Lebenszyklus von Daten: Wohin gehen die Datenbytes, wenn sie sterben?

Wussten Sie, dass nur 3 % der in Unternehmen vorhandenen Daten von hoher Qualität sind und dass 12 % aller Einnahmen auf schlechte Daten entfallen?

Oder dass bei der Arbeit mit Daten 70 % der Zeit von Führungskräften damit verbracht wird, die benötigten Daten zu finden?

Daten sind vielleicht das wertvollste Gut, das Ihnen zur Verfügung steht, aber es ist wichtig, sie so zu strukturieren, dass ihr Nutzen maximiert wird.

Dazu muss der Lebenszyklus der Daten verstanden und verwaltet werden. Dadurch wird es für Unternehmen einfacher zu verstehen, welche Richtlinien, Prozesse und Tools sie in jeder Phase benötigen.

Wenn Sie den Datenlebenszyklus in den Griff bekommen möchten, ist dieser Blog ein guter Ausgangspunkt. Hier erfahren Sie alles über die verschiedenen Phasen und die Technologien, die zur Optimierung der Datenverwaltung während des gesamten Prozesses eingesetzt werden.

Lassen Sie uns eintauchen!

Versuchen Sie, sich den Lebenszyklus der Datenverwaltung wie die Lebensdauer eines Lebewesens vorzustellen:

• Daten werden geboren → oder erstellt,
• Sie werden eingesetzt → oder verwendet,
• Sie wandern → oder werden zwischen Unternehmen ausgetauscht,
• Sie werden schließlich stillgelegt oder für die Zukunft aufbewahrt → oder archiviert,
• Schließlich stirbt es → wird gelöscht oder zerstört,

Und wie jeder Mensch braucht sie in jeder Lebensphase andere Dinge.

Lassen Sie uns von der Analogie zur Praxis übergehen und die sechs Hauptphasen des Datenlebenszyklus betrachten:

"Das Ziel ist es, Daten in Informationen und Informationen in Erkenntnisse zu verwandeln".

- Carly Fiorina, ehemalige Vorstandsvorsitzende, Hewlett-Packard

Daten und Informationen sind Begriffe, die oft synonym verwendet werden, aber eigentlich sind es zwei verschiedene Dinge:

Daten sind rohe, unverarbeitete Fakten oder eine Reihe von Fakten.

Dabei kann es sich um Zahlen, Abbildungen, Namen oder andere Details handeln, denen jedoch der Kontext oder die Bedeutung fehlt und die für sich genommen keinen großen Wert darstellen.

Wenn diese Daten verarbeitet, organisiert oder interpretiert werden, um eine Bedeutung zu erhalten, werden sie zu Informationen.

Informationen sind Erkenntnisse. Sie sind verwertbar, nützlich und oft an einen bestimmten Zweck oder Entscheidungsprozess gebunden.

Der Lebenszyklus der Daten: Konzentriert auf Rohdaten

Wie bereits erwähnt, strukturiert der Datenlebenszyklus den Weg, den Rohdaten von ihrer Erstellung bis zu ihrer endgültigen Vernichtung nehmen.

Er soll Unternehmen dabei helfen, sicherzustellen, dass Daten in jeder der sechs Phasen ihres Lebenszyklus korrekt gehandhabt, sicher gespeichert und mit der gebührenden Sorgfalt behandelt werden.

Der Lebenszyklus von Informationen: Auf die Wertschöpfung fokussiert

Im Gegensatz dazu befasst sich der Lebenszyklus des Informationsmanagements mit Daten, die verarbeitet und in nützliche Informationen umgewandelt wurden.

Er konzentriert sich mehr darauf, wie aussagekräftige Informationen genutzt, weitergegeben und verwaltet werden.

Der Informationslebenszyklus beginnt, sobald die Daten durch Analyse, Prozess oder eine andere Art der Kontextualisierung in Erkenntnisse umgewandelt wurden.

Die Dualität: Warum beide Lebenszyklen wichtig sind

Daten und Informationen mögen wie digitale Zwillinge erscheinen, die sich so ähnlich sind, dass es nicht nötig ist, sie getrennt zu betrachten.

Sie erfüllen jedoch unterschiedliche, aber komplementäre Funktionen im digitalen Ökosystem.

→ Der Lebenszyklus von Daten stellt sicher, dass Rohdaten ordnungsgemäß verwaltet und gespeichert werden, und zwar in einer Weise, die den rechtlichen Verpflichtungen gerecht wird.

→ Der Informationslebenszyklus maximiert den Wert dieser Daten, indem er sie in nützliche Erkenntnisse umwandelt.

Anders ausgedrückt: Daten sind der Treibstoff, und der Informationslebenszyklus ist der Motor, der diese Energiequelle in Leistung umwandelt.

Beide sind von entscheidender Bedeutung, aber sie arbeiten auf unterschiedlichen Ebenen, und das Verständnis dieser Unterscheidung wird sich als entscheidend erweisen, wenn es darum geht, digitale Bestände effektiv zu verwalten.

