Daten gewinnbringend einsetzen: Reifegradmodell für das Datenmanagement bei Banken und Versicherern

Daten passiv nutzen, um Einblicke in den Geschäftsbetrieb zu erhalten? Vorbei. Datensätze sind ein strategischer Aktivposten, der das Geschäftswachstum vorantreibt, aktiv Gewinne erzielt, neue Geschäftsmöglichkeiten aufzeigt und die Einhaltung gesetzlicher Vorschriften belegt. Eine aktuelle Umfrage von ASG Technologies (Website) brachte allerdings ein Problem zum Vorschein: 63 % der befragten Unternehmen gaben an, dass sie ungenaue, veraltete oder fehlerhafte Daten, sogenannte Bad Data, für Geschäftsentscheidungen genutzt haben. Bei 64 % sind so zusätzliche Kosten entstanden und mehr als der Hälfte entging damit eine Geschäftsmöglichkeit. Ein besseres Datenmanagement ist also zwingend notwendig.

von Nicole Biel, ASG Technologies

Die Bedeutung vertrauenswürdiger Daten ist den Unternehmen bekannt. An der Umsetzung hapert es. Das Problem: Um möglichst schnell den maximalen Wert aus den Daten zu ziehen, nutzen viele Unternehmen Shortcuts und vernachlässigen dabei die Grundlagen eines stabilen Datenmanagements. Abhilfe kann ein strukturierter Ansatz schaffen, der die Basisarbeit miteinbezieht und darauf ausgelegt ist, stets das Optimum aus den Daten herauszuholen.

Die Basis für ein erfolgreiches Datenmanagement

„Der Weg zum erfolgreichen Metadatenmanagement ist so individuell wie jedes Unternehmen selbst, denn jeder Betrieb ist anders strukturiert und bringt andere Grundvoraussetzungen mit sich“, erklärt Carsten Lux, Account Executive – Data Intelligence Solutions bei ASG Technologies. „Der Prozess und die Schritte zur Monetarisierung der Daten beginnen aber bei allen gleich, nämlich mit dem Bewusstsein, dass das Datenmanagement verbessert werden muss.“ Der Haupttreiber des Wandels ist immer das Ziel, den maximalen wirtschaftlichen Nutzen aus den Daten zu ziehen und bessere operative Entscheidungen zu treffen. Denn den Unternehmen ist klar: Daten können beispielsweise helfen, neue Produkte erfolgreicher auf den Markt zu bringen oder den Geldwert bestehender Produkte zu erhöhen. „Mit unserem Reifegradmodell [Website; Anm. d. Red.] setzen wir daher schon in der sogenannten „Sensibilisierungsphase“ an, in der das Problem erkannt wurde, bevor wir die drei wichtigsten Schritte zur Monetarisierung der Daten aufzeigen“, so Carsten Lux.

Die Sensibilisierungsphase

Unternehmen in dieser Phase nutzen bereits Daten, um ihr Geschäft zu betreiben. Auch Daten­verwaltungs­strukturen sind vorhanden. Aber: Die Daten sind in der Regel in Silos angelegt, die in bestimmte Geschäftsbereiche, Produkte oder Zielgruppen unterteilt sind. Eine unternehmensweite Sicht auf den Datenbestand gibt es nicht. Das führt zu Redundanzen oder Unsicherheit hinsichtlich der Bedeutung und Verwendung bestimmter Datenelemente. Die Vertrauenswürdigkeit der Informationen lässt sich nicht einschätzen. In der Sensibilisierungsphase haben die Unternehmen das Problem erkannt und stehen nun vor der Herausforderung, die enorme Datenmenge zu demokratisieren.

Die aktive Phase

1. Schritt: Das Dateninventar schafft die Grundlage

Zuallererst müssen die Betriebe den Ist-Zustand ihres Datenbestands, also das Dateninventar, erfassen und einen automatisierten Prozess etablieren, der den Stand kontinuierlich aktualisiert. „Genau dieser Schritt wird oft übersprungen, was hinterher zu Problemen führt. Um aber Vertrauen in die Daten zu haben, müssen die Mitarbeiter genau wissen, welche Daten wo vorhanden sind, aus welcher Quelle sie stammen und in welchem Kontext sie stehen. Nur dann kann das Unternehmen guten Gewissens Entscheidungen darauf aufbauen und sie gewinnbringend einsetzen“, erklärt Carsten Lux. Entsprechende Tools, u.a. ASG‘s Data Intelligence Lösung, erkennen Bestände und integrieren Informationen zur Quelle, Anwendung oder dazugehörigen Geschäftsprozessen automatisch. Auf diese Weise werden beispielsweise redundante Daten ermittelt.

