4 Facetten datengetriebener Unternehmen: Teil III – Technologie

Will ein Unternehmen zur datengetriebenen Organisation werden, muss es sich strategisch, kulturell und technisch transformieren. Wie dabei die letztgenannte Dimension (Technik) aussieht, schildert euch der dritte Teil meiner Blog-Serie "4 Facetten datengetriebener Unternehmen".

Dieses Bild erstellte das KI-Tool Craiyon anhand des Prompts "technology".

Datenarten & Datenquellen in Unternehmen

Das Buch "Die digitale Transformation des Unternehmens" von Wieland Appelfeller und Carsten Feldmann (Springer Gabler, 2023) gehört zu den besten Publikationen, die euer Blogger bislang zu diesem Thema lesen durfte. 

Die Autoren beschreiben darin auch, welche Datenarten und -quellen es in Unternehmen gibt:

➤ Datenarten in Unternehmen nach Verwendungszweck:

• Stammdaten: u. a. Produkt-, Lieferanten-, Kunden- und Mitarbeiterdaten. 
• Bewegungsdaten: u. a. Bestands-, Bestellungs- und Rechnungsdaten.
  
  

➤ Als Datenart im Bereich der Produktion sind zudem Maschinendaten zu nennen. Wikipedia sagt: "Maschinendaten sind [...] alle an einer industriellen Maschine anfallenden Informationen. Es gibt zwei Grundtypen: die Prozess- und die Produktdaten. Prozessdaten umfassen [...] Steuerungsdaten, [...] auch Informationen über den Stromverbrauch etc. Produktdaten [...] geben [...] Informationen über den Produktionsverlauf."

➤ Datenquellen in Unternehmen:

Wo bzw. wie entstehen Daten im Unternehmen? Appelfeller und Feldmann nennen vier Quellen:

1. Direkteingabe (durch Mitarbeiter*innen)
2. Übernahme (aus IT-Systemen via Schnittstellen)
3. Digitalisierung (von analogen Daten)
4. Extraktion (aus Maschinen oder Online-Plattformen)

➤ Das 5V-Modell klassifiziert die im Unternehmen vorhandenen Daten weiter:

• Volume: Datenmenge (Byte-Größe)
• Variety: Daten-Vielfalt (unstrukturiert, semistrukturiert, strukturiert)
• Velocity: Geschwindigkeit (Echtzeit-Analyse)
• Value: Wert der Daten (für das Unternehmen)
• Veracity: Richtigkeit der Daten (widerspruchsfrei und korrekt)

Wie können Daten durch Business-Software und IT-Systeme verarbeitet werden? Hier kommen die Antworten:

OLTP & OLAP: 2 Business-Software-Dimensionen

Appelfeller und Feldmann unterscheiden zwei Arten von Business-Software:

Online Transaction Processing (OLTP): Software-Systeme dieser Kategorie arbeiten zeitpunktbezogen. Sie verarbeiten Transaktionen. Beispiele sind ERP- und CRM-Systeme.

Online Analytical Processing (OLAP): Software-Systeme dieser Kategorie arbeiten zeitraumbezogen. Sie verdichten Daten aus verschiedenen Quellen und arbeiten nach dem ETL-Prinzip (Extract, Transform, Load). Beispiele sind Data-Warehouse- und Business-Intelligence-Systeme.

In-Memory-Datenbanken & Cloud-Computing

Ein IT-System nutzt drei Komponenten, um Daten zu verarbeiten:

1. Prozessor (Rechenoperationen)
2. Speicherplatz (Datenverarbeitung)
3. Arbeitsspeicher (Datentransfer zwischen Prozessor und Speicherplatz)

Die In-Memory-Datenbanktechnik beschleunigt diesen Prozess: Sie stellt Daten im Arbeitsspeicher bereit (statt im Festplattenspeicher), was deutlich schnellere Antwortzeiten beim Lesezugriff bedeutet.

Cloud-Computing macht IT-Services ortsunabhängig über das Internet nutzbar. Diese Technologie ermöglicht es, große Datenmengen kosteneffizient und schnell zu verarbeiten.

Was moderne IT-Systeme leisten müssen

Appelfeller und Feldmann identifizieren vier Leistungsspektren, die IT-Systeme im Unternehmen bestmöglich abdecken müssen:

1. Skalierbarkeit: IT-Systeme müssen anpassungs- und entwicklungsfähig sein.

2. Integrierbarkeit: Wie leicht lässt sich das IT-System mit anderen internen oder externen IT-Systemen vernetzen?

3. Analysefähigkeit: Wie gut ist das IT-System darin, entscheidungsbezogene Daten zu beschaffen, zu verdichten und in Informationen zu verwandeln?

4. KI-Fähigkeit (maschinelles Lernen): IT-Systeme müssen Muster und Gesetzmäßigkeiten in Datenströmen erkennen.

Moderne Data-Analytics-Technologien

Data Fabric (wörtlich "Daten-Gewebe") ist eine IT-Architektur, die Hardware und Software kombiniert. Ziel ist es, Daten system- und anwendungsübergreifend zu verknüpfen und zu verwalten.

Self-Service Business Intelligence (SSBI) ermöglicht es den Nicht-IT-Fachabteilungen im Unternehmen, datenbasiert zu arbeiten, ohne auf die IT-Abteilung angewiesen zu sein. Stichworte sind Datendemokratisierung und Data Mesh (wörtlich "Daten-Netz" oder "Daten-Geflecht").

Generative KI nutzt maschinelles Lernen, um anhand von erlernten Mustern neue Inhalte zu erstellen.

Data Visualization stellt Informationen und Daten grafisch dar (Diagramme, Karten, etc.).

Datengetriebene Unternehmen: Orchestration ist entscheidend

Business-Software, In-Memory-Datenbanken, Cloud-Computing, Data-Analytics-Technologien – diese und viele weitere technologische Aspekte sind kein Selbstzweck: Ihr bloßes Vorhandensein im Unternehmen wird letztere nicht zu einer datengetriebenen Organisation machen.

Die digitale Transformation der Organisation wird erst erfolgreich sein, wenn die Technik im Unternehmen Hand in Hand geht mit ...

• einer durchdachten Datenstrategie, 
• einer gelebten Datenkultur 
• sowie einer praktizierten Data Governance (unternehmensinternes Regelwerk zum Umgang mit Daten).

Andersherum gilt aber auch: Ohne eine leistungsstarke, kompatible und interoperable Technik gibt es keine erfolgreiche digitale Transformation

Im vierten und letzten Teil von "4 Facetten datengetriebener Unternehmen" schauen wir uns das Thema Data Governance an.

Quelle:

• Wieland Appelfeller, Carsten Feldmann: Die digitale Transformation des Unternehmens

Link-Tipps:

• 4 Facetten datengetriebener Unternehmen: Teil I – Datenstrategie
• 4 Facetten datengetriebener Unternehmen: Teil II – Datenkultur
• Digitale Transformation in der Praxis: Die Daten