Finds documents with both search terms in any word order, permitting "n" words as a maximum distance between them. Best choose between 15 and 30 (e.g. NEAR(recruit, professionals, 20)).
Finds documents with the search term in word versions or composites. The asterisk * marks whether you wish them BEFORE, BEHIND, or BEFORE and BEHIND the search term (e.g. lightweight*, *lightweight, *lightweight*).
Ein effektives Datenmanagement ist entscheidend für den Erfolg von Unternehmen in der digitalen Transformation. Diese stehen vor der Herausforderung, ihre Datenmanagement-Initiativen systematisch zu bewerten und zu optimieren. Dieser Beitrag liefert Handlungsempfehlungen für das Datenmanagement in Enterprise Systems, basierend auf einem eigens entwickelten Reifegradmodell für datengetriebene Unternehmen, dem Data3M. Das Modell integriert Erkenntnisse aus bestehenden Modellen, Anforderungen aus der Literatur sowie Expertenmeinungen, um eine fundierte Grundlage für die Ableitung praxisorientierter Handlungsempfehlungen zu schaffen. Das Data3M ermöglicht eine umfassende Bewertung des Datenmanagements auf fünf Reifegradstufen und adressiert dabei die Schlüsselaspekte in den Dimensionen Strategie, Organisation, Daten und Systeme. Es hilft Unternehmen, die notwendigen Voraussetzungen für IT-Systeme zur Unterstützung datengetriebener Entscheidungsfindung zu ermitteln und zu implementieren.
Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.
1 Ausgangssituation und Motivation
Die Fähigkeit, Daten effektiv zu erheben, zu analysieren und zu nutzen, ist für Unternehmen unerlässlich, um Innovationen voranzutreiben (Engels 2018; Bollweg 2021). Ein professionelles Datenmanagement trägt wesentlich zur Optimierung interner Abläufe bei und verbessert IT-Produkte sowie Dienstleistungen (Engels 2023). Trotz der anerkannten Bedeutung dieser Ressource zeigt die Studie von Büchel und Engels (2022), dass lediglich 31 % der deutschen Unternehmen als „Data Economy Ready“ eingestuft werden können, das heißt, in der Lage sind, Daten effizient zu nutzen und daraus wirtschaftlichen Mehrwert zu ziehen. Insbesondere in Großkonzernen mit komplexen Datenstrukturen ist oft unklar, wo Daten gespeichert sind und wie mit ihnen umgegangen wird (Brüning et al. 2017). Datenqualität, Echtzeitverarbeitung, Datenherkunft und Skalierbarkeit stellen signifikante Herausforderungen für das Datenmanagement dar. Die Sicherstellung hoher Datenqualität, die Fähigkeit zur schnellen Entscheidungsfindung durch Echtzeitanalysen, die Nachverfolgung der Datenherkunft zur Wahrung von Transparenz und Glaubwürdigkeit sowie effiziente Skalierungsmechanismen zur Verarbeitung und Speicherung großer Datenmengen sind dabei von großer Bedeutung (Almeida 2017). Ein Schlüsselelement für die erfolgreiche Entwicklung eines Datenmanagements ist die begleitende Erfolgsmessung in Form eines Reifegradmodells (RFM) (Bollweg 2021). Die Notwendigkeit eines solchen Modells ergibt sich aus der Diskrepanz zwischen dem Potenzial, das Daten für Unternehmen bieten (Engels 2023), und der tatsächlichen Fähigkeit vieler Organisationen, dieses Potenzial voll auszuschöpfen (Büchel und Engels 2022). Zur datengetriebenen Gestaltung von Unternehmen, sind Handlungsempfehlungen für ein zukunftsfähiges Datenmanagement in Enterprise Systems erforderlich, das Echtzeitdatenverarbeitung und tiefgehende Analysen unterstützt (Bender et al. 2022). Ein effizientes Datenmanagement in Enterprise Systems ermöglicht es, den steigenden Anforderungen an Datenschutz, Datenverarbeitung und Echtzeitfähigkeiten gerecht zu werden und datenbasierte Geschäftsentscheidungen zu unterstützen (Abhishek 2023).
Aus der dargelegten Motivation und Problemstellung ergeben sich folgende drei Forschungsfragen:
F1: Welche Schlüsselkomponenten und Faktoren sind für ein unternehmensweites Datenmanagement erforderlich?
F2: Welche Elemente müssen in einem Reifegradmodell zur Bewertung des Datenmanagements berücksichtigt werden, um die Effektivität und Effizienz datengetriebener Prozesse zu gewährleisten?
F3: Welche Maßnahmen können Unternehmen ergreifen, um den Reifegrad ihrer Enterprise Systems im Datenmanagement datengetriebener zu gestalten?
Advertisement
Das Ziel dieses Beitrags ist es, Handlungsempfehlungen sowie Schlüsselkomponenten und Faktoren aus Sicht des Datenmanagements für Enterprise Systems zu identifizieren, um datengetriebene Entscheidungen effektiv zu unterstützen. Zudem soll ein Reifegradmodell entwickelt werden, mit dessen Hilfe Unternehmen ihren aktuellen Stand im Datenmanagement einschätzen können.
Der Beitrag ist in 7 Kapitel unterteilt. Kap. 2 definiert und erläutert grundlegende Terminologien und Kap. 3 das methodische Vorgehen. In Kap. 4 wird das Reifegradmodell Data3M sowie die fünf Reifegradstufen vorgestellt. Kap. 5 beantwortet die Forschungsfragen und liefert wertvolle Handlungsempfehlungen. Abschließend folgt in Kap. 6 eine Diskussion, bevor Kap. 7 den Beitrag mit einem Fazit sowie einem Ausblick abschließt.
2 Grundlagen
2.1 Datenmanagement
Das Datenmanagement umfasst alle Schritte, welche erforderlich sind, um vorhandene Datensätze sinnvoll zu erfassen, sichten, korrigieren und zu speichern, wobei die Datenanalyse selbst nicht als Teil des Datenmanagements betrachtet wird (Gehrau et al. 2022). Ein effektives Datenmanagement erfordert den Aufbau umfassender Datenkompetenzen innerhalb des Unternehmens, einschließlich der Etablierung klar definierter Data Governance Rollen und einer konsistenten Datenarchitektur (Baidinger 2022). Eine zentrale Herausforderung besteht in der Sicherstellung der Datenqualität, da unvollständige, veraltete oder redundante Daten den Wert erheblich mindern können (Maas 2023). Hierfür müssen Techniken zur Datenbereinigung eingesetzt werden (Block 2023). Zusätzlich spielt die Integration externer Datenquellen und der Einsatz moderner Technologien wie Künstlicher Intelligenz (KI) und Graphdatenbanken eine entscheidende Rolle (Horster et al. 2022). Schließlich ist die Etablierung einer datengetriebenen Unternehmenskultur sowie die Definition einer klaren Datenstrategie erforderlich (Bundi und Keimer 2019).
2.2 Datenmanagement in Enterprise Systems
Enterprise Systems entwickeln sich von isolierten Anwendungen mit redundanten Daten hin zu integrierten Lösungen, die zentrale Datenbanken und Anwendungsmodule wie ERP, CRM und SCM umfassen (Weske 2024). Sie müssen zunehmend flexibel gestaltet sein, um mit den stetig wachsenden technologischen und geschäftlