Weißes Muster
Glossar

Data Governance

Erfahren Sie, was Data Governance ist, welche Tools und welches Framework zur Implementierung verwendet werden und wie Sie damit einen echten Mehrwert erzielen können.

Weißes Muster
Content

Was ist Data Governance?

Data Governance beschreibt die Rollen, Prozesse und Richtlinien, die Unternehmen ergreifen, um die Genauigkeit, Qualität und Sicherheit von Daten zu gewährleisten. In den Richtlinien wird festgelegt, welche Methoden Personen für den Zugriff auf die Daten und deren Nutzung verwenden können.

Obwohl Data Governance sich hauptsächlich mit der ordnungsgemäßen Verwaltung von Daten im Unternehmen beschäftigt, umfasst das Framework auch Ihre Datenstrategie und -ziele. Wenn Data Governance korrekt implementiert wird, können Sie aus Ihren Daten einen hohen Nutzen schöpfen.

Die Data Governance Frameworks stellen sicher, dass Richtlinien und Prozesse mit internen und externen Faktoren, einschließlich der vor Ort geltenden Datenschutzgesetze und -vorschriften, übereinstimmen. Wenn neue Gesetze verabschiedet werden, müssen Sie Ihre Data Governance Frameworks anpassen, um diese zu erfüllen.

Die richtige Implementierung von Data Governance ist oft eine Herausforderung, da Sie Abteilungen und Teams aufeinander abstimmen müssen. Das bedeutet, dass Sie genau verstehen müssen, welche Daten Sie erfassen und wie Sie sie verwenden.

Bei der Entwicklung eines Data Governance-Plans sollten Sie Folgendes berücksichtigen:

  • Datenverantwortung: Wer ist für die Verwaltung jedes Datentyps verantwortlich? 
  • Datenqualität: Wie werden die Daten auf Richtigkeit und Vollständigkeit überprüft? 
  • Datensicherheit: Wie werden Daten vor unbefugtem Zugriff geschützt? 
  • Datenarchivierung: Wie werden die Daten zur langfristigen Aufbewahrung gespeichert? 

Tools und Vorteile von Data Governance

Zu den Data Governance-Tools gehören alle Software-Programme, Plattformen oder Geräte für den Zugriff, die Verwendung, das Speichern, das Erstellen oder die Analyse von Daten sowie die Richtlinien und Verfahren zur Implementierung und Aufrechterhaltung ihrer Funktionsfähigkeit.

Data Governance-Tools umfassen:

  • Data Lakes, Warehouses und Kataloge
  • Daten-Assets wie Tabellen, Bilder, PDF-Dateien und mehr
  • Software und Plattformen für den Zugriff, die Analyse und die Bearbeitung von Daten, wie Automatisierungsplattformen, Single-Point-Lösungen und Visualisierungssoftware
  • Infrastruktur, die zur Übertragung von Daten verwendet wird, z. B. geschäftliche und persönliche Geräte, Server, Kameras, medizinische und Überwachungsgeräte, Sensoren und mehr

Die Implementierung eines Data Governance Frameworks, in dem all diese Tools optimal genutzt werden, kann Ihnen und Ihrem Unternehmen durch die Verbesserung von Unternehmenswert, Sicherheit und Compliance, Datenqualität sowie Automatisierung nutzen.

Geschäftlicher Nutzen

Data Governance verbessert Ihren Entscheidungsprozess, hilft Ihnen, Risiken besser zu verwalten, und steigert Ihre Effizienz. Data Governance-Tools helfen Ihnen dabei, Daten aus verschiedenen Quellen zu sammeln und zu organisieren, damit Sie fundiertere Entscheidungen treffen können. Data Governance kann die Zusammenarbeit zwischen verschiedenen Teams und Abteilungen fördern, indem ein klarer Prozess für den Austausch von Daten und Informationen eingerichtet wird.

