{"id":118740,"date":"2025-02-03T16:42:16","date_gmt":"2025-02-03T16:42:16","guid":{"rendered":"https:\/\/barc.com\/?p=118740"},"modified":"2025-02-10T11:44:31","modified_gmt":"2025-02-10T11:44:31","slug":"was-ist-data-intelligence","status":"publish","type":"post","link":"https:\/\/barc.com\/de\/was-ist-data-intelligence\/","title":{"rendered":"Effizient und smart Wert aus Daten generieren: mit Data Intelligence zu Transparenz und Vertrauen"},"content":{"rendered":"\n

Wissen zu Daten ist Macht. Nicht-Wissen f\u00fchrt h\u00e4ufig zu mangelnder Transparenz und Vertrauen in Daten. Aber nur mit Transparenz und Vertrauen kann man Data & Analytics langfristig skalieren, denn Expertenwissen, das nur bei den Experten liegt, f\u00fchrt immer wieder zu Flaschenh\u00e4lsen. Laut der aktuellen BARC-Umfrage zu Data Mesh und Data Fabric<\/a> geben 87% der Teilnehme<\/strong>r an, dass sie dringend <\/strong>oder gr\u00f6\u00dftenteils<\/strong> effektivere Methoden zur Sammlung und Dokumentation von Expertenwissen \u00fcber Daten ben\u00f6tigen. Zudem berichten 63.35% <\/strong>von erheblichen Schwierigkeiten bei der Auffindbarkeit und Wiederverwendbarkeit von Daten, was zu Unsicherheiten hinsichtlich ihrer Zuverl\u00e4ssigkeit und zur Duplizierung von Daten f\u00fchrt. <\/p>\n\n\n\n

\n

Mit \u00fcber 20 Jahren Erfahrung in mehr als 1000 Softwareauswahlprojekten ist BARC Ihr idealer Partner f\u00fcr hohe Entscheidungssicherheit bei Softwareauswahl und strategischer Umsetzung von Datenprojekten.<\/p>\n<\/blockquote>\n\n\n\n

Kurzum: Wachsende Komplexit\u00e4t in Daten und Datenlandschaften gepaart mit steigenden Anforderungen an Daten erfordern Strategien, Organisationen, Prozesse und auch Technologien, die helfen effizient und smart Wert aus Daten generieren zu k\u00f6nnen unter Einhaltung von Datenschutz und Regulatorik.<\/p>\n\n\n\n

Definition von Data Intelligence<\/h2>\n\n\n\n

\u201eData Intelligence beschreibt die Disziplin der Nutzung von gesch\u00e4ftlichen, technischen, operativen und Beziehungs-Metadaten zur automatisierten Schaffung von Transparenz in Bezug auf Profil, Klassifizierung, Qualit\u00e4t, Standort, Kontext und Herkunft von Daten und Datenprodukten. Durch intelligente und maschinengest\u00fctzte Prozesse wird es erm\u00f6glicht, Menschen, Prozessen und Technologien auf effiziente Weise vertrauensw\u00fcrdige, zuverl\u00e4ssige und wertvolle Daten und Erkenntnisse bereitzustellen und diese aktiv zu unterst\u00fctzen\u201c<\/p>\n\n\n\n

Kurzum: Data Intelligence soll helfen, Wert aus Daten zu sch\u00f6pfen und verbessert die daf\u00fcr ben\u00f6tigten Prozesse.<\/p>\n\n\n\n

Wieso wird Data Intelligence immer wichtiger?<\/h2>\n\n\n\n

Zentrale Datenarchitekturen sind in der Kritik mit den Anforderungen nicht skalieren zu k\u00f6nnen, dezentrale Datenarchitekturen und F\u00f6deration hingegen sind aktuell en vogue. Organisationen, die auf die Herausforderungen der zentralisierten Datenverarbeitung reagieren, haben sich dem Self-Service-Ansatz f\u00fcr Analysen zugewandt, jedoch ohne die erwarteten Ergebnisse zu erzielen, wie in der BI & Analytics Survey von BARC festgestellt wurde. <\/p>\n\n\n\n

