TDWI Buchprojekt: Data Governance - Problemfelder in der Umsetzung von BI-Projekten

TDWI Buchprojekt „Data Governance“
Data Governance:
Problemfelder in der
Umsetzung von
BI-Initiativen und
Lessons Learned
von Daniel Eiduzzis,
Practice Partner bei DXC Technology

TDWI Buchprojekt Data GovernanceData Governance: Problemfelder in der Umsetzung
von BI-Initiativen und Lessons Learned
TDWI Buchprojekt Data GovernanceDaniel Eiduzzis, Practice Partner bei DXC Technology
2
Inhalt
1 Ausgangssituation .................................................................................................. 3
1.1 Motivation........................................................................................................ 3
1.2 Rückblick und Status quo.......................................................................... 3
1.3 Neue Anforderungen und Projektinitiativen.................................... 5
1.4 Aufbruch zu neuen Ufern: BI Architekturen 2.0.............................. 6
2 Problemfelder.........................................................................................................10
2.1 Permanente Herausforderungen.........................................................10
2.2 Fokussierung auf technische Limitierung........................................12
2.3 Information Lifecycle Management aus BI Sicht...........................13
2.4 Gewachsene Komplexität der Geschäftsprozesse.........................14
2.5 Datenschutzverordnung als Next-Level-Challenge......................16
3 Lösungsansätze und Lessons Learned.........................................................18
3.1 Etablierung Data Governance................................................................18
3.2 Organisatorische Verankerung.............................................................18
3.3 Data Governance als Werttreiber........................................................21
3.4 Technische Hilfsmittel installieren .....................................................24
3.5 Agile Projektmethodik als hilfreiches Startmoment ...................25
4 Ausblick und Fazit................................................................................................27
5 Appendix...................................................................................................................29
5.1 Autor ................................................................................................................29
5.2 Literaturverzeichnis..................................................................................29

3
1 Ausgangssituation
1.1 Motivation
In diesem Beitrag wird die Herausforderung von Business Intelligence
(BI) Projekten im Zusammenspiel mit Data Governance betrachtet und
bewertet.
Dabei werden u.a. technische Limitierungen, gewachsene Komplexitäten
in den Geschäftsprozessen sowie das Lifecycle-Management mit Blick auf
die derzeit bestehenden Problemfelder genauer beleuchtet. Zudem wird
der Einfluss aktueller Trends und Projektinitiativen, sowie neuer BI-Ar-
chitekturen in die Betrachtung mit einbezogen.
Ein Blick in diese Problemfelder sowie eine Skizzierung möglicher Lö-
sungsansätze und Best Practices, kann nur eine Momentaufnahme sein.
Trends und Entwicklungen im Markt haben in den vergangenen Jahren
ein rasantes Tempo erreicht, weshalb eine regelmäßige Re-Kalibrierung
unerlässlich scheint.
1.2 Rückblick und Status quo
Wenn man sich die Historie und die Evolution von Projekten im Business
Intelligence Umfeld anschaut, so sich sicherlich zu Recht behaupten, dass
die Komplexität im Laufe der Jahre zugenommen hat. In der Vergangen-
heit waren Projektengagements im BI Kontext klar abgrenzbar, sowie der
einzusetzende Werkzeugkasten relativ überschaubar und beherrschbar.
Anforderungen seitens der Fachbereiche fußten nicht selten auf Daten
aus transaktionalen Systemen, die sich beispielsweise mit Fragestellun-
gen aus demFinance & Controlling Kontext oderauch Sales & Distribution
befasst haben.

4
Klassisches Data Warehousing und Reporting
Dabei galt es zunächst, die konkreten Anforderungen der beauftragenden
Fachbereiche eingehend zu analysieren und anschließend auf Basis eines
abgestimmten Business Konzepts, die Umsetzung vorzunehmen. Der Da-
tenfluss in solchen Projektinitiativen war bisweilen schlicht und vorher-
sehbar. Stammdaten wurden fast ausschließlich in den angeschlossenen
Quellsystemen (zum Beispiel SAP ERP) generiert und gepflegt. Gleiches
galt auch für die korrespondierenden Bewegungsdaten. Reporting-rele-
vante Daten wurden ins Data Warehouse (bspw. SAP BW) geladen.
Im Bedarfsfall fand dort eine weitere Verarbeitung dieser Daten statt.
Diese Weiterverarbeitung konnte zum Beispiel das Anreichern weiterer
Informationen beinhalten (u.a. Währungsumrechnung) oder auch Vertei-
lung nach vordefinierten Schlüsseln.
Auf Basis im Projekt aufgebauter Datenmodelle wurden unterschiedliche
Berichte und Auswertungen im Data Warehosue angefertigt. Wenn es in-
folge dessen im späteren Betrieb zu Schiefständen oder Lücken in der Da-
tenbasis im Data Warehouse kam, mussten diese in der Regel im ange-
schlossenen Quellsystem identifiziert und bereinigt werden. So wurde ein
lückenloser Datenfluss und ein zukünftiger fehlerfreier Upload zwischen
Quell- und Zielsystem sichergestellt.
Verschiedene Bordmittel des verwendeten BI Systems leiteten den Ver-
antwortlichen im Business Intelligence Umfeld auf besagte Fehler und
Schiefstände hin. Eine Bereinigung der Fehler und Lücken konnte so ein
stückweit Workflow unterstützt vorgenommen werden.
Herausforderungen in gewachsenen Systemen
Insbesondere in gewachsenen BI Architekturen finden sich mit der Zeit
mehr und mehr Redundanzen und Schiefstände, die auf unterschiedliche
Art und Weise ihren Weg in die Reporting-Landschaft der Anwenderun-
ternehmen gefunden haben.

5
Ältere Systemlandschaften haben die Herausforderung, dass der techni-
sche Reifegrad in der Vergangenheit häufig nur bedingt ausgeprägt war.
Dadurch sind zum Teil mehr oder weniger komplexe Workarounds ent-
standen, die über die Jahre einen entsprechend hohen Grad an Komplexi-
tät erreicht haben. Selbst kleinere Erweiterungen und Anpassungen be-
durften großem Aufwand und langer Projektdauer.
Ebenso verhielt es sich mit aufkommenden Fehlern und Problem im Re-
porting und der Datenaufbereitung. Eine Source-to-Target Analyse und
anschließende Fehlerbehebung gestalteten sich in solch komplexen BI
Landschaften kompliziert und aufwendig. Fachbereiche mussten im
Zweifel lange auf die fehlenden Daten warten oder mit Schiefständen im
Reporting leben.
1.3 Neue Anforderungen und Projektinitiativen
Die Anforderungen an BI und Analytics haben heute ein anderes Niveau,
als dass das noch vor einigen Jahren der Fall war. Ein Blick in den Rück-
spiegel auf Basis ausschließlich transaktionaler Daten reicht nicht mehr
aus.
Vielmehr gilt es auf der einen Seite einen umfassenden Blick auf die nä-
here Vergangenheit zu werfen. Dabei sind Aspekte wie 360° Sichten, Be-
wegungsprofile und Customer Journey Must-Haves. Auf der anderen Seite
ist ein Blick in die Zukunft entscheidend, um die betriebswirtschaftlichen
Geschicke im positiven Sinne zu beeinflussen. Predictive Analytics ver-
setzt die Anwenderunternehmen dabei in die Lage, belastbare Vorhersa-
gen zu generieren, um beispielsweise Kundenabwanderungen entgegen-
zuwirken oder intelligente Wartungsintervalle in der Produktion zu be-
stimmen.
Die veränderten Anforderungen begründen neue Projektinitiativen, die
wiederum die IT und die Projekt Auftraggeber vor neue Herausforderun-
gen stellen.

6
Innovation und technologisches Neuland
Aus betriebswirtschaftlicher und prozessualer Sicht werden Fragestel-
lungen gestresst, wo es bisher intern wenig bis gar keine Referenzen gibt.
Umso wichtiger ist es, dass die zugrundeliegende Datenbasis qualitativ
valide ist, um den generierten Ergebnissen und Empfehlungen Vertrauen
schenken zu können. Lückenhafte und fehlerhafte Eingangswerte machen
im Predictive Kontext automatisiert ermittelte Vorhersagen zunichte und
lassen hier jedes Projektengagement im Keim scheitern.
Technologisch betreten die IT-Verantwortlichen bei der Realisierung die-
ser Anforderung Neuland. Es gilt eine heterogene Quellsystem-Land-
schaft zu orchestrieren, neue und zum Teil unstrukturierte Datenformate
zu verarbeiten und die Analyse- und Visualisierungswünsche der Fachbe-
reiche mit bisher unbekannten Werkzeugen abzubilden.
Um sich ausschließlich auf diese Herausforderungen fokussieren zu kön-
nen, bedarf es auch in dieser Hinsicht verlässlicher Daten. Fehlende Plau-
sibilitäten, bestehende Redundanzen u.a. bremsen nicht nur den Projekt-
fortschritt aus, sondern entziehen am Ende auch den Projektverantwort-
lichen die Argumente gegenüber den begutachtenden Steering
Committees.
1.4 Aufbruch zu neuen Ufern: BI Architekturen 2.0
Waren Projektinitiativen im BI Umfeld in der Vergangenheit – wie zuvor
beschrieben – einfach abgrenzbar, so gilt dies gleichermaßen für die zu-
grundeliegenden BI Architekturen.
Der technologische Fortschritt in der jüngeren Vergangenheit versetzt die
Anwenderunternehmen in die Situation, neu gewonnene Flexibilität mit
sinnstiftenden Lösungen zu füllen. Technologische Konzepte, die vor eini-
gen Jahren undenkbar waren oder sich nur mit erheblichem Aufwand ab-
bilden ließen, sind heute dank verprobter Referenzarchitekturen ernst-
zunehmende Alternativen.

7
Data Lakes werden zum neuen Standard
So ist beispielsweise die Etablierung eines Data Lakes bei vielen Redesign
Ansätzen gang und gäbe. Die Verwendung von (aus SAP Sicht) Third-
Party-Lösungen im BI Frontend, bereitet dem Anwender ganz neue Mög-
lichkeiten, um zum Beispiel geforderte Visualisierungen umzusetzen. In-
telligente Datenmanagement- und ETL-Plattformen sind in der Lage, Da-
tenquellen unterschiedlicher Systemhersteller zu verbinden und Daten-
flüsse zu orchestrieren.
Die Vielzahl neuer Möglichkeiten und Optionen hat aber auch den Bedarf
an Steuerung und Orientierung zur Folge. Nicht wenige Anwenderunter-
nehmen tun sich zurecht ein stückweit schwer, die Best-Fit-Architektur
zu finden. Hier gilt es aktuelle und zukünftige Bedarfe nicht nur zu ken-
nen, sondern auch zu wecken und diese mit einer für das Unternehmen
individuell abgestimmten State-of-the-Art Architektur zu bedienen.
Um sich für zukünftige Bedarfe im Planungs- und Predictive-Kontext zu
präparieren, müssen Unternehmen sich heute aktiv mit dem Aufbau eines
Data Lakes auseinandersetzen. Die konkreten fachlich motivierten Pro-
jektinitiativen liegen vielleicht noch in ferner Zukunft – um dann aber
über eine ausreichende Datenbasis zu verfügen,muss heute mit dem Sam-
meln potentiell betrachtungsrelevanter Informationen begonnen wer-
den. Wird erst mit Beginn des ausformulierten Bedarfs begonnen, Infor-
mationen zu sammeln, verfügt das Unternehmen nicht über eine belast-
bare Datengrundlage, um beispielsweise Artificial Intelligence (AI)
Modelle zu trainieren.
Nicht selten handelt es sich bei solchen Daten um neue und bisher unbe-
kannte Formate, die gleichzeitig sehr große Volumina begründen. Für die
Ablage derartiger Daten sind bisherige Zielsysteme im Data Warehouse
Umfeld eher ungeeignet. Data Lakes können hier eine sinnvolle Alterna-
tive sein und gleichzeitig die Offenheit für weitere zukünftige Projektini-

8
tiativen bieten. Zudem bieten gängige Data Lake Konzepte, wie beispiels-
weise Apache Hadoop Ecosysteme, passende Werkzeuge zur Aufberei-
tung der Daten.
Neue fachlich motivierte Projektinitiativen und erweiterte technische
Möglichkeiten stellen bisherige Data Governance Strukturen vor die Her-
ausforderungen, diesen Veränderungen Rechnung zu tragen. Zwar gibt
es mittlerweile marktreife Instrumente zur Verarbeitung von Maschinen-
und Sensor-Daten in der Produktion oder Informationen aus Social Media
Quellen – gleichzeitig muss aber auch die Governance der Anwenderun-
ternehmen den Rahmen für den Umgang mit diesen Daten ebnen.
Bisher in sich gekapselte Datensilos werden heute aufgebrochen, um Da-
tenaus unterschiedlichen Quellen in einen Kontext zu bringen oder neuen
Nutzerkreisen zur Verfügung zu stehen. In der Analytics wird gerne der
Begriff des sogenannten Story-Tellings verwendet, wenn es um neue An-
forderungen an Auswertung und Reporting geht. Dabei reicht eine singu-
läre Darstellung von ausgewählten Kennzahlen nicht mehr aus. Vielmehr
geht es darum, geführte Analysen, Berichtsbäume und Absprünge sowie
unterschiedliche Visualisierungen zu vereinen. Dies schließt auch den Be-
darf weitergehender Datenräume ein.
Eine zukunftsorientierte Data Governance muss daher in der Lage sein,
den Bogen zwischen unterschiedlichen betriebswirtschaftlichen undpro-
zessualen Fragestellungen zu spannen.
Neuer Trend: Data Sharing
Ein neuer Trend im Data Governance Umfeld ist das sogenannte Data Sha-
ring. Dabei sollte zunächst differenziert werden, ob es sich um ein öffent-
liches oder unternehmensinternes Data Sharing handelt. [Niederée 2019]
Grundsätzlich wird unter Data Sharing das Publizieren von Daten ver-
standen. Ursprünglich entstammt dieser Trend aus der Forschung res-