Lebenszyklus-Phase: Erstellung

Zweck: ETL steht für Extrahieren, Transformieren und Laden. Diese Werkzeuge sammeln Daten aus verschiedenen Quellen, wandeln sie in ein einheitliches Format um und integrieren sie an einem Ort. Durch diesen Prozess wird sichergestellt, dass die Daten für die Analyse und die Verwendung in verschiedenen Systemen bereitstehen.

Beispiele:

• Talend: Ein Open-Source-Datenintegrationstool, das bei ETL-Prozessen hilft, indem es die Extraktion, Transformation und das Laden von Daten aus einer Vielzahl von Quellen ermöglicht.
• Informatica: Eine weit verbreitete Datenintegrationsplattform, die robuste Tools für ETL, Datenqualität und Data Governance bietet und komplexe Datenintegrationsanforderungen unterstützt.

Lebenszyklusphase: Speicherung

Zweck: Cloud-Speicherlösungen bieten skalierbaren und sicheren Online-Speicher für Daten. Sie ermöglichen es Unternehmen, große Datenmengen zu speichern, ihre Verfügbarkeit zu gewährleisten und einen einfachen Zugriff von jedem Ort aus zu ermöglichen, wodurch der Bedarf an physischer Speicherinfrastruktur reduziert wird.

Beispiele:

• Google Cloud: Bietet eine Reihe von Cloud-Speicherlösungen, einschließlich skalierbarer Objektspeicher und integrierter Datenverwaltungsdienste, die für unterschiedliche Datenanforderungen geeignet sind.
• AWS: Amazon Web Services bietet flexible Cloud-Speicheroptionen wie Amazon S3 für Objektspeicher und Amazon EBS für Blockspeicher, bekannt für seine Zuverlässigkeit und Skalierbarkeit.

Lebenszyklus-Phase: Verwendung

Zweck: Stammdatenmanagement-Tools stellen sicher, dass wichtige Daten, wie z. B. Kunden- oder Produktinformationen, in allen Systemen konsistent und korrekt sind. Sie helfen dabei, eine einzige, zuverlässige Quelle der Wahrheit für Geschäftsdaten zu erhalten.

Beispiele:

• Informatica MDM: Eine führende MDM-Lösung, die umfassende Datenverwaltungsfunktionen bietet und die Datenkonsistenz und -qualität im gesamten Unternehmen sicherstellt.
• SAP Master Data Governance: Eine robuste MDM-Lösung, die in das SAP-Ökosystem integriert werden kann, um genaue Stammdaten zu verwalten und zu pflegen, und Funktionen für Datenqualität, Governance und Compliance bietet.

Lebenszyklus-Phase: Nutzung

Zweck: Diese Tools dienen der Überwachung, Bewertung und Verbesserung der Genauigkeit und Zuverlässigkeit von Daten. Sie helfen dabei, Datenfehler oder -inkonsistenzen zu erkennen und zu korrigieren, um sicherzustellen, dass Entscheidungen auf qualitativ hochwertigen Informationen beruhen.

Beispiele:

• Talend Data Quality: Ein Tool, das in die Datenintegrationssuite von Talend integriert wird, um Daten zu profilieren, zu bereinigen und zu überwachen und so sicherzustellen, dass sie den Qualitätsstandards entsprechen.
• IBM InfoSphere Information Server: Eine umfassende Suite von Datenqualitätstools, die Funktionen für die Profilerstellung, Bereinigung und Überwachung von Daten bietet und Unternehmen dabei hilft, die Genauigkeit und Integrität ihrer Daten sicherzustellen.

Lebenszyklus-Phase: Nutzung

Zweck: Datenkatalogisierungstools organisieren und dokumentieren Datenbestände und erleichtern es den Benutzern, die ihnen zur Verfügung stehenden Daten zu entdecken und zu verstehen. Sie stellen Metadaten, Informationen zur Datenabfolge und zur Verwendung bereit, um die Datenverwaltung und -kontrolle zu erleichtern.

Beispiele:

• Alation: Eine Datenkatalogisierungsplattform, die Unternehmen bei der Verwaltung von Datenbeständen unterstützt, indem sie ein durchsuchbares Inventar und detaillierte Metadaten bereitstellt und so eine bessere Datennutzung und -verwaltung fördert.
• Collibra: Eine umfassende Data-Governance- und Katalogisierungslösung, die Tools für die Erkennung, Klassifizierung und Verwaltung von Daten bietet und es Unternehmen ermöglicht, Datenbestände effektiv zu verwalten und die Einhaltung von Vorschriften sicherzustellen.

Lebenszyklus-Phase: Freigabe

Zweck: Diese Tools schützen sensible Daten durch die Implementierung von Zugriffskontrollen, Verschlüsselung und Überwachung. Sie tragen dazu bei, dass Daten sicher und vorschriftsmäßig weitergegeben werden und schützen sie vor unbefugtem Zugriff oder Verstößen.

