Der gr\u00f6\u00dfte Unterschied bei Daten liegt in der Erfassungsart. Dabei wird grunds\u00e4tzlich zwischen folgenden drei Arten unterschieden:<\/p>\n\n\n\n
- \n
- Strukturierte Daten<\/strong>: Bei strukturierten Daten handelt es sich um tabellarische Daten. Das Format ist vorgegeben. Die Daten lassen sich in eine eindeutige Beziehung zueinander setzen und einfach verarbeiten. (Beispiel Format: CSV, Excel)<\/li>\n\n\n\n
- Semistrukturierte Daten<\/strong>: Die Struktur der Daten ist nicht offensichtlich, sondern versteckt, implizit, irregul\u00e4r oder partiell. Meistens bestehen die Datens\u00e4tze aus einem Datensatz, in dem mehrere Objekte zusammengef\u00fcgt wurden und sich nur auf Basis eines Attributs unterscheiden lassen. (Beispiel Format: Json)<\/li>\n\n\n\n
- Unstrukturierte Daten<\/strong>: Die Daten haben keinerlei Struktur. F\u00fcr eine Analyse oder Extrahierung der Daten bedarf es einer vorherigen Aufbereitung. Das Informationspotenzial von unstrukturierten Daten ist enorm hoch, ebenso wie der Aufwand diese zu strukturieren. (Beispiel Format: Text, Bilder, Audio)<\/li>\n<\/ol>\n\n\n\n
Um die Analyse und den Umgang mit den im Unternehmen vorhandenen Daten zu organisieren, sollte nach der Art der Daten eine Einteilung in Kategorien erfolgen. Dabei bieten sich f\u00fcr viele Unternehmen die folgenden vier Kategorien an:<\/p>\n\n\n\n
- \n
- Personenbezogene Daten<\/strong>: Ein g\u00e4ngiges Beispiel sind Kundendaten oder auch Mitarbeiterdaten. Diese Daten sind nicht zuletzt seit der DSGVO<\/a> besonders sch\u00fctzenswert. Sie beziehen sich direkt auf eine Person.<\/li>\n\n\n\n
- Sch\u00fctzenswerte Firmendaten<\/strong>: H\u00e4ufig fallen Buchhaltungsdaten, Steuerunterlagen oder wirtschaftliche Daten in diese Kategorie. Sie sind aufgrund des wichtigen und hohen Informationsgehalts besonders sch\u00fctzenswert und haben vor allem f\u00fcr Analysezwecke und digitales Datenmanagement eine wichtige Bedeutung.<\/li>\n\n\n\n
- \u00d6ffentliche Daten<\/strong>: \u00d6ffentliche und verbreitete Daten wie beispielsweise Pressemitteilungen, Boilerplate, Brosch\u00fcren, Whitepaper oder auch Logos.<\/li>\n\n\n\n
- Sekund\u00e4rdaten<\/strong>: Darunter k\u00f6nnen Daten fallen, die beim Erheben zu einem anderen Zweck gesammelt werden. Oder es sind bereits vorhandene Daten, welche dann f\u00fcr eine andere Fragestellung als den urspr\u00fcnglichen Erhebungsgrund erneut analysiert werden. Beispiele sind Vertriebsprotokolle, Berichte oder Archivmaterial.<\/li>\n<\/ol>\n\n\n\n
<\/span>Was ist digitales Datenmanagement?<\/span><\/h2>\n\n\n\n
\nDefinition digitales Datenmanagement<\/h3>\n\n\n\n
Unter Datenmanagement wird das Erfassen, Sortieren, Archivieren, Bereitstellen und L\u00f6schen von Daten verstanden. Damit kann der Begriff als Prozess oder Konzept f\u00fcr ein ganzheitliches Management von Daten beschrieben werden. <\/p>\n\n\n\n
Auf den Punkt gebracht: \u201eDas\u202fDatenmanagement\u202fdefiniert den\u202fgesamten Lebenszyklus von Daten\u202fals Werte von ihrer\u202furspr\u00fcnglichen Erstellung\u202fbis zu einem\u202fg\u00fcltigen Ruhezustand.\u201c – Quelle: Informatik Lexikon<\/em><\/p>\n<\/div><\/div>\n\n\n\n