9
pektive Wissenschaft. Dabei werden u.a. Forschungsergebnisse der inte-
ressierten Öffentlichkeit zur Verfügung gestellt. Das Prinzip dahinter ist
relativ schlicht: um selbst wertstiftende Daten und Erkenntnisse Dritter
zu nutzen, sollte ich meinerseits bereit sein, Daten zur Verfügung zu stel-
len.
Mittlerweile hat sich dieser Trend auch über wissenschaftliche Nutzer-
kreise hinaus ausgeweitet. Unternehmen stellen eigene Informationen
und Ergebnisse anderen Unternehmen (beispielsweise Zulieferern und
Kunden) zur Verfügung.
Das bedeutet, dass die eigenen Daten in Zukunft so aufzubereiten sind,
dass sie mitanderen Unternehmen geteilt werden können.Weitreichende
Analysen sind nur dann möglich, wenn Daten sinnvoll miteinander in Be-
ziehung stehen.
Die eigenen Informationen sind zukünftig nur noch der Auslöser oder
Startpunkt für unternehmenskritische Auswertungen oder Vorhersagen.
Daten aus externen Quellen bekommen zunehmend entscheidende Be-
deutung, wenn es darum geht, einen analytischen Use Case umzusetzen.
Data Sharing ist somit ein wichtiger Aspekt der Datenökonomie. Für Data
Governance stellt Data Sharing eine Herausforderung hinsichtlich Daten-
standards dar. Um Daten bereitzustellen und externe Informationen nut-
zen zu können, müssen Formate und Strukturen kompatibel sein. Hier
muss Data Governance den Weg bereiten.

10
2 Problemfelder
2.1 Permanente Herausforderungen
Datenqualität umfasst Kriterien wie etwa Richtigkeit, Vollständigkeit und
Aktualität; je nach Informationsbedarf kommen Aspekte der Weiterver-
arbeitung und des Zugangs hinzu.
Im Spannungsfeld zwischen BI Initiativen und dem Umgang mit den be-
trachtungsrelevanten Daten sind nicht selten wiederkehrende Problem-
muster erkennbar. Fehlerhafte Stammdaten und Attribute aus den ange-
schlossenen Quellsystemen resultieren aus bisweilen schlecht aufgesetz-
ten Prüfmechanismen.
Garbage in, Garbage out
So lässt sich beispielsweise die Eingabe des Datums in der Regel recht
simpel verifizieren, indem das entsprechende Eingabefeld einen passen-
den Typ zugewiesen bekommt. Anderenfalls kann es vorkommen, dass es
bei Prüfroutinen in der Datenübertragung zu Abbrüchen kommt, da zum
Beispiel ein 30. Februar oder 31. November nicht existiert und somit auch
nicht zugeordnet werden kann. Im schlimmsten Fall wird dieser Fehler
jedoch nicht in der Upload-Routine identifiziert, sondern das Data-Set
wird 1:1 in die vorgesehenen Datenziele fortgeschrieben. Dann treten
Probleme erst in der späteren Nutzung der Daten bei der Datenanalyse
auf, was u.a. eine aufwendigere Nachverfolgung im Source-to-Target
Sinne nach sich zieht.
Dieses Problem lässt sich leider problemlos auf weitere einfach vermeid-
bare Fehler übertragen: so gelangen immer wieder fehlerhafte Adressda-
ten ins Data Warehouse, zwingenderforderliche Angaben zu Artikeln und

11
Produkten werden nicht hinterlegt oder Zahlungsinformationen nicht ak-
tualisiert.
Die Probleme im späteren Umgang sind sehr unterschiedlich gelagert. Im
Marketing-Kontext werden vollständige Informationen zum Kunden, Un-
ternehmen und deren Ansprechpartner benötigt, um geplante Kampag-
nen erfolgreich durchführen zu können. Der Vertrieb hingegen hadert mit
fehlenden bzw. fehlerhaften Angaben in der Verknüpfung zwischen Mar-
keting, Vertrieb und Rechnungswesen, um die zeitnahe und korrekte
Rechnungsstellung zu gewährleisten.
Diese Schiefstände zu identifizieren und zu beheben beansprucht Zeit und
Ressourcen – beides Güter, die in der Regel knapp bemessen sind.
In jedem Fall muss eine Korrektur im Quellsystem erfolgen, damit dieser
Missstand nicht zu einem späteren Zeitpunkt erneut seinen Weg ins Data
Warehouse findet.
Mangelhafte Datenqualität und ihre Folgen
Die Auswirkungen sind zum Teil weitreichend. Nicht nur der zeitliche
Aufwand der Fehlerkorrektur ist mit wachsenden Systemen und Anfor-
derungenan BI undAnalytics signifikant. Auch auf fachlicher Ebene gehen
Akzeptanzprobleme und Vertrauensverlust in die bereitgestellten Repor-
ting-Lösungen einher. Fehler und Schiefstände sind mitunter auch der
Türöffner für Auf- und Ausbau von sogenannten „Schatten-Reporting“
Ansätzen. Wenn Anwender den Daten und Auswertungen nicht trauen
können, werden eigene Mittel und Wege identifiziert, um die erforderli-
chen Analysen vorzunehmen. Im Zweifel an der IT und den bestehenden
BI Lösungen vorbei.
Ein Problem in Bezug auf Datenqualität ist auch das fehlende Wissen bzw.
das fehlende Bewusstsein über die Abhängigkeiten der getätigten Einga-
ben. Häufig ist den Beteiligten im Prozess der Dateneingabe und -pflege
sowie den Nutzern nicht bewusst, welche Auswirkungen lückenhafte

12
oder fehlerhafte Informationen für die Weiterverarbeitung und Analyse
haben.
Data Governance hat in der Vergangenheit häufig eine eher untergeord-
nete Priorität bei den Anwenderunternehmen genossen. Da bisweilen bei
der Erfassung und Pflege von Daten in den Quellsystemen nicht immer
ein umfassendes Bild von der späteren Verwendung und Abhängigkeit
dieser Eingaben vorherrscht. Mitunter hatte Data Governance einen ähn-
lich niedrig priorisierten Stellenwert, wie Dokumentation oder Change
Management in Projekten. Hier besteht, losgelöst von der fachlichen An-
forderung und dem verwendeten technischen Rüstzeug, zwingender
Nachholbedarf in der Sensibilisierung von Data Governance Fragestellun-
gen.
2.2 Fokussierung auf technische Limitierung
Auf die bestehenden Mängel in punkto Data Governance angesprochen,
wird seitens Anwenderunternehmen gerne ein limitierter Werkzeugkas-
ten in der technischen Umsetzung von Data Governance vorgeschoben.
Definitiv sind heute viele Unternehmen nicht mehr mit sogenannten
State-of-the-Art Instrumenten ausgestattet, die es für eine zeitgemäße
Data Governance bedarf. Marktgängige Lösungen bieten zahlreiche Out-
of-the-Box Features, wie Indizierung und Suche, Workflow und Automa-
tisierung oder Security an, um den Anwender zu unterstützen und manu-
elle Aufwände zu minimieren. Dennoch kann unzureichende technische
Ausstattung nicht als Ausrede für mangelhafte Data Governance herange-
zogen werden.
Wie auch in vielen anderen Unternehmensbereichen mit gewissem IT-Be-
zug, gilt auch für Data Governance: ohne den nötigen Ordnungsrahmen,
den es systemunabhängig zu definieren gilt, kann das beste Werkzeug
keine Abhilfe schaffen. Sicherlich kann eine Data Management Software
gewisse Aufgaben decken und zum Teil gar automatisiert unterstützen –

13
darüber hinaus zeigt eine solche Plattform idealerweise auch auf, in wel-
chen Teilbereichen die Unternehmung heute noch keine Antwort auf pro-
zessuale Fragestellungen in der Data Governance hat oder wo bisherige
Vorgabe nicht mehr ausreichend sind.
Zudem wird auch nicht immer der bestehende Funktionsumfang der be-
reits installierten Lösung ausreichend in Anspruch genommen. Will sa-
gen: Anwenderunternehmen haben Lösungen im Data Management zur
Hand, deren Funktionsbreite und -tiefe nicht bekannt sind bzw. nicht ge-
nutzt werden. Damit bleiben wertvolle technische Potentiale ungenutzt.
2.3 Information Lifecycle Management aus BI Sicht
Neue Technologien schaffen gelegentlich auch neue Schwierigkeiten, die
es vor diesem Technologiesprung noch nicht gab. Im konkreten Fall nötigt
beispielsweise die Einführung der HANA Datenbank-Technologie die An-
wenderunternehmen dazu, sich Gedanken über den sogenannten Life-
cycle ihrer Daten zu machen.
Data Tiering
Der Betrieb der HANA-Technologie kann schnelleine hohe Preisintensität
zur Folge haben. Daher sind die anwendenden Unternehmen gut beraten,
ein sauberes Data Tiering aufzusetzen, das Vorgaben ableitet, welche Da-
ten aufgrund ihrer hohen Nutzungsfrequenz In-Memory vorzuhalten sind
und welche Daten eher in die Kategorie der sogenannten Warm- und
Cold-Data gehören und somit ausgelagert werden können. Dieses Data
Offloading gewährleistet zwar weiterhin eine Verfügbarkeit in der Aus-
wertung und Analyse, ermöglicht aber die Nutzung von kostengünstige-
ren Secondary Storage. Somit reduziert sich die Verwendung der teuren
HANA-Technologie auf die stark frequentierten Hot-Data. Weniger be-
trachtungsrelevante Warm- und Cold-Data Auswertungen attestiert man

14
eine etwas schlechtere Performance in der Reporting-Antwortzeit, so hier
entsprechende Preisvorteile gegenüberstehen.
Der Lifecycle der Stammdaten
Der Lifecycle Stammdaten, wie Kunde, Lieferant, Produkt oder Vertrag ist
in den angeschlossenen Quell- und Zielsystemen oftmals überholt und
nicht mehr up-to-date. Zum Teil werden Daten lediglich bei der initialen
Stammdateneingabe erfasst, da es sich um sogenannte Pflichtfelder bei
der Erfassung handelt. Leider werden weitere Ausprägungen zum ausge-
wählten Stammdatum nur sporadisch bis gar nicht aktualisiert, weshalb
eine spätere Verwendung dieser Datensätze mit qualitativen Abstrichen
versehen ist.
Aber so, wie sich im privaten Umfeld Angaben zur Adresse oder Konto-
verbindung ändern und beispielsweise bei Bestellvorgängen im Internet
aktualisiert werden müssen, gibt es auch auf Ebene Business-to-Business
regelmäßig Anpassungsbedarf.
Es ändern sich Ansprechpartner im Einkauf, Verantwortliche auf Auftrag-
nehmerseite, Zahlungsbedingungen oder Kommunikationswege. Zudem
können sich Artikelbezeichnungen und ID ändern, weitere Ausprägungen
zu Maße oder Variantenkonfiguration dazukommen. Oder schlicht Ein-
kaufs- und Allgemeine Geschäftsbedingungen ändern sich und müssen
berücksichtigt werden.
Leider finden diese neuen Angaben nur selten, teilweise sogar überhaupt
nicht Einzug in die angeschlossenen ERP, CRM und BI-Systeme, was in der
Folge signifikante negative Auswirkungen auf die betreffenden Geschäfts-
prozesse hat. Im schlimmsten Fall ist hier mit finanziellen Einbußen zu
rechnen, weil fehlende oder falsche Angaben in der Kommunikation mit
Lieferanten, Kunden und Kreditgebern verwendet werden.

15
2.4 Gewachsene Komplexität der Geschäftsprozesse
Nicht nur neue betriebswirtschaftliche Anforderungen stellen BI und
Analytics vor Herausforderungen. Auch die bestehenden Geschäftspro-
zesse unterliegen erfahrungsgemäß einer permanenten Veränderung,
der in aufgesetzten BI und Analytics Architektur Rechnung getragen wer-
den muss.
Sichten auf Materialien und deren Eigenschaften werden differenzierter
und kleinteiliger. Immer neue und weitergehende Ausprägungen gilt es
zu berücksichtigen. Eine Dezentralisierung der Stammdatenpflegen stellt
die Anwenderunternehmen nicht nur prozessual vor Schwierigkeiten.
Technologisch müssen Anwender hier praktikable Lösungen identifizie-
ren, um den veränderten Bedingungen zu entsprechen. Tun sich weitere
Optionen für den Eingriff in die Generierung und Modifizierung von BI re-
levanten Stammdaten auf, muss im gleichen Zuge die Verifizierung und
Konsistenz-Prüfung der Dateneingaben sichergestellt werden.
In die Jahre gekommenes Prozess- und Architektur-Wirrwarr
Oftmals besteht zunächst ein loser Wunsch, was aus fachlicher Sicht be-
nötigt wird und lediglich eine grobe Vorstellung, wie eine Umsetzung er-
folgen kann. Diese Ideen in eine ganzheitliche Betrachtung und beste-
hende Konzepte zu überführen, ist oft schon Herausforderung genug. Die
technisch belastbare Umsetzung kommt dabei noch erschwerend hinzu.
Durch eine kleinteilige und iterative Vorgehensweise entstanden über die
Jahre komplexe Gebilde, die sowohl fachlich wie auch technologisch
schwer modifizier- und wartbar geworden sind. Jede weitere Verände-
rung an diesem über die Jahre gewachsenen Prozess- und Architektur-
Wirrwarr bedingt gerne ein Vielfaches an Projektaufwand.
Werden beispielsweise im Zuge von größeren Migrationsprojekten Fra-
gezeichen hinter bestehende Architekturen gesetzt und einschneidende