Beispiele:

• Varonis: Eine Datensicherheitsplattform, die fortschrittliche Bedrohungserkennung, Datenklassifizierung und Überwachung bietet, um sensible Daten zu schützen und die Einhaltung von Vorschriften zu gewährleisten.
• BigID: Eine Datenschutzlösung, die Unternehmen bei der Erkennung, Klassifizierung und Verwaltung sensibler Daten unterstützt und Funktionen für das Daten-Mapping, die Zugriffskontrolle und die Einhaltung von Datenschutzbestimmungen wie GDPR und CCPA bietet.

Lebenszyklus-Phase: Archivierung

Zweck: Sicherungs- und Archivierungslösungen erstellen Kopien von Daten für die Notfallwiederherstellung und die langfristige Speicherung. Sie stellen sicher, dass wichtige Daten erhalten bleiben und im Falle eines Datenverlusts oder einer Datenbeschädigung wiederhergestellt werden können.

Beispiele:

• Veeam: Eine Backup- und Disaster-Recovery-Lösung, die für ihre zuverlässigen Datensicherungs- und Wiederherstellungsfunktionen bekannt ist und sich sowohl für virtuelle als auch für physische Umgebungen eignet.
• Commvault: Eine umfassende Datenverwaltungslösung, die robuste Backup-, Archivierungs- und Wiederherstellungsfunktionen bietet und Funktionen wie automatische Backups, Cloud-Integration und langfristige Datenaufbewahrung umfasst.

Lebenszyklus-Phase: Nutzung

Zweck: Datenanalyse- und Visualisierungstools helfen bei der Analyse komplexer Datensätze und der Darstellung von Erkenntnissen in einem benutzerfreundlichen Format. Sie ermöglichen es Unternehmen, Berichte, Dashboards und Visualisierungen zu erstellen, um datengesteuerte Entscheidungen zu unterstützen.

Beispiele:

• TWIPLA: Eine datenschutzkonforme Website-Intelligence-Lösung mit intuitiven Datenvisualisierungen, benutzerdefinierten Dashboards und fortschrittlicher Tracking-Technologie ohne Kochfunktion.
• Power BI: Das Datenvisualisierungstool von Microsoft, das mit verschiedenen Datenquellen integriert werden kann, um detaillierte Berichte und Dashboards zu erstellen, die umfangreiche Analysefunktionen bieten.

Lebenszyklus-Phase: Nutzung

Zweck: Metadaten-Verwaltungstools verfolgen und verwalten Informationen über Datenbestände, z. B. über deren Herkunft, Struktur und Beziehungen. Sie helfen den Anwendern, den Kontext und die Herkunft der Daten zu verstehen und erleichtern so eine bessere Datenverwaltung und -nutzung.

Beispiele:

• Informatica Metadata Manager: Ein Tool für die umfassende Verwaltung von Metadaten, mit dem Unternehmen die Datenherkunft nachverfolgen, Datenbeziehungen verstehen und Data-Governance-Initiativen unterstützen können.
• Microsoft Purview: Eine Lösung für Data Governance und Compliance, die Funktionen zur Verwaltung von Metadaten bietet und Unternehmen dabei hilft, ihre Datenbestände zu erkennen, zu katalogisieren und zu verwalten und gleichzeitig Data Governance und die Einhaltung gesetzlicher Vorschriften zu gewährleisten.

Lebenszyklus-Phase: Nutzung

Zweck: Diese Tools automatisieren und rationalisieren Daten-Workflows und Prozesse. Sie stellen sicher, dass Datenbewegungen, -umwandlungen und -integrationsaufgaben effizient und konsistent ausgeführt werden, wodurch manueller Aufwand und Fehler reduziert werden.

Beispiele:

• Apache Airflow: Eine Open-Source-Plattform, die komplexe Daten-Workflows verwaltet und plant, so dass Benutzer Daten-Pipelines automatisieren und die betriebliche Effizienz verbessern können.
• Azure Data Factory: Ein Cloud-basierter Datenintegrationsdienst von Microsoft, der Daten-Workflows über verschiedene Quellen und Ziele hinweg orchestriert und automatisiert und Tools für die Bewegung, Transformation und Überwachung von Daten bereitstellt.

Lebenszyklus-Phase: Gemeinsame Nutzung

Zweck: Datenmigrationstools erleichtern die Übertragung von Daten zwischen verschiedenen Systemen oder Umgebungen. Sie helfen Unternehmen, Daten bei System-Upgrades, Cloud-Übergängen oder Fusionen und Übernahmen nahtlos zu verschieben und gewährleisten minimale Unterbrechungen.

Beispiele:

• AWS Data Migration Service: Ein Tool, das den Prozess der Migration von Datenbanken zu AWS vereinfacht und Unterstützung für verschiedene Datenbank-Engines bietet und Ausfallzeiten minimiert.
• Snowflake-Datenübertragungsdienst: Eine Lösung, die die Übertragung von Daten zu und von der Cloud-Datenplattform von Snowflake unterstützt und Tools für die Datenmigration, -integration und -synchronisation in verschiedenen Datenumgebungen bereitstellt.