Sicherheit und Compliance

Data Governance muss eine sich verändernde Belegschaft, Remote-Beschäftigte und neue Compliance-Vorschriften umfassen. Ihr Framework muss Pläne für das Onboarding sowie das Hinzufügen und Entfernen von Berechtigungen für neue, aktuelle und frühere Beschäftigte bei gleichzeitiger Einhaltung der Compliance enthalten. Zu diesem Prozess gehört die Verringerung des Risikos von Datenschutzverletzungen bei sensiblen Informationen.

Datenqualität

Sie können die Datenqualität verbessern, indem Sie Regeln und Standards für die Eingabe, den Zugriff, die Speicherung und die Nutzung von Daten festlegen. Indem Sie sicherstellen, dass Daten genau, konsistent und vollständig sind, können Sie bessere Entscheidungen treffen und kostspielige Fehler vermeiden. Durch die Verbesserung von Kommunikation und Koordination können Sie bessere Entscheidungen treffen und doppelte Arbeit vermeiden.

Automatisierung

Mithilfe von Automatisierung können Sie Compliance sicherstellen, wenn Personen auf Daten zugreifen und diese nutzen, einschließlich Datenerfassung, Qualitätssicherung und Berichterstellung. Sie können Kosten senken, indem Sie den Bedarf an manueller Dateneingabe und -speicherung reduzieren. Automatisierung kann auch dazu beitragen, die mit Datenschutzverletzungen und Compliance-Verstößen verbundenen Kosten zu senken. Die richtige Implementierung von Data Governance kann Ihnen dabei helfen, Ihre Ressourcen optimal zu nutzen, Ihre Effizienz zu verbessern und Kapazitäten freizusetzen, damit Sie sich auf strategische Aufgaben konzentrieren können.

Data Governance Framework

Ein Data Governance Framework unterstützt Sie bei der Einrichtung und Pflege eines effektiven Data-Governance-Programms. Das Framework bietet einen strukturierten Ansatz zur Definition von Rollen und Verantwortlichkeiten, zur Entwicklung von Richtlinien und Verfahren sowie zur Implementierung von Tools und Kontrollen.

Unternehmen, die Data-Governance-Programme eingerichtet haben, berichten über viele Vorteile, darunter eine verbesserte Entscheidungsfindung, geringere Risiken und eine verbesserte Unternehmensleistung. Data Governance kann Unternehmen auch dabei unterstützen, gesetzliche Anforderungen zu erfüllen.

Das Data Governance Framework ist in vier Hauptkomponenten unterteilt:

  1. Data Governance-Richtlinien
  2. Data Governance-Struktur
  3. Data Governance-Prozesse
  4. Data Governance-Kontrollen

Data Governance-Richtlinien

In den Data Governance-Richtlinien ist der Ansatz für Data Governance festgeschrieben. Die Geschäftsleitung sollte sie genehmigen und regelmäßig überprüfen, um sicherzustellen, dass alle Compliance-Vorschriften und Best Practices befolgt werden.

Die folgenden Fragen sollten darin beantwortet werden:

  • Was ist Ihr Ansatz für Data Governance?
  • Welche Rollen und Verantwortlichkeiten haben die Personen, die an der Data Governance beteiligt sind?
  • Was sind Ihre Data Governance-Ziele?
  • Wie lauten Ihre Richtlinien und Verfahren für die Datenverwaltung?
  • Wie lauten Ihre Standards für Qualitätsdaten?
  • Wie stellen Sie sicher, dass die Daten korrekt und vollständig sind?
  • Wie schützen Sie die Vertraulichkeit Ihrer Daten?
  • Wie stellen Sie sicher, dass Daten für diejenigen zugänglich sind, die sie benötigen?
  • Wie stellen Sie sicher, dass die Daten im Einklang mit den Richtlinien und Verfahren Ihres Unternehmens verwendet werden?
  • Welche Pläne haben Sie für die Überwachung und Prüfung Ihrer Data Governance?

Data Governance-Struktur

In Ihrer Data Governance-Struktur sind die Rollen und Verantwortlichkeiten jeder Person, die an Ihrem Governance Framework beteiligt ist, festgelegt. Sie sollten sie so gestalten, dass alle Governance-Initiativen und -Aktivitäten auf Ihre Geschäftsziele ausgerichtet sind.

Ihre Data Governance-Struktur sollte Gruppen oder Ausschüsse umfassen, die Folgendes überwachen und dafür verantwortlich sind:

  • Richtungsvorgabe für das Data Governance-Programm Ihres Unternehmens
    • Diese Gruppe umfasst in der Regel Führungskräfte.
  • Implementierung des Data Governance-Programms
    • Diese Gruppe umfasst in der Regel Vertreter:innen aus jedem Geschäftsbereich.
  • Verwaltung der Datenbestände verschiedener Geschäftsbereiche
    • Diese Gruppe sollte alle Personen einbeziehen, die ein genaues Verständnis von Daten und deren Verwendung in ihrem Geschäftsbereich haben.

Data Governance-Prozesse

In Ihren Data Governance-Prozessen werden die Aktivitäten definiert, die für die Implementierung und Pflege eines effektiven Data Governance-Programms unerlässlich sind. Diese Prozesse sollten so konzipiert sein, dass sie den spezifischen Anforderungen der Organisation entsprechen.

Ihre Prozesse sollten Folgendes umfassen:

  • Datenidentifizierung – Identifizieren Sie die Datenbestände Ihres Unternehmens, einschließlich Kundendaten, Finanzdaten, Mitarbeiterdaten und mehr.
  • Datenklassifizierung – Klassifizieren Sie Ihre Daten basierend auf ihrer Bedeutung für das Unternehmen, um Ihre Data Governance-Aktivitäten zu priorisieren.
  • Datenqualitätsmanagement – Stellen Sie sicher, dass Ihre Daten korrekt, vollständig und konsistent sind. Schließen Sie Prozesse für Audits von Daten sowie Korrekturmaßnahmen ein, wenn Fehler gefunden werden.
  • Datensicherheit – Schützen Sie Ihre Daten vor unbefugtem Zugriff und unbefugter Nutzung, einschließlich Prozessen zur Verwaltung des Zugriffs sowie zur Verschlüsselung und Sicherung von Daten.
  • Datenzugriff – Kontrollieren Sie, wer Zugriff auf Daten hat, und schließen Sie Prozesse für das Gewähren und Entziehen des Zugriffs auf Daten ein.
  • Data Lifecycle Management – Verwalten Sie Ihre Daten während des gesamten Lebenszyklus und schließen Sie dabei Prozesse zum Archivieren und Löschen von Daten ein, die nicht mehr benötigt werden.

Data Governance-Kontrollen

Ihre Data Governance-Kontrollen sind die Verfahren und technischen Maßnahmen, die Sie ergriffen haben, um sicherzustellen, dass Ihr Data Governance-Programm effektiv ist. Diese Kontrollen sollten so konzipiert sein, dass sie den spezifischen Anforderungen Ihres Unternehmens entsprechen.

Ihre Data Governance-Kontrollen sollten Folgendes umfassen:

  • Zugriffskontrolle – Legen Sie Verfahren für das Erteilen und Entziehen von Zugriffsrechten fest.
  • Änderungskontrolle – Verwalten Sie Änderungen an Daten, einschließlich der Festlegung, welche Personen Änderungen vornehmen können und wie diese Änderungen verfolgt werden.
  • Versionskontrolle – Dokumentieren Sie verschiedene Versionen von Daten, um sicherzustellen, dass alle mit den aktuellsten Informationen arbeiten.
  • Audits – Überwachen Sie die Einhaltung von Data Governance-Richtlinien und -Verfahren.
  • Datenaufbewahrung – Legen Sie Verfahren zum Archivieren und Löschen von Daten fest, die nicht mehr benötigt werden.
  • Datensicherung und -wiederherstellung – Setzen Sie Verfahren ein, um Daten vor Verlust zu schützen und sicherzustellen, dass sie bei Verlust wiederhergestellt werden können.

