BARC weist darauf hin, dass es einen einfachen Grund gibt, warum Datenqualität und Datenmanagement im Markt im Trend liegen: Die richtigen Entscheidungen können nur auf Daten basieren, die korrekt und aktuell sind. Man muss also darauf vertrauen können, dass die Daten korrekt sind, um gute Entscheidungen zu treffen.
Das Ziel des Stammdatenmanagements ist es, Daten, wie z. B. Kunden-, Lieferanten- oder Produktstammdaten, über mehrere Systeme hinweg zu sammeln und zu teilen.
Das könnte Sie auch interessieren: Die wichtigsten strategischen Technologietrends von Gartner für 2021.
Eine der größten Veränderungen in der heutigen Geschäftswelt ist der Wandel von der isolierten und projektorientierten Computernutzung hin zu einem breiteren datengesteuerten Geschäft. Datengetrieben bedeutet in diesem Zusammenhang, dass alle Entscheidungen und Prozesse in einem Unternehmen auf Daten basieren.
Unternehmen ändern ihre Strategie von nur wenigen ausgewählten Personen, die auf Daten und Erkenntnisse zugreifen, hin zu Daten, die im gesamten Unternehmen verteilt sind, damit jeder datengestützte Entscheidungen treffen kann.
Daten müssen Teil der Organisationsidentität werden. Die Mitarbeiter müssen ein gemeinsames Ziel haben, die Organisation und sich selbst durch die Nutzung von Daten zu verbessern und weiterzuentwickeln.
Lesen Sie auch: Interview: –Der zukünftige CFO ist datengetrieben.
Im Gegensatz zum BI- oder Analysemanagement, bei dem es um die Aufbereitung und Darstellung von Daten für betriebswirtschaftliche Systeme geht, konzentriert sich die Data Governance auf die tatsächlichen Daten in diesen Systemen.
Data Governance wird als Mechanismus für eine Datenstrategie benötigt, die sich damit befasst, wie die Geschäftsstrategie in Daten und Analysen umgesetzt wird.
Data Governance ist daher erforderlich, um eine Datenstrategie umzusetzen, und enthält Regeln und Frameworks für die Verwaltung, Überwachung und den Schutz von Daten. Dies geschieht unter Berücksichtigung von Menschen, Prozessen und Technologie.
Die Etablierung von Data Governance ist ein langfristiges Unterfangen. In erster Linie erfordert es eine klare und bewusste Managemententscheidung, wie mit Daten gearbeitet und diese genutzt werden sollen.
Bei der Datenermittlung geht es darum, Muster und/oder Diskrepanzen in Daten zu erkennen. Bei der Datenvisualisierung geht es darum, Daten den richtigen Personen zur richtigen Zeit zu präsentieren. Dieser Trend konzentriert sich daher auf die Bereitstellung von Daten.
Entwicklungen im Bereich Data Discovery und Datenvisualisierung finden vor allem in zwei Bereichen statt. Die Verbesserung der Benutzerführung und Automatisierung steht bei vielen Anbietern in dieser Branche ganz oben auf der Agenda.
Maschinelles Lernen wird in größerem Umfang eingesetzt, um Analysten zu führen und Aufgaben durch alle Schritte zu automatisieren, von der Datenaufbereitung bis zur Visualisierung. Darüber hinaus werden zunehmend Funktionen zur Data Discovery in Analyse- und BI-Plattformen eingebaut, sodass Daten einfach mit der gesamten Organisation geteilt werden können.
Zusätzliche Lektüre: Der Stand der KI im Jahr 2021.
Self Service Analytics steht schon lange auf der Wunschliste vieler Unternehmen und hat nach wie vor einen hohen Stellenwert. Benutzer möchten, dass Daten jederzeit, überall und auf jedem Gerät verfügbar sind.
Unternehmen konzentrieren sich nicht mehr nur darauf, Self-Service-Möglichkeiten anzubieten. Sie wollen auch den Datenzugang demokratisieren und gleichzeitig konsistente und qualitativ hochwertige Daten und Ergebnisse sicherstellen.
Die alte Data-Warehouse-Landschaft ist zu komplex geworden, um eine reibungslose Entwicklung zu unterstützen, und oft zu teuer. Darüber hinaus ist das Implementierungsmodell veraltet, da es nicht für die Art und Weise, wie Sie heute mit Analytics arbeiten, konzipiert und optimiert ist.