Datenmanagement verfolgt das Ziel, die im Unternehmen vorhandenen Daten optimal zu nutzen. Daten sind vor allem in Unternehmen h\u00e4ufig die Grundlage f\u00fcr Entscheidungen und somit oftmals der wesentliche Erfolgsfaktor. Um erfolgreiches Datenmanagement betreiben zu k\u00f6nnen, gilt es einige Anforderungen zu erf\u00fcllen. Durch digitales Datenmanagement lassen sich enorm viele Daten mit einem h\u00e4ufig \u00fcberschaubaren Aufwand generieren und erheben. Daher ist es vor allem wichtig, auf die Datenqualit\u00e4t und die Relevanz der Daten (Stichwort: Datensparsamkeit) zu achten. Hierbei sind auch die Themen Datenschutz und Datensicherheit besonders hervorzuheben. So ist es zum Beispiel elementar die rechtlichen Aspekte bei der Erhebung der Daten vorab gekl\u00e4rt zu haben. Auch L\u00f6schkonzepte f\u00fcr nicht mehr ben\u00f6tigte Daten und Daten mit L\u00f6schfristen sind sauber zu etablieren.<\/p>\n\n\n\n
<\/span>Arten des digitalen Datenmanagements<\/span><\/h2>\n\n\n\n
Die Strukturierung des Datenmanagements steht h\u00e4ufig in Abh\u00e4ngigkeit zur Gr\u00f6\u00dfe des Unternehmens. Dabei gibt es verschiedene Bereiche und Datenmanagementans\u00e4tze. Je nach Anforderungsbereich und Zielsetzung gilt es einzelne Bereiche oder Kombinationen verschiedener oder aller Bereiche zu bedienen.<\/p>\n\n\n\n
- \n
- Stammdatenverwaltung<\/li>\n\n\n\n
- Data-Stewardship<\/li>\n\n\n\n
- Datenqualit\u00e4tsmanagement<\/li>\n\n\n\n
- Datensicherheit<\/li>\n\n\n\n
- Data-Governance<\/li>\n\n\n\n
- Big-Data-Management<\/li>\n\n\n\n
- Data-Warehousing<\/li>\n<\/ul>\n\n\n\n
Um Daten strukturiert zu managen, gibt es eine Vielzahl an Systemen, welche das Datenmanagement \u00fcbernehmen. Je nach Fachbereich und auch Anforderungsprofil eignen sich daher verschiedene Systeme. H\u00e4ufig werden diese Systeme zeitgleich eingesetzt. Dabei ist vor allem wichtig, die Medienbr\u00fcche so gering wie m\u00f6glich zu halten, um die Datennutzung \u00fcbergreifend sicherzustellen. Die Nutzung verschiedener Systeme ist h\u00e4ufig nicht zu vermeiden und sogar sinnvoll. Durch gute Schnittstellen und Datenmodelle lassen sich Risiken von Daten- und Qualit\u00e4tseinbu\u00dfen jedoch gut vermeiden. G\u00e4ngige Systeme sind beispielsweise:<\/p>\n\n\n\n
Dokumentenmanagement-Systeme<\/strong><\/a> (DMS)<\/strong>: DMS bezeichnet eine Software-L\u00f6sung, die eine automatisierte und ganzheitliche Verwaltung von Dokumenten und Informationen erm\u00f6glicht. Das DMS<\/a> l\u00e4uft datenbankgest\u00fctzt, erm\u00f6glicht eine hohe Zug\u00e4nglichkeit und sichere Archivierung von Dokumenten innerhalb einer Organisation. <\/p>\n\n\n\n
Enterprise-Resource-Planning (ERP)<\/strong>: Ein ERP-System unterst\u00fctzt alle im Unternehmen ablaufenden Gesch\u00e4ftsprozesse, vor allem diese, in denen Ressourcen behandelt werden. Dabei gibt es verschiedenste Module wie beispielsweise f\u00fcr die Beschaffung, die Produktion, den Vertrieb oder auch das Personalwesen.<\/p>\n\n\n\n
Content-Management-Systeme (CMS)<\/strong>: Bekannte Beispiele f\u00fcr CMS-Systeme sind Intranets oder Webseiten. Hier werden digitale Inhalte gemeinschaftlich erstellt, bearbeitet oder organisiert. Die Integration in Marketing Automatisierungs-Plattformen oder CRM-Systeme behandelt h\u00e4ufig auch Datenweitergabe und Formularmanagement.<\/p>\n\n\n\n