Anwendungsfälle für Data Governance

Da Data Governance viele Aspekte im Bereich Daten abdeckt, gibt es viele Anwendungsfälle, in denen Data Governance Ihr Unternehmen verbessern kann, einschließlich der Wertschöpfung aus Daten in Data Warehouses, Data Lakes und Katalogen.

Datenkonsolidierung

Die Konsolidierung in ein einziges Repository gewährleistet Konsistenz und Genauigkeit für alle Benutzenden, die ihre Entscheidungen auf Daten stützen.

  • Umsatzrenditen – Schaffen Sie eine solide Grundlage, auf deren Grundlage Sie die Prozesse zur Verknüpfung von Datenquellen und zur Gewinnung von Erkenntnissen optimieren können.
  • Risikominimierung – Eliminieren Sie Diskrepanzen zwischen Abteilungen, die dieselben Daten auf unterschiedliche Weise extrahieren.
  • Weiterbildung von Beschäftigten – Helfen Sie Endanwendenden dabei, Erkenntnisse zu gewinnen und auszutauschen, anstatt Zeit zu vertun, indem Arbeitsschritte wiederholt ausgeführt oder Ergebnisse infrage gestellt werden.
Anwendungsfall ansehen

Metadaten und Datenherkunft

Datenherkunft (Data Lineage) und Data Governance sind entscheidend, um zuverlässige Ergebnisse und das Vertrauen der Benutzenden zu gewährleisten.

  • Umsatzwachstum – Etablieren und kommunizieren Sie eine Datenherkunft, damit Teams sich auf Ergebnisse konzentrieren und Entscheidungen schneller treffen können.
  • Umsatzrenditen – Verstehen und kommunizieren Sie eine Datenherkunft, um die für Änderungen erforderlichen Investitionen gering zu halten.
  • Kundenerfahrung – Eliminieren Sie Fehler, die durch mangelhafte Daten verursacht werden und die Ihre Kunden betreffen.
  • Effizienzsteigerungen – Eliminieren Sie redundante oder manuelle Datenvalidierungen und reduzieren Sie die Notwendigkeit einer erneuten Überprüfung der Ergebnisse.
  • Risikominimierung – Verschaffen Sie sich einen Einblick in die Datenherkunft, um zu verstehen, woher die Daten stammen und welche Prozesse sie durchlaufen.
Anwendungsfall ansehen

Skalierbarkeit

Je mehr Menschen in Ihrem Unternehmen auf Daten zugreifen und diese nutzen, desto wichtiger wird Data Governance.

  • Risikominimierung – Skalieren Sie Self-Service-Analysen und Datenzugriff, ohne die Kontrolle zu verlieren.
  • Effizienzsteigerung – Implementieren Sie eine Data Governance-Strategie, die nicht zu einem Engpass für analytische Zugriffe wird.
  • Weiterbildung der Belegschaft – Schaffen Sie eine Kultur des Verständnisses von Analysen und bewährter Vorgehensweisen für Data Governance.
  • Umsatzrendite – Sie müssen das Rad nicht neu erfinden. Implementieren Sie Analyse-Zugriff und Datensicherheit im gesamten Unternehmen.
  • Kundenerfahrung – Holen Sie das Beste aus Kundendaten heraus und gewährleisten Sie gleichzeitig bestmögliche Datensicherheit.
Anwendungsfall ansehen

Anwendungsfallbeispiel für Data Governance

Anwendungsfallbeispiele für Data Governance aus der Geschäftswelt

Eine erfolgreich implementierte Data Governance-Strategie sollte bei allen analytischen Bemühungen Ihres Unternehmens Ergebnisse liefern. Dazu gehören Berichterstellung, Advanced Analytics, Machine Learning, Data Science und vieles mehr.

