Bei der Digitalisierung sollten Unternehmen die Auswirkungen von digitalisierungsbezogenen Datentrends und die sich daraus ergebenden Chancen nicht vernachlässigen. Die Kombination der großen Themenfelder Stammdatenmanagement (MDM) und Big Data Analytics ist besonders spannend.

Einige der identifizierten Anwendungsfälle haben wir hier bereits vorgestellt. Bevor wir jedoch die mögliche Verbindung von MDM und Analytics beleuchten können, müssen wir zunächst jeden Bereich für sich genommen sowie die jeweiligen zugrundeliegenden Technologien besser verstehen.

Stammdatenmanagement und Big Data Analytics

Einfach ausgedrückt handelt es sich bei Stammdaten um relativ konstante Informationen, die von Geschäftsprozessen entlang der Wertschöpfungsketten zur Prozessdurchführung und für das Reporting benötigt werden. Unternehmen umgeben ihre Stammdaten üblicherweise mit einem Governance-Framework. Unterstützt wird die Stammdatenpflege durch einen Governance Tool basierten Datenpflegeprozesse zur einheitlichen und durchgängigen Sammlung und Speicherung von Stammdaten.

Ziel ist die Bereitstellung der Daten in zuverlässiger Qualität für alle relevanten Stakeholder im Unternehmen. In der Vergangenheit haben Unternehmen bereits auf vielfältige Weise von Enterprise Data und Stammdaten Management (MDM) profitiert, so zum Beispiel durch operative Effizienzsteigerungen, bessere Entscheidungsfindung und der Einhaltung strenger gesetzlicher Vorgaben. Obwohl einige Unternehmen bereits konsequent ihre MDM-Strategie umgesetzt haben machen die aktuellen Marktentwicklungen die Einführungen leistungsstärkerer MDM-Lösungen meist unumgänglich. Diese umfassen unter anderem Lösungen zur Verwaltung unterschiedlicher MDM-Bereiche, MDM mit Cloud-Lösungen, mobile MDM-Anwendungen, sowie Lösungen zur Erreichung möglicher Synergieeffekte zwischen MDM und Big Data Analytics.

Im Gegensatz zu Stammdaten handelt es sich bei Big Data um große Mengen von strukturierten, semi-strukturierten und unstrukturierten Daten, die aus verschiedensten internen und externen Quellen wie sozialen Medien, E-Commerce, Vorgangsdaten, Sensorprotokollen usw. gewonnen werden. Bisher haben Unternehmen unterschiedliche Use-Cases verfolgt, um von Big Data Analytics zu profitieren, so zum Beispiel durch Echtzeitanpassung von E-Commerce-Websites, Senkung von Maschinenwartungskosten, Personalisierung von Kundenangeboten, Entwicklung von interaktiven Visualisierungen und der Umsetzung von Projekten für intelligente Städte.

Integration ja oder nein?

Es wird jedoch immer wieder die Frage gestellt, ob es überhaupt einen Zusammenhang oder eine bidirektionale Verbindung zwischen beiden Bereichen gibt. Hier gibt es durchaus widersprüchliche Meinungen und es herrscht Skepsis, inwieweit sich MDM mit Big Data Analytics integrieren lässt. Während einige Experten argumentieren, dass MDM in Zukunft seine Relevanz einbüßen wird, weil Big Data Analytics alle Herausforderungen meistern kann, die heute noch mit MDM angegangen werden, betonen andere wiederum, dass Big Data Analytics im Zusammenhang mit MDM keine Rolle spielt.

Aufbauend auf unserer umfassenden Beratungskompetenz in allen Themen rund um das Enterprise Information Management (EIM) kommen wir zu dem Schluss, dass es durchaus nützliche Überschneidungen zwischen beiden Technologiefeldern gibt, die die jeweils andere Seite noch leistungsstärker machen können (sehen Sie hierzu auch Abbildung 1). Unternehmen können das Potenzial von Big Data Analytics voll ausschöpfen, wenn es in Ergänzung zu MDM genutzt wird und umgekehrt.

Es gibt eine Vielzahl von Anwendungsbeispielen für das gewinnbringende Wechselspiel zwischen MDM und Big Data Analytics. Hier zwei prominente Beispiele:

Datenvollständigkeit: Bei der Analyse von Big Data werden Daten aus verschiedenen Quellen wie dem Internet der Dinge kombiniert; durch die Kombination dieser Daten mit internen Stammdaten lässt sich die Rundumsicht auf den Kunden noch erweitern und vertiefen. Die Visualisierung dieser Daten trägt zudem zu besseren Entscheidungsprozessen bei.

Struktur und Vertrauenswürdigkeit: MDM bringt Struktur in die riesigen, unstrukturierten Datenmengen von Big Data und ermöglicht Governance-Ansätze für diese Daten. MDM kann als Ausgangspunkt und strukturelle Basis für Big Data dienen, so zum Beispiel in den Bereichen Kundenmeinung, Kundenwille, Produktwahrnehmung usw. Allein MDM ist in der Lage, die vertrauenswürdigen Daten zu liefern, die Unternehmen benötigen, um den vollen Mehrwert von Big Data auszuschöpfen. Ein möglicher Anwendungsfall ist das schnelle Aufdecken von Betrugsversuchen sowohl innerhalb als auch außerhalb des Unternehmens.

Kurz gesagt sollten Unternehmen, die auch weiterhin wettbewerbsfähig bleiben möchten, die Chancen, die sich aus der Kombination von Big Data Analytics und MDM ergeben, nicht ungenutzt lassen. Praktisch jeder Bereich eines Unternehmens kann von einer optimierten Datennutzung profitieren: Egal, ob es darum geht, wirksamere Strategieentscheidungen zu treffen, Prozesse effizienter zu gestalten oder neue Geschäftsmodelle aufzuspüren. Unternehmen haben viel Zeit und Geld investiert, um den richtigen Umgang mit Datentrends zu finden. In der Vergangenheit ist jedoch viel Glaubwürdigkeit verloren gegangen, als teure Investitionen in Analysesysteme nicht die erhofften Ergebnisse liefern konnten. Mit neuen digitalisierungsbezogenen Datentrends werden mitunter viel zu hohe Erwartungen geweckt und Unternehmen sollten unbedingt den aktuellen Stand ihrer Prozesse, Technologien und Governance sowie mögliche Verbesserungspotenziale bewerten, bevor sie Investitionen tätigen.

Kommentare

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht.

Empfohlene Artikel

Innovation

WebSockets – die Rettung bei asynchronen Ereignissen

Immer wenn in Unternehmen asynchrone Ereignisse auftreten, wie zum Beispiel das Einscannen von Strichcodes in der Fertigung, löst dies zahlreiche …

weiterlesen
Data & Analytics

„End-of-Data“ im Information Lifecycle Management (ILM)

Früher war eine umfassende Datenmanagementstrategie, die auf eine Senkung der Gesamtbetriebskosten (Total Cost of Ownership, TCO) und die Kontrolle des …

weiterlesen
Innovation

KI verbessert die saisonale Prognose

Potenziale der saisonalen Prognose mit KI stärken Der erste Einsatz der Lösung reduzierte den Sicherheitsbestand für 10 saisonale Produkte …

weiterlesen