Was ist Datenstrategie?

Eine gute Datenstrategie hat noch weitere Vorteile:

Lösen von Herausforderungen bei der Datenverwaltung

Die meisten Unternehmen sehen sich mit Problemen bei der Datenverwaltung konfrontiert, z. B. Datensilos, Datenduplizierung in verschiedenen Geschäftsbereichen, ineffizienter Datenfluss zwischen Abteilungen und mangelnde Klarheit über Datenprioritäten. Eine Datenstrategie ermöglicht es Unternehmen, diese Herausforderungen zu bewältigen, indem die Datenstrategie Daten auf sichere Weise zugänglich und gemeinsam nutzbar macht. Sie können den Nutzen von Daten freisetzen und so Geschäftsinitiativen verwirklichen. Eine bessere Ausrichtung auf Daten und Zugang zu den richtigen Daten zur richtigen Zeit ermöglicht es Unternehmen, sich auf die Zukunft und auf das Unbekannte vorzubereiten.

Das Erlebnis und die Loyalität der Kunden steigern

Anhand von Daten und Analytik können Unternehmen ihre Kundschaft besser verstehen und so das Kundenerlebnis weiter steigern. Von Online-Erlebnissen bis hin zu Kontaktcentern können Unternehmen Daten nutzen, um mehr Wert für Kunden zu schaffen und unbefriedigte Bedürfnisse proaktiv zu erfüllen. Daten unterstützen Unternehmen auch dabei, neue Geschäfts- oder Monetarisierungsmöglichkeiten zu schaffen und hyperpersonalisierte Produkte und Services zu entwickeln, die auf den Bedürfnissen der Kunden basieren. Personalisierte Erlebnisse stärken im Laufe der Zeit auch die Kundenbindung.

Erreichen analytischer Reife

Das Gartner Analytic Ascendancy Model definiert vier Stufen des analytischen Reifegrads. Unternehmen beginnen in der Regel mit deskriptiver und diagnostischer Analytik, um zu verstehen, was passiert ist und warum. Analytische Reife ist dann gegeben, wenn das Unternehmen zu prädiktiver Analytik übergeht, die Daten nutzen, um zu beantworten, was passieren wird. Unternehmen in der letzten Reifephase verwenden präskriptive Analytik, um vorgegebene Ergebnisse zu erzielen. Eine Datenstrategie legt also einen detaillierten Plan fest, der Ihrem Unternehmen dabei hilft, Entscheidungen nicht mehr im Nachhinein, sondern im Voraus zu treffen.

Zukunftssichere Anwendungen wie ML und generative KI entwickeln

Daten bilden den Kern von Anwendungen mit ML und generativer KI. ML-Modelle und KI-Modelle erfordern die Fähigkeit, Daten einfach aufzunehmen und zu verwalten, um Modelle zu trainieren und Inferenzen auszuführen. Eine Datenstrategie erfasst Daten, die in Anwendungsfälle wie Bilderkennung, Prognosen und intelligente Suche in Anwendungen einfließen. Sie müssen zudem die ML-Governance berücksichtigen. Dazu gehört auch die Beherrschung Ihrer Datenmodelle.

Schaffen einer unternehmensweiten Datenkultur

Eine Datenstrategie stellt einen Zeitplan zur Verbesserung der Datenkompetenz und der Effizienz der Nutzung im gesamten Unternehmen dar. Verschiedene Teams können zusammenarbeiten, um die Datenqualität und die Genauigkeit der Datenerfassung zu verbessern. Darüber hinaus können Sie maßgeschneiderte Schulungen entwickeln und Lernpfade für Mitarbeiter schaffen, die sich vom Anfänger zum Experten in Sachen Verwaltung und Nutzung von Daten entwickeln.

Unterstützen der Regel-Compliance

Eine wirkungsvolle Datenstrategie implementiert Maßnahmen zum Vermeiden von unbefugtem Zugriff auf Daten und erhöht so die Datensicherheit. Sie können bei der Definition von Richtlinien und Prozessen alle Regeln und Vorschriften zur Data Governance berücksichtigen. Alle Vorgänge können sorgfältig geplant werden, um sicherzustellen, dass bei der Verwaltung von Unternehmensdaten der Datenschutz, die Sicherheit und die Integrität der Daten jederzeit gewährleistet sind.

Es gibt zwei Hauptansätze zum Entwickeln einer Datenstrategie für Ihr Unternehmen.

Zentralisiert

Ein stark zentralisierter, kontrollorientierter Ansatz für das Datenmanagement beinhaltet in der Regel zu jeder breitgefächerten Datenkategorie eine Single Source of Truth. Zum Beispiel gibt es nur eine einzige primäre Quelle für Daten zu Umsatz, Kunden oder Verkauf. Die Datensysteme erfassen Daten aus verschiedenen Quellen, bereinigen diese Daten und speichern sie in dieses zentrale Repository. Auf diese Weise senkt die Verteidigung der Daten das Risiko, indem die maßgeblichen Datenquellen benannt, standardisiert und gesteuert sind. Dadurch ist die Integrität der durch die internen Systeme des Unternehmens strömenden Daten sichergestellt. Dieser Ansatz setzt Prioritäten bei Aktivitäten, zum Beispiel die folgenden:

• Compliance und Vorschriften
• Betrugserkennung mit Hilfe von Analytik
• Sicherheitsmaßnahmen zur Verhinderung von Diebstahl

Dezentralisiert

Ein dezentraler Ansatz verleiht von zentraler Stelle aus beherrschten Datenverwaltungssystemen mehr Flexibilität. Dabei wird davon ausgegangen, dass unterschiedliche Geschäftseinheiten ein und dieselben Daten unterschiedlich interpretieren. Dieser Ansatz trägt diesen unterschiedlichen Interpretationen Rechnung, indem kontrollierte Datentransformationen zulässig sind. Dabei können die Daten verlässlich auf die Single Source of Truth zurückgeführt werden.

Stellen Sie sich beispielsweise ein Szenario vor, in dem sowohl die Finanzabteilung als auch die Marketingabteilung monatlich Berichte über die Ausgaben für Werbung in sozialen Medien erstellt. Die Marketingabteilung, die an der Analyse der Werbewirksamkeit interessiert ist, berichtet über die Auswirkungen der Ausgaben auf Klicks und Ansichten. Die Finanzabteilung berichtet über die Auswirkungen der Ausgaben auf den Cashflow. Die Berichte enthalten unterschiedliche Zahlen und geben dennoch beide eine zutreffende Version der Wahrheit wieder.

Ansätze zu einer ausgewogenen Datenstrategie

Jedes Unternehmen muss sowohl zentralisierte als auch dezentrale Ansätze verfolgen, damit seine Datenstrategie erfolgreich sein kann. Das Finden des richtigen Gleichgewichts kann sich jedoch als recht kompliziert erweisen. Bei dezentralen Ansätzen handelt es sich in der Regel um Echtzeitoperationen. Diese Ansätze sind eher für kundenorientierte Geschäftsfunktionen wie Marketing und Vertrieb relevant. Für Rechtsabteilungen, Finanzabteilungen, Compliance- Abteilungen und IT-Abteilungen sind eher zentralisierte Ansätze von größerer Bedeutung. Eine ausgewogene Datenstrategie gibt Führungskräften die Flexibilität, die Single Source of Truth auf stimmige Weise so anzupassen, dass sie den Bedürfnissen des Geschäfts optimal gerecht wird.

Fundierte Geschäftsinitiativen benennen

Der erste Schritt besteht darin, sich an fundierte Geschäftsinitiativen anzupassen. Dazu können Sie nach der Amazon-Methode des Rückwärtsarbeitens vorgehen. Als Nächstes ermitteln Sie, welche Daten für diese Geschäftsinitiativen benötigt werden.  Benennen Sie anschließend, welche Datenfähigkeiten zur Unterstützung der Geschäftsinitiativen erforderlich sind.

Hier geben wir ein Beispiel zu den Schritten zum Entwickeln einer Datenstrategie:  

• Unterstützen der fundierten Geschäftsinitiative eines Dritten
• Benennen der erforderlichen Datenfähigkeiten
• Ermitteln des Zustands der benötigten Daten
• Erstellen einer Roadmap zur Datenstrategie
• Benennen, welche Betriebspraktiken des Unternehmens, wie Unternehmensarchitektur und Projektmanagement, die Datenstrategie unterstützen können
• Integrieren in KI-Strategieprogramme

Zusammenstellen eines Teams

Für eine erfolgreiche Datenstrategie ist es entscheidend, die richtigen Leute zu finden, die ein breites Spektrum an Perspektiven einbringen. Ihr Team wird für verschiedene Aufgaben verantwortlich sein, möglicherweise folgende:

• Ressourcenzuweisung und -verteilung
• Festlegung und Verbesserung von Strategien
• Umgang mit datenbezogenen Problemen bei ihrem Auftreten
• Kommunizieren von Programmstatus und Ergebnissen

Sie können auch Rollen zur Daten-Governance zuweisen. Dadurch können Sie festlegen, wer für die Bereitstellung von Technologien, die Einhaltung von Standards und die Bereitstellung von Updates über Richtlinienänderungen an alle verantwortlich ist.

Optimieren Ihrer Datenarchitektur

Jede Datenstrategie benötigt die richtigen Tools und Technologien, um in der Praxis erfolgreich zu sein. Sie müssen Ihre bestehende Dateninfrastruktur überprüfen, analysieren, wie die verschiedenen Teams die Daten derzeit nutzen, und etwaige Lücken identifizieren, die es zu schließen gilt. In diesem Schritt werden in der Regel technologiebezogene Entscheidungen auf der Grundlage Ihrer Anforderungen getroffen, die Folgendes umfassen können:

• Datenvolumen und -typ
• Datenqualität und -analyse
• Sicherheit und Compliance
• Datenlebenszyklus

Letztendlich ist es das Ziel, eine Datenstrategie zu entwickeln, die Ihre Daten für alle Beteiligten, die sie benötigen, so zugänglich, gemeinsam nutzbar und verwertbar wie möglich macht. Zudem sind die korrekten Sicherheitskontrollen vorhanden.

In das KI-Strategieprogramm integrieren

Um Nutzen aus KI und ML zu ziehen, müssen die zugrundeliegenden Daten den Anforderungen der konkreten Initiativen im Zusammenhang mit KI- und ML-Modellen genügen, damit eine angemessene Datenqualität, Integration, Sicherheit usw. gegeben sind. Daher sollten das Team für Datenstrategie und das Team für KI-Strategie partnerschaftlich zusammenarbeiten.

Überlegungen zur speziellen Governance bezüglich KI/ML

KI/ML führt neue Fähigkeiten ein, die wir in unserer Datenstrategie berücksichtigen müssen. Beispiel:

• Feature Stores
• Einhaltung zusätzlicher behördlicher Vorgaben
• MLOps
• Ungewohnte Überlegungen zur Ethik
• Betrachtungen zu generativer KI