Immer mehr Unternehmen verstehen die neuen Herausforderungen und sehen das Potenzial und die Chancen, die mit modernen Data Warehouses einhergehen. Eine Innovation innerhalb der Data-Warehouse-Technologie ist die Data-Warehouse-Automatisierung. Das spart Zeit und rationalisiert die Arbeit mit ETL.
ETL steht für "extract, transform, load" und sind drei Prozesse, die zusammen Daten aus Datenbanken in ein Data Warehouse verschieben. Unternehmen beginnen nun, die großen Chancen zu erkennen, die sich aus diesen Methoden ergeben.
Lesen Sie auch: Vismas Machine Learning Assets Team macht Innovationen im NLP.
Der Begriff "flexibel" wurde in den letzten Jahren vermehrt im Zusammenhang mit Business Intelligence verwendet. Der Begriff wird oft verwendet, wenn es um die Entwicklung großer IT-Lösungen geht. Mittlerweile wird es auch häufig bei der Entwicklung von Computermodellen, Berichten, Dashboards und Visualisierungen eingesetzt.
Die meisten Menschen, die den Begriff "flexible BI" verwenden, verwenden den Begriff, um ihre Erwartung auszudrücken, dass ältere, bestehende BI-Lösungen und BI-Organisationen Änderungen in Geschäftsprozessen, die zwischen Self-Service und traditioneller Projektabwicklung balancieren, schneller unterstützen werden.
Flexible BI erfordert vom Unternehmen einen iterativen Entwicklungsansatz mit einer engen Zusammenarbeit zwischen Business und IT. Viele Unternehmen sind organisatorisch nicht darauf vorbereitet und einige Organisationsstrukturen müssen möglicherweise geändert werden.
Im Idealfall sollte die flexible BI-Entwicklung auch durch ein flexibles Projektmanagement unterstützt werden, das die Planung, die Anforderungserfassung und auch das automatische Testen iterativ verwaltet.
Alerting ist keine neue Funktion innerhalb von Analyse und BI, aber in letzter Zeit hat sich die Anwendung deutlich verändert. Benachrichtigungen zielten schon immer darauf ab, Zeit zu sparen, indem sie sicherstellen, dass die Aufmerksamkeit der Benutzer richtig fokussiert ist.
Der ältere Ansatz erforderte, dass man eine klare Definition dessen hatte, was relevant ist, und daher hat er nicht gehalten, was versprochen wurde. In jüngster Zeit wurden Warnungen verbessert, indem von vordefinierter Relevanz zu maschinell erstellten Empfehlungen auf der Grundlage von Nutzungsmustern übergegangen wurde.
Eine schnellere Datenberichterstattung und -analyse ist in vielen Unternehmen eine Herausforderung. Es besteht ein wachsender Bedarf, Daten in Echtzeit zur Verfügung zu stellen, um eine schnellere und faktenbasierte operative Entscheidungsfindung zu unterstützen.
Echtzeit-Analysen bedeuten eine nahezu sofortige Verarbeitung oder ein Streaming von Geschäftsinformationen. Sie sind dann in der Lage, Ereignisse oder andere neue Daten sofort nach ihrem Auftreten zu erfassen und sie für die Visualisierung oder Analyse bereit zu machen.
Die Möglichkeit, Ihre Daten aufzubereiten, ist eine sehr grundlegende Komponente, um mit BI gute Ergebnisse zu erzielen. Bei der Datenvorbereitung geht es um den Prozess, bei dem Benutzer Daten für die Verwendung in der Analyse bereinigen, strukturieren und anreichern. Das Ziel der Datenaufbereitung ist es, Rohdaten in wertvolle Erkenntnisse umzuwandeln, die zur Beantwortung spezifischer Geschäftsfragen verwendet werden können.
Der ständige Bedarf an Datenaufbereitung zeigt, dass sich die Aufgabe zunehmend von der IT auf die Fachanwender verlagert. Daher ist es wichtig, eine gute Zusammenarbeit zwischen den Entwicklungsressourcen in der IT und den Fachanwendern zu haben.
Benutzerfreundliche und intuitive Tools, die eine Automatisierung auf der Grundlage von maschinellem Lernen bieten, sind wichtig, um Effizienz und Qualität in die Datenaufbereitung zu bringen. Die Bedeutung von Data Governance in diesem Prozess kann nicht hoch genug eingeschätzt werden.