Kommentar von Stephan Schnieber, IBM Gute Data Governance ist von zentraler Bedeutung für den Unternehmenserfolg

Anbieter zum Thema

IBM Deutschland GmbH

Fujitsu Technology Solutions GmbH

QUNIS GmbH

Fivetran Germany GmbH

Man kann es sich heute kaum noch vorstellen, aber früher waren Unternehmens-CIOs eine zweitrangige Figur im Vorstand eines Unternehmens. Verantwortlich für den reibungslosen Ablauf der IT, aber sonst eher wenig im Fokus. Wie sich die Zeiten nun geändert haben. Heute sind CIOs von zentraler Bedeutung für den Erfolg eines Unternehmens und sorgen für ertragssteigernde Innovationen im gesamten Unternehmen.

Es mag überraschend sein, heute wir sind dabei, einen ähnlichen Wandel in der Art und Weise zu erleben, wie Unternehmen an das Thema Data Governance herangehen. Da vertrauenswürdige Daten immer wichtiger werden, um mit neuen Technologien das Beste aus den Daten herauszuholen, hängt der eigene Wettbewerbsvorteil entscheidend von der Qualität der Daten ab und dem Vertrauen, dass man den Daten und den daraus generierten Ergebnissen entgegenbringt.

Ein Perspektivwechsel

Wir erleben derzeit einen Wandel in der Einstellung zu Daten. Früher ging es bei Data Governance um den Schutz, die Vermeidung von Datenverlusten und die Einhaltung von Vorschriften. Da Unternehmen jedoch mehr Daten als je zuvor generieren, müssen sie zunehmend die Zugriffsmöglichkeiten verbessern und mehr Wert aus diesen Daten schöpfen.

Das ist leichter gesagt als getan. Die Datenschutzbestimmungen werden immer strikter. In Europa wurden mit der EU-Datenschutzgrundverordnung (GDPR) berechtigte, strenge neue Regeln eingeführt, die bei Nichteinhaltung der Verpflichtungen erhebliche Strafen vorsehen. Gleichzeitig hat die zunehmende Digitalisierung die Komplexität des IT-Betriebs erhöht.

Das Internet der Dinge (IoT) hat dazu geführt, dass sich analoge Infrastrukturen zu Netzwerken von datenerzeugenden Assets entwickelt haben. Die COVID-19-Krise hat die Migration in die Cloud beschleunigt und das Remote-Working zur Normalität gemacht. Organisationen sind nun zunehmend heterogen und selbst für die einfachsten Aufgaben auf digitale Technologien angewiesen.

Geteiltes Leid ist volles Leid!

Jenseits von Technologie und Vorschriften ist die größte Herausforderung für Unternehmen der Betrieb.

Die Verantwortung für die Governance hat sich in den Unternehmen aufgeteilt: Auf der Führungsebene war dies einst die alleinige Domäne des CDOs. Jetzt wird sie mit dem CSO, dem CRO, dem CGO und sogar mit einzelnen Geschäftsbereichsleitern geteilt.

Es ist nicht überraschend, dass dies auch negative Auswirkungen hat. Die Koordinierung dieser Gruppe ist schwierig, so dass Dateninitiativen oft in Silos stattfinden. Dies führt zu fragmentierten Datenbeständen, verhindert eine ganzheitliche Governance und schwächt die Compliance- und Sicherheitslage.

Noch besorgniserregender ist, dass diese Fragmentierung die übergreifende Geschäftsstrategie untergräbt, indem sie die Chance zunichte macht, aus Daten Wettbewerbsvorteile zu erzielen.

Die Fähigkeit, Daten effizient zu sammeln, zu analysieren und daraus verwertbare Erkenntnisse abzuleiten, ist zum Beispiel für die Identifizierung von Ineffizienzen und Chancen in Unternehmen von zentraler Bedeutung. Data Science Tools und KI-Ansätze sind auf zuverlässige Daten angewiesen. Ohne sie können wir den Ergebnissen, die sie erzeugen, nicht vertrauen.

Die Weltwirtschaft wird bis 2030 durch den Einsatz von KI um 15 Billionen US-Dollar wachsen (PwC Global Artificial Intelligence Study). Die Optimierung der Informationsarchitektur für KI sollte daher eine strategische Priorität sein. So wie jedes Unternehmen heute eine Website benötigt, wird es bald unmöglich werden, sich Organisationen vorzustellen, die Data Science nicht in irgendeiner Form nutzen.