16
Re-designs beabsichtigt, stellt sich auch die Sinnfrage bezüglich der abge-
bildeten Geschäftsprozesse. Will man „alten Wein in neuen Schläuchen“
vermeiden, macht es Sinn, gewachsene undggf. veraltete Prozesse vor an-
stehenden IT-Projekten eingehend zu hinterfragen. Unter Umständen
können bisher umständlich abgebildete Prozesse verschlankt und ausge-
wählte Vorgehensweisen sogar gänzlich ausgespart werden. Neue pro-
zessuale und betriebswirtschaftliche Anforderungen können eingefloch-
ten werden, um so eine Nutzungssicherheit zu gewährleisten.
Es spielt eine untergeordnete Rolle, ob es sich bei dem Anwenderbetrieb
um ein Unternehmen aus der Maschinenbau-, Retail- oder Versicherungs-
und Finanz-Branche handelt. Die Anforderungen an BI und Analytics um-
fassen immer weitergehende Ausprägungen und Insights. Es gilt für ein
vollumfassendes Bild Informationen aus den unterschiedlichsten Quellen
zusammenzufügen und zu konsolidieren.
2.5 Datenschutzverordnung als Next-Level-Challenge
Die geänderten Anforderungen an das Vorhalten personenbezogener In-
formationen und die Etablierung neuer Datenschutzverordnungen, stel-
len zahlreiche Unternehmen vor bisher nicht dagewesene Prüfungen.
Insbesondere Unternehmen, deren Kerngeschäft kundenbezogene Daten
ausmachen, müssen hier eine Balance finden, wie weiterhin mit Kunden-
daten auf der einen Seite umgegangen werden kann und auf der anderen
Seite die Individualinformationen identifiziert und im Zweifel zeitnah ge-
löscht oder zumindest demaskiert werden. Hierbei spielt die Datensouve-
ränität eine bedeutende Rolle und hat wesentlichen Einfluss, auf die Ar-
chitektur und die Governance in punkto Data Management. [Mooy 2017]
Nicht selten ist es schon eine erhebliche Herausforderung, die betreffen-
den sensiblen Daten ausfindig zu machen. Sowohl die Identifizierung als
auch die Strukturierung der betreffenden Informationen ist eine neue An-

17
forderung, die zunächst auf inhaltlicher Ebene erfüllt werden muss. Un-
ternehmen müssen zu jedem Zeitpunkt in der Lage sein, gegenüber Kun-
den und behördlichen Institutionen Auskunft über die jeweiligen Kun-
deninformationen zu leisten.
Zudem sind unter Umständen die bis dato technische Begebenheiten
nicht ausreichend, um die zuvor benannten Strukturen ausfindig zu ma-
chen, geschweige denn, mit passenden Werkzeugen und vertretbaren
Aufwand hier eine Anpassung und Modifizierung vorzunehmen.
Diese neuen Anforderungen sind aus betriebswirtschaftlicher Sicht hoch-
gradig kritisch, da Verstöße mittlerweile erhebliche finanzielle Sanktio-
nen zur Folge haben – abgesehen vom Schaden der Reputation. Darüber
hinaus sind diese Aspekte konzeptionell in zukünftige IT-Projekte einzu-
fassen und bedeuten womöglich Mehraufwände bezüglich Kosten und
Dauer.
Davor müssen bestehende Prozesse und Strukturen zur Datenverarbei-
tung und Datenhalten eingehend geprüft und gegebenenfalls unter Be-
rücksichtigung der Anforderung einer Datenschutzgrundverordnung
(DSGVO) angepasst werden. Projekte in diesem Zusammenhang müssen
erfahrungsgemäß zeitlich hochpriorisiert, andere oder parallel verlau-
fende Engagements untergeordnet und eingeplante Budgets und Res-
sourcen neu zugeschnitten werden.

18
3 Lösungsansätze und Lessons Learned
3.1 Etablierung Data Governance
Data Governance legt einen Ordnungsrahmen mit Regeln für das Informa-
tionsmanagement fest und stellt die Werkzeuge zur Überwachung und
Steuerung der Vorschriften, internen Regeln sowie gesetzlicher Vorgaben
und Compliance-Anforderungen bereit. [Hinssen & Pürsing 2015]
Hierbei sind die relevanten Rollen, Verantwortlichkeiten und Prozesse zu
definieren. Beispielsweise sollte in den entsprechenden Policies festge-
legt werden,
‒ wer für bestimmte Daten und die Einhaltung von Qualitätsstan-
dards verantwortlich ist;
‒ welche Rollen die Mitarbeiter haben, die mit Daten hantieren,
und wie diese mit Daten umzugehen haben;
‒ nach welchen Standards Daten erfasst werden; hier sollte defi-
niert werden, welche Mindestanforderungen an Daten einzuhal-
ten sind;
‒ welche Sicherheitsregeln zu beachten sind.
Demzufolge ist der Aufbau von einheitlichen Standards und Richtlinien
eine wichtige Aufgabe von Data Governance. Anwenderunternehme müs-
sen die zuvor genannten Spiegelstriche für sich definieren und regelmä-
ßig auf Aktualität überprüfen. Systemunabhängige Verbindlichkeiten
sind ein Garant für ein optimales Data Management.
3.2 Organisatorische Verankerung
Business Intelligence hat es vorgemacht: bereits vor einigen Jahren gab es
die ersten Initiativen auf Anwenderseite, über sogenannte Business Intel-