Ein neuer Ansatz betont „Product Thinking“ f\u00fcr Data Assets, indem er sich auf die Schaffung von wertvollen, benutzerfreundlichen und kosteneffizienten Datenprodukten konzentriert, um den Wert von Daten und Analysen zu steigern. Das in letzter Zeit f\u00fcr viele interessant gewordene Konzept „Data Mesh<\/a>“ denkt hingegen die organisatorischen Strukturen neu und ben\u00f6tigt Data Intelligence, um Dezentralisierung der Ownership, Federated Computional Governance oder Self-Service Plattformen zu erm\u00f6glichen und dabei gleichzeitig die \u00dcbersicht zu gew\u00e4hrleisten. \u2018Data Fabric\u2019 addressiert als unterst\u00fctzender technischer Ansatz Skalierbarkeitsprobleme, f\u00f6rdert dezentrale Datenverwaltung und integriert Daten-Silos \u00fcber Plattformen hinweg, wodurch er sich von traditionellen zentralisierten Ans\u00e4tzen unterscheidet.<\/p>\n\n\n\n

\n

\u201eDen Dreiklang aus Data Mesh, Data Fabric und Data Intelligence nehmen wir bei BARC als formbildende Ans\u00e4tze f\u00fcr moderne Data & Analytics Landschaften und Wegbereiter f\u00fcr AI wahr.\u201c<\/p>\n<\/blockquote>\n\n\n\n

Um die verteilte und heterogene Datenlandschaft effektiv zu navigieren, ben\u00f6tigen Organisationen Zugang zu Wissen \u00fcber ihre Daten. Die Herausforderung f\u00fcr Datenkonsumenten besteht darin, relevante Daten zu finden, zu verstehen, zu vertrauen und zu nutzen, oft behindert durch mangelnde Dokumentation und explizites Wissen. Hier kommt Data Intelligence ins Spiel: Daten werden besser organisiert, zug\u00e4nglich gemacht und gesch\u00fctzt. Das bedeutet, dass Informationen \u00fcber die Daten (die sogenannten Metadaten) mithilfe von Data Intelligence Werkzeugen (Data Catalogs, Data Intelligence Plattformen) zentral gesammelt und analysiert werden, und Wissen zu Daten und deren Abh\u00e4ngigkeiten verf\u00fcgbar gemacht und daraus neues Wissen abgeleitet werden kann, bspw. in Form der Entdeckung von Relationen, Mustern in Daten etc..<\/p>\n\n\n\n

Durch den Einsatz von Analytics auf Basis von Metadaten unterst\u00fctzt Data Intelligence dabei, Wissen zu schaffen, das vorher nicht offensichtlich war. So k\u00f6nnen Unternehmen beispielsweise herausfinden, welche Daten besonders wichtig sind, wo es vielleicht L\u00fccken gibt oder wie sie ihre Prozesse effizienter gestalten k\u00f6nnen, ohne dass daf\u00fcr st\u00e4ndig mehr Mitarbeiter gebraucht werden.<\/p>\n\n\n\n

\"Funktionsumfang
Abbildung 1: Funktionsumfang moderner Data-Intelligence-Plattformen<\/em><\/figcaption><\/figure>\n\n\n\n

Data Intelligence ist eine Querschnittsfunktion <\/h2>\n\n\n\n

Data Intelligence ber\u00fchrt alle Prozesse rund um Daten, sie bildet die Grundlage f\u00fcr eine effektive Datennutzung und Entscheidungsfindung in modernen Unternehmen. Es ist demnach nicht verwunderlich, dass das Softwareangebot rund um Data Intelligence auf den ersten Blick sehr un\u00fcbersichtlich erscheint (siehe Abb. 1), denn es gibt nicht nur dedizierte Data Intelligence Plattformen, sondern auch Produkte, die aus ihrem traditionell spezialisierten Segment heraus Data Intelligence unterst\u00fctzen und sich weiter in diese Richtung entwickeln und positionieren. Wir pr\u00e4sentieren hier eine kurze \u00dcbersicht der Segmente im Kontext Data Intelligence. Einzelheiten zu den jeweiligen Produkten finden Sie in den BARC Reviews<\/a>.<\/p>\n\n\n\n