In analytischen Umgebungen ohne Data Governance sind Prozesse zeitaufwendig und ineffizient. Sie können auch wegen der Art, wie Daten weitergegeben und verwendet werden, gegen Richtlinien verstoßen. 

Hier sind Beispiele dafür, wie sich analytische Umgebungen mit und ohne Data Governance auf die Berichterstellung für Unternehmen auswirken.

Berichterstellung in analytischen Umgebungen ohne Data Governance

Datenidentifizierung

  • Unternehmen verlieren wertvolle Zeit mit der Entschlüsselung von Informationen, die in Datasets, Berichten und anderen analytischen Ressourcen enthalten sind. Dies kann zu übereilten Berichten und weniger Zeit für die Auswertung von Informationen für die Entscheidungsfindung führen.

Datenklassifizierung

  • Nicht organisierte und nicht gekennzeichnete analytische Assets erhöhen die Zeit, die Unternehmen benötigen, um bekannte Datasets, Berichte und Workflows zu finden, was auch die Zeit zur Erkenntnisgewinnung erhöht.
  • Verborgene Ressourcen – oder „Dark Data“ – bleiben ungenutzt, was die Bewertung der bisherigen und laufenden Leistung sowie die Entscheidungsfindung erschwert.

Datenqualitäts-Management

  • Analytische Ressourcen, die unvollständige und ungenaue Informationen enthalten, erhöhen den Zeitaufwand für die Durchführung manueller und sich wiederholender Vorbereitungen.
  • Fehlende Daten verringern die Genauigkeit und Zuverlässigkeit von Erkenntnissen, wodurch das Vertrauen in Ergebnisse und die Entscheidungsfindung verringert werden.

Datensicherheit

  • Daten, die unternehmensweit auf geschäftlichen und privaten Geräten gespeichert werden, machen die Verschlüsselung und Sicherung von Ressourcen unmöglich, während die gemeinsame Nutzung von Ressourcen über nichtkonforme Medien das Risiko von Datenschutzverletzungen und unbefugtem Zugriff erhöht.

Datenzugriff

  • Wenn keine unternehmensweiten Standards, Richtlinien oder Prozesse für die Gewährung und den Widerruf von Datenzugriffen vorliegen, verlangsamt sich die Erkenntnisgewinnung. Zudem wird die Skalierbarkeit beeinträchtigt.

Data Lifecycle Management

  • Daten-Managementteams können nicht benötigte Daten nicht ordnungsgemäß archivieren oder löschen, was zu einem erhöhten Risiko für Compliance-Verstöße führt.

Berichterstellung in analytischen Umgebungen mit Data Governance

Datenidentifizierung

  • Unternehmen können leicht feststellen, welche Ressourcen für die Analyse wertvoll sind, und schnell Berichte erstellen.
  • Mit schnelleren Erkenntnissen können Unternehmen mehr Nutzen aus Daten gewinnen und Ideen weiter evaluieren, um das Vertrauen in die Entscheidungsfindung zu erhöhen.

Datenklassifizierung

  • Dank zentral organisierter und gekennzeichneter analytischer Ressourcen können Unternehmen schnell benötigte Daten finden, einschließlich früherer Erkenntnisse und Workflows, die sie nutzen können, um die Erkenntnisgewinnung zu beschleunigen.

Datenqualitäts-Management

  • Datenkataloge bieten Datenqualitätsbewertungen, die es Unternehmen ermöglichen, die Vollständigkeit und Genauigkeit von analytischen Ressourcen zu bestimmen, wodurch der Zeitaufwand für die Vorbereitung von Daten für die Analyse reduziert wird.
  • Zuverlässige Berichte erhöhen das Vertrauen in Ergebnisse und Entscheidungen.

