Enterprise Data Management: Nutzen und Notwendigkeit

Einleitung

Unsere digitale Welt ist auf Informationen angewiesen. Daten sind überall. Warum sind so viele Unternehmen, Organisationen, Analysten und Berater so besorgt darüber?

Daten sind Darstellungen von Fakten. Indem Daten in einen Kontext gestellt werden, werden Informationen erstellt. Das Fehlen eines guten Datenmanagements bedeutet oft automatisch, dass Verwaltungs- und Kontrollinformationen unwirksam sind. Auf lange Sicht wird dies eine Organisation so lähmen, dass sie nicht mehr richtig funktionieren kann. Der Grund dafür ist, dass wichtige Entscheidungen zu spät getroffen werden, weil Managementinformationen nicht mehr vertraut werden. Darüber hinaus wird die Abwicklung von Geschäftsprozessen auf Abteilungsebene immer mehr Zeit und Aufwand erfordern, da die Aktivitäten der Abteilungen nicht gut aufeinander abgestimmt sind. In dieser Situation erstellt und verwaltet jeder nur die Daten, die für seine eigene Arbeit benötigt werden, und verwendet daher seine eigenen Datendefinitionen. Weil sich Abteilungen gegenseitig die Schuld für Unachtsamkeit geben, stapeln sich Kontrollmaßnahmen übereinander und der Geschäftsprozess wird noch mehr geschürt, was zu einer Abwärtsspirale führt. Daher gibt es einen zwingenden geschäftlichen Grund, dem Datenmanagement einen unabhängigen und professionellen Platz in Organisationen einzuräumen.

Darüber hinaus erzwingen Gesetze und Vorschriften auch ein strukturiertes Datenmanagement. Wetgeving in de financiële sector zoals Basel en Solvency vereist dat een mechanisme voor datakwaliteit en herleidbaarheid van in rapportages gebruikte informatie geborgd is binnen de organisatie. Basel II stelt in dit verband: ‘Die Bank muss über ein Verfahren zur Überprüfung der Dateneingaben in ein statistisches Ausfall- oder Verlustvorhersagemodell verfügen, das eine Bewertung der Genauigkeit umfasst, Vollständigkeit und Angemessenheit der Daten für die Zuweisung eines genehmigten Ratings’. Datamanagement ist in der Lage, Daten aus verschiedenen Quellen zu sammeln. Die korrekte Aufzeichnung von Daten in den Systemen ist einer der zeitaufwendigsten Teile eines solchen Programms. In einer solchen Situation ist es schwierig, externe Anforderungen zu erfüllen, die sich aus Gesetzen und Vorschriften sowie Vereinbarungen mit Lieferanten und Kunden ergeben.

Enterprise Data Management ist eine Reihe von Aktivitäten innerhalb von Organisationen, die sich darauf konzentrieren, Daten strukturiert zu identifizieren, zu klassifizieren, zu registrieren, zu modellieren, freizugeben, zu sichern, zu archivieren und zu zerstören. Der Begriff ‘Unternehmen’ spiegelt den organisationsweiten Charakter des Datenmanagements wider.

Die Tatsache, dass das Datenmanagement im Geschäftsbetrieb eine so entscheidende Rolle spielt, wird durch Aussagen einiger Organisationsmanager unterstrichen. Aloys Kregting, CIO von DSM und 2011 zum CIO des Jahres gewählt, sagt: “Dem CIO sollte der Wert von Informationen besonders am Herzen liegen. Man muss sehr genau wissen, welche Menschen wann welche Informationen benötigen, und das auch ermöglichen. Dies unterstreicht einmal mehr die Bedeutung des Berichts- und Stammdatenmanagements.’

