Wenn Sie ein Unternehmen bitten, Ihnen seine Datenstrategie zu zeigen, ist die Wahrscheinlichkeit groß, dass Sie eine Technologie-Roadmap zu sehen bekommen.
Cloud-Migration.
Eine neue Datenplattform.
Konsolidierung des Datenbestands.
Stammdatenverwaltung.
Die Einführung eines Katalogs.
Echtzeit-Pipelines.
KI-Infrastruktur.
Diese Investitionen könnten von Bedeutung sein.
Aber das ist nicht die Strategie.
Eine Datenstrategie sollte definieren, wie eine Organisation Daten nutzt, verwaltet, schützt und verbessert, um Geschäftsentscheidungen, Arbeitsabläufe, Risiken und wirtschaftliche Ergebnisse zu verändern.
Die Technologie-Roadmap sollte erläutern, wie die Technologie diese Strategie unterstützen wird.
Verwechselt man die beiden, kehrt sich die Reihenfolge um.
Statt sich zu fragen, was das Unternehmen von seinen Daten benötigt, beginnen die Teams sich zu fragen, welche Plattformen sie entwickeln, migrieren, konsolidieren oder kaufen sollten.
Für CDOs ist diese Unterscheidung noch wichtiger geworden, da KI sowohl den Wert als auch die Folgen von Unternehmensdaten verändert.
Eine stärkere Sequenz ist:
Geschäftsergebnis → Entscheidung oder Arbeitsablauf → Kritische Daten → Anforderungen und Kontrollen → Fähigkeiten → Technologie → Messbarer Wert
Technologie ist nach wie vor wichtig. Sie muss nur einem Zweck dienen.
Datenstrategie: Wichtigste Erkenntnisse
- Eine Datenstrategie und eine Technologie-Roadmap sind nicht dasselbe. Die Strategie definiert die erforderlichen Geschäftsergebnisse, Entscheidungen, Daten, Governance-Strukturen und Fähigkeiten. Der Fahrplan legt die Reihenfolge der Technologien und deren Implementierung fest, die zur Unterstützung dieser Ergebnisse notwendig sind.
- Beginnen Sie mit Entscheidungen, nicht mit Plattformen. Ermitteln Sie, was die Organisation besser machen muss, bevor Sie entscheiden, welche Architektur-, Werkzeug- oder Modernisierungsmaßnahmen erforderlich sind.
- Kritische Daten haben Vorrang vor allen anderen Daten. Unterschiedliche Geschäftsergebnisse hängen von unterschiedlichen Daten, Qualität, Aktualität, Kontext, Zugriff und Kontrollen ab.
- Governance gehört zur Datenstrategie. Eigentumsverhältnisse, Qualität, Herkunft, Zugriff, Datenschutz, Sicherheit, Lebenszyklus und Richtlinien bestimmen, ob Teams Daten sicher für den vorgesehenen Zweck verwenden können.
- KI setzt neue Maßstäbe. KI-Systeme können Unternehmensdaten abrufen, kombinieren, generieren und auf sie reagieren, wodurch Datenkontext, Zugriff, Herkunft, Qualität und Verantwortlichkeit zu strategischen Anforderungen werden.
- BigID verbindet Strategie mit den Daten selbst. BigID hilft Unternehmen dabei, die Unternehmensdaten hinter Analysen, KI, Compliance, Sicherheit und Geschäftsentscheidungen zu entdecken, zu klassifizieren, zu katalogisieren, zu verwalten, zu sichern und darauf basierend Maßnahmen zu ergreifen.
Was ist eine Datenstrategie?
Eine Datenstrategie definiert, wie eine Organisation Daten nutzt, verwaltet, steuert, schützt und verbessert, um spezifische Geschäftsziele zu unterstützen.
Eine sinnvolle Datenstrategie für Unternehmen sollte Fragen wie die folgenden beantworten:
- Welche Geschäftsergebnisse hängen von einer besseren Datennutzung ab?
