Data-Lifecycle-Management (DLM) ist ein ein Konzept zur Verwaltung von Daten während ihres gesamten Lebenszyklus, von der Datenanforderung bis zur Datenlöschung. Daten werden anhand verschiedener Kriterien in Phasen unterteilt und durchlaufen diese Phasen, wenn sie verschiedene Aufgaben oder bestimmte Anforderungen erfüllen. Ein guter DLM-Prozess bietet den Daten eines Unternehmens Struktur und Organisation, was wiederum wichtige Ziele im Rahmen des Prozesses unterstützt, wie z. B. Datensicherheit und Datenverfügbarkeit.
Diese Ziele sind wichtig für den Geschäftserfolg und werden im Laufe der Zeit immer wichtiger. Mit DLM-Richtlinien und -Prozessen können sich Unternehmen auf die verheerenden Folgen vorbereiten, falls es zu Datenschutzverletzungen, Datenverlusten oder Systemausfällen kommt. Eine gute DLM-Strategie priorisiert Datenschutz und Disaster-Recovery, zumal mit dem schnellen Zuwachs von Daten immer mehr böswillige Akteure auf dem Markt erscheinen. Damit gibt es bereits einen effektiven Datenrecovery-Plan, falls es zu einer Katastrophe kommt, der einige der verheerenden Auswirkungen auf das Geschäftsergebnis und die allgemeine Reputation einer Marke abschwächt.
Information-Lifecycle-Management (ILM) wird oft synonym mit Data-Lifecycle-Management verwendet, und obwohl es auch Bestandteil einer Datenmanagementpraxis ist, unterscheidet es sich vom DLM.
Data-Lifecycle-Management überwacht Daten auf Dateiebene; das heißt, es verwaltet Dateien basierend auf Typ, Größe und Alter. ILM dagegen verwaltet die einzelnen Datenteile in einer Datei und stellt damit Datengenauigkeit und rechtzeitige Aktualisierungen sicher. Dies umfasst Benutzerinformationen, wie z. B. E-Mail-Adressen oder Kontostände.
Ein Datenlebenszyklus besteht aus einer Reihe von Phasen während der Nutzungsdauer von Daten. Für jede Phase gelten mehrere Richtlinien, die den Nutzen der Daten in jedem Abschnitt des Lebenszyklus maximieren. DLM wird immer wichtiger, da das Datenvolumen, das in Geschäftsabläufe aufgenommen wird, stetig zunimmt.
Phase 1: Datenerstellung
Ein neuer Datenlebenszyklus beginnt mit der Datenerfassung, es gibt jedoch zahlreiche Datenquellen. Dabei kann es sich um Web- und mobile Anwendungen, IoT-Geräte (Internet of Things), Formulare, Umfragen und mehr handeln. Während Daten auf unterschiedliche Art und Weise generiert werden können, ist die Erfassung aller verfügbaren Daten für den Erfolg Ihres Unternehmens nicht notwendig. Die Aufnahme neuer Daten sollte immer nach Qualität und Relevanz für Ihr Unternehmen bewertet werden.
Phase 2: Datenspeicherung
Daten können sich auch in ihrer Struktur unterscheiden, was Auswirkungen auf die Art des Datenspeichers hat, den ein Unternehmen verwendet. Strukturierte Daten nutzen normalerweise relationale Datenbanken, während unstrukturierte Daten typischerweise NoSQL- oder nicht-relationale Datenbanken verwenden. Sobald die Art von Speicher für den Datenbestand identifiziert wurde, kann die Infrastruktur auf Sicherheitslücken überprüft und die Daten können verschiedenen Arten der Datenverarbeitung unterzogen werden, wie Datenverschlüsselung und Datentransformation, um das Unternehmen vor böswilligen Akteuren zu schützen. Diese Art des Datenumbaus stellt außerdem sicher, dass vertrauliche Daten den datenschutzbezogenen und behördlichen Anforderungen von Richtlinien wie der DSGVO gerecht werden, sodass Unternehmen hohe Bußgelder aufgrund dieser Verordnungen vermeiden können.
Ein weiterer Aspekt des Datenschutzes ist eine Konzentration auf Datenredundanz. Eine Kopie gespeicherter Daten kann in Situationen wie Datenlöschung oder Datenverlust als Sicherung fungieren und vor versehentlichen Datenänderungen und vorsätzlichen, wie z. B. Malwareangriffen, schützen.
Phase 3: Gemeinsame Datennutzung
In dieser Phase werden Daten professionellen Anwendern bereitgestellt. Mit DLM können Unternehmen definieren, wer die Daten verwenden darf und für welchen Zweck sie verwendet werden können. Sobald die Daten verfügbar sind, können sie für eine Reihe von Analysen genutzt werden – von grundlegender explorativer Datenanalyse und Datenvisualisierungen bis hin zu innovativeren Verfahren für Data-Mining und maschinelles Lernen. All diese Methoden spielen eine Rolle bei der Entscheidungsfindung in Unternehmen und der Kommunikation gegenüber verschiedenen Stakeholdern.