Die Leiter zur KI

Laut der aktuellen IBM-Studie zur weltweiten Akzeptanz von KI gibt mehr als eines von drei Unternehmen Schwierigkeiten auf dem Weg zur KI an. Die Optimierung der Datenarchitektur ist ein vierstufiger Prozess, den wir als die KI-Leiter bezeichnen:

• 1. Daten sammeln: Daten lokalisieren, speichern, Verfügbarkeit sicherstellen

• 2. Daten organisieren: Katalogisieren und bereinigen der Daten, um Genauigkeit und Konformität sicherzustellen. Richtlinien für die Verwendung festlegen

• 3. Daten analysieren: Erstellen und Bereitstellen von KI-Modellen. Überwachung der Leistungsfähigkeit im Laufe der Zeit, inkl. automatisierter Aktualisierung im Bedarfsfall

• 4. KI im gesamten Unternehmen einführen: Nutzen Sie KI, um Routineaufgaben zu automatisieren, Prozesse zu optimieren und Erkenntnisse zu gewinnen.

Viele Unternehmen sammeln zwar Daten, aber viele wissen nicht, welche Daten sie haben, wo sie sind, wer sie nutzt bzw. zu welchem Zweck.

Der unüberlegte Einsatz von KI kann kostspielig sein. Oft treten ähnliche Probleme auf – Data Governance Teams, die sich ausschließlich auf Compliance und Sicherheit konzentrieren, Geschäftsbereiche, die Data Scientists einstellen, um Anwendungen auf der Basis von siloartigen Daten zu entwickeln, minimale Zusammenarbeit zwischen den Stakeholdern.

Was passiert dann? Es überrascht nicht, dass die Ergebnisse schlecht sind. Es wird zu viel Zeit mit der Suche nach Daten verbracht. Datenmodelle verstoßen gegen die Governance. Oder die Daten lassen sich nicht so skalieren, dass sie nützliche Erkenntnisse liefern. Die Ergebnisse von KI können durch Verzerrungen in den Daten höchst problematisch sein. Letztendlich wird wenig Wert geliefert.

Optimierung der IT für bessere Erkenntnisse

Oft werden Bemühungen, die KI-Leiter zu erklimmen, durch eine IT erschwert, die versucht einzelne Schritte zu überspringen.

Wenn Unternehmen in die Cloud migrieren, ist es wichtig, dass sie Plattformen verwenden, die auf einer Open-Source- und Hybrid-Cloud-Basis aufbauen. Dies stellt sicher, dass Daten nicht in proprietären Ökosystemen gefangen sind und ermöglicht den Zugriff auf sie in jeder Umgebung, ob vor Ort, in einer öffentlichen oder privaten Cloud, in einem Rechenzentrum oder am Edge.

Auch die Wahl des Technologiepartners ist wichtig. Die Modernisierung der Geschäftsprozesse, der Informationsarchitektur und der Technologiestrategie wird unweigerlich ein gewisses Maß an Umwälzungen mit sich bringen. Für viele ist auch ein Kulturwandel erforderlich. Ein Partner mit Unternehmensexpertise und einem Verständnis für die spezifischen Herausforderungen der Branche ist unerlässlich, um den Übergang reibungslos zu gestalten. Dies ist besonders relevant in stark regulierten Branchen wie dem Finanz- oder Gesundheitswesen.

Mehrwert durch Daten bei Dänemarks größter Bank

Die Arbeit von IBM mit der Danske Bank, dem größten Finanzinstitut Dänemarks, ist ein Beispiel für die erforderliche organisatorische Umgestaltung. Das Unternehmen, das über fünf Millionen Kunden in ganz Europa betreut, hatte große Fragen zu beantworten: Wie können wir sicherstellen, dass die richtigen Leute zur richtigen Zeit Zugriff auf die richtigen Daten haben und diese nutzen?

Zuvor als IT-Problem betrachtet, bestand die erste Herausforderung darin, die Sichtweise zu ändern und die Beteiligten aus dem gesamten Unternehmen einzubinden. Die Förderung der bereichsübergreifenden Zusammenarbeit von Beginn des Projekts an war der Schlüssel zum Aufbau eines neuen Modells für das Data Ownership, das fließend ist und auf Änderungen in der gesamten Bank reagieren kann.

Die Bank modernisierte auch die Basis ihres Metadaten-Managements und nutzte KI, um Daten auf automatisierte, agile Weise zu entdecken, zu kuratieren, zu bereinigen und zu sichern. Jetzt verfügt die Danske Bank über die vertrauenswürdige Plattform, die sie benötigt, um aus ihren Daten einen geschäftlichen Nutzen zu ziehen.

Unabhängig davon, ob ein Unternehmen bereit ist, die KI-Leiter zu besteigen, wird dieser Ansatz zunehmend die Grundlage sein, auf der wettbewerbsfähige Geschäftsmodelle aufgebaut werden. Wir müssen aufhören, Data Governance als etwas zu betrachten, was Unternehmen tun, um Vermögenswerte zu schützen, und anfangen, darüber nachzudenken, wie es sich proaktiv auf das Endergebnis auswirken kann.

(ID:47476363)