Datendemokratisierung: Wie Datenarchitektur Geschäftsentscheidungen und KI-Initiativen vorantreiben kann

Datendemokratisierung, ähnlich wie der Begriff digitale Transformation vor fünf Jahren, ist zu einem beliebten Schlagwort in allen Unternehmen geworden, von IT-Abteilungen bis hin zur Geschäftsleitung im C-Suite. Es wird oft als eine Möglichkeit beschrieben, einfach nur den Datenzugriff zu verbessern, aber bei der Umstellung geht es um weit mehr als das. Bei effektiver Implementierung vereinfacht eine Datendemokratie den Stack, eliminiert Daten-Gatekeeper und macht die umfassende Datenplattform des Unternehmens über ein Dashboard für verschiedene Teams leicht zugänglich.

Abgesehen von den technischen Aspekten sind die Ziele weitaus höher. Wenn die Datendemokratisierung richtig durchgeführt wird, erhalten die Mitarbeiter Tools an die Hand, mit denen alle mit Daten arbeiten können, nicht nur die Data Scientists. Es kann die Neugier der Mitarbeiter wecken und Innovationen ankurbeln. Wenn Mitarbeiter die richtigen Daten in die Hand nehmen, erhalten sie nicht nur das, was sie zur Problemlösung brauchen, sondern werden auch dazu angeregt zu fragen: „Was kann ich sonst noch mit Daten machen?“ durch ein Unternehmen, das wirklich datenkompetent ist.

In diesem Artikel gehen wir auf die Vorteile der Datendemokratisierung ein und und wie Unternehmen die Herausforderungen der Umstellung auf diesen neuen Datenansatz bewältigen können.

Die Demokratisierung von Daten hilft Unternehmen, datengestützte Entscheidungen zu treffen, indem sie Systeme und Tools einführt, die es jedem im Unternehmen, unabhängig von seinem technischen Hintergrund, ermöglichen, auf die benötigten Daten zuzugreifen, sie zu nutzen und darüber zu sprechen. Anstatt die mit dem Einverständnis der Mitarbeiter zur Verfügung gestellten Daten als Ausgabe von Kunden und Interessenten zu betrachten, sind sie jetzt das Tor für das Unternehmen zur strategischen Entscheidungsfindung.

Für eine echte Datendemokratisierung müssen sowohl die Mitarbeiter als auch die Verbraucher über Daten in einem einfach zu verwendenden Format verfügen, um deren Wert zu maximieren. Es erfordert außerdem Datenkompetenz im gesamten Unternehmen. Mitarbeiter und Führungskräfte müssen darauf vertrauen können, dass die Daten korrekt sind, sie müssen wissen, wie sie darauf zugreifen können, und sie müssen wissen, wie sie für geschäftliche Probleme genutzt werden können. Beide müssen ihrerseits über die nötigen Datenkenntnisse verfügen, um die Richtigkeit der Daten zu überprüfen, ihre Sicherheit zu gewährleisten und Anleitungen für die Verwendung der Daten zu geben oder zu befolgen.

Datendemokratisierung wird oft mit Datentransparenz verwechselt. Darunter versteht man Prozesse, die Datengenauigkeit und einen einfachen Zugriff auf Daten gewährleisten, unabhängig von ihrem Standort oder der Anwendung, mit der sie erstellt wurden. Datendemokratisierung bezieht sich stattdessen auf die Vereinfachung aller Prozesse im Zusammenhang mit Daten, von der Speicherarchitektur über die Datenverwaltung bis hin zur Datensicherheit. Sie erfordert auch einen unternehmensweiten Data-Governance-Ansatz, von der Einführung neuer Arten von Mitarbeiterschulungen bis hin zur Erstellung neuer Richtlinien für die Datenspeicherung.

Die Datendemokratisierung erfordert eine Verschiebung weg von der traditionellen „Data at Rest“-Architektur, die zum Speichern statischer Daten gedacht ist. Traditionell wurden Daten als Informationen betrachtet, die auf Vorrat gespeichert werden und nur bei Kundeninteraktionen oder bei der Ausführung eines Programms abgerufen werden. Die Art und Weise, wie Unternehmen Daten nutzen, ist heute viel flexibler. Mitarbeiter mit Datenkompetenz nutzen Daten in Hunderten von Apps, analysieren Daten für eine bessere Entscheidungsfindung und greifen von zahlreichen Standorten aus auf Daten zu.

