Informatica - Datenpotentiale optimal nutzen


// Der führende Anbieter im Bereich Enterprise Cloud Data Management
- Anzeige -

In der nächsten Big-Data-Phase kommen AI-Techniken als Prozessbeschleuniger für Daten-Management- und -Governance zum Einsatz

"Intelligent Analytics" für schnellere, fundiertere Entscheidungen

14.05.2018
Der Schlüssel für eine erfolgreiche digitale Transformation sind aktuelle, relevante und konkret verwertbare Daten. Aber die Unternehmen sind noch zu sehr mit der Modernisierung ihrer Daten-Management- und Analyseprozesse beschäftigt, um das Potenzial von Big Data voll auszuschöpfen.

Drei Viertel (78 %) der IT-Entscheider, die sich an der 2016 Data & Analytics Umfrage der IDG beteiligten, gaben an, dass Big Data Analytics der Schüssel für ihre Zukunft ist und das Geschäftsmodell ihres Unternehmens in den kommenden drei Jahren verändern könnte. Mehr als die Hälfte der 724 befragten IT-Entscheider (53 %) implementieren derzeit Projekte zur optimierten Nutzung ihres vorhandenen Datenbestands bzw. planen den Start solcher Projekte im kommenden Jahr.

Aber das dynamische Geschäftsumfeld und der Siegeszugs des IoT (Internet of Things/Internet der Dinge) stellt die die CIOs vor ein Problem: Sie müssen immer größere Mengen und Varianten von Daten - häufig in Echtzeit - erfassen, verarbeiten und auswerten. Herkömmliche manuelle Prozesse für Vor- und Aufbereitung sowie für Sicherung und Verwaltung von Daten zu Analysezwecken sind der aktuellen Datenflut schlichtweg nicht gewachsen.

So erklärten 90 % der Teilnehmer an der IDG Studie, dass ihre Big-Data-Projekte die unterschiedlichsten Probleme verursachen, insbesondere was Datenzugriff und -analyse anbelangt. Ein weiteres großes Problem ist das Management unstrukturierter Daten - nach Angaben von 45 % der Befragten eine ihrer größten Herausforderungen.

Riskante Entscheidungen

Die Unfähigkeit der Unternehmen, Big Data entsprechend zu identifizieren, gezielt zu bereinigen und richtig zu verwalten, kann sich erfolgshemmend auswirken. Unvollständige, inkonsistente und fragmentierte Daten erschweren nicht nur die Informationsgewinnung in Echtzeit, sondern sorgen auch für riskante geschäftliche Entscheidungen und gefährden letztlich eine erfolgreiche datengestützte Transformation.

"Wissen Sie, wie viele Datenbanken Sie in Ihrem Unternehmen haben?", fragte kürzlich Graeme Thompson, SVP und CIO bei Informatica, auf der CIO Perspectives Conference in New York. "Wenn Sie nicht wissen, wo die Daten sind, dann wissen sich auch nicht, ob sie sicher sind. Sie wissen nicht, wo sie genutzt werden. Sie wissen nicht, ob Daten, die in einem Teil des Unternehmens erzeugt werden, in einem anderen Teil mit maximaler Profitabilität genutzt werden."

AI-gestütztes Daten-Management

Einflussreiche CIOs, die sich konsequent für ein datengestütztes Geschäftsmodell einsetzen, schaffen jetzt die Grundlagen für die nächste Phase von Big Data: intelligentes Daten-Management, das mithilfe von maschinellen Lernmethoden und anderen AI-Techniken die Kernprozesse für Daten-Management und -Governance beschleunigt und automatisiert.

Zu den entscheidenden Schritten auf dem Weg zu einem intelligenten Daten-Management gehören die Integration von Datenquellen und das Kuratieren der Daten. Diese Prozesse müssen wiederholbar und skalierbar sein, um ein datenbasiertes Geschäftsmodell zu unterstützen.

"Sehen Sie sich die große Zahl von verfügbaren Datenquellen an - vom Mainframe bis zum Internet der Dinge und allem, was es dazwischen noch gibt", kommentierte Anil Chakravarthy, CEO von Informatica, in einem aktuellen Interview. "Wenn Sie diese Daten ohne Rückwirkungen für die jeweiligen Quellsysteme einbinden, dann bleiben operative Prozesse davon unbeeinträchtigt und dennoch bringen Sie die Daten zum richtigen Zeitpunkt zum richtigen User - das ist das erste Problem, das [die Unternehmen] lösen müssen."