- Welche Entscheidungen oder Arbeitsabläufe müssen verbessert werden?
- Welche Daten sind für diese Entscheidungen entscheidend?
- Wo werden diese Daten gespeichert?
- Was bedeutet das?
- Wem gehört es?
- Wie genau, vollständig und aktuell muss es sein?
- Wer oder was sollte Zugang haben?
- Welche Sicherheits-, Datenschutz-, Compliance- und Lebenszyklusanforderungen gelten?
- Wie wird die KI die Daten nutzen?
- Welche Fähigkeiten benötigt die Organisation?
- Welche Änderungen des Betriebsmodells müssen mit diesen Fähigkeiten einhergehen?
- Wie wird das Unternehmen den Geschäftswert messen?
Die Antworten erfordern möglicherweise letztendlich neue Architekturen und Technologien.
Die Architektur sollte jedoch auf die durch die Strategie festgelegten Anforderungen eingehen.
Datenstrategie in die Praxis umsetzen
Verknüpfen Sie den Geschäftskontext mit den Daten, die kritischen Entscheidungen zugrunde liegen.
Unternehmensdaten in den Bereichen Geschäft, Sicherheit, Compliance, Analytik und KI entdecken, klassifizieren, katalogisieren, verwalten und verstehen.
Datenstrategie vs. Technologie-Roadmap: Worin liegt der Unterschied?
Eine Datenstrategie definiert warum die Organisation Datenkapazitäten benötigt und was diese Kapazitäten leisten müssen.
Eine Technologie-Roadmap definiert wie und wann die Organisation die zur Unterstützung dieser Systeme erforderliche Technologie implementieren wird.
Die beiden sollten eng miteinander verbunden sein.
Sie sollten nicht zu einem einzigen zusammenfallen.
Die Falle der technologieorientierten Datenstrategie
Betrachten wir eine Organisation, die Folgendes sagt:
“Unsere Datenstrategie besteht darin, unsere Unternehmensdaten in die Cloud zu migrieren.”
Das ist ein technologisches Ziel.
Es wird nicht erläutert, welche Verbesserungen sich die Organisation nach der Migration erhofft.
Das zugrunde liegende Bedürfnis könnte Folgendes beinhalten:
- Reduzierung der Infrastrukturkosten
- Verbesserung der Analyseleistung
- Unterstützung von KI-Workloads
- Ausmusterung veralteter Systeme
- Zunehmende Datenverfügbarkeit
- Verbesserung der Resilienz
- Beschleunigung der Produktentwicklung
- Reduzierung der Compliance-Komplexität
Diese Ergebnisse erfordern unterschiedliche Prioritäten.
Wenn das Ziel KI ist, benötigt die Organisation möglicherweise vertrauenswürdige Experten. unstrukturierte Daten, Klassifizierung sensibler Daten, Herkunft, Qualität und kontrollierter KI-Zugriff.
Wenn es um die Reduzierung regulatorischer Risiken geht, könnten Aufbewahrung, Wohnsitz, Sichtbarkeit sensibler Daten, Zugriff und Nachweise eine größere Rolle spielen.
Wenn das Ziel eine schnellere Datenanalyse ist, könnten Datenaktualität, Definitionen, Qualität und Lieferengpässe die dominierenden Faktoren sein.
Dieselbe Technologieinitiative kann mehreren Strategien dienen. Die Geschäftsanforderungen bestimmen, welche davon relevant ist.
Beginnen Sie Ihre Datenstrategie mit Geschäftsentscheidungen.
Anstatt zu fragen, wie die Datenplattform in drei Jahren aussehen sollte, sollte man damit beginnen, was das Unternehmen anders machen muss.
Fragen:
Welche Entscheidungen, Maßnahmen oder Arbeitsabläufe würden sich wesentlich verbessern, wenn die Organisation über bessere Daten verfügen würde?
