigenden Anzahl an Datenstreams aus verschiedenen Quellen kann Datenkompatibilität zu einem potenziellen Problem werden. Gute Daten-Mapping-Tools optimieren den Transformationsprozessindem sie mithilfe integrierter Tools eine korrekte Transformation komplexer Formate sicherstellen. Dies spart Zeit und reduziert die Anfälligkeit für menschliches Versagen.

Weniger Herausforderungen bei sich wandelnden Datenmodellen

Daten-Mapping ist keine einmalige Angelegenheit. Änderungen von Datenstandards, Berichtsanforderungen und Systemen erfordern eine laufende Wartung von Daten-Maps. Bei einem cloudbasierten Daten-Mapping-Tool entfällt das Risiko, das Änderungen nicht dokumentiert werden. Gute Daten-Mapping-Tools erlauben es, bei einer Aktualisierung der Daten-Maps die Auswirkungen der Änderungen nachzuverfolgen. Zudem können Daten-Maps wiederverwendet werden, sodass Sie nicht jedes Mal wieder bei null anfangen müssen.

Laden Sie The Definitive Guide to Data Governance jetzt herunter.
Weitere Informationen

Darauf sollten Sie bei einem Daten-Mapping-Tool achten

Cloudbasierte Daten-Mapping-Tools sind schnell, flexibel und skalierbar. Sie sind auf anspruchsvolles Mapping ausgelegt, ohne dabei das Budget übermäßig zu strapazieren. Auch wenn die Merkmale und Funktionen eines Daten-Mapping-Tools im Einzelnen von den jeweiligen Anforderungen der Organisation abhängen, gibt es einige zu erfüllende Pflichtkriterien.

Umfassende Formatunterstützung

Die meisten Tools unterstützen gängige Dateitypen wie Excel, Tabulator-getrennte Textdateien, XML, JSON, EBCDIC und andere. Achten Sie darauf, dass das Tool die in Ihrer Umgebung gängigen Formate unterstützt, wie z. B. SQL Server, Sybase, Oracle, DB2 usw. Ein gutes Mapping-Tool unterstützt zudem Unternehmenssoftware wie SAP, SAS, Marketo, Microsoft CRM oder SugarCRM und Daten aus Cloud-Services wie Salesforce oder Database.com.

Intuitiv und automatisiert

Ein intuitives, cloudbasiertes Tool automatisiert repetitive Aufgaben, um Zeit und Mühen zu sparen und das Risiko für menschliches Versagen zu reduzieren. Prüfen Sie, ob eine Drag-and-Drop-Oberfläche vorhanden ist, um Felder schnell zuzuordnen und integrierte Transformationen ohne manuelle Programmierung zu nutzen.

Workflow und Terminplanung

Um die Automatisierungsfunktionen abzurunden, sollte Ihr Tool einen vollständigen Mapping-Workflow erstellen können und die Möglichkeit bieten, Mapping-Jobs nach Zeitplan oder ereignisbasiert auszulösen.

Unternehmensdaten-Mapping für ein besseres Datenmanagement

Das Daten-Mapping soll die Genauigkeit der Daten bei der Übertragung zwischen Quelle und Ziel sicherstellen. Ein hochwertiges Daten-Mapping gewährleistet eine gute Datenqualität im Data Warehouse.

Mit einer End-to-End-Lösung für Datenintegration und -management können Sie die Möglichkeiten der Cloud ausreizen und Daten optimal nutzen. Talend Data Fabric ist eine einheitliche Suite an Apps , mit der Sie alle Ihre Unternehmensdaten in einer Umgebung verwalten können – von der Anbindung verschiedenster Datenquellen und -plattformen bis hin zu intuitivem Selfservice-Zugriff. Testen Sie Talend Data Fabric noch heute.

Talend Data Fabric testen