Die Datendemokratisierung nutzt eine zweckmäßige Datenarchitektur, die auf die Arbeitsweise heutiger Unternehmen in Echtzeit ausgelegt ist. Diese wird sowohl lokal als auch in der Cloud bereitgestellt und ermöglicht eine umfassende Nutzung und Bewegung über Clouds, Apps und Netzwerke hinweg sowie über ruhende Daten, die gespeichert sind. Eine für die Demokratisierung von Daten konzipierte Architektur soll flexibel, integriert, agil und sicher sein, um die Nutzung von Daten und künstlicher Intelligenz (KI) in großem Maßstab zu ermöglichen. Hier sind einige Beispiele für die Arten von Architekturen, die sich gut für die Datendemokratisierung eignen.

Data Fabric

Data-Fabric-Architekturen sind so konzipiert, dass sie Datenplattformen mit den Anwendungen verbinden, in denen Benutzer mit Informationen interagieren, um den Datenzugriff in einem Unternehmen und die Self-Service-Datennutzung zu vereinfachen. Durch die Nutzung von Datendiensten und APIs kann eine Data Fabric auch Daten aus Altlast, Data Lake, Data Warehouse und SQL Database zusammenführen und so einen ganzheitlichen Überblick über die Leistung bieten.

Daten innerhalb einer Data Fabric werden anhand von Metadaten definiert und können in einem Data Lake gespeichert werden, einer kostengünstigen Speicherumgebung, in der große Mengen strukturierter, halbstrukturierter und unstrukturierter Daten für Geschäftsanalysen, maschinelles Lernen und andere umfassende Anwendungen untergebracht sind.

Data Mesh

Ein anderer Ansatz zur Datendemokratisierung verwendet ein Datennetz, eine dezentrale Architektur, die Daten nach einem bestimmten Geschäftsbereich organisiert. Er verwendet Wissensgraphen, Semantik und KI/ML-Technologie, um Muster in verschiedenen Arten von Metadaten zu erkennen. Anschließend werden diese Erkenntnisse angewendet, um die Datenwertschöpfungskette zu automatisieren und zu orchestrieren. Anstatt Extraktions-, Transformations- und Ladevorgänge (ETL) in einem Data Lake durchzuführen, definiert ein Data Mesh die Daten als Produkt in mehreren Repositories, denen jeweils eine eigene Domäne für die Verwaltung ihrer Datenpipeline zugewiesen ist.

Wie eine Microservice-Architektur, bei der schlanke Services miteinander gekoppelt sind, verwendet ein Datennetz funktionale Domänen, um Parameter rund um die Daten festzulegen. Auf diese Weise können die Benutzer im gesamten Unternehmen die Daten wie ein Produkt behandeln, auf das alle zugreifen können. Marketing-, Vertriebs- und Kundenserviceteams hätten beispielsweise ihre eigenen Domänen, sodass die Erzeuger eines bestimmten Datensatzes mehr Eigenverantwortung hätten, während die gemeinsame Nutzung durch verschiedene Teams weiterhin möglich wäre.

Data-Fabric- und Data-Mesh-Architekturen schließen sich nicht gegenseitig aus, und sie können sich sogar gegenseitig ergänzen. Eine Data Fabric kann beispielsweise das Datennetz stärken, da sie wichtige Prozesse automatisieren kann, z. B. die schnellere Erstellung von Datenprodukten, die Durchsetzung globaler Governance und die einfachere Orchestrierung der Kombination mehrerer Datenprodukte.

Mehr dazu: Data Fabric versus Data Mesh: Was ist das Richtige für Sie?

Je mehr Unternehmen versuchen, sich zu einer Kultur der Datendemokratisierung zu entwickeln und eine Architektur aufzubauen, die eine Kultur der Datenkompetenz unterstützt, desto mehr Vorteile werden sie daraus ziehen – und auf dem Weg dorthin auch auf einige Herausforderungen stoßen. Hier sind einige Vorteile – und potenzielle Risiken –, die bei dieser organisatorischen Veränderung zu berücksichtigen sind:

Produktivität

Viele Unternehmen setzen auf die Datendemokratisierung, um Silos zu beseitigen und abteilungsübergreifend mehr aus ihren Daten herauszuholen. Die erforderliche Datenintegration reduziert Datenengpässe, so dass Geschäftsanwender schnellere Geschäftsentscheidungen treffen können und technische Anwender die Möglichkeit haben, Aufgaben zu priorisieren, bei denen ihre Fähigkeiten besser genutzt werden. Das Ergebnis ist eine höhere Effizienz und Produktivität.