Beispiele hierfür wären:
- Kundenverlängerungsrisiken frühzeitig erkennen
- Betrug erkennen, bevor eine Transaktion abgeschlossen wird
- Reduzierung des manuellen Finanzabgleichs
- Verbesserung der Lagerzuweisung
- Schneller auf Datenschutzanfragen reagieren
- Begrenzen Sie den übermäßigen Zugriff auf sensible Informationen.
- Geben Sie Ihren Mitarbeitern verlässliche Antworten durch KI im Unternehmen.
- Ermöglichen Sie KI-Agenten die sichere Ausführung genehmigter Arbeitsabläufe
Diese Aussagen bilden die Grundlage für die Ermittlung der benötigten Daten und Fähigkeiten.
Das Business-First-Datenstrategie-Framework
Das Business-First-Datenstrategie-Framework
Definieren Sie, was die Daten leisten sollen, bevor Sie entscheiden, welche Technologie sich ändern muss.
Welches messbare Geschäfts- oder Risikoergebnis muss sich ändern?
Welche Entscheidung, Maßnahme oder welcher Arbeitsablauf muss verbessert werden?
Welche Daten stützen das Ergebnis tatsächlich?
Welche Anforderungen an Qualität, Eigentum, Zugriff, Datenschutz, Sicherheit und KI gelten?
Welche organisatorischen und technischen Fähigkeiten fehlen?
Welche Technologieinvestitionen haben heute einen gerechtfertigten Zweck?
Entscheidende Daten sollten die Strategie prägen
Ein häufiger Fehler ist es, alle Unternehmensdaten als gleichermaßen strategisch zu betrachten.
Das ist es nicht.
Unterschiedliche Geschäftsprozesse benötigen unterschiedliche Daten.
Eine Kundenbindungsmaßnahme kann von Vertragsdaten, Produktnutzung, Supportaktivitäten, Kontoidentität und Engagement abhängen.
Eine Initiative zum Finanzabschluss kann von Transaktionen, Produktkennungen, Kontenstrukturen und genehmigten Finanzdefinitionen abhängen.
Ein KI-gestützter Wissensassistent kann von aktuellen internen Dokumenten, Berechtigungen, Vertraulichkeitseinstellungen, Eigentumsverhältnissen und autoritativen Inhalten abhängen.
Die Strategie sollte Folgendes identifizieren Kritische Daten gemäß den darauf basierenden Entscheidungen.
Dies verändert den Umfang der Regierungsführung.
Anstatt zu versuchen, jeden Datensatz mit gleicher Intensität zu verwalten, können Organisationen dort, wo der Geschäftswert oder das Risiko dies erfordert, strengere Kontrollen in Bezug auf Eigentum, Qualität, Herkunft, Zugriff, Sicherheit und Richtlinien anwenden.
Daten-Governance ist Teil der Datenstrategie
Governance sollte nicht am Ende einer Strategie als Abschnitt über Kontrollen erscheinen.
Sie entscheidet darüber, ob die Strategie funktionieren kann.
Wenn ein geschäftskritischer Datensatz keinen Verantwortlichen hat, kann es für die Organisation schwierig sein, Qualitätsprobleme zu lösen.
Wenn Teams unterschiedliche Definitionen festlegen, können Analysen zu widersprüchlichen Ergebnissen führen.
Wenn sensible Informationen übermäßiger Zugriff, Eine breitere Nutzung kann das Sicherheits- und Datenschutzrisiko erhöhen.
Wenn die Herkunft der Informationen unbekannt bleibt, kann es für die Teams schwierig sein zu bestimmen, ob die Informationen für einen Anwendungsfall im Bereich KI oder Analytik geeignet sind.
Wenn Richtlinien nicht auf tatsächlichen Daten basieren, könnte es für die Organisation schwierig werden, sie nachzuweisen oder durchzusetzen.
Moderne Daten-Governance Daher sollte der Geschäftskontext mit Dateneigentum, Qualität, Herkunft, Zugriff, Datenschutz, Sicherheit, Lebenszyklus, Richtlinien und Korrekturmaßnahmen verknüpft werden.
