Die 4 Säulen des Data Management

Als datengetriebenes Unternehmen benötigst du ein funktionierendes Data Management, um agil und kundenzentrisch die Chancen zu nutzen, die sich aus der immer weiter fortschreitenden Digitalisierung für die Geschäftsprozessoptimierung ergeben.

Was ist Data Management?

Doch zunächst sollten wir definieren, worum es beim Data Management genau geht. Unter Data Management oder Datenmanagement versteht man die Gesamtheit der Maßnahmen auf technischer, konzeptioneller und organisatorischer Ebene, Daten so zu erheben, zu speichern und auszuwerten und bereitzustellen, dass sie die Unternehmensprozesse optimal unterstützen. Data Management ist die Grundlage für alle Elemente des Informationslebenszyklus und berücksichtigt unter anderem Aspekte der Datenqualität, des Datenschutzes sowie der Datenablage.

Die Vorteile, die sich aus einem validen Data Management ergeben können, sind vielfältig: Ein gut funktionierendes Data Warehouse kann als Plattform dazu beitragen, dass Organisationen und Unternehmen Business Intelligence über ihr Geschäft gewinnen, interne Probleme identifizieren (und bestenfalls anhand der BI auch beheben). Gleichzeitig stellt das Data Warehouse – und damit die  Kundendaten – im Rahmen von Big Data Analysen die Grundlage für ein optimales Kundenerlebnis sicher.

Wenn du Customer Insights in ein Kundenprofil packen und Kundenverhalten prognostizieren willst, dann möchtest du aber vor allem wissen, ob du Potential verschenkst. Aber schon lauert die zweite Frage: wie willst du deinen Reifegrad im Data Management überhaupt bewerten? Dies erfordert einiges an Erfahrung. Data Management ist ein Zusammenspiel verschiedener Einzelgewerke. Jede datengetriebene Organisation ist nur so stark, wie das schwächste Gewerk es zulässt. Eine ganzheitliche Bewertung lohnt sich also!

Hier sind die 4 Säulen, die du betrachten solltest:

Von der Daten- und Systemarchitektur zur Erkenntnisgewinnung in Form von Customer Insights. Effiziente Datenspeicherung und Datenqualitätssicherung als Voraussetzung für das Erstellen von Kundenprofilen und die Prognose von Kundenverhalten.

1. Erkenntnisgewinn: welche Customer Insights kannst du erlangen?

Das ist der Job, dafür sind wir unterwegs, oder? Als datengetriebenes Unternehmen praktizieren wir Data Management, um Customer Insights zu gewinnen, um über eine intelligente Geschäftsprozessoptimierung Kunden besser zu bedienen und nachhaltig zu begeistern. Wer aus dem Verständnis des heutigen Kundenverhaltens die Kundenbindung für morgen und übermorgen erreichen will, der muss das Potential aus allen relevanten Datenquellen erschließen, muss über Kundenattribute, Scorings und Kontrollparameter Geschäft und Marketingkommunikation steuern.

Wichtig ist aber auch hier der strategische Ansatz: Denn Big Data scheitert nicht selten an der falschen Vorgehensweise – und so bleibt der Erkenntnisgewinn allzu oft auf der Strecke oder es werden im schlimmsten Fall sogar falsche Schlüsse aus den Datenauswertungen gezogen. Denn Data Analytics bringt nur dann echte Customer Insights, wenn Datenqualität und Datenkonsistenz stimmen.

2. Verwaltung & Verantwortung: wo liegen Daten, wer darf was damit tun?

Deine Daten- und Systemarchitektur muss zudem sicherstellen, dass die Daten anwendbar sind. Transparenz und Katalogisierung sowie Konsolidierung aller entscheidungsrelevanten Daten an einem Ort sind eine Voraussetzung. Die Data Governance – wem gehören die Daten, wer darf mit ihnen arbeiten, wer darf sie überschreiben – ist ebenfalls ein wesentlicher Punkt. Denk also dran: Auch die Verwaltung und die Regelung der Verantwortung nimmt Einfluss auf die Datenqualität.

Gerade wenn du Daten im Rahmen einer Multi-Cloud-Strategie an unterschiedlichen Orten ablegen willst, benötigst du eine umfassende Data Governance, die festlegt, nach welchem Regelwerk und welchen Richtlinien der Umgang mit Daten im Unternehmen und darüber hinaus (!) erfolgt. Dazu gehört auch die genaue Regelung der Zuständigkeiten im Unternehmen und die Klärung der Frage, welche Ressourcen auf welchem Server oder welcher Cloud abgelegt und verarbeitet werden dürfen.