Datenintegration und ETL:<\/h3>\n\n\n\n

Datenwertsch\u00f6pfung beginnt bei der Integration und Bereinigung<\/a> von Daten aus verschiedenen Quellen, um eine konsolidierte und qualitativ hochwertige Datenbasis zu schaffen, die f\u00fcr weitere Analysen verwendet werden kann.<\/p>\n\n\n\n

Werkzeuge f\u00fcr Data Intelligence helfen f\u00fcr die Datenintegration Datenherkunft und Beschaffenheit zu verstehen sowie Abh\u00e4ngigkeiten zwischen Daten, Regeln, Zust\u00e4ndigkeiten u.w. zu verstehen. Eine Data Lineage<\/a> bspw. bildet Informationen dar\u00fcber ab, welche Daten wie integriert, aggregiert und transformiert werden.<\/p>\n\n\n\n

Data Warehousing und Big Data Plattformen: <\/h3>\n\n\n\n

Diese Plattformen <\/a>speichern die integrierten Daten und erm\u00f6glichen deren schnelle und skalierbare Verarbeitung. Sie sind das R\u00fcckgrat f\u00fcr die Speicherung gro\u00dfer Datenmengen. Data Intelligence kann hier dabei helfen, den \u00dcberblick zu bewahren. (z.B.\u201eWo liegen meine Daten?\u201c, \u201eWo und wie werden meine Daten genutzt?\u201c)<\/p>\n\n\n\n

Datenqualit\u00e4t und -Governance:<\/h3>\n\n\n\n

Hohe Datenqualit\u00e4t <\/a>und effektive Governance <\/a>sind unerl\u00e4sslich, um sicherzustellen, dass die Analysen auf vertrauensw\u00fcrdigen und genauen Daten basieren. Dies gew\u00e4hrleistet die Einhaltung gesetzlicher Vorschriften und interner Richtlinien. Data Intelligence unterst\u00fctzt aktiv Governance-Prozesse mit Workflows, Informationen zur Datenqualit\u00e4t oder hilft bei der Zuweisung von Policies (bspw. f\u00fcr den Datenzugriff, zum Datenschutz) zu den Datenobjekten.<\/p>\n\n\n\n

Business Intelligence (BI) und Datenvisualisierung:<\/h3>\n\n\n\n

BI- und Visualisierungstools nutzen die integrierten und gespeicherten Daten, um verst\u00e4ndliche und zug\u00e4ngliche Berichte und Dashboards<\/a> zu erstellen, die datengetriebene Entscheidungen unterst\u00fctzen. \u201eDoch welche Berichte gibt es bereits, wie sind die Kennzahlen berechnet worden, wer konsumiert die Berichte\u201c. Auf diese Fragen liefert Data Intelligence eine Antwort.<\/p>\n\n\n\n

Advanced Analytics und Machine Learning:<\/h3>\n\n\n\n

Diese fortgeschrittenen Analysen<\/a> und maschinellen Lernmodelle<\/a> extrahieren tiefergehende Erkenntnisse aus den Daten, prognostizieren Trends und erm\u00f6glichen proaktive Gesch\u00e4ftsentscheidungen. Data Intelligence kann helfen Data Scientisten Dateninputs und Modell-Outputs besser zu verstehen und so BIAS und falschen Schl\u00fcssen in Modellen vorzubeugen. Dar\u00fcber hinaus hilft die Inventarisierung der Datenlandschaft dabei wertvolle Datent\u00f6pfe zu entdecken f\u00fcr m\u00f6gliche gewinnbringende Modelle.<\/p>\n\n\n\n