Als tweede de CEO van een olie-exploratie- en productiebedrijf die zich realiseert dat goed datamanagement voor zijn bedrijf een volgende stap naar business excellence is en hem in staat stelt zich te onderscheiden van zijn concurrenten: ‘Kontinuierliche Verbesserungsbemühungen werden sich nun darauf konzentrieren, diese Änderungen zu nutzen und den verborgenen Wert aufzudecken, den sie bieten. Dies bedeutet vereinfachte Prozesse und ein verstärktes Datenmanagement, um schnellere und fundiertere Entscheidungen zu treffen, besser auf Kundenbedürfnisse eingehen zu können und weniger Verschwendung zu verursachen – was zu einer höheren Wettbewerbsleistung führt.’

Daten als Vermögenswert

Daten sind, wie angegeben, Darstellungen von Tatsachen. Projiziert auf ein Geschäftsumfeld sind die ‘Fakten über den Geschäftsbetrieb’. Ohne Kontext oder Struktur haben diese Daten keinen Mehrwert für ein Unternehmen. Ihnen fehlt es an Inhalt und Bedeutung, um dem Unternehmen wirklich einen Mehrwert zu verleihen. Wir unterscheiden zwischen strukturierten Daten (gespeichert und geordnet in einer Datenbank) und unstrukturierten Daten (in Form von Dokumenten, Dateien, Bildern, Textnachrichten, Formularen, Video- oder Tonaufzeichnungen, die nicht in Zeilen, Spalten oder Datensätzen enthalten sein können).

Ohne zusätzliche Informationen ist es schwierig, wenn nicht unmöglich, diese Daten zu klassifizieren, zu registrieren und darauf zuzugreifen. In dem Moment, in dem wir diesen Daten Kontext hinzufügen, werden die Daten aussagekräftig. Wir fügen dann eine Referenz, ein Datum und eine Uhrzeit, die Bedeutung der Nachricht und ein Format hinzu. Dies gibt die Datenstruktur und wird zu Informationen. Wenn wir verschiedene Informationsquellen miteinander in Beziehung setzen, indem wir Beziehungen herstellen und Muster identifizieren, wird Information zu Wissen. Darin liegt auch der Mehrwert von Business Intelligence( BI): die Verbindung verschiedener Informationseinheiten in einer Organisation zum Zwecke der Entscheidungsfindung durch das Management des Unternehmens. Siehe auch Abbildung 1.

Abbildung 1. Stellen Sie den Wert von Daten in einen Kontext.

Organisationen, die am besten in der Lage sind, ihre Daten zu aussagekräftigen Informationen zu strukturieren und diese Informationen den Wissensarbeitern innerhalb des Unternehmens logisch zugänglich zu machen, können ihre Wettbewerber besser dominieren. Die Nutzung der inhärenten kommerziellen Macht dieser Daten verschafft Unternehmen und Organisationen einen strategischen Vorteil gegenüber ihren Mitbewerbern. Eric Schmidt, damals CEO von Google, sagte 2010: Ich glaube nicht, dass die Gesellschaft versteht, was passiert, wenn alles jederzeit verfügbar, erkennbar und von jedem aufgezeichnet ist.’ En Gartner stelt: ‘Im privaten Sektor schätzen wir zum Beispiel, dass ein Einzelhändler, der Big Data in vollem Umfang nutzt, das Potenzial hat, seine operative Marge um mehr als 60% zu steigern.’ ()

Maar het gaat niet alleen om het goed structureren en ontsluiten. Een aantal jaren was de heersende gedachte dat BI het probleem van goede managementinformatievoorziening zou oplosen. Alle großen Unternehmen und Institutionen der Welt haben teure BI-Programme ausgeführt und teure Anwendungen implementiert. Dennoch ist die Unternehmensleitung nicht zufrieden. BI entsperrt nicht alle Geschäftsdaten, in der Praxis konzentriert es sich hauptsächlich auf strukturierte Daten, wobei der Wert unstrukturierter Daten nicht ausreichend berücksichtigt wird. Darüber hinaus lassen sich Berichte nicht einfach anpassen, sodass sie häufig nicht ausreichend auf die Bedürfnisse des Unternehmens zu einem bestimmten Zeitpunkt ausgerichtet sind. KPMG, basierend auf Forschung: Riesige Investitionen in IT garantieren nicht unbedingt bessere Informationen. Wichtiger ist es, die Art und Weise, wie Daten gesammelt, verarbeitet und präsentiert werden, grundlegend zu verändern.’ ()

