Data Intelligence. Manfred Kulmitzer
Чтение книги онлайн.
Читать онлайн книгу Data Intelligence - Manfred Kulmitzer страница 23
Название: Data Intelligence
Автор: Manfred Kulmitzer
Издательство: Readbox publishing GmbH
Жанр: Отраслевые издания
isbn: 9783347101456
isbn:
Wesentliche Modellierungsgrundsätze
Damit eine möglichst hohe Qualität der semantischen Datenmodelle gewährleistet werden kann, möchte ich gerne kurz noch vier wesentliche Grundsätze für die fachliche Datenmodellierung vorstellen:
Relevanz: Modelliert werden nur jene Sachverhalte, welche für den zu Grunde liegenden Modellierungszweck relevant sind. Um dies beurteilen zu können, müssen die Ziele der Modellierung vorab klar definiert sein.
Lesbarkeit: Ein Datenmodell ist nur dann von Nutzen, wenn es vom Adressaten verstanden wird. Hierfür sind klare, möglichst eindeutige Begriffe für die Datenobjekte zu wählen. Zudem tragen Beschreibungen, Synonyme und Beispiele ebenfalls zum Verständnis bei. Klar ausgerichtete, geordnete Datenmodell-Diagramme mit möglichst wenig Überlappungen oder Kreuzungen der Verbindungslinien sowie eine farbliche Kodierung der Datendomänen erhöhen deren Lesbarkeit wesentlich.
Vergleichbarkeit: In realen Anwendungssituationen gibt es möglicherweise mehrere fachliche Datenmodelle, die miteinander vergleichbar sein müssen. Hierfür ist es erforderlich, dass unterschiedliche fachliche Datenmodelle die gleiche oder zumindest eine ähnliche Abstraktionsebene aufweisen, das heißt die Granularität der Datenobjekte sollte zwischen den Datenmodellen nicht unterschiedlich sein.
Klassifizierung: Die Kompliziertheit von Sachverhalten lässt sich durch die Darstellung aus unterschiedlichen Sichten oder die Nutzung des Grundbegriffe-Ansatzes gut reduzieren. Mithilfe einer Klassifizierung oder Gruppierung von Datenobjekten können Zugehörigkeiten ebenfalls leicht erkannt und dargestellt werden; beispielsweise eine Risikoklassifizierung nach den CIA Kriterien - und das hat nichts mit dem gleichnamigen Nachrichtendienst zu tun.
„Puh, das war jetzt aber richtig heftig mit all diesen Details“, denke ich mir gerade. “Nach meiner Erfahrung will ein Experte jedoch genau auf diese Details nicht verzichten. Ich werde daher an dieser ausführlichen Beschreibung von Sachverhalten in weiterer Folge bleiben.
Und durch die grafischen Symbole kann man diese Kapitel schnell überspringen, wenn man gerade mal keine Muse oder Zeit für die Lektüre hat, nicht wahr?“
3.6 Den Reifegrad von Daten bestimmen
Das Data Management Maturity Model des etablierten CMMI Institute ist als umfassendes Referenzmodell für die Prozessverbesserung der Datenbereitstellung nach dem aktuellen Stand der Technik gedacht. Es definiert die grundlegenden Geschäftsprozesse der Datenbereitstellung und weitere spezifische Fähigkeiten eines Unternehmens, die in einem abgestuften Pfad als Reifegrad dargestellt werden können.
Somit wird es einem Unternehmen ermöglicht, sich selbst anhand dokumentierter und bewährter Verfahren zu bewerten, Lücken zu ermitteln und die Bereitstellung von Daten über funktionale, branchenspezifische und geografische Grenzen hinweg zu verbessern.
Das DMM Modell dient primär zur Prozessverbesserung und Beurteilung der Reife von Fähigkeiten für die Datendisziplin „Datenbereitstellung“ eines Unternehmens sowie allen dazugehörigen Aktivitäten.
Es enthält bewährte Verfahren für die Einrichtung, den Aufbau, die Aufrechterhaltung und die Optimierung einer effizienten Datenbereitstellung über den gesamten Datenlebenszyklus hinweg, von der Erstellung über die Speicherung bis hin zur Wartung und Archivierung von Daten.
