Zu den großen Herausforderungen von Big Data und dem effizienten Umgang mit großen Datenmengen gehören neben den Voraussetzungen der Systemarchitektur auch die Automatisierung der Prozesse rund um das Datenmanagement. Eine Gartner Studie hatte schon vor einigen Jahren geschätzt, dass Automatisierung in einer Reduktion der manuellen Aufgaben des Datenmanagements um 45 % in 2022 resultieren solle.
Dennoch stellen manuelle Prozesse der Datenpflege und heterogene Systemlandschaften die Unternehmen vor große Herausforderungen und sind ein essenzieller Grund dafür, dass häufig große analytische Potenziale in Datenform vorhanden sind, diese aber nicht effizient genutzt werden können. Eine datengetriebene Entscheidungsfindung ist folglich nur schwer möglich. Um eine verbesserte und datenbasierte Entscheidungsgrundlage zu schaffen, hat CAMELOT das Master Data Automation Framework entwickelt.
Rahmen für Automatisierungspotenziale in der Datenmanagementstrategie
Das Master Data Management Automation Framework stellt einen schematischen Rahmen für die Automatiserung Ihrer Datenlandschaft dar. In einem ersten Schritt ist es wichtig, dass die Daten gewählt werden, die den größten Mehrwert für ein Unternehmen generieren können. Weitere Kriterien sind der Informationsbedarf, den die Daten erfüllen sollen, sowie deren Datenqualität. Hierzu zählen neben der Datenpflege im Unternehmen auch die Einhaltung regulatorischer Vorgaben, Datensicherung und die Verhinderung des Datenzugriffs durch Unbefugte.
Ausgehend von diesen Überlegungen sollten in Unternehmen Data Governance Prinzipien etabliert werden, die u.a. durch verschiedene Rollen und der Definition ihrer Verantwortlichkeiten den Weg zu einem datengesteuerten Unternehmen ebnen. Um sicherzustellen, dass die Datenverfügbarkeit dort gewährleistet wird, wo diese im Unternehmen benötigt werden, müssen Prozesse definiert werden. Auf diese Weise entsteht eine Data Value Chain, mit der die entsprechende Datenversorgung der notwendigen Abteilungen sichergestellt werden kann. Entlang dieser Data Value Chain spielen insbesondere die eingesetzten Technologien für die nötige Infrastruktur sowie Unterstützung der Nutzer durch intuitive User Interfaces eine wichtige Rolle.
Die meisten der oben erläuterten Dimensionen des Master Data Management Automation Frameworks werden durch den Einsatz von Technologien ermöglicht. Mögliche Automatisierungen dieser sind im Folgenden beispielhaft aufgeführt.
- PROCESS MINING kann dabei helfen, Prozesse zu identifizieren und zu verbessern. Methodisch werden hierzu das Data Mining und Process Analytics verwendet, um Mehrwerte für die Organisation zu generieren.
- Mit Hilfe des Data Assessment Tools lässt sich der Wert der vorliegenden Daten bestimmen. Insbesondere am Anfang von Projekten unterstützt das Tool die Tabellenanalyse des jeweiligen Datenspezialisten.
- Integrated Data Quality Management automatisiert die kontinuierliche Überprüfung und Wahrung der Datenqualität, um hochqualitative, datengetriebene Entscheidungen zu ermöglichen.
- Der Know-How Generator dient dazu, die Mitarbeiter in ihren neuen datenverantwortlichen Rollen zu schulen, um diesen gerecht zu werden.
- Mit Hilfe der DIGITAL TWIN TECHNOLOGIE erfolgt eine virtuelle Abbildung eines Objekts oder eines Systems über den gesamten Lebenszyklus. Durch Echtzeitdaten und Machine Learning kann so die datengetriebene Entscheidungsfindung unterstützt werden.
- Virtual Assistants sind im Zuge der Datentransformation innerhalb des Unternehmens vielseitig einsetzbar. Oft wird hiermit der 24/7 Support des Kunden in Verbindung gebracht. Mit Natural Language Processing und Machine Learning sind die Applikationen jedoch vielseitiger einsetzbar.
Phasen bei der Umsetzung von Automatisierungspotenzialen im Datenmanagement
Die Umsetzung von Automatisierungen im Datenmanagement kann in Projektphasen gegliedert werden. Angefangen bei einer strategischen Phase, welche unter anderem dem Assessment bzw. der Feststellung des Status Quos dienen sollte. Diese Phase geht in die Design-Phase über, welche der konzeptionellen Ausarbeitung dient. Als Nächstes erfolgt die Umsetzung der Lösung in der Implementierungsphase. An dieser Stelle ist es wichtig, ein Verständnis zu schaffen, dass die Projektphasen mit der Implementierung nicht beendet sind. Nach dem Go Live folgt eine Test & Trainings-Phase, welche die Fehlerfreiheit der Softwareentwicklung gewährleistet. Die Mitarbeiter werden in dieser Phase kontinuierlich in den funktionalen Aspekten geschult. In der letzten Phase, welche dem operativen Geschäftsbetrieb der umgesetzten Lösung gewidmet ist, werden einerseits Use Cases der operativen Tätigkeit umgesetzt, andererseits werden in dieser Phase weitere Automatisierungspotenziale deutlich. Hier lassen sich unter anderem Technologien wie Integrated Data Quality Management kombiniert mit Rule Mining, Data Extraction Tools sowie Virtual Assistants einsetzen. Ebenfalls sollte Intelligent Document Processing in diesem Zuge genannt werden, da die Datenerfassung in Unternehmen häufig noch manuell und ressourcenintensiv gestaltet ist.
Design Thinking als Eckpfeiler erfolgreicher Projekte
Neben diesen verschiedenen konzeptionellen Rahmen der Umsetzung von Automatisierungen im Zuge des Datenmanagements ist das methodische Vorgehen zur Lösungsfindung ebenfalls von zentraler Bedeutung. Hierzu kann unter anderem der Design Thinking Ansatz dienen. Der Design-Thinking-Ansatz dient als Werkzeug, den methodischen Fokus zunächst auf das Problemverständnis und anschließend auf die konkrete Problemlösung zu legen.
Bei CAMELOT wurden bereits mehrere Projekte mit Hilfe von Design Thinking unter dem Namen „Data & Analytics Innovation Strategy Assessment“ erfolgreich abgeschlossen. Dahinter verbirgt sich ein modulares Projekt über mehrere Wochen, welches online und in Präsenz abgehalten werden kann. Beispielhaft wurden in der chemischen Industrie die globalen Data und Analytics Fertigkeiten in unterschiedlichsten Funktionsbereichen analysiert, und in der Pharma Industrie Anwendungsfälle von Künstlicher Intelligenz und Automatisierung entwickelt. Die Design Thinking Methode lässt sich somit industrieübergreifend einsetzen.
Abschließend lässt sich festhalten: das Master Data Management Automation Framework bietet einen erfolgreichen Rahmen, um Automatisierungspotentiale über verschiedene Projektphasen mit Hilfe des Design Thinking Ansatzes umzusetzen.
Wir danken Robert Rössler für seinen wertvollen Beitrag zu diesem Artikel.