2. Schritt: Die Grundlagen gewinnbringend einsetzen

Mit der Erstellung des Dateninventars haben die Unternehmen die wichtigste Grundlage, um im nächsten Schritt in das Datenmanagement überzugehen. Dabei werden defensive und offensive Datenstrategien implementiert. Dazu zählen: Datenaustausch, Data Governance und Datenrationalisierung.

• Data Sharing (Datenaustausch) ermöglicht die Zusammenarbeit zwischen sämtlichen Geschäftsbereichen. Dazu wird ein Self-Service-Inventar erstellt, in dem Mitarbeiter unkompliziert die relevanten und vertrauenswürdigen Daten für ihre Aufgabe finden können. Ein solcher Self-Service-Datenzugriff wird insbesondere bei offensiven Datenstrategien zur Förderung von Innovationen immer wichtiger.
• Data Governance (Datenmanagement) gibt den Rahmen und das Regelwerk für das Datenmanagement vor und kontrolliert die Einhaltung der definierten Prozess-, Qualitäts- und Sicherheitsstandards. Damit sorgt es für einen verständlichen, korrekten, vollständigen, vertrauenswürdigen und sicheren Datenbestand und ist ein wichtiger Schlüssel zur Einhaltung von Datenschutzrichtlinien.
• Data Rationalization (Datenrationalisierung) reduziert Kosten und macht Daten leichter auffindbar. Dabei werden Datenbestände kategorisiert und mit einem wesentlichen Geschäftswert verknüpft. Ausgangspunkt ist ein Geschäftsglossar, das eine maßgebliche Beschreibung aller Geschäftsbegriffe enthält. Mögliche Kategorien sind beispielsweise: Geschäftsbereiche, Technologien, Plattformen oder Sicherheitsklassifizierungen. Diese Zuordnung von Geschäftsbegriffen zu Datenelementen ist die Basis für automatisiertes Data Lineage, das die Herkunft und den Fluss der Daten durch das Unternehmen nachvollzieht. So lassen sich doppelte oder nicht verwendete Daten erkennen und entfernen. Je weniger Datenelemente vorhanden sind, desto leichter lassen sich nützliche Daten finden und desto geringer sind Verwaltungs- und Speicherkosten. 

3. Schritt: Das Optimum aus den Daten herausholen

Mit einem vollständigen Dateninventar und einem optimierten Datenmanagement haben die Unternehmen die wesentliche Informationsstruktur geschaffen, um einen wirtschaftlichen Nutzen aus den Daten zu ziehen. Um den Prozess zu vollenden, sind im letzten Schritt fünf Aspekte wichtig:

• Die Ermittlung der Daten, die am besten geeignet sind, um das Geschäft voranzubringen
• Die Kennzeichnung von Datenbeständen, um sie mit der geschäftlichen Nutzung zu verknüpfen
• Das Hinzufügen von Metriken, um festzustellen, wer Daten für welchen Zweck verwendet und welchen Wert daraus ableitet
• Das automatische Erfassen und Kennzeichnen neuer Datenquellen, um Monetarisierungsmöglichkeiten zu identifizieren
• Die Wertefeststellung der Daten und ihre interne Weiterleitung an externe Nutzer.

Fazit

Der Druck, verursacht von wachsenden Datenmengen, Kundenerwartungen und gesetzlichen Vorgaben, wird immer mehr zunehmen. Laut Accenture (Website) ist das Extrahieren des Wertes von Daten zu einer Wettbewerbsnotwendigkeit geworden. Unternehmen, die alle drei Schritte des Reifegradmodells erfüllen, können sich einen Wettbewerbsvorteil sichern, denn sie kennen ihre Daten und wissen, wie sie diese an welcher Stelle gewinnbringend einsetzen können, sei es bei Geschäftsentscheidungen, Produkteinführungen oder der Positionierung am Markt.Nicole Biel, ASG Technologies