Der Standard des DMM Modells ist auf zahlreiche Branchen und viele Ziele der Datenbereitstellung anwendbar. Es erleichtert die Wertschätzung eines Unternehmens für die Datenbereitstellung als kritische Infrastruktur durch die Steigerung der notwendigen Fähigkeiten und Praktiken. Obwohl das DMM Modell die Anforderungen und Aktivitäten für eine effektive Datenbereitstellung definiert, schreibt es nicht explizit vor, wie ein Unternehmen diese Fähigkeiten erreichen soll [28].
Deshalb nutze ich das DMM Modell als grundlegende Basis für die Beurteilung des Reifegrads aller von mir festgelegten Datendisziplinen, also den datenbezogenen Fähigkeiten oder „Business Capabilities“ eines Unternehmens. Damit will ich sowohl eine effiziente Datenbereitstellung als auch eine effektive Datennutzung beurteilen und die Zielsetzung für einzelne Datendisziplinen festlegen können, um schlussendlich den jeweilig gewünschten Reifegrad durch geeignete Maßnahmen (und mit der Durchführung von IT-Projekten) zu erreichen.
Die Zielsetzung meines Reifegrad-Modells besteht darin, Unternehmen dabei zu helfen, ihre Fähigkeiten bei der Bereitstellung und Nutzung von (kritischen) Datenbeständen zu verbessern. Gleichzeitig will ich einen Maßstab festlegen, der sich für die kontinuierliche Verbesserung der notwendigen Prozesse, die Einhaltung von Vorschriften und für die - allenfalls notwendigen - Audits von Datenbeständen eignet.
Das Reifegrad-Modell weist sechs (6) Stufen über die Fähigkeiten und Reife der jeweiligen Datendisziplin auf, welche ich nachfolgend beschreibe:
Die sechs Stufen der Reifegrade von Datendisziplinen
Stufe 0 - Nicht betrachtet: Die Datendisziplin wurde nicht betrachtet und deshalb nicht bewertet.
Stufe 1 - Ad hoc: Prozesse werden ad hoc durchgeführt, hauptsächlich auf der Projektebene. Prozesse werden in der Regel nicht geschäftsbereichsübergreifend angewendet. Die Prozessdisziplin ist in erster Linie reaktiv, beispielsweise wird bei Datenqualitätsprozessen die Reparatur der Prävention vorgezogen. Grundlegende Verbesserungen können vorhanden sein, aber Verbesserungen werden innerhalb des Unternehmens noch nicht erweitert oder beibehalten. Daten werden als eine Voraussetzung für die Durchführung von Projekten verwaltet.
Stufe 2 - Verwaltet: Prozesse werden in Übereinstimmung mit den Richtlinien geplant und ausgeführt; es werden qualifizierte Mitarbeiter mit angemessenen Ressourcen beschäftigt, um kontrollierte Ergebnisse zu erzielen; beziehen relevante Interessengruppen mit ein; werden überwacht und kontrolliert und hinsichtlich der Einhaltung des definierten Prozesses bewertet. Es besteht ein Bewusstsein für die Bedeutung der Datenbereitstellung als kritische Infrastruktur.
Stufe 3 - Definiert: Es werden eine Reihe von Standardprozessen angewandt und konsequent befolgt. Prozesse zur Erfüllung spezifischer Bedürfnisse werden aus dem Satz von Standardprozessen gemäß den Richtlinien des Unternehmens maßgeschneidert. Daten werden auf organisatorischer Ebene als entscheidend für die erfolgreiche Durchführung von Innovationen behandelt.
Stufe 4 - Gemessen: Prozess-Metriken wurden definiert und werden für die Datenbereitstellung verwendet. Dazu gehört die Verwaltung von Varianz, Vorhersage und Analyse unter Verwendung statistischer und anderer quantitativer Techniken. Die Prozessleistung wird über die gesamte Lebensdauer des Prozesses verwaltet. Daten werden als die Quelle von Wettbewerbsvorteilen beurteilt und behandelt.
Stufe 5 - Optimiert: Die Prozessleistung wird durch die Anwendung der Level-4-Analyse zur Zielfindung von Verbesserungsmöglichkeiten optimiert. Best Practices werden mit Kollegen und der Industrie ausgetauscht. Daten werden als entscheidend für das Überleben des Unternehmens in einem dynamischen und wettbewerbsorientierten Markt angesehen.
Meine Definition der Reifegrad-Beurteilung
Eine СКАЧАТЬ