Datenkataloge und Metadaten-Management:<\/h3>\n\n\n\n

Datenkataloge <\/a>organisieren und verwalten Metadaten, was die Auffindbarkeit und Nutzbarkeit von Daten erleichtert. Dies f\u00f6rdert die Transparenz und das Vertrauen in die Daten. Datenkataloge bilden die Schnittstelle zum Endanwender und sind somit ein zentrales Werkzeug von Data Intelligence-Strategien.<\/p>\n\n\n\n

Data Preparation und Self-Service Data Analytics:<\/h3>\n\n\n\n

Tools zur Datenvorbereitung<\/a> und Self-Service-Analysen<\/a> bef\u00e4higen Gesch\u00e4ftsanwender, Daten selbstst\u00e4ndig zu bereinigen und zu analysieren, wodurch die Agilit\u00e4t und Effizienz der Datenanalyseprozesse erh\u00f6ht wird.<\/p>\n\n\n\n

Data Intelligence vereinfacht den Self-Service und die Auffindbarkeit von Daten (und relevanten Ansprechpartnern z.B. Data Owner).<\/p>\n\n\n\n

Durch diese F\u00fclle an Ankn\u00fcpfungspunkten in alle Segmente versetzt Data Intelligence Unternehmen in die Lage, ihre Datenlandschaften und -prozesse als koh\u00e4rentes Ganzes zu sehen und aus ihren Daten maximale Werte zu sch\u00f6pfen. Die Integration aller Segmente ist entscheidend, um eine durchg\u00e4ngige, zuverl\u00e4ssige und nutzbare Datenpipeline zu schaffen, die von der Datensammlung bis zur Entscheidungsfindung reicht.<\/p>\n\n\n\n

\"Marktsegmente
Abbildung 2: Marktsegmente f\u00fcr Datenkataloge und Data Intelligence-Plattformen<\/em> <\/figcaption><\/figure>\n\n\n\n

Daten-Herausforderungen, die Data Intelligence l\u00f6sen soll<\/h2>\n\n\n\n

Im gleichen Ma\u00dfe, wie Data Intelligence alle Bereiche einer Datenlandschaft ber\u00fchrt, sieht sie sich auch den Herausforderungen dieser Bereiche gegen\u00fcber \u2013 ja ist sogar die bewusst formulierte Antwort auf einige der gr\u00f6\u00dften Herausforderungen, die uns im Feld Data & Analytics seit Jahrzehnten begleiten. Diese sind vielf\u00e4ltig und betreffen sowohl technologische als auch organisatorische Aspekte:<\/p>\n\n\n\n

Datenqualit\u00e4t und -integration:<\/h3>\n\n\n\n

Heterogene Datenquellen: <\/strong>Unternehmen m\u00fcssen Daten aus verschiedenen Quellen und Formaten integrieren, was oft zu Inkonsistenzen und Datenqualit\u00e4tsproblemen f\u00fchrt.<\/p>\n\n\n\n

Datenbereinigung:<\/strong> Die Bereinigung von Daten, um sicherzustellen, dass sie genau und konsistent sind, ist zeitaufwendig und erfordert spezialisierte Tools und Kenntnisse.<\/p>\n\n\n\n

Data Intelligence hilft, diesen Problemen entgegenzuwirken, indem Metadaten zur Verortung und Einordnung herangezogen werden, um Transparenz und Nachvollziehbarkeit zu verbessern. Gerade der Zugriff auf (detaillierte) Metadaten ist eine Herausforderung, bei der Data Intelligence Plattformen helfen k\u00f6nnen.<\/p>\n\n\n\n

Datensicherheit und Datenschutz – Datenverwaltung und -Governance:<\/h3>\n\n\n\n

Compliance:<\/strong> Einhaltung von Datenschutzbestimmungen wie der DSGVO (GDPR) ist essenziell und stellt eine gro\u00dfe Herausforderung dar, insbesondere bei global operierenden Unternehmen.<\/p>\n\n\n\n