Vorausschauende CIOs nutzen neueste Technologien wie Machine Learning, um bislang manuelle, zeitaufwändige Prozesse zu automatisieren und zu optimieren. Maschinelle Lerntechniken ersetzen zwar keine Datenanalysten oder andere Experten für Daten-Management, aber die Technologie steigert ihre Produktivität erheblich, indem sie Standard-Tools "lehrt", intelligente Empfehlungen abzugeben und Daten-Managementaufgaben zu automatisieren. Das ist ein wichtiger Schritt hin zum Management von Big Data im großen Maßstab und zur schnelleren Bereitstellung datengestützter Analysen.

Wenn beispielsweise Datenkategorien wie Personen- oder Produktinformationen in verschiedenen Datenbanken sowie in unstrukturierten Dateien automatisch erkannt werden und dazu die Fähigkeit vorhanden ist, alle ähnlichen Datenobjekte zu identifizieren und zu clustern, dann können die Daten schnell am erforderlichen Ort zur Verfügung gestellt werden. So wird die Daten-Lokalisierung und -Aufbereitung an jedem Punkt im Unternehmen wesentlich vereinfacht. Gleichzeitig ermöglicht Machine Learning intelligente Datenempfehlungen und eine wesentlich schnellere Einführung von Self-Service-Angeboten im Unternehmen.

Als Teil eines Big-Data-Projekts unterstützt Machine Learning vielfach die Automatisierung von Aufgaben, die mit menschlicher Arbeitskraft nicht zu bewältigen sind, beispielsweise die Erstellung von Datenqualitätsregeln, Erkennung und Meldung von Anomalien, Bursting zur Bewältigung von Lastspitzen sowie Self-Healing-Maßnahmen.

So werden Daten zu einer vertrauenswürdigen Währung

Um diesen Aspekt von Big-Data-Analytics zu berücksichtigen, sollte eine moderne Plattform mit universellen Metdatenservices und maschineller Intelligenz arbeiten. So lassen sich manuelle Prozesse zur Bereinigung, Standardisierung, Neumodellierung und Transformation von Daten automatisieren. Metadaten sind die Ressource, um maschinelle Lern-Algorithmen mit Informationen über eine bestimmte Datenlandschaft im Unternehmen zu "füttern".

Ein System kann damit intelligente Empfehlungen abgeben, die Entwicklung von Daten-Managementprojekten automatisieren und spontane Anpassungen vornehmen. Dieser intelligence-gestützte Qualitätssicherungsansatz gewährleistet, dass steigende Datenvolumen schnell und systematisch in vertrauenswürdige Währung umgesetzt werden, die Daten-Erkennung und -Analytics in Echtzeit unterstützt und damit einen realen Mehrwert für das Unternehmen schafft.

Neben Qualitätsinitiativen müssen innovative CIOs, die sich für die Einführung datengestützter Geschäftsmodelle einsetzen, auch die Governance im Rahmen ihrer Best Practices für das Daten-Management im Auge behalten. Erfolgreiche Daten-Governance erfordert eine Vision und eine Strategie für datengestützte Initiativen mit Support vom C-Level bis hin zur Mitarbeiterbasis sowie die enge Verknüpfung mit der Unternehmensstrategie.

Unternehmen sollten einen Teamansatz für das Thema Daten-Governance wählen und einen Ausschuss bilden, der mit einem Experten-Mix aus dem IT-Bereich und den Fachabteilungen besetzt ist. Dieses Team, das immer häufiger von einem Chief Data Officer geleitet wird, sollte auch das Management von Richtlinien übernehmen, die zur Durchsetzung von Standards, Förderung der Sicherheit und Schaffung von Vertrauen in die für alle Nutzer im Unternehmen verfügbaren Daten dienen.

Big-Data-Analytics bewirkt eine Transformation im Unternehmen und AI-Techniken können genau die richtigen Impulse für Daten-Management- und Daten-Governance-Practices zur nachhaltigen Sicherung von Wettbewerbsvorteilen setzen.

Weitere Informationen dazu, wie CIOs mithilfe intelligenter Daten die digitale Transformation vorantreiben, finden Sie unter https://www.informatica.com/CIO.

Kommentare zum Artikel

comments powered by Disqus
Zur Startseite