3. Verfügbarkeit: sind überhaupt entscheidungsrelevante Daten vorhanden?

Das klingt einfach. Alle Daten verfügbar machen, die für Entscheidungen wichtig sind. Jedoch steckt der Teufel im Detail. Es geht hier nicht nur um eine funktionierende Daten- und Systemarchitektur, sondern auch um Rechtskonformität (die DSGVO lässt grüßen) und um eine passgenaue Datenlieferung an Fachbereiche wie etwa das CRM. Denn nicht in allen Fällen hat dein Kunde auch für sämtliche Auswertungen im Rahmen des Data Managements sein Einverständnis gegeben.

Dass zum Reifegrad einer datengetriebenen Organisation das Sammeln von Daten an sich dazugehört – an allen deinen Touchpoints, aktuell und zuverlässig –, das versteht sich von selbst. Doch das Thema Verfügbarkeit und Bereitstellung hat eine technische und eine juristische Seite. Du solltest daher sicherstellen, dass dein Unternehmen auch in Zukunft zum einen die von dir benötigten Daten verarbeiten darf und zum anderen alle relevanten Einheiten inklusive deiner Dienstleister damit arbeiten können. Besonderes Augenmerk sollten Unternehmen dabei auf Datenquellen legen, die außerhalb der EU-Grenzen erhoben werden. Hier herrscht ein hohes Maß an Rechtsunsicherheit, was das Targeting betrifft.

4. Effizienz: wie steht es mit Automatisierung, Historisierung und Prozessen?

Dank Digitalisierung strömen Daten ins Haus. Und das über immer mehr Kanäle. Eine große Herausforderung an das Data Management, nicht zuletzt durch die immer weiter wachsende Menge an Daten. Und wie sollte man mit den Daten vergangener Jahre umgehen? Eine automatisierte Datenverarbeitung ist da schon fast eine Notwendigkeit, eine effiziente Datenspeicherung maßgeblich für Wirtschaftlichkeit, Beherrschbarkeit und letztlich Erkenntnisgewinnung.

Wie sehen in deinem Unternehmen die Schnittstellen aus, wie steht es um die vielen Prozesse? Jede Geschäftsprozessoptimierung sollte auch die Datenflüsse in den Blick nehmen und entsprechend analysieren (lassen). Grundsätzlich stehen zu allen relevanten Quellen API-Schnittstellen zur Verfügung, die einen Import in ein Data Warehouse oder eine vergleichbare Plattform zum Data Management ermöglichen. Data Science-Experten und Data Analytics-Fachleute können hier für die nötige Datenkonsistenz sorgen und dazu beitragen, dass du im Rahmen der Business Intelligence die passenden Schlussfolgerungen aus deinen Daten im Rahmen von Big Data-Analysen gewinnen kannst.

Herausforderung Data Management: Reifegrad ermitteln, Schwachstellen eliminieren

Wenn du jetzt das Gefühl hast, dass noch mehr Potential im Data Management deines Unternehmens steckt, dann musst du handeln. Aber wo ansetzen? Eine strukturierte Analyse in allen 4 Säulen sollte Startpunkt sein. Deine komplette Daten- und Systemarchitektur inklusive aller Prozesse muss auf den Prüfstand. Eine datengetriebene Organisation muss sich dem stellen. Das wird dem strategischen wie operativen Management helfen, wird der Geschäftsprozessoptimierung und damit auch der Wettbewerbsfähigkeit dienen, die Datenqualität erhöhen und Effizienzgewinne durch Automatisierung erzielen.

Doch bevor du wild ans Datensammeln gehst, solltest du dir (gegebenenfalls zusammen mit einem Data-Analytics-Experten) bewusst machen, dass die schiere Menge an möglicherweise verfügbaren Daten gar nicht dein oberstes Problem darstellen dürfte – sondern viel eher eine dazu passende Data-Warehouse-Strategie. Ein schlankes funktionierendes Data Warehouse ist ein echter Datenschatz – und die umfangreichsten Big-Data-Analysen können ohne ein systematisches Data Management nicht funktionieren. Gleichzeitig solltest du dir darüber bewusst sein, wie relevant Business Intelligence für dein Geschäft in Zukunft sein kann. – Wir werden hier in den kommenden Wochen immer wieder Beiträge zu Themen des Data Management anbieten.