KI macht technologieorientierte Datenstrategien gefährlicher
KI liefert Organisationen einen weiteren Grund, sich gegen den Einsatz von Technologie als Ausgangspunkt zu sträuben.
Eine Strategie, die besagt: “generative KI im gesamten Unternehmen einsetzen” Es wird jedoch noch immer nicht definiert, was die Organisation mit KI erreichen will.
Ein interner Wissensassistent unterscheidet sich von einem Betrugsmodell.
Ein Coding-Copilot unterscheidet sich von einem KI-Agenten, der Kundendatensätze ändern kann.
Eine RAG-Anwendung zum Abrufen öffentlicher Dokumente unterscheidet sich von einer Anwendung zum Abrufen von Mitarbeiter- oder Finanzinformationen.
Jeder Anwendungsfall erfordert unterschiedliche Daten und unterschiedliche Kontrollmechanismen.
Vor Investitionen in KI-Architektur sollten Organisationen Folgendes festlegen:
- Welcher Workflow wird sich durch KI verändern?
- Welche Daten die KI benötigt
- Welche Daten die KI nicht verwenden sollte
- Wie genau und aktuell die Daten sein müssen
- Auf welche sensiblen Informationen die KI zugreifen kann
- Welche Identitäten und Berechtigungen gewähren Zugriff?
- Wie Daten durch das KI-System fließen
- Welche Aktionen die KI ausführen kann
- Welche Aktionen erfordern menschliche Zustimmung?
- Wem gehört das daraus resultierende Geschäftsergebnis?
Eine KI-Strategie kann eine undefinierte Datenstrategie nicht kompensieren.
Dadurch werden die fehlenden Entscheidungen folgenreicher.
Datenstrategie mit KI verbinden
Wissen, welche Daten KI antreiben und ob sie dorthin gehören
Entdecken Sie KI-Ressourcen, klassifizieren Sie sensible Daten, verstehen Sie Herkunft und Zugriff, wenden Sie Richtlinien an, bewerten Sie Risiken und koordinieren Sie Maßnahmen im gesamten KI-Bereich des Unternehmens.
Die Architektur sollte den Anforderungen entsprechen.
Das macht die Architektur nicht weniger wichtig.
Es gibt der Architektur eine klarere Aufgabe.
Sobald die Teams die erforderlichen Geschäftsfunktionen verstanden haben, können Architekten bessere Entscheidungen treffen über:
- Cloud-Infrastruktur
- Datenlager und Seehäuser
- Datenintegration
- Streaming
- APIs
- Stammdaten
- Metadaten
- Semantische Schichten
- Vektordatenbanken
- KI-Infrastruktur
- Sicherheitsarchitektur
- Governance-Technologie
Die Strategie liefert die Anforderungen und Prioritäten.
Die Architektur bestimmt, wie sie unterstützt werden.
Der Arbeitsplan gibt die Reihenfolge der Aufgaben vor.
Ein praktisches Beispiel: “Wir müssen unsere Datenplattform modernisieren”
Angenommen, eine Organisation beginnt mit Folgendem:
“Wir müssen unsere Datenplattform modernisieren.”
Das ist ein Lösungsvorschlag.
Die Untersuchung ergab, dass das eigentliche Problem die Kundenbindung ist.
Die Account-Teams können das Verlängerungsrisiko nicht früh genug erkennen, da Produktnutzung, Supportfälle, Verträge und Engagement-Daten weiterhin fragmentiert sind.
Die Strategie kann nun Folgendes definieren:
Geschäftsergebnis: Verbesserung der Kundenbindung bei wichtigen Kunden.
Entscheidung: Bei welchen Konten ist vor der Verlängerung ein Eingreifen erforderlich?
Arbeitsablauf: Geben Sie Account Managern frühzeitig eine verlässliche Liste mit Account-Risiken, damit sie handeln können.
Wichtige Daten: Vertragsdaten, Produktnutzung, Supportaktivitäten, Kontoidentität, Engagement und Eigentumsverhältnisse.