Sicherheit

Datensicherheit hat eine hohe Priorität. Die Datendemokratisierung hilft Unternehmen unweigerlich dabei, ihre Datensicherheit zu verbessern, indem sie eine bewusste und ständige Aufmerksamkeit für Data Governance und Datenintegrität erfordert. Es wird darauf geachtet, die richtigen Daten zu überwachen und die richtigen Daten in die Hände der richtigen Personen zu bringen, was zu einer umfassenderen Strategie der Datensicherheit führt.

Risiko von Datensümpfen

Ein Data Swamp (Datensumpf) ist das Resultat eines schlecht verwalteten Data Lake, dem es an angemessener Datenqualität und Data Governance mangelt, um aufschlussreiche Erkenntnisse zu liefern, wodurch die Daten unbrauchbar werden. Zu viele Unternehmen haben mit schlechter Datenqualität zu kämpfen. Die Datendemokratisierung zielt darauf ab, dieses Problem mit umfassender Aufsicht und Data Governance zu lösen. Durch die Anerkennung von Daten als Produkt wird ein größerer Anreiz geschaffen, Daten richtig zu verwalten.

Flexible Datennutzung

Die Demokratisierung von Daten wirkt dem Problem der Datengravitation entgegen, d. h. der Vorstellung, dass es immer schwieriger wird, Daten zu bewegen, je größer sie werden. Dinge wie massive Speicher von Kundendaten werden strategischer angegangen, sodass Unternehmen den Zugriff auch bei der Skalierung des Unternehmens aufrechterhalten können.

Benutzerfreundliche Tools

Die Demokratisierung von Daten zielt darauf ab, Daten für nicht-technische Benutzer zugänglicher zu machen, indem die Tools, die auf die Daten zugreifen, einfacher zu benutzen sind. Dazu gehören Tools, deren Nutzung keine fortgeschrittenen technischen Kenntnisse oder tiefgreifende Kenntnisse der Datenanalyse erfordert.

Wie bei jeder größeren Änderung im Geschäftsbetrieb sollten Unternehmen eine umfassende Datenstrategie entwickeln, um ihre Datendemokratisierungsziele zu erreichen. Zu den wichtigsten Schritten gehören:

• Definition von Geschäfts- und Datenzielen – Was sind die Ziele Ihres Unternehmens? Was sind Ihre Daten- und KI-Ziele? Die Abstimmung von Daten und Geschäftszielen ist für die Datendemokratisierung entscheidend. Indem Sie das Fachwissen von Stakeholdern nutzen, können Sie sicherstellen, dass Ihre Ziele umfassend und realistisch sind.
• Datenaudit durchführen – Wie werden Daten heute verwaltet? Untersuchen Sie, was funktioniert, was nicht, und identifizieren Sie Engpässe und Bereiche, in denen bessere Tools und ein besserer Zugriff erforderlich sind. Wenn Sie den aktuellen Status Ihrer Datenverwaltung kennen, können Sie verstehen, welche Änderungen das Unternehmen vornehmen muss.
• Zuweisung eines Daten-Frameworks – Wie wird das aussehen, wenn Sie die vollständige Datendemokratisierung erreichen? Entwerfen Sie einen Weg zu diesem Ziel und legen Sie fest, wo die Modernisierung, die Datenanalyse, die Automatisierung und die KI Sie erreichen können.
• Kontrollmechanismen einführen – Hierbei greifen Sie auf Datenpartner zurück, um die Einhaltung der Vorschriften im gesamten Unternehmen sicherzustellen. Wie werden Datenstandards und -prozesse kommuniziert und durchgesetzt? Verwenden Sie diesen Schritt, um Data Governance-Richtlinien zu erstellen und zu implementieren.
• Integrieren Sie Ihre Daten –Unternehmen leiden häufig unter einem Mangel an Transparenz zwischen den Abteilungen. Die Umsetzung der Datendemokratisierung bedeutet, diese Silos aufzubrechen und einen Weg zu finden, Prozesse effektiv und so zu integrieren, dass die Akzeptanz gefördert wird.
• Trainieren und Befähigen von Mitarbeitern –Eine erfolgreiche Umsetzung der Datendemokratisierung setzt voraus, dass die Mitarbeiter über das richtige Maß an Datenkompetenz verfügen, um auf die Daten effektiv zugreifen und sie nutzen zu können. Sorgen Sie dafür, dass die führenden Köpfe im Bereich der Datenverarbeitung die Einführung vorantreiben und die Datenkompetenz zum Bestandteil des Einstellungsprozesses machen. Schulen Sie Ihre Mitarbeiter darin, wie die Demokratisierung von Daten ihre Arbeitsergebnisse und die Customer Experience verbessern kann.