19
ligence Competence Center (BICC) technische und fachliche Kompeten-
zen und Verantwortlichkeiten Schulter an Schulter organisatorisch zu
verankern.
Ein BICC ist ein Team, das in seiner ausgeprägtesten Form für sämtliche
Aspekte der Business Intelligence in einer Organisation verantwortlich ist
– von der Strategie über die Projekte bis hin zu den BI-Systemen. Dabei
gibt es abhängig von Größe und Struktur des jeweiligen Unternehmens
virtuelle, feste sowie hybride BICC Formen.
Installation von Data Governance Offices
Analog dieses Ansatzes entstehen inzwischen immer häufiger auch Com-
petence Center, die für das unternehmensweite Data Management ver-
antwortlich zeichnen. Das sogenannte Data Governance Office besteht aus
Vertretern der relevanten Geschäftsbereiche; dabei lässt sich nach fachli-
chem Fokus (zentrale/dezentrale Vertriebsfunktionen, Finance, Human
Ressource, IT) oder geographischem Fokus (alle Funktionen einer Lan-
desvertretung) unterscheiden. [Winter & Mornar 2001]
Die Tätigkeit des Data Governance Office fokussiert sich vorrangig auf Fel-
der, die das Unternehmen bei der Erreichung von Geschäftszielen unter-
stützen:
‒ Schaffung von Konsistenz über den Daten-Lebenszyklus hinweg;
‒ FunktionsübergreifendeZusammenarbeit, um Best Practices aus-
zutauschen und Konflikte, Kannibalisierungseffekte oder Syner-
gien zu identifizieren;
‒ Begründung von Daten-Betriebsbereitschaft und Vertrauen in
Daten;
‒ Konstituierung einer unternehmensweiten "Data Quality Cul-
ture".

20
Einher mit der Einführung von neuen Organisationseinheiten müssen
auch neue, zusätzliche Rollen im Data Governance Kontext etabliert wer-
den. Parallel zu den häufig sogenannten Process-Ownern, die in Einheiten
wie Corporate Process Management (CPM) organisiert sind und für die
unternehmensweiten Geschäftsprozesse wie beispielsweise Order-to-
Cash (O2C) oder Purchase-to-Pay (P2P) verantwortlich zeichnen, braucht
es weitere Verbindlichkeiten.
Unter dem Dach des Data Governance Offices müssen zukünftig Data Ow-
ner definiert werden. Data Owner oder Data Steward ist ein Begriff aus
dem Informationsmanagement. Trägt der Process-Owner Sorge für aus-
gewählte Geschäftsprozesse, ist der Data Owner für einen ausgewählten
Teil der Unternehmensdaten verantwortlich. Seine Rolle nebst Selbstver-
ständnis, Rechten und Pflichten muss in ein ganzheitliches Data Gover-
nance Konzepteingebettet werden. Data Owner gewährleisten die Einhal-
tung von zuvor definierten Regeln und Standards, die in einer Data Gover-
nance Strategie fixiert werden.
Der Data Owner kann sowohl aus dem Fachbereich als auch aus der IT
rekrutiert werden, wobei der Fachbezug zwingend gewährleistet sein
muss.
In punkto Organisation muss der Stellenwert von Data Management und
Data Governance dem von Business Intelligence mindestens gleichgesetzt
werden.
Will sagen: sind in derVergangenheit Initiativen und Projektengagements
mitunter gescheitert, da keine ausreichende Management-Attention ge-
neriert wurde, finden sich heute allzu häufig Vorstandsmitglieder als so-
genannte Sponsoren von BI Projekten wieder. Diese gewährleisten die
nötige Beachtung der unterschiedlichen Projekte auf Top-Management
Ebene und sichern Budgets und das Bereitstellen der erforderlichen Res-
sourcen.

21
Gleiches muss in Zukunft mit Blick auf Fragestellungen von Data Manage-
ment und Data Governance passieren.
Data Governance muss Vorstandsthema werden
Den Unternehmen muss sich der Bedeutung und Tragweite von Data
Governance als eigenständiges Thema und gleichzeitig als Querschnitts-
aufgabe bewusst werden. Nicht zuletzt aus Gründen des Datenschutzes,
zugrundeliegender Verordnungen und etwaiger Sanktionen ist eine Sen-
sibilisierung für Data Governance und dessen Aufgaben geboten.
Analog des C-Level Alignments im BI und Analytics Kontexts, öffnet ein
entsprechendes Vorstandsmandat die nötigen Budgets und Ressourcen
für erforderliche Projektinitiativen. Zudem kann nur über diese Entschei-
derebene eine nachhaltige Anpassung im organisatorischen Sinne erfol-
gen. Die Etablierung von Competence Centern, wie beispielsweise eines
Data Governance Offices, berührt in der Regel immer Headcounts ver-
schiedener Verantwortlicher im Unternehmen, die eventuell anders gear-
tete Interessen verfolgen oder den Zweck und die Mehrwerte einer sol-
chen Querschnittsorganisation nur eingeschränkt unterstützen. Hier
muss im Zweifel eine Top-Down-Entscheidung getroffen werden, die die
Unterstützung der Geschäftsführung voraussetzt.
3.3 Data Governance als Werttreiber
Eine funktionierende Data Governance ist ein signifikanter Treiber in der
unternehmensindividuellen Wertschöpfungskette. Dieser Wertbeitrag
bemisst sich auf unterschiedlichen Ebenen.
Prozessuale Optimierungen im Umgang mit Data Management verhin-
dern manuelle Mehraufwände, da Fehler und Schiefstände seltener korri-
giert werden müssen. Klare Richtlinien und Standards erhöhen gleichzei-
tig die Datenqualität und die Verlässlichkeit in die genutzten Informatio-
nen. Dies kann unter Umständen sogar Sanktionen und Regress

22
verhindern, die beim Austausch und Handel mit fehlerhaften Daten zum
Tragen kommen. Die Einbeziehung und Nutzung von externen Daten,
kann bisherige Analysen vertiefen, wertvolle Insights liefern und so Wett-
bewerbsvorteile gegenüber Marktbegleitern schaffen.
In ausgewählten Fällen können weitere Daten, ob aus internen oder ex-
ternen Quellen, sogar der Türöffner für neue Geschäftsmodelle sein.
Um Data Governance und seinen Wert greifbar zu machen, sollte auch das
Data Management in Projekten monetarisiert werden. Projekte im Pro-
zessoptimierungskontext sprechen häufig von der Reduzierung manuel-
ler Aufwände. Sowohl in der Projizierung als auch im späteren Review
dieser Projekte stehen den eingesparten manuellen Tätigkeiten kalku-
lierte Wertsätze gegenüber. In vergleichbarer Form entsprechenden Da-
ten und Informationen einem belastbaren Wert für dasUnternehmen und
sind als eine solche Kennziffer einzuordnen. So wird es für Unternehmen
und ihre Stakeholder deutlich, welchen Benefit beispielsweise die In-
tegration externer Daten haben kann. Oder welcher Wert den eigenen Da-
ten beizumessen ist, wenn man diese mit beteiligten Dritten teilt (in Form
von Verkauf eigener Daten oder über das Data Sharing).
Lessons Learned und Projektreview
Viel zu selten findet retrospektiv in BI und anderen IT-Projektengage-
ments ein Review statt, ob die prognostizierten Ziele, Erwartungen und
Einsparungen mit der jeweiligen Initiative auch erreicht wurden. Dies er-
fordert zum einen, dass im Zuge des Demand Managements neben den
kalkulierten Projektkosten auch der spätere Output mit quantifizierbaren
Kennzahlen ausweisbar ist. Zumanderen bedarf es im Nachgang zum Pro-
jekt einer Gegenüberstellung eben dieser Indikatoren und der vorherigen
Prognosen.