Anforderungen: Zuverlässige Kontenzuordnung, vereinbarte Definitionen, aktuelle Nutzung, Herkunft, Eigentumsverhältnisse, Qualitätskontrollen und rollengerechter Zugriff.
Fähigkeitslücken: Kundenidentitätsauflösung, systemübergreifender Datenkontext, Qualitätsüberwachung und gesteuerte Bereitstellung im Rahmen des Verlängerungsprozesses.
Technologie: Nun gilt es zu beurteilen, welche Plattformänderungen diese Lücken tatsächlich schließen.
Wert: Früheres Eingreifen, höhere Kundenbindung, weniger Abstimmungsaufwand und Akzeptanz durch die Account-Teams.
Die Organisation muss möglicherweise ihre Datenplattform noch modernisieren.
Aber jetzt weiß es das. warum, wo und in welchem Umfang das Ergebnis modernisiert werden muss.
Wie man eine Datenstrategie priorisiert
Eine sinnvolle Strategie kann nicht jede Anfrage als gleich wichtig behandeln.
CDOs können Initiativen anhand von fünf Fragen priorisieren.
1. Welche Geschäftsergebnisse verändern sich?
Verknüpfen Sie die Initiative mit Umsatz, Marge, Kosten, Kundenerlebnis, operativer Leistung, Compliance, Sicherheit oder Risiko.
2. Wie hoch sind die Kosten des aktuellen Zustands?
Ermitteln Sie eine Ausgangsbasis, z. B. für manuellen Aufwand, Verzögerungen, Fehler, Betrugsverluste, übermäßigen Zugriff, Kundenabwanderung, Infrastrukturkosten oder regulatorische Risiken.
3. Sind die Daten tatsächlich die Einschränkung?
Eine Dateninitiative sollte nicht dazu dienen, einen ungelösten Geschäftsprozess, unklare Verantwortlichkeiten oder organisatorische Probleme zu kompensieren.
4. Was ist die kleinste praktikable Intervention?
Eine verlässliche Kennzahl, ein kritisches Datenelement, ein reguliertes Datenprodukt, eine Zugriffsänderung, eine Qualitätsregel oder eine kuratierte KI-Quelle können das unmittelbare Problem lösen, bevor eine umfassendere Transformation notwendig wird.
5. Kann die Organisation das Ergebnis aufrechterhalten?
Ermitteln Sie, wem die Daten gehören, wie die Teams sie überwachen, was passiert, wenn sich Qualität oder Zugriff ändern, und wie die Teams Probleme beheben.
Was sollte eine Datenstrategie beinhalten?
Eine moderne Datenstrategie für Unternehmen sollte mindestens sieben miteinander verbundene Bereiche abdecken:
Wie BigID eine moderne Datenstrategie unterstützt
BigID hilft Unternehmen dabei, ihre Strategie mit den Unternehmensdaten zu verknüpfen, die diese Strategie unterstützen müssen.
BigID unterstützt Teams:
- Daten entdecken und klassifizieren: Identifizieren Sie strukturierte und unstrukturierte Daten in unterstützten Cloud-, SaaS-, On-Premises- und Hybridumgebungen und verstehen Sie sensible, regulierte, vertrauliche, geschützte und geschäftskritische Informationen.
- Daten katalogisieren und in Kontext einordnen: Technische Metadaten mit geschäftlicher Bedeutung, Eigentumsverhältnissen, Vertraulichkeit, Herkunft, Qualität und politischem Kontext verknüpfen.
- Daten-Governance operationalisieren: Verknüpfen Sie Governance-Anforderungen mit den Unternehmensdaten, Eigentümern, Richtlinien und Arbeitsabläufen, die sie verwalten.
- Datenzugriff steuern: Verstehen Sie, wer oder was Zugriff auf sensible Daten hat und identifizieren Sie, wo Berechtigungen unnötige Risiken bergen.