Customer-Relationship-Management (CRM)<\/strong>: Das CRM-System erfasst, wie der Name schon sagt, alle Daten rund um die Kunden eines Unternehmens. Es bietet einen vollst\u00e4ndigen \u00dcberblick \u00fcber den Kundenlebenszyklus und ist eine zentrale Anlaufstelle f\u00fcr alle Prozesse rund um die Kundenbetreuung und -gewinnung.<\/p>\n\n\n\n
Stammdatenverwaltung (Master Data Management)<\/strong>: Unter Stammdaten werden die betrieblichen Grunddaten des Unternehmens verstanden. Diese werden in einer zentralen Stammdatenverwaltung gesammelt. Das Master Data Management meint die \u00fcbergreifende Darstellung und Organisation der Kerndaten eines Unternehmens.<\/p>\n\n\n\n
<\/span>Digitales Datenmanagement: 6 Herausforderungen im \u00dcberblick<\/span><\/h2>\n\n\n\n
Der Wert von Daten ist unumstritten. Wie bereits eingangs beschrieben, muss aber die Sortierung und die Qualit\u00e4t der Daten stimmen, um hier den maximalen Output zu generieren. Datenmanager und Datenexperten sehen sich durch die stetig wachsende IT-Landschaft und die steigenden Anforderungen verschiedenen Herausforderungen gegen\u00fcber. Die sechs gr\u00f6\u00dften Herausforderungen haben sind folgend aufgef\u00fchrt:<\/p>\n\n\n\n
- \n
- Big Data<\/strong>: Die erhobenen und vorhandenen Datenmengen sind nicht selten eine Herausforderung. Die sinnvolle und strukturierte Sortierung ist sehr zeitaufwendig und birgt h\u00e4ufig auch Schwierigkeiten bei der Analyse.<\/li>\n\n\n\n
- Sicherheit<\/strong>: Datensicherheit und Datenverf\u00fcgbarkeit sind bei einer hohen Nutzung von Daten besonders wichtig. Insbesondere bei digitalem Datenmanagement sind Unternehmen abh\u00e4ngig von der Funktionsf\u00e4higkeit der Datenmanagementsysteme und dem Schutz der Daten. Sich vor Informationsdiebstahl abzusichern und notwendige Absicherungen der Daten zu treffen, ist daher unerl\u00e4sslich.<\/li>\n\n\n\n
- Rechtliche Vorgaben<\/strong>: Nicht zuletzt durch die DSGVO sind die Anforderungen an das digitale Datenmanagement enorm gestiegen. So m\u00fcssen Unternehmen neben L\u00f6schkonzepten vor allem auf die strengen Richtlinien bei der Erhebung von personenbezogenen Daten achten.<\/li>\n\n\n\n
- Ver\u00e4nderungen im Unternehmen<\/strong>: Klassischerweise geh\u00f6ren auch \u00c4nderungen im Unternehmen zu den Herausforderungen des digitalen Datenmanagements. Das k\u00f6nnen kleine Aspekte sein, wie beispielsweise die einfache \u00c4nderung von Entit\u00e4ten (Eigenschaften) und daher die notwendige Anpassung der Bestandsdaten. Aber auch gr\u00f6\u00dfere Aspekte, wie die Migration ganzer bestehender Systeme. Vor allem bei gro\u00dfen Migrationen sind neben den technischen Herausforderungen auch das Know-how der Personen und die Schulungen f\u00fcr das neue System erfolgskritisch.<\/li>\n\n\n\n
- Dezentrale Datensilos<\/strong>: Bei der Vielzahl an eingesetzten Systemen sind mittlerweile Datensilos und Medienbr\u00fcche ein kritischer Punkt f\u00fcr die Datenqualit\u00e4t. H\u00e4ufig gehen hier relevante Daten verloren oder die Gesamt\u00fcbersicht fehlt. Wenn Du hier tiefer in das Thema einsteigen m\u00f6chtest, empfehlen wir den Blogartikel \u201eDas Problem von Datensilos \u2013 und wie gutes Datenmanagement diese aufbricht<\/a>\u201c.<\/li>\n\n\n\n
