Mit Einzug von Big Data sind auf viele Dinge zu achten, so auch eine Anpassung der Data- & Information-Governance-Strategie. Dies gestaltet sich jedoch als komplex, da keine klaren Übersichten über relevante und anzupassende Faktoren gegeben sind. Die Frage ist, wie Data Governance mit Einzug von Big Data und der Verarbeitung von semi- und unstrukturierten Daten anzupassen ist.
Datenanalysen werden heutzutage von vielen Unternehmen genutzt, um Erkenntnisse und verborgene Muster aus Daten zu gewinnen. Big Data erweitert diese Analyse durch große Datensätze, Echtzeitdaten, sowie semi- und auch unstrukturierte Daten. Big Data Technologien ermöglichen es Unternehmen dabei, diese zu erzeugen, sammeln, verwalten, analysieren und zu visualisieren und Erkenntnisse mittels Diagnosen, Vorhersagen oder anderen Methoden zur Entscheidungsfindung zu gewinnen. Doch mit Einzug neuer Technologien zur Verarbeitung und Analyse von großen und komplexen Daten entstehen auch neue Herausforderungen. Ein wichtiges Unterfangen hierbei ist die parallele Einführung eines geeigneten Big-Data-Governance-Frameworks, um bestehende oder hierfür neu zu erschaffenden Rahmenwerken an diese neuen Bedingungen anzupassen.
Diese Arbeit beschäftigt sich mit den Anforderungen und der Relevanz an Big-Data-Governance-Konzepte im Hinblick auf die Verarbeitung und Analyse semi- und unstrukturierter Daten, die im Zuge einer Einführung angepasst, erweitert und umgesetzt werden sollten, um die Datenstrategie erfolgreich an diese neuen Anforderungen und Umstände anzupassen, sodass datengestützte Geschäftsentscheidungen auch innerhalb der regulatorischen Rahmenbedingungen umgesetzt werden können.
Inhaltsverzeichnis
1 Einführung
1.1 Problemstellung
1.2 Zielsetzung
1.3 Vorgehensweise
2 Stand der Wissenschaft
2.1 Data Analytics
2.2 Big Data
2.3 Data Governance
3 Big Data Governance
4 Herausforderungen
4.1 Datenarchitektur
4.2 Datenqualität
4.3 Datenschutz & Datensicherheit
4.4 Standardisierung
4.5 Verantwortlichkeiten & Rollen
4.6 Dokumentation & Wissenstransfer
5 Zusammenfassung
6 Fazit
Zielsetzung & Themen
Diese Seminararbeit untersucht die Auswirkungen von Big Data auf Data-Governance-Konzepte und eruiert, wie bestehende Rahmenwerke angepasst werden müssen, um semi- und unstrukturierte Daten effektiv zu verarbeiten. Das primäre Ziel besteht darin, Relevanzfaktoren sowie Herausforderungen bei der Implementierung einer Big-Data-Governance-Strategie aufzuzeigen und Lösungsansätze für eine erfolgreiche datengestützte Entscheidungsfindung in Unternehmen zu liefern.
- Anpassung von Data-Governance-Strategien an Big-Data-Anforderungen
- Verarbeitung und Integration von semi- und unstrukturierten Daten
- Sicherstellung der Datenqualität und Datensicherheit in Big-Data-Umgebungen
- Definition von Rollen, Verantwortlichkeiten und standardisierten Prozessen
Auszug aus dem Buch
4.2 Datenqualität
DAMA DMBOK2 (2017) definiert Datenqualität als Planung, Implementierung und Kontrolle von Aktivitäten, um die Qualität der Daten zu verwalten und den Anforderungen der Datenkonsumenten gerecht zu werden. Das Datenqualitätsmanagement umfasst dabei Methoden zur Messung, Verbesserung und Zertifizierung der Datenqualität in einem Unternehmen. Dabei misst sich der Qualitätsanspruch anhand der geschäftlichen Anforderungen, die damit umgesetzt werden sollen.
Viele Maßnahmen zur Steigerung der Datenqualität sind nur schwer auf Big Data anwendbar. So müssen Verzögerungen beim Zugriff auf Echtzeit-Daten minimiert werden. Ebenfalls müssen unstrukturierte Daten strukturiert und qualitativ aufbereitet werden, damit diese für weitere Analysen verwendet werden können. Auch müssen dieselben Daten teilweise in unterschiedlichen Systemen redundant gespeichert werden, wodurch die Datenqualität und damit das Vertrauen in die Daten sinken kann.