Außerdem ist die Datennutzung nicht unbedingt nur auf die interne Verwendung beschränkt. Beispielsweise könnten externe Service-Provider die Daten für Zwecke wie Marketinganalyse und Werbung verwenden. Interne Verwendungszwecke umfassen alltägliche Geschäftsprozesse und Workflows wie Dashboards und Präsentationen.
Phase 4: Datenarchivierung
Nach einer gewissen Zeit sind Daten für alltägliche Geschäftsprozesse nicht mehr brauchbar. Es ist jedoch wichtig, Kopien der Daten des Unternehmens, auf die nicht häufig zugegriffen wird, für mögliche Rechtsstreitigkeiten und Untersuchungen aufzubewahren. Dann können archivierte Daten bei Bedarf in einer aktiven Produktionsumgebung wiederhergestellt werden.
Die DLM-Strategie eines Unternehmens sollte klar definieren, wann, wo und für wie lang Daten archiviert werden sollen. In dieser Phase durchlaufen die Daten einen Archivierungsprozess, der für Redundanz sorgt.
Phase 5: Datenlöschung
In diesem letzten Abschnitt des Lebenszyklus werden Daten aus den Datensätzen gelöscht und sicher vernichtet. Unternehmen löschen Daten, die sie nicht mehr benötigen, um mehr Speicherplatz für aktive Daten zu schaffen. In dieser Phase werden Daten aus Archiven entfernt, wenn sie die erforderliche Aufbewahrungsdauer überschreiten oder für das Unternehmen nicht mehr von Nutzen sind.
Data-Lifecycle-Management hat mehrere wichtige Vorteile, wie z. B.:
• Prozessverbesserung: Daten spielen eine entscheidende Rolle bei der Förderung der strategischen Initiativen eines Unternehmens. DLM trägt dazu bei, die Datenqualität während des gesamten Lebenszyklus sicherzustellen, was wiederum Prozessverbesserungen ermöglicht und die Effizienz steigert. Eine gute DLM-Strategie stellt sicher, dass die für Benutzer verfügbaren Daten korrekt und zuverlässig sind, sodass Unternehmen den Nutzen ihrer Daten maximieren können.
• Kostenkontrolle: Ein DLM-Prozess verbessert den Nutzen von Daten in allen Abschnitten des Lebenszyklus. Sobald Daten für Produktionsumgebungen nicht mehr brauchbar sind, können Unternehmen eine Reihe von Lösungen nutzen, um Kosten wie für Datensicherung, -replikation und -archivierung zu reduzieren. Beispielsweise können sie in kostengünstigeren lokalen Speicher, Cloud-Speicher oder in Network-attached Storage verschoben werden.
• Datennutzbarkeit: Mit einer DLM-Strategie können IT-Teams Richtlinien und Verfahren entwickeln, die sicherstellen, dass alle Metadaten durchgängig mit Tags versehen werden, um die Zugänglichkeit zu verbessern, wenn sie benötigt werden. Die Festlegung durchsetzbarer Governancerichtlinien stellt den Nutzen von Daten sicher, solange sie aufbewahrt werden müssen. Die Verfügbarkeit von bereinigten und nutzbaren Daten erhöht die Beweglichkeit und Effizienz von Unternehmensprozessen.
• Compliance und Governance: Jede Branche hat ihre eigenen Vorschriften für die Datenaufbewahrung, und eine solide DLM-Strategie hilft Unternehmen dabei, diese Vorschriften einzuhalten. Dank DLM können Unternehmen Daten mit höherer Effizienz und Sicherheit verarbeiten, während sie gleichzeitig Datenschutzgesetze in Bezug auf personen- und unternehmensbezogene Daten einhalten.
Verstehen Sie Ihre Cybersicherheitslandschaft und setzen Sie gemeinsam mit erfahrenen IBM Sicherheitsarchitekten und -beratern in einer kostenlosen, virtuellen oder persönlichen, dreistündigen Design Thinking-Sitzung Prioritäten für Ihre Initiativen.
Erfahren Sie in diesem E-Book, wie man eine Strategie für Datenintegration und Data-Lifecycle-Management für eine Hybridumgebung erstellt und ausführt. (1,4 MB)
Lernen Sie in diesem E-Book verschiedene Lösungen für Information-Lifecycle-Governance kennen. (446 KB)
Erfahren Sie, wie die State Bank of India (Staatsbank von Indien) mehrere IBM Lösungen zusammen mit der IBM® Garage-Methode verwendete, um eine umfassende Online-Banking-Plattform zu entwickeln.
Erkunden Sie die strategischen Schritte zur Entwicklung und Umsetzung einer Datenstrategie, die Geschäftsvorteile erzielt.
Forschung von IBM wird regelmäßig in neue Funktionen für IBM Cloud Pak for Data integriert