Strategisches Datenmanagement

Die zunehmende unternehmensweite Datennutzung erfordert einen Strategiewechsel im Umgang mit Daten. Erfolgskritische Entscheidungen und automatisierte Prozesse beruhen auf verlässlichen Daten und Strukturen. Das strategische Datenmanagement entwickelt die notwendigen Strukturen für die sogenannte Datenorganisation. Die strategische Positionierung der Datenorganisation erlaubt die nachhaltige Ausrichtung von Datendomänen, Datenrollen und Datenapplikationen.

Am Fraunhofer ISST werden die Bestandteile des strategischen Datenmanagements entwickelt, die den Erfolg für datengetriebene Innovationen sichern. Das Ziel des strategischen Datenmanagements ist die Einführung und Optimierung einer unternehmensinternen Datenorganisation zur Realisierung der Datendemokratisierung. Die Etablierung einer Datenorganisation erhöht die Datenqualität und die Nutzbarkeit von KI-Anwendungen, reduziert Datensuchprozesse und verbessert die Einführung von Datenapplikationen. In ihrem Rahmen werden die notwendigen Datenfähigkeiten entwickelt, nachhaltig etabliert und kontinuierlich messbar. Als Grundlage für die Datenorganisation dient die Aufstellung einer Datenstrategie, die langfristige Vorgaben, beispielsweise die Voraussetzung für die Teilnahme an Datenökosystemen oder die Art der Datenhaltung definiert. Die Datenorganisation orientiert sich an diesen Vorgaben und integriert diese in die Data Governance-Ansätze, die mittels dezentralen und/oder zentralen Unternehmenseinheiten und geeigneten Datenrollen wie Data Ownern und Data Steward gewährleistet wird. Zur effizienten Umsetzung der Workflows werden die Konzepte in Datenkatalogen und Datenqualitätssoftware realisiert und unternehmensweit ausgerollt.

Das Leistungsangebot des Fraunhofer ISST umfasst die datenstrategische Positionierung, die Durchführung von Datenassessments und Reviews, die Auswahl geeigneter Data Governance-Ansätze, die Entwicklung von Rollen- und Prozessmodellen bis hin zur Begleitung eines Proof-of-Concepts für Tools.

Datenreifegradmessung für das strategische Datenmanagement

• Ganzheitliche Ermittlung des IST-Zustands innerhalb eines Unternehmens im Bereich Datenmanagement anhand von sechs zentralen Bausteinen mit insgesamt 26 verschiedenen Ausprägungen
• Datenreifegradmessung mithilfe von Experteninterviews mit ausgewählten Stakeholdern des jeweiligen Unternehmens als mögliche Grundlage zur Entwicklung eines Data Governance-Organisationsmodells

Data Governance

• Entwicklung und Auswahl eines geeigneten Data Governance-Organisationsmodells zur Bestimmung von zentralen und dezentralen Verantwortlichkeiten
• Entwicklung und Einführung geeigneter Datenrollen nach Aufgaben, Kompetenzen und Verantwortlichkeiten (AKV-Prinzip) in die bestehende Organisation
• Prozessmodellentwicklung auf Basis der relevanten Datenfähigkeiten

Datenstrategie und Datenkultur

• Strategische Positionierung des Datenmanagements im internen und externen Unternehmensumfeld
• Ableitung von Datenfähigkeiten, strukturiert nach Technologie, Organisation und People (TOP-Prinzip)
• Verzahnung mit der Geschäftsstrategie mittels datenbezogenen Zielsystemen, Entwicklungsplan und Key Performance-Indikatoren
• Transformation zu einer Datenkultur mittels Data Awareness Workshops, Datenprinzipien und Datenkompetenzaufbau

Tool Landscape

• Assessment und Begleitung des Proof-of-Concepts für die Implementierung eines Datenkatalogs
• Assessment zur Auswahl geeigneter Datenqualitätssoftware
  

Branchen

Das strategische Datenmanagement trägt in unterschiedlichen Branchen zur Lösung anspruchsvoller Herausforderungen bei. Ob als Werkzeugkasten in der Automobilfertigung, als Framework in der Medizintechnik oder als Organisationsmodell im Transportbereich: Das Datenmanagement als strategischer Eckpfeiler hat positive Auswirkungen auf die Einführung neuer Applikationen.

Hier finden Sie eine Auswahl von freigegebenen Anwendungsbeispielen aus dem Kompetenzfeld »Strategisches Datenmanagement« der vergangenen Jahre. Sie suchen weitergehende Informationen? Nehmen Sie einfach Kontakt mit uns auf – unsere Ansprechpartner stehen Ihnen gerne für Fragen und Gespräche zur Verfügung.

Beispiel 1:

Datenmanagement bei Dräger

Die unternehmensweite Nutzung von Daten entwickelt sich für Produkthersteller zum kritischen Erfolgsfaktor. Damit Daten ihren vollen Wert für Unternehmen entfalten, müssen diese verfügbar, qualitativ hochwertig und leicht verständlich sein. Eine Datenstrategie garantiert einen stabilen Prozess zu einer zukunftsgerichteten und datenorientierten Organisation. Gemeinsam mit Dräger wurde ein Data Framework entwickelt und in die organisationale Anwendung gebracht. 