- Strategie auf KI ausweiten: Verknüpfen Sie KI-Systeme mit sensiblen Daten, Identitäten, Zugriffsrechten, Eigentumsverhältnissen, Herkunftsinformationen, Richtlinien, Risiken und Beweismitteln.
- Fahraktion: Koordinieren Sie Abhilfemaßnahmen, wenn Datenqualität, Zugriff, Offenlegung, Lebenszyklus oder Richtlinienbedingungen ein Risiko darstellen.
Eine Datenstrategie sollte nicht mit einer Darstellung der zukünftigen Technologiearchitektur enden. Sie sollte vielmehr klarstellen, welche Geschäftsergebnisse relevant sind, welche Daten diese unterstützen, wie diese Daten verwaltet werden sollen und was das Unternehmen ändern muss, um messbaren Mehrwert zu schaffen.
Die Punkte zwischen Daten und KI verbinden
Datenstrategie in gesteuerte Maßnahmen umsetzen
Erfahren Sie, wie BigID Unternehmensdaten mit Geschäftskontext, Eigentumsverhältnissen, Qualität, Herkunft, Zugriff, Richtlinien, KI, Risiken und Korrekturmaßnahmen verknüpft.
Häufig gestellte Fragen zur Datenstrategie
Was ist eine Datenstrategie?
Eine Datenstrategie definiert, wie eine Organisation Daten nutzt, verwaltet, steuert, schützt und verbessert, um messbare Geschäftsziele zu unterstützen. Sie verknüpft Geschäftsprioritäten mit kritischen Daten, Eigentumsverhältnissen, Governance, Sicherheit, KI, Architektur und Betriebsmodellanforderungen.
Worin besteht der Unterschied zwischen einer Datenstrategie und einer Daten-Roadmap?
Eine Datenstrategie definiert die Ergebnisse, Prioritäten, Prinzipien, Datenanforderungen und Fähigkeiten, die eine Organisation benötigt. Ein Fahrplan legt die Reihenfolge der Initiativen, Technologieinvestitionen, Abhängigkeiten, Verantwortlichen und Meilensteine fest, die zur Umsetzung dieser Strategie erforderlich sind.
Ist die Datenarchitektur Teil der Datenstrategie?
Ja, aber die Architektur sollte die in der Strategie festgelegten Anforderungen unterstützen. Geschäftsergebnisse und kritische Datenbedürfnisse helfen dabei, zu bestimmen, welche Architektur- und Technologieinvestitionen das Unternehmen priorisieren sollte.
Was sollte eine Datenstrategie beinhalten?
Eine Datenstrategie sollte Geschäftsergebnisse, kritische Daten, Eigentumsverhältnisse, Qualität, Governance, Sicherheit, Datenschutz, Zugriff, KI- und Analyseanforderungen, das Betriebsmodell, erforderliche Fähigkeiten, Technologieprioritäten und Wertmessgrößen definieren.
Wie verändert KI die Datenstrategie?
Künstliche Intelligenz (KI) erhöht die Bedeutung von Datenqualität, Sensibilität, Herkunft, Zugriff, Eigentum, Richtlinien und Verantwortlichkeit. Organisationen müssen festlegen, welche Daten KI nutzen darf, wie KI darauf zugreift und was KI-Systeme oder -Agenten mit diesen Informationen tun dürfen.
Sollte die Datenstrategie mit der Technologie beginnen?
Nein. Organisationen sollten zunächst das Geschäftsergebnis, die betroffene Entscheidung oder den Arbeitsablauf, die kritischen Daten und die erforderlichen Kontrollen definieren. Diese Anforderungen können dann als Grundlage für Architektur- und Technologieentscheidungen dienen.
Wie unterstützt BigID die Datenstrategie?
BigID unterstützt Organisationen bei der Entdeckung, Klassifizierung, Katalogisierung, Kontextualisierung, Verwaltung, Sicherung und Behebung von Unternehmensdaten und verknüpft diese mit Eigentumsrechten, Qualität, Herkunft, Zugriff, Richtlinien, Datenschutz, KI und Risikomanagement.
Autor