Sicherheitsbedrohungen: <\/strong>Schutz vor Cyberangriffen und unbefugtem Datenzugriff erfordert kontinuierliche \u00dcberwachung und fortschrittliche Sicherheitsma\u00dfnahmen.<\/p>\n\n\n\n

Datenhoheit:<\/strong> Klare Regeln und Verantwortlichkeiten f\u00fcr die Datennutzung und -verwaltung sind notwendig, um Daten effizient und rechtssicher zu nutzen.<\/p>\n\n\n\n

Metadatenmanagement:<\/strong> Ein effektives Metadatenmanagement hilft dabei, den \u00dcberblick \u00fcber die vorhandenen Datenbest\u00e4nde und deren Nutzung zu behalten.<\/p>\n\n\n\n

Data Intelligence unterst\u00fctzt Unternehmen bei der Einhaltung von Datenschutzbestimmungen wie der DSGVO, indem es durch die Verwaltung von Metadaten personenbezogene Daten identifiziert und transparent macht. Oft werden Data Intelligence Plattformen deshalb sogar als Data Governance Suites bezeichnet.<\/p>\n\n\n\n

Skalierbarkeit und Leistung:<\/h3>\n\n\n\n

Big Data:<\/strong> Die Verarbeitung und Analyse gro\u00dfer Datenmengen erfordert leistungsstarke und skalierbare, gut vernetzte Infrastrukturen.<\/p>\n\n\n\n

Echtzeitanalysen:<\/strong> Die F\u00e4higkeit, Daten in Echtzeit zu verarbeiten und zu analysieren, ist f\u00fcr viele Anwendungen, insbesondere im Bereich IoT und Finanzdienstleistungen, entscheidend.<\/p>\n\n\n\n

Data Intelligence unterst\u00fctzt dabei, durch Metadatenmanagement, Data Cataloging, Data Observability die Verarbeitung gro\u00dfer Datenmengen sowie Echtzeitanalysen zuverl\u00e4ssig und skalierbar zu gew\u00e4hrleisten.<\/p>\n\n\n\n

K\u00fcnstliche Intelligenz und maschinelles Lernen:<\/h3>\n\n\n\n

Modelltraining:<\/strong> Das Training von Modellen f\u00fcr maschinelles Lernen erfordert gro\u00dfe Mengen an Daten und erhebliche Rechenressourcen.<\/p>\n\n\n\n

Modellinterpretierbarkeit:<\/strong> Die Erkl\u00e4rbarkeit und Transparenz von KI-Modellen sind wichtig, um Vertrauen bei den Nutzern aufzubauen und regulatorische Anforderungen zu erf\u00fcllen.<\/p>\n\n\n\n

Data Intelligence hilft dabei Governance im Zuge des Einsatzes von KI zu etablieren, denn sie macht den Lifecycle der Daten sichtbar und somit auch kontrollierbar. Die ist besonders wichtig, da im Bereich K\u00fcnstliche Intelligenz<\/a> momentan ein hohes Entwicklungstempo vorherrscht, gleichzeitig jedoch auch die entsprechende Regulatorik starkem Wandel ausgesetzt sein kann.<\/p>\n\n\n\n

Der KI Hype f\u00fchrt zu mehr und mehr Anwendungen und die bisher rein technische Dokumentation gen\u00fcgt den Anforderungen nicht. Die Regulatorik (s. EU AI Act<\/a>) fordert eine ausf\u00fchrliche Dokumentation u.a. der Quelldaten, aber auch des Modells, was umfangreiche Data Lineage Analysen beinhaltet und auch Ma\u00dfnahmen zur Vermeidung von potenziellen Biases in Daten etc. Darauf stellen sich die Data Intelligence Plattformen nun ein.<\/p>\n\n\n\n