Gestructureerde data die door een datawarehouse worden ontsloten, zijn waardeloos as de kwaliteit van die data niet goed is. Onstructureerde gegevens (ca. 85% von allen bedrijfsgevens) kunnen niet via een datawarehouse worden ontsloten. Die Daten werden in der Datenbank gespeichert und die Daten werden in der Datenbank gespeichert. In diesem Zusammenhang bedeutet gut in Übereinstimmung mit den Qualitätsanforderungen, die von der Organisation an sie gestellt werden. Es ist klar, dass gute Daten nicht selbstverständlich sind. Ein Managementrahmen ist erforderlich. Der Managementrahmen umfasst Aktivitäten, die ein Unternehmen logisch und sorgfältig organisieren und in die Organisation investieren muss. Dies ist Datenmanagement und umfasst alle Aktivitäten innerhalb von Organisationen, die darauf abzielen, Daten strukturiert zu identifizieren, zu klassifizieren, zu registrieren, zu modellieren, darauf zuzugreifen, zu sichern, zu archivieren und zu zerstören. Wir verwenden hierfür den Begriff Enterprise Data Management (EDM), da es sich um Aktivitäten handelt, die unternehmensweit organisationsübergreifend durchgeführt werden.

Die Erkenntnis, dass ein gutes Datenmanagement einen Mehrwert für den Geschäftsbetrieb und das Endergebnis schaffen kann, veranlasste Analysten und Berater, Daten mit anderen Geschäftsressourcen wie Grundstücken, Gebäuden und Maschinen gleichzusetzen. In diesem Zusammenhang werden Daten auch als Geschäftsgut bezeichnet. Vermögenswerte müssen gut verwaltet werden: gut gepflegt, gut gesichert, es muss einen Eigentümer geben, der überwacht, und ein Vermögenswert muss auch rechtzeitig ersetzt werden. Wie andere Vermögenswerte können auch Daten verkauft werden. Daraus kann Wert abgeleitet werden. Denken Sie nur an Adressdateien, die sowohl für gutgläubige als auch für betrügerische Unternehmen einen bestimmten Wert darstellen.

Führungskräfte führender Unternehmen der Welt sind sich dessen bewusst. Datenbezogene Programme stehen prominent auf ihrer Aktionsliste. Die Hackett-Gruppe erklärt: Was Unternehmen erkennen, ist, dass sie viel Geld in die Anwendungen gesteckt haben, aber ohne ihre Daten zu standardisieren und zu bereinigen, erhalten sie immer noch Informationen, die keinen Sinn ergeben. Sie haben Unternehmen, die unterschiedliche Definitionen verwenden, die Metriken unterschiedlich berechnen und unterschiedliche Hierarchien verwenden. Dieses gesamte Konzept des Stammdatenmanagements ist für Unternehmen absolut entscheidend, um schließlich an den Punkt zu gelangen, an dem sie über Predictive Analytics verfügen.’. De businesscase om master data management (MDM) programma’s te starten lijkt evident: Bis 2013 wird MDM die Datenredundanz von Unternehmen reduzieren, wodurch 80% der mit der Verwaltung redundanter Daten verbundenen Kosten eingespart werden können. ()

Modelle für Enterprise Data Management

Over het beheersen van data wordt al tijden nagedacht en er zijn dan ook modellen en methodieken te over, die allemaal claimen het beste antwoord voor de inrichting van Enterprise Data Management te hebben. Die International Organization for Standardization, besser bekannt als ISO, ist der Ansicht, dass das Spektrum der Daten sehr unterschiedlich ist. Beispielsweise befasst sich ISO 27001 mit der Sicherheit von Informationen. ISO 15489 ist der Standard für die Verwaltung von Informationen aus der Sicht der Archivierung. ISO 23081 ist der Standard für Metadaten. Darüber hinaus kann ISO 19005 als Richtlinie für das Erscheinungsbild von Daten verwendet werden. Standards gibt es zuhauf. Andere Frameworks wie COSO und Frameworks wie Cobit und ISF sprechen von der Bedeutung von Daten im weiteren Sinne, jedoch nur aus einer Risikoperspektive.

Data Management Body of Knowledge

Ein vollständigeres Modell scheint das von DAMA-DMBOK zu sein. Es beinhaltet eine Sammlung von ‘Best Practices’ im Bereich Datenmanagement, die über mehrere Jahre mit neuen Erkenntnissen aus der Praxis ergänzt wurden. Der DAMA-DMBOK-Leitfaden (Full: Data Management Body of Knowledge) ist eine Publikation der Data Management Association, einer internationalen Organisation, die sich auf Datenmanager und Datenfachleute konzentriert, um Wissen über Datenmanagement zu verbreiten.

Der DMBOK unterscheidet zehn verschiedene Datenfunktionen. Diese Funktionen sind in Abbildung 2 dargestellt. Data Governance ist die Funktion, die die anderen Domänen verbindet. Für jede der Domänen müssen Umweltfaktoren berücksichtigt werden, wie z. B. die aktuellen Arbeitsmethoden und -verfahren, die verwendete Technologie und die Organisationskultur.

Abbildung 2. Datendomänen nach DAMA ().

DAMA kennt aber auch seine Schwächen. Zum Beispiel: die Tatsache, dass sich die genannten Funktionen nur in groben Zügen aufeinander beziehen, so dass ein Benutzer nicht immer die Beziehung zwischen den Funktionen und damit die breitere Bedeutung sieht. Darüber hinaus scheint sich DAMA vorerst auf traditionelle, strukturierte Daten zu konzentrieren. Zum Beispiel wird immer noch wenig über die Bedeutung von Social-Media-Inhalten gesprochen. Die Datensicherheit innerhalb von DAMA konzentriert sich hauptsächlich auf den technischen Schutz von Daten. Darüber hinaus wurde der Unterschied im Umgang der Generationen mit Daten noch nicht explizit als relevanter Faktor (Umweltfaktor) berücksichtigt. Schließlich, und das ist vielleicht der größte Einwand, handelt es sich vor allem um einen konzeptionellen Rahmen. Es fehlen praktische Beispiele, um dem Leser Konzepte und Begriffe ausreichend klar zu machen. Es besteht die Gefahr einer inkonsistenten Interpretation. Wie der Rahmen umgesetzt werden soll, ist ebenfalls nicht klar. Dies widerspricht dem primären Ziel eines Wissenskörpers. Dadurch sollte sichergestellt werden, dass ihre Verwendung die Kohärenz bei der Anwendung des Datenmanagements fördert.

KPMG Enterprise Data Management Model

Die oben genannten Modelle enthalten wichtige Elemente, die bei der Realisierung einer professionellen Datenmanagementorganisation berücksichtigt werden müssen. Für die Operationalisierung des Datenmanagements sind jedoch eine Reihe weiterer Aspekte wichtig, die von diesen Modellen nicht abgedeckt werden.

Erstens betrifft dies die Tatsache, dass Daten zwischen Systemen sowohl innerhalb der Organisation als auch zwischen der Organisation und Dritten ausgetauscht werden. Das Datenmanagement sollte dann gute Vereinbarungen über das Format, in dem die Daten bereitgestellt werden, die Validierung der Qualität der bereitgestellten Daten, mögliche Anreicherungsschritte vor der Weiterverarbeitung der Daten und etwaige Verfahren bei Fehlern im Prozess sicherstellen. Wir fassen diese Aktivitäten unter den Begriffen ‘Akquisition und Authoring’ und ‘Vertrieb’ zusammen.

Darüber hinaus muss EDM auch sicherstellen, dass die EDM-Struktur als Ganzes aufrechterhalten werden kann. Die Organisation sollte über Prozesse zur Aufzeichnung von Nachweisen und Problemen verfügen, die während der operativen Umsetzung von EDM-Aktivitäten festgestellt wurden. Dass diese in den Gremien der EDM-Governance-Konsultation erörtert werden und zur Anpassung bestehender Verfahren und Techniken führen. Dies kann als eine Situation betrachtet werden, in der das in einer Organisation verwendete Datenqualitäts-Dashboard angepasst werden muss, da die Organisation ein neues Datenobjekt überwachen möchte. Es sollte dann einen ‘Change-Prozess’ geben, der die Entscheidungsfindung zu dieser Änderung vorbereitet und die Änderung nach der Entscheidung im Dashboard umsetzt.

Schließlich sollten alle von einer Organisation durchgeführten EDM-Aktivitäten auf Wirksamkeit und Effizienz bewertet werden. Genau wie die primären Prozesse innerhalb einer Organisation sollte EDM einen Plan-, Do-, Check-, Act-Mechanismus haben, mit dem überprüft werden kann, ob die Implementierung der EDM-Aktivitäten den getroffenen Vereinbarungen entspricht. ‘Process Monitoring’ macht dies möglich und ermöglicht es der EDM-Organisation, Abweichungen selbstständig zu erkennen und Korrekturmaßnahmen zu ergreifen.

Daraus ergibt sich das in Abbildung 3 gezeigte KPMG EDM-Modell.

Abbildung 3. KPMG Unternehmensdaten-Management-Modell.

Nachfolgend finden Sie eine kurze Beschreibung der wichtigsten Elemente des Modells.

• Data Governance konzentriert sich auf die (Steuerung)von Datenmanagementaktivitäten. Themen wie Strategie, Politik, Rollen, Aufgaben und Verantwortlichkeiten werden behandelt.
• Bei der Datenarchitektur geht es darum, die Datenobjekte und Datenstrukturen innerhalb einer Organisation in Datenmodellen zu etablieren und aufzuzeichnen. Diese bilden die Grundlage für die Informationsanalyse sowie den Prozess- und Systemaufbau.
• Beim Stammdatenmanagement geht es um die Sicherstellung der Qualität von Stamm- und Referenzdaten. Das ultimative Ziel ist es, einzigartige (‘goldene’) Datensätze zu erstellen.
• Data Warehousing ist die Aktivität, die die Architektur zum Speichern von Daten in relationalen Datenbanken definiert.
• Business Intelligence ist dafür verantwortlich, die in Data Warehouses enthaltenen Daten so freizuschalten, dass sie Informationen für das Management der Organisation bereitstellen, auf deren Grundlage Entscheidungen getroffen werden können.
• Datenqualitätsmanagement umfasst die strukturierte Definition von Qualitätskriterien, die Analyse der tatsächlichen Datenqualität und deren Berichterstattung.
• Content Management konzentriert sich darauf, Daten zu klassifizieren, Dokumentenflüsse zu strukturieren und zugänglich zu machen.
• Die Archivierung konzentriert sich auf das Verschieben inaktiver Daten in andere Umgebungen.
• Onder de Governance Operations is metadata de informatie over datamanagementelementen, zoals technische en functionele beschreibungen van dataobjecten en datamodellen. Database Management richtet sich an den technischen Betrieb von Datenbanken. Die Datensicherheit richtet sich nach den Sicherheitsvorkehrungen der Daten. Identity Management tot Schlitz regelt de toegang tot Daten.

Für eine detailliertere Beschreibung einiger dieser EDM-Elemente verweisen wir auf die einzelnen Beiträge zu EDM-Elementen, die in diesem Kompakt enthalten sind.

EDM aus organisatorischer Sicht

In diesem Artikel haben wir noch die Antwort auf die Frage, wie das EDM-Modell praktisch umgesetzt werden kann.

wenn man die verschiedenen Teile von EDM wie in Abbildung 3 gezeigt durchläuft und sie auf sich einwirken lässt, dann entsteht schnell der Eindruck, dass es in diesen Teilen wenig logische Ordnung gibt. Abbildung 3 zeigt, dass es keine vorgeschlagene Priorisierung oder Phasenfolge der Konstruktion und Implementierung der Elemente gibt. Es ist klar, dass Data Governance alle anderen Elemente verbindet. Damit möchten wir darauf hinweisen, dass es keine Reihenfolge zwischen den Domänen gibt und dass die Reihenfolge, in der die Teile von EDM behandelt werden, willkürlicher Natur ist. Eine Ausnahme ist Data Governance. Die Verbindung, die Data Governance zwischen allen anderen Teilen von EDM darstellt, spiegelt gut wider, dass tatsächlich keine Datenmanagementaktivität erfolgreich entwickelt und implementiert werden kann, wenn es keine Data Governance innerhalb von Organisationen gibt.

Data Governance bildet die Grundlage für alle Datenmanagementaktivitäten. Ohne Fundament sind sie lose Bausteine, die ohne Struktur und Verbindung mehr oder weniger im Nichts hängen. Dies kann dazu führen, dass BI-Lösungen gekauft und implementiert werden, während es nicht genügend Datenstandards oder Datendefinitionen gibt, oder dass die Datenqualität, die erforderlich ist, um zuverlässige Managementinformationen zu erhalten, zu wünschen übrig lässt. Es kann zum Entwurf und Kauf von Systemen beitragen, die nicht mit anderen Systemen verbunden sind, da es kein übergreifendes Unternehmensdatenmodell gibt, das als Grundlage für die gesamte Systementwicklung dient. Schließlich kann es dazu führen, dass eine Organisation die von Internetnutzern auf Websites hinterlassenen Spuren ohne Rücksicht auf die Datenschutzbestimmungen aktiv nutzt, was zu Imageschäden und Haftung führt.

Data Governance stellt sicher, dass es eine unternehmensweite Vision und Strategie für das Datenmanagement gibt, die vom Management des Unternehmens unterstützt wird. Die Vision sagt uns, was wir erreichen wollen. Die Strategie, wie dies erreicht werden kann. Sie spiegeln sozusagen den Ehrgeiz der Organisation wider. Alle datenbezogenen Aktivitäten müssen in diese Vision passen, und die Strategie gewährleistet die Konsistenz dieser Aktivitäten. Die Strategie bestimmt auch den Umfang des Datenmanagements innerhalb einer Organisation. Trotz des übergreifenden DAMA-Modells können Organisationen bestimmte Angelegenheiten außer Acht lassen, da sie möglicherweise bereits dezentral ausgefüllt werden. Ein häufiges Phänomen ist beispielsweise, dass die Personalabteilung eine eigene Datenverwaltungsorganisation erstellt und die von der zentralen Datenverwaltungsorganisation entwickelten Richtlinien und Standards nur begrenzt nutzt.

Data Governance stellt auch sicher, dass die Ausarbeitung von Richtlinienregeln beachtet wird. Dazu gehören eine Informationssicherheitsrichtlinie, Richtlinien zur Datenarchitektur, Archivierung und Datenqualität. Darüber hinaus sorgt Data Governance für die organisatorische Einbettung des Datenmanagements: wer ist letztendlich verantwortlich, wo und wie werden Entscheidungen über Strategie, Politik, Standards, Rollen, Eigentum getroffen. Zum Beispiel: Wie und wann werden Datenmanagementaktivitäten innerhalb der Organisation gemeldet? Wie organisieren wir die Durchführung der Stammdatenpflege?

Aus dieser Ausarbeitung geht hervor, dass Data Governance die Grundlage für ein gutes Datenmanagement ist. Egal in welchem Reifegrad sich Organisationen befinden, es lohnt sich immer, die Qualität der Data Governance im Auge zu behalten und zu prüfen, ob deren Umsetzung zufriedenstellend ist.

Angenommen, eine Organisation verfügt über Data Governance. Gibt es Richtlinien oder Best Practices, die deutlich machen, welche der anderen Datenmanagementkomponenten hinsichtlich der Priorisierung optimiert werden können? Eigentlich ist das nicht der Fall. Das heißt, unsere Erfahrung sagt, dass dies von den Prioritäten abhängt, die sich aus der Agenda der Organisation selbst ergeben.

Angenommen, eine Organisation beschließt, ein altes Informationssystem durch ein neues ERP-System zu ersetzen. Man könnte sich dann fragen, welche Auswirkungen dies auf das Datenmanagement hat. Was ist dann die höchste Priorität? Dies kann dazu führen, dass das ‘Data Quality Management’ durch die notwendige Datenmigration priorisiert wird. Dass kontaminierte Daten bereinigt, die Metadaten-Dokumentation adressiert und das Stammdatenmanagement verbessert wird. Beispielsweise kann die Implementierung einer Datenintegrationsanwendung dazu führen, dass das Datenarchitekturmodell aktualisiert und eine Datenqualitätsanwendung ausgewählt und implementiert wird, um Daten zu bereinigen und anzureichern, bevor sie mit anderen Plattformen ausgetauscht werden.

Abbildung 4. Beziehung zwischen Geschäftsmodell und EDM.

zusammenfassend glauben wir, dass von der Data Governance-Basis abhängig von der Geschäftsagenda der Organisation diejenigen Datenmanagementaktivitäten aufgenommen werden sollten, die zu diesem Zeitpunkt den größten Mehrwert bei der Umsetzung dieser Agenda bieten. Dies ist in Abbildung 4 dargestellt. Aus Sicht der Vision und Strategie wird das Geschäftsmodell realisiert, das zur Verwirklichung der in der Vision und Strategie festgelegten Ziele erforderlich ist. Dieses Geschäftsmodell stellt Anforderungen an die primären und unterstützenden Prozesse. Damit diese Prozesse funktionieren, werden Ressourcen benötigt. Diese lassen sich weiter unterteilen in Human Resources, Data und IT Resources. Was und wie viel im Einzelfall auf der Datenseite benötigt wird, bestimmt die Geschäftsagenda. EDM bietet Werkzeuge, wie dies organisiert werden sollte. Dies ist maßgeschneidert und lässt sich nicht in einem festen Muster von Datenmanagementaktivitäten verfangen.

Fazit

In diesem Beitrag haben wir EDM als einen Ansatz zur Verwaltung aller Daten beschrieben, die eine Organisation generiert. Eine gute Interpretation stellt sicher, dass diese Daten die Qualitätsanforderungen erfüllen, die Organisationen an sie stellen. Es stellt sicher, dass die Daten, die zur Ausführung von Prozessen benötigt werden und es dem Management ermöglichen, fundierte Entscheidungen zu treffen, korrekt, vollständig und zeitnah verfügbar sind. Dies macht Daten zu einem ‘Asset’, das wie alle anderen geschäftlichen Assets verwaltet werden muss. Wir haben die Bestandteile von EDM weiter ausgearbeitet. Damit ist ein Rahmen von Managementaktivitäten geschaffen, der die Grundlage für die Sicherstellung der Datenqualität bildet. Schließlich haben wir argumentiert, dass die Implementierung dieser Komponenten nicht nach einem festen Rahmen erfolgen kann. Es ist die Geschäftsstrategie und Priorisierung, die bestimmt, welche der Teile von EDM in der Operationalisierung aufgenommen und optimiert werden. Eine entscheidende Rolle spielt dabei die Data Governance, die eine unternehmensweite und managementgestützte Vision und Strategie für EDM sicherstellt.