Sobald Ihre Datendemokratisierung begonnen hat, können Ihre Teams damit beginnen, sich mit den Möglichkeiten des neuen Datenparadigmas zu befassen, einschließlich der Weiterentwicklung neuer Tools wie KI und maschinelles Lernen. Hier sind einige Möglichkeiten, wie Unternehmen die Datendemokratisierung nutzen können, um eine umfassendere Implementierung von KI zu ermöglichen:

Definieren Sie KI-Anwendungsfälle

Besprechen Sie die Prioritäten im Bereich Geschäftsanalyse und Automatisierung und entscheiden Sie, wo KI zuerst implementiert werden soll. Sie können zum Beispiel in Analysetools investieren, um interne Business Intelligence-Berichte, Echtzeit-Chatbots für den Kundenservice und Self-Service-Analysen für verschiedene Geschäftsteams zu entwickeln. Wahrscheinlich können Sie diese KI-Tools nicht alle auf einmal implementieren. Definieren Sie daher zunächst die besten Bereiche für den Einsatz von KI.

Identifizieren Sie Datensätze

Nicht alle Daten in Ihrem Unternehmen sind für KI oder Anwendungsfälle geeignet. Untersuchen Sie Ihre Datensätze und bestimmen Sie, welche sich für weitere Forschung eignen, um zu sehen, ob sie Ihnen bei der Bewältigung relevanter Anwendungsfälle helfen. Mit der Demokratisierung von Daten sollte Ihr Unternehmen einen besseren Einblick in die Qualität und Verfügbarkeit von Daten haben, um diesen Prozess voranzutreiben, sowie in den ROI für jeden Anwendungsfall.

Verwenden Sie MLOps für Skalierbarkeit

Die Entwicklung von Modellen für maschinelles Lernen (ML) ist bekanntermaßen fehleranfällig und zeitaufwändig. MLOps schafft einen Prozess, in dem es einfacher ist, Erkenntnisse aus Geschäftsdaten zu gewinnen. Außerdem optimiert es den Prozess mit Machine Learning Operations (MLOps), die vorgefertigte ML-Modelle verwenden, um den ML-Modellierungsprozess zu automatisieren.

Machen Sie KI transparent

Die Datendemokratisierung stellt sicher, dass Datenerfassung, Modellerstellung, Bereitstellung, Verwaltung und Überwachung sichtbar sind. Dies führt zu marktfähigeren KI-gestützten Produkten und größerer Verantwortlichkeit.

Es gibt zwei Schlüsselelemente für die Datendemokratisierung: Sie beginnt mit der richtigen Datenarchitektur, wird aber durch die richtige Automatisierung und KI-Lösungen verstärkt. IBM bietet einen modernen Ansatz für den Entwurf und die Implementierung einer Data-Fabric-Architektur, die Unternehmen dabei hilft, die Vorteile der Data Fabric in einer einheitlichen Plattform zu nutzen, die alle Daten – über hybride und Multi-Cloud-Umgebungen hinweg – für KI und Datenanalysen verfügbar macht.

Watsonx ist ein Portfolio von KI-Produkten, das die Wirkung generativer KI in Kern-Workflows beschleunigt, um die Produktivität zu steigern. Das Portfolio besteht aus drei leistungsstarken Komponenten: dem watsonx.ai Studio für neue Foundation Models, generative KI und maschinelles Lernen, dem Fit-for-Purpose-Store watsonx.data für die Flexibilität von Data Lakes und die Leistung von Data Warehouses sowie dem Toolkit watsonx.governance, um KI-Workflows zu ermöglichen, die verantwortungsvoll, transparent und erklärbar gestaltet sind.

Gemeinsam bietet watsonx Unternehmen folgende Möglichkeiten:

1. Trainieren, optimieren und stellen Sie KI in Ihrem gesamten Unternehmen mit watsonx.ai bereit
2. Skalieren Sie KI-Workloads standortunabhängig für all Ihre Daten – mit watsonx.data
3. Ermöglichen Sie verantwortungsvolle, transparente und erklärbare Daten- und KI-Workflows mit watsonx.governance