Projektseite intern

Beispiel 2:

Industrial Data Management bei VW

Im Rahmen des Projekts entwickelt das Fraunhofer ISST ein ganzheitliches und stringentes Konzept für ein industrielles Datenmanagement. Hierzu nehmen wir zunächst die kundenrelevanten Prozesse vor Ort auf. Dieser Bottom-Up-Ansatz ermöglicht die Ableitung konkreter Handlungsbedarfe. In der Folge wird im Wechselspiel aus Arbeitstreffen und konzeptioneller Arbeit eine Datenstrategie entwickelt. Dieser Rahmen beschreibt die Zielsetzungen für Architekturrichtlinien und dem Data Governance Modell. Dadurch werden aus organisatorischer Sicht die Leitlinien für einen strukturierten Umgang mit Daten definiert. Hierbei erarbeiten wir, welche Rollen mit welchen Aktivitäten in der Arbeit mit Daten betraut werden.

Beispiel 3:

Diagnosis Data Management bei Thales

Ausgehend vom Big-Picture einer Datenstrategie, die wesentliche Handlungsmaxime festlegt, wie Daten identifiziert und unternehmerisch bewirtschaftet werden, sind die Verantwortlichkeiten von datenbezogenen Rollen sowie die Zuständigkeiten zu bestehenden Unternehmensrollen zu fixieren. Ob hierbei die Notwendigkeit einer physischen oder virtuellen Data-Governance-Organisation besteht, wird in einem Data-Governance-Modell berücksichtigt. Im Rahmen des Projekts entwickelt das Fraunhofer ISST in Zusammenarbeit mit Thales in Workshops und darüberhinausgehender Arbeit ein Konzept zur Data Governance.

Projektseite intern

GÜR, I., M. SPIEKERMANN, M. ARBTER. und B.OTTO, 2021. Data Strategy Development: A Taxonomy for Data Strategy Tools and Methodologies in the Economy. 16th International Conference on Wirtschaftsinformatik, Essen-Duisburg.

ALTENDEITERING, M. und T. GUGGENBERGER, 2021. Designing Data Quality Tools: Findings from an Action Design Research Project at Boehringer Ingelheim. Twenty-Ninth European Conference on Information Systems (ECIS 2021), Marrakesh.

HUPPERZ, M., I. GÜR, F. MÖLLER und B. OTTO, 2021. What is a Data-Driven Organization? In: Proceedings of Americas Conference on Information Systems. Montreal.

GÜR, I., T. GUGGENBERGER und M. ALTENDEITERING, 2021. Towards a Data Management Capability Model. In: Proceedings of Americas Conference on Information Systems. Montreal.

LIS, D. and B. OTTO, 2020. Data Governance in Data Ecosystems – Insights from Organizations. In: Proceedings of Americas’ Conference on Information Systems, Salt Lake City.

LIS, D. and B. OTTO, 2021. Towards a Taxonomy of Ecosystem Data Governance. In: Proceedings of the 54th Hawaii International Conference on System Sciences. Hawaii.

Lis et al. (2023). Data Strategy and Policies. In: Caballero, I., Piattini, M. Data Governance: From Fundamentals to Real Cases. Springer International Publishing (Verlag).

Lipovetskaja, A., Haße, H. & Bukowski, D. (2023). Strategisches Datenmanagement: Der Schlüssel zur Digitalen Transformation. ERP Management.

Jahnke, N., Otto, B. Data Catalogs in the Enterprise: Applications and Integration. Datenbank Spektrum 23, 89–96 (2023).

Gür, I., Möller, F., Hupperz, M., Uzun, D., & Otto, B. (2022, June). Requirements for DataOps to foster Dynamic Capabilities in Organizations-A mixed methods approach. In 2022 IEEE 24th Conference on Business Informatics (CBI) (Vol. 1, pp. 166-175). IEEE.

Lis, D., & Arbter, M. (2022). Data Governance als Hebel für datengetriebene Wertschöpfung – Der Weg zu einer datengetriebenen Organisation. ERP Management 3/2022. Gito Verlag.

Altendeitering, M., & Tomczyk, M. (2022). A functional taxonomy of data quality tools: Insights from science and practice.

Lis et al. (2022). An Investigation of Antecedents for Data Governance Adoption in the Rail Industry – Findings from a Case Study at Thales. IEEE Transactions on Engineering Management, vol. 70, no. 7, pp. 2528-2545, July 2023, doi: 10.1109/TEM.2022.3166109.

Weber, K., Otto, B., Lis, D. (2021). Data Governance. In: Hildebrand, K., Gebauer, M., Mielke, M. (eds) Daten- und Informationsqualität. Springer Vieweg, Wiesbaden.