23
So kann zum Beispiel ein Ziel sein, die Kundenabwanderung um einen de-
finierten Prozentsatz zu senken. Dies soll durch genauere Analysen bishe-
riger Kundenabwanderungen und deren Beweggründe erfolgen. Dazu
werden Kundenfeedbacks in bestehende Analysen aufgenommen, sowie
weitere externe Marktdaten und Indizes integriert, um ein umfassendes
Bild anfertigen zu können. Neue technologische Mittel im Analytics- und
Predictive Kontext ermöglichen belastbare Vorhersagen, welche Kunden-
gruppen wann und unter welchen Umständen Tendenzen zur Abwande-
rung entwickeln. So kann in der Folge in enger Zusammenarbeit zwischen
Controlling, Produktentwicklung und Marketing ein abgestimmtes Kon-
zept entworfen werden, um entsprechenden Gegenmaßnahmen zu ent-
werfen.
Ob und in welchem Maße die erhofften Verbesserungen erzielt wurden,
sollte im Nachgang unter Berücksichtigung der Einflussfaktoren kritisch
analysiert werden, um einen Closed-Loop zu initiieren.
Dabei spielen nicht nur Faktoren im Sinne der technischen Umsetzung
eine Rolle. Erfahrungsgemäß sind zu gleichen Teilen auch die im Projekt-
zugriff befindlichen Daten für den Projekterfolg und -misserfolg aus-
schlaggebend. Auch hier bedarf es eines besonderen Augenmerks, inwie-
fern die Qualität und Güte dieser Daten den Erwartungen entsprechen
konnten. Oder aber, ob Daten fehlerhaft waren, ausgewählte Informatio-
nen nicht zur Verfügung standen (um beispielsweise ein vollständiges
Bild in der Analytics zu generieren) und woher diese Werte im Bedarfsfall
eingeholt und integriert werden können.
Erst wenn Unternehmen die Chancen wertschätzen, die Daten heute be-
deuten können, kann eine Data Governance den nötigen Stellenwert im
Unternehmen einnehmen.

24
Incentivierung von Data Governance
Ein Steuerungsinstrument zur Etablierung und Verbesserung von Data
Governance kann beispielsweise auch eine gezielte Incentivierung sein.
So wie heute oftmals klassische Unternehmenskennzahlen, wie Umsatz,
Ebit, Kundenzufriedenheit oder Ausschussrate als Benchmark für vari-
able Vergütungen herangezogen werden, können zusätzlich oder alterna-
tiv auch Data Management KPIs incentivrelevante Richtwerte sein. So
schafft das Unternehmen auch einen monetären Anreiz einen individuel-
len Beitrag zur Einhaltung und Steigerung der Datenqualität zu leisten
und die unternehmensweite Data Quality Culture zu fördern. Gleichzeitig
wird durch diese Maßnahme auch das Thema Data Governance unterneh-
mensintern nochmals gewürdigt und in einen exponierten Blickpunkt ge-
hoben.
3.4 Technische Hilfsmittel installieren
Die Installation eines zentralen Stammdaten Management Systems kann
ein wertvolles Hilfsmittel sein. Grundsätzlich kann eine solche Applika-
tion nicht alle Problemfelder alleine lösen. Aber in ein schlüssiges Data
Management Gesamtkonzept eingebettet, beseitigt es viele bekannte Her-
ausforderungen und ebnet den Weg für ein nachhaltiges Data Manage-
ment.
Die sinnvolle Nutzung eines sogenannten Masterdata Management Sys-
tems (MDM) setzt eine abgestimmte Data Governance voraus. Eine solche
Plattform stellt Werkzeuge und vorgefertigte Lösungen bereit, um bei-
spielsweise Prozesse und Verantwortlichkeiten abzubilden. Eben diese
Prozesse und Verantwortlichkeiten müssen aber zuvor systemunabhän-
gig definiert und vereinbart werden.
Zentrale Data Management Lösung unterstützen bei der Stammdatenhar-
monisierung und -konsolidierung. Hier kann der sogenannte „Golden Re-
cord Master“ angelegt, gepflegt und in weitere angeschlossene Systeme

25
verteilt werden. Es fungiert in diesem Zusammenhang als sogenannte
Clearing-Stelle. So wird sichergestellt, dass es einen einheitlichen Stand
beispielsweise in Sachen Artikel- und Kundenstammdaten gibt und Sub-
systeme, wie ERP, CRM oder Data Warehouse dieselbe Datenbasis nutzen.
Zudem unterstützen marktgängige MDM Systeme auch das Lifecycle-Ma-
nagement der verwendeten Stammdaten. Sie bieten eine geeignete Platt-
form und die passenden Werkzeuge, um die zuvor definierten Regeln und
Standards in die Praxis umzusetzen.
Weitere wichtige Instrumente im Zusammenhang mit dem Data Lifecycle
werden heute oftmals in den betreffenden Subsystemen default mit aus-
geliefert. So verfügen beispielsweise Anwender eines aktuellen SAP Data
Warehouses (SAP BW/4HANA) standardmäßig über smarte Lösungen
zum identifizieren von sogenannten Hot-, Warm- und Cold-Data. So kann
mit einfachen Mitteln und geringen Aufwand teils automatisiert dem Data
Tiering Folge geleistet werden.
Aufbau eines Kennzahlen-Glossars
Eine unterstützende, praktische Maßnahme unterhalb der Data Gover-
nance sind abgestimmte Kennzahlen-Bäume.
Die Unternehmensführung gibt im Rahmen ihrer Unternehmensstrategie
vor, anhand welcher Key-Performance-Indicator (KPI) sich das Unterneh-
men messen lässt. Diese Steuerungsgrößen müssen zentral definiert und
fixiert werden, damit alle Stakeholder von denselben Kennzahlen spre-
chen. Der Aufbau eines Glossars, in dem diese Werte eingetragen, gepflegt
und von allen Beteiligten einsehbar sind, kann hierbei eine einfache wie
zweckmäßige Hilfe sein.