- Datenqualit\u00e4t<\/strong>: Die Qualit\u00e4t der Daten muss einem gewissen Standard entsprechen, um f\u00fcr Analysen n\u00fctzlich zu sein. Besonders wichtig sind dabei die Konsistenz und Korrektheit der Daten. Zudem ist h\u00e4ufig die Aktualit\u00e4t der Daten ein Qualit\u00e4tsfaktor, der enormen Aufwand erfordert.<\/li>\n<\/ol>\n\n\n\n
\nExpertentipp <\/h3>\n\n\n\n
Achte bei dem Einsatz von Software darauf, dass die Software alle rechtlichen Anforderungen erf\u00fcllt. Dabei sind Funktionen wie L\u00f6schfristen f\u00fcr bestimmte Datentypen sowie Rollen- und Berechtigungskonzepte echte „Game Changer“ und unterst\u00fctzen bei der Erf\u00fcllung der rechtlichen Anforderungen enorm. Auch bei grundlegenden Dingen wie revisionssichere Archivierung und Versionierung kann viel Arbeitsaufwand gespart werden.<\/p>\n<\/div><\/div>\n\n\n\n
<\/span>Top 5 Vorteile vom digitalen Datenmanagement<\/span><\/h2>\n\n\n\n
Daten k\u00f6nnen f\u00fcr Unternehmen den entscheidenden Mehrwert schaffen, aber nicht nur das! Das digitale Datenmanagement bietet Unternehmen auch weitere wichtige Vorteile wie beispielsweise die Reduzierung von Betriebskosten durch neu entdeckte Potenziale. Auch die Optimierung von Unternehmensprozessen oder die Steigerung der Produktivit\u00e4t durch Software sind Vorteile von gutem digitalen Datenmanagement. Vor allem im unternehmerischen Kontext ist die Erf\u00fcllung aller rechtlichen Vorgaben von enormer Bedeutung, so bietet ein gutes digitales Datenmanagement die Grundlage f\u00fcr automatisierte Prozesse und damit einhergehend auch eine verbesserte Compliance. Abschlie\u00dfend l\u00e4sst sich festhalten, dass durch digitales Datenmanagement die Transparenz innerhalb des Unternehmens \u00fcber alle Fachbereiche hinweg gesteigert werden kann und damit auch Unternehmensprozesse optimiert werden k\u00f6nnen.<\/p>\n\n\n
- Sicherheit<\/strong>: Datensicherheit und Datenverf\u00fcgbarkeit sind bei einer hohen Nutzung von Daten besonders wichtig. Insbesondere bei digitalem Datenmanagement sind Unternehmen abh\u00e4ngig von der Funktionsf\u00e4higkeit der Datenmanagementsysteme und dem Schutz der Daten. Sich vor Informationsdiebstahl abzusichern und notwendige Absicherungen der Daten zu treffen, ist daher unerl\u00e4sslich.<\/li>\n\n\n\n
- Big Data<\/strong>: Die erhobenen und vorhandenen Datenmengen sind nicht selten eine Herausforderung. Die sinnvolle und strukturierte Sortierung ist sehr zeitaufwendig und birgt h\u00e4ufig auch Schwierigkeiten bei der Analyse.<\/li>\n\n\n\n
- Sch\u00fctzenswerte Firmendaten<\/strong>: H\u00e4ufig fallen Buchhaltungsdaten, Steuerunterlagen oder wirtschaftliche Daten in diese Kategorie. Sie sind aufgrund des wichtigen und hohen Informationsgehalts besonders sch\u00fctzenswert und haben vor allem f\u00fcr Analysezwecke und digitales Datenmanagement eine wichtige Bedeutung.<\/li>\n\n\n\n
- Semistrukturierte Daten<\/strong>: Die Struktur der Daten ist nicht offensichtlich, sondern versteckt, implizit, irregul\u00e4r oder partiell. Meistens bestehen die Datens\u00e4tze aus einem Datensatz, in dem mehrere Objekte zusammengef\u00fcgt wurden und sich nur auf Basis eines Attributs unterscheiden lassen. (Beispiel Format: Json)<\/li>\n\n\n\n
![\"Digitales](\"https:\/\/www.d-velop.de\/blog\/wp-content\/uploads\/2022\/04\/digitales-datenmanagement-vorteile.png\")
<\/a><\/figure><\/div>\n\n\n