Rohdaten werden oftmals in einem Data-Lake gespeichert, ohne diese mit Informationen zur Herkunft oder dem Verwendungszweck auszustatten. Damit haben die Daten nur einen geringen Wert. Diese müssen jedoch auf effiziente und flexible Weise veredelt und analysiert werden, um daraus Vorteile generieren zu können. Mit Technologien wie Hadoop HDFS, Azure Data Lake oder AWS S3 wird es möglich, so gut wie jede Art von Daten zu speichern, jedoch sollten nicht einfach alle Daten unüberlegt in einem Data-Lake gespeichert werden. Hier sollte im Vorfeld eruiert werden, welche Ziele verfolgt werden sollen und Daten daraufhin strukturiert werden. Um Probleme zu vermeiden, sollten Standardkriterien für die Definition und Abnahme der Datenqualität im Zuge von Big Data Governance implementiert werden. Das Ziel sollte sein, akkurate und konsistente Daten zu generieren, die unternehmensweit genutzt werden können.
Zusammenfassung der Kapitel
1 Einführung: Dieses Kapitel stellt die Problemstellung der Arbeit vor und definiert die Zielsetzung sowie die wissenschaftliche Vorgehensweise.
2 Stand der Wissenschaft: Hier werden die Grundlagen von Data Analytics, Big Data und dem traditionellen Data-Governance-Begriff literaturgestützt dargelegt.
3 Big Data Governance: In diesem Kapitel wird der Begriff Big Data Governance eingeführt und als notwendige Erweiterung der klassischen Information Governance dargestellt.
4 Herausforderungen: Dieses zentrale Kapitel analysiert spezifische Herausforderungen wie Datenarchitektur, Datenqualität, Sicherheit, Standardisierung, Rollenverteilung und Dokumentation im Kontext von Big Data.
5 Zusammenfassung: Dieses Kapitel fasst die wesentlichen Erkenntnisse zusammen und betont die Notwendigkeit einer Integration in die Geschäftsstrategie.
6 Fazit: Das abschließende Kapitel hebt hervor, dass die Adaption von Big Data Governance ein komplexer, iterativer Prozess ist, der für den nachhaltigen Erfolg datengetriebener Unternehmen unerlässlich ist.
Schlüsselwörter
Big Data, Data Governance, Data Architecture, Data Quality, Data Privacy, Datensicherheit, Information Governance, semi-strukturierte Daten, unstrukturierte Daten, Datenlebenszyklus, Datenstrategie, Metadatenmanagement, Unternehmensarchitektur, Compliance, Reporting
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Anpassung von Data-Governance-Konzepten an die speziellen Anforderungen, die durch die wachsende Nutzung von Big Data, einschließlich semi- und unstrukturierter Daten, in Unternehmen entstehen.
Was sind die zentralen Themenfelder der Publikation?
Die zentralen Themen umfassen die Datenarchitektur, Sicherstellung der Datenqualität, Datenschutz und -sicherheit, Standardisierung von Prozessen sowie die Definition notwendiger Rollen und Verantwortlichkeiten.
Welches primäre Ziel verfolgt der Autor?
Ziel der Arbeit ist es, Relevanzfaktoren für die Implementierung einer Big-Data-Governance-Strategie zu identifizieren, Herausforderungen aufzuzeigen und Lösungsvorschläge für die Praxis zu geben.
Welche wissenschaftliche Methode kommt zum Einsatz?
Die Arbeit basiert auf einer literaturgestützten Untersuchung des aktuellen Forschungsstands, um Anforderungen und Relevanzfaktoren zu definieren und zu strukturieren.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil analysiert detailliert sechs Herausforderungsbereiche: Datenarchitektur, Datenqualität, Datenschutz & Sicherheit, Standardisierung, Verantwortlichkeiten & Rollen sowie Dokumentation & Wissenstransfer.
Welche Schlagworte charakterisieren diese Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Big Data, Data Governance, Datenqualität, Datensicherheit sowie semi- und unstrukturierte Daten charakterisiert.
Warum reicht traditionelle Data Governance für Big Data oft nicht aus?
Herkömmliche Frameworks sind meist auf strukturierte Daten ausgelegt. Big Data erfordert jedoch den Umgang mit Echtzeitdaten und unstrukturierten Datenformaten, was eine Erweiterung der Governance-Modelle zwingend erforderlich macht.
Welche Rolle spielt ein zentrales Glossar bei der Implementierung?
Ein zentrales Glossar ist essentiell, um bei allen beteiligten Stakeholdern ein einheitliches Verständnis der Fachtermini zu schaffen und Missverständnisse in der Kommunikation zu vermeiden.
Warum wird empfohlen, mit einem Prototypen zu starten?
Die Einführung von Big Data Governance ist komplex und langfristig. Ein überschaubarer Prototyp hilft, iterativ Erfahrungen zu sammeln und das Vertrauen sowie Interesse der Beteiligten im Projektverlauf aufrechtzuerhalten.
- Citation du texte
- Simon Schilling (Auteur), 2021, Anpassung von Data Governance in Zeiten stärker wachsender Nutzung von Big Data, Munich, GRIN Verlag, https://www.grin.com/document/1138426