26
3.5 Agile Projektmethodik als hilfreiches Startmoment
Zahlreiche Unternehmen versuchen sich durch agile Projektvorgehens-
weisen einen direkteren Einfluss auf den Projektverlauf, eine höhere Fle-
xibilität sowie effektivere und schnellere Projektergebnisse zu sichern.
Diese für viele Unternehmen noch recht neue Projektmethodik kann Op-
tionen bieten, die ein oder andere Neuerung und Verbesserung im Data
Governance Kontext zu verproben.
Der oben beschriebene organisatorische Eingriff, dauerhaft ein Data
Governance Office zu etablieren, kann unter Umständen mit einigen in-
ternen Hürden auch in Form von Skepsis und Vorbehalten verbunden
sein. Agile Projektteams zeichnen sich sehr häufig dadurch aus, dass IT-
und Fachbereichsvertreter für eine gemeinsame Projektinitiative eng zu-
sammenarbeiten. Erfahrungsgemäß werden Entsandte aus den betroffe-
nen Fachbereichen sogar über diesen Zeitraum für dieses Engagement
freigestellt. Somit repräsentieren solche Teams sehr gut das zukünftige
Setting eines solchen dauerhaft aufgesetzten Data Governance Offices für
eben einen temporären Zeitraum.
Es können über diese Vorgehensweise erste Erfahrungen im Zusammen-
spiel zwischen IT und Fachbereichen gesammelt werden. Gleichzeitig
dient dieses Herangehen auch später als ideale interne Referenz, um eine
dauerhafte Installation eines entsprechenden Competence Centers zu be-
gründen.
Schnelle Rückmeldung bei neuen Features
Darüber hinaus offerieren agile Projekte eine ideale Struktur, um neue
Lösungen, sowohl prozessual als auch hinsichtlich neuer Applikationen,
zu testen. Die prototypisch orientierte Methodik bietet den Spielraum,
neue Ansätze kurzfristig aufzusetzen bzw. einzuführen und in enger Ab-
stimmung mit den beteiligten Anwendern, schnell belastbare Rückmel-
dungen zu bekommen.

27
So können zuvor definierte Regeln und Standards, die zukünftig unter
Nutzung eines neues Masterdata Management Systems zu befolgen sind,
auf ihre Praxistauglichkeit hin überprüft werden. Im Bedarfsfall findet
prozessual eine Nachjustiert oder ein Feintuning in der genutzten Appli-
kation statt. Dies gewährleistet einen reibungsloseren Übergang in den
nachfolgenden Dauerbetrieb und schafft so Akzeptanz bei allen Beteilig-
ten.

28
4 Ausblick und Fazit
Data Governance ist kein Projekt, keine Einzelmaßnahme - und kein rei-
nes IT-Thema. Die funktionsübergreifende Zusammenarbeit ist erfolgs-
kritisch, um Silos aufzubrechen und Gemeinsamkeiten oder gar Konflikte
im Gebrauch mit Daten aufzuzeigen.
Messbare Kriterien für "Erfolg" sind in erster Linie die erhöhte Qualität
der Dateninhalte sowie eine verbesserte Transparenz durch optimierte
Prozesse - beispielsweise in der Synchronisation von Daten oder der Ag-
gregation von Informationen. Im Idealfall schafft die Kombination der bei-
den Punkte unternehmerische Potenziale, erleichtert die Entscheidungs-
findung, verbessert Kundenzufriedenheit sowie operative Effizienz und
reduziert Kosten und Risiken.
Unternehmen können eine dauerhaft hohe Datenqualität nur durch ein
systematisches, unternehmensweites Vorgehen erreichen. Die enge Zu-
sammenarbeit zwischen den Fachabteilungen und der IT ist dazu eine
notwendige Voraussetzung.
Eine erfolgreiche Business Intelligence bedingt heute eine funktionie-
rende Data Governance. Technologisch lassen sich mittlerweile viele neue
Wege bestreiten, die Möglichkeiten bereiten, die in der Vergangenheit
nicht abbildbar waren. Um aber zum Beispiel im BI Umfeld Multi-Cloud-
Architekturen zu etablieren, hybride Data Warehouse-Szenarien aufzu-
setzen oder sich Optionen der Virtualisierung im Zugriff auf Daten unter-
schiedlicher Formate und Strukturen zu Nutze zu machen, bedarf es einer
dedizierten Data Governance Strategie.
Unternehmen dürfen nicht scheuen, schwierige Entscheidungen zu tref-
fen. Technologisch wie organisatorisch gilt es neue Eckpfeiler zu setzen,

29
um so die notwendigen Voraussetzungen für eine nachhaltige Data Gover-
nance und so den zukünftigen Projekterfolg kommender BI Initiativen zu
schaffen.

30
5 Appendix
5.1 Autor
Der Autor Daniel Eiduzzis ist studierter Betriebswirt und verfügt über 18
Jahre einschlägige Business Intelligence Erfahrung. In unterschiedlichen
Beratungsunternehmen hat Daniel Eiduzzis Entwicklungsprojekte in mit-
telständischen Unternehmen und Großkonzernen unterstützt.
Klassisches Inhouse-Consulting hat Daniel Eiduzzis anschließend bei der
Jungheinrich AG und bei der tesa SE betrieben. Bei letzterem Unterneh-
men hat er schließlich auch mehrere Jahre den BI Bereich in der hausei-
genen IT verantwortet, bevor er als BI Architekt ins neugegründete BI
Competence Center wechselte.
Mittlerweile ist Daniel Eiduzzis als Practice Partner für das Beratungsun-
ternehmen DXC Technology tätig und verantwortet ein elfköpfiges Team
aus SAP BI Beratern.
Daniel Eiduzzis ist verheiratet, hat zwei Kinder und lebt im Hamburger
Umland.
5.2 Literaturverzeichnis
[Hinssen & Pürsing 2015] Hinssen, S.; Pürsing, M: Data Governance – So
geht Stammdaten-Management (2015). IDG Business Media
GmbH, München. https://www.computerwoche.de/a/so-geht-
stammdaten-management,3091962
[Mooy 2017] Mooy, M.d.: Rethinking Privacy Self-Management and Data
Sovereignty in the Age of Big Data (2017). Bertelsmann Stiftung
(Hrsg.), Gütersloh.

31
[Niederée 2019] Niederée, M.: Data Sharing – Die Zukunft der Wert-
schöpfung in der Datenökonomie (2019). Whitepaper der KPMG
AG Wirtschaftsprüfungsgesellschaft, München.
[Winter & Mornar 2001] Winter, R.; Mornar, V.: Organization of Data
Warehousing in Large Service Companies: A Matrix Approach
Based on Data Ownership and Competence Centers (2001).
AMCIS 2001 Proceedings. 65.
http://aisel.aisnet.org/amcis2001/65

TDWI Buchprojekt: Data Governance - Problemfelder in der Umsetzung von BI-Projekten

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Ähnlich wie TDWI Buchprojekt: Data Governance - Problemfelder in der Umsetzung von BI-Projekten

Ähnlich wie TDWI Buchprojekt: Data Governance - Problemfelder in der Umsetzung von BI-Projekten (20)

Mehr von Daniel Eiduzzis

Mehr von Daniel Eiduzzis (6)

TDWI Buchprojekt: Data Governance - Problemfelder in der Umsetzung von BI-Projekten