Business User Enablement:<\/h3>\n\n\n\n

Daten generieren Mehrwert, indem sie bei fachlichen Entscheidungen helfen, entweder in Form von Erkenntnissen und Analysen oder aber vollkommen automatisiert. Das betrifft sowohl die Entscheidungsunterst\u00fctzung als auch die Automatisierung von wiederkehrenden Prozessen und endet in einem sp\u00fcrbaren Mehrwert f\u00fcr ein Unternehmen.<\/p>\n\n\n\n

Fachanwender in den Fachbereichen sind die wahren Nutzer von Data Intelligence Vorteilen. Die Unterst\u00fctzung durch Data Intelligence hilft ihnen effizienter und sicherer mit Daten zu arbeiten und zielgerichteter Nutzen daraus zu ziehen. Dar\u00fcber hinaus schafft Data Intelligence erst eine Schnittstelle, die Daten einer Vielzahl an Nutzern und Nutzertypen \u00fcberhaupt zug\u00e4nglich macht, durch einfache Unterst\u00fctzung bei der Suche nach Daten, Verstehen von Daten und Zugriff auf Daten.<\/p>\n\n\n\n

Aktuelle Herausforderungen bei der Umsetzung von Data Intelligence<\/h2>\n\n\n\n

Akzeptanz & Enablement<\/h3>\n\n\n\n

Es ist einfach sich einen Datenkatalog zuzulegen und technisch zu betreiben. Es ist aber eine gro\u00dfe Herausforderung, das Projekt zu einem Erfolg zu bringen. Metadatenmangement bedeutet immer noch einen gro\u00dfen personellen Aufwand und vor allem die Einbeziehung fachlicher Anwender. Beispielsweise braucht man Data Owner<\/a> und Data Stewards<\/a>, die ihre Rollen leben und aktiv dazu beitragen, dass die Beschreibungen und weitere Metadaten immer aktuell und vor allem relevant sind.<\/p>\n\n\n\n

Organisatorischer Wandel<\/h3>\n\n\n\n

Eine datengetriebene Kultur versucht jeden in die Lage zu versetzen, datengetrieben zu arbeiten und zu entscheiden, nicht nur Analysten und Top Manager. Daf\u00fcr m\u00fcssen Daten auffindbar gemacht werden und Data Intelligence hilft dabei. Gleichzeitig ist das eine gro\u00dfe Herausforderungen an Datenkataloge, da diese historisch oft technisch gepr\u00e4gt sind und sich neuen Anforderungen stellen m\u00fcssen. Diese Transformation ist bei vielen Datenkatalogen allerdings bereits sehr weit fortgeschritten.<\/p>\n\n\n\n

Generative KI<\/h3>\n\n\n\n

Generative KI<\/a> arbeitet oft mit unstrukturierten Daten. Bisher arbeiten Data Intelligence Plattformen haupts\u00e4chlich mit Metadaten zu strukturierten Daten. Damit Unternehmen im Zeitalter von Gen AI nicht abgeh\u00e4ngt werden und eine \u00dcbersicht \u00fcber ihre Daten haben, muss diese Art von Daten nun auch ber\u00fccksichtigt werden. Gleichzeitig ist vieles noch unklar, z.B.: Wie misst man die Datenqualit\u00e4t von unstrukturierten Daten?<\/p>\n\n\n\n

Diese Herausforderungen erfordern eine ganzheitliche Herangehensweise, die sowohl technologische L\u00f6sungen als auch organisatorische Ma\u00dfnahmen umfasst. Unternehmen, die diese Herausforderungen erfolgreich meistern, k\u00f6nnen erhebliche Wettbewerbsvorteile durch den effektiven Einsatz von Daten und Analysen erzielen. Wir stehen Ihnen gerne als unabh\u00e4ngiger Partner zur Seite.<\/a><\/p>\n\n\n\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Klicken Sie auf den unteren Button, um den Inhalt von Spotify zu laden.<\/p>

Inhalt laden<\/a><\/p> <\/div> <\/div>