Datensicherheit

  • Mit strategischen Datensicherheitsprozessen können Daten-Managementteams Data Governance und Compliance gewährleisten und so Risiken minimieren.

Datenzugriff

  • Standardisierte Richtlinien und Prozesse für die Gewährung und den Widerruf von Zugriffsrechten verbessern den Onboarding- und Skalierungsprozess und reduzieren gleichzeitig Verwaltungskosten und Risiken.

Data Lifecycle Management

  • Dank zentralisierter Speicherung können Unternehmen alle analytischen Ressourcen schnell überprüfen und so die Verschlüsselung, Sicherung und Entfernung von Daten im gesamten Unternehmen vereinfachen.

Obwohl das oben genannte Anwendungsbeispiel den Prozess für die Berichterstellung zeigt, können die Beispiele auch auf andere geschäftliche Anwendungsfälle wie Advanced Analytics, Machine Learning und Data Science ausgeweitet werden.

Fazit

Bei Data Governance geht es nicht nur um Datenmanagement. Sie umfasst auch die Richtlinien und Prozesse, in denen festgelegt wird, wie Daten innerhalb eines Unternehmens verwendet werden.

Sie sollten Data Governance-Frameworks verwenden, um Teams und Abteilungen aufeinander abzustimmen, die Effizienz zu verbessern und den geschäftlichen Nutzen zu steigern.

Mit dem richtigen Framework und den richtigen Tools können Sie einen Data Governance-Plan implementieren, der Ihnen und Ihrem Unternehmen hilft, nutzbringende Erkenntnisse zu gewinnen.

Feb. 2
Zielgruppe
Webinar

Zwei Fliegen mit einer Klappe - Compliance und Effizienz in (steuerlichen) Kontrollsystemen with WTS

Tax Compliance Management Systeme (TCMS) bzw. Steuerkontrollsysteme (SKS) erfordern, die relevanten Kernprozesse zu dokumentieren und verlässlich und transparent zu implementieren. WTS stellt ein Kontrollsystem vor, das auf Alteryx basiert und einen Prozess zur Bildung von Transaktionsgruppen im Bereich der Verrechnungspreise zeigt.

Analyse-Expertin/Experte
Analyst:in
Data Scientist
Mehr erfahren...
Hintergrundbild in unterschiedlichen Farben leuchtender Lichter
Blog
Lesezeit: 3 Minuten

Wir stellen vor: Zeitreihen-Erweiterungen in Alteryx Machine Learning

Wir freuen uns, Ihnen die neueste Version von Alteryx Machine Learning ankündigen zu können. Diese Version enthält spannende neue Zeitreihen-Erweiterungen.

Alteryx Machine Learning
Alteryx Plattform
Analyst:in
Jetzt lesen
IT-Governance
Webinar

Alteryx Governance und Einrichtung eines Kompetenzzentrums (CoE)

Ein Profi-Team wurde mit der Entwicklung von Frameworks für Governance, die Einhaltung von Best Practices und Skaleneffekte („Economy of Scale“) zur Erfüllung von IT-Governance-Standards betraut. Mit Alteryx konnte dieses Team Effizienzsteigerungen bei den Abläufen erzielen, die Skalierbarkeit verbessern und die Zeit zur Erkenntnisgewinnung verkürzen.

IT
Inspire
Alteryx Designer
Mehr erfahren

Starter-Kit für die Datenzusammenführung

Beschleunigen Sie Ihren Weg zur Beherrschung von Datenzusammenführung und zur Automatisierung sich wiederholender Workflow-Prozesse, die Daten aus verschiedenen Quellen zusammenführen.
Geschäftsleute, die auf ein Gebäude zulaufen und lachen

Transformieren Sie Ihre Analysen

Decken Sie verborgene Erkenntnisse in Ihren Daten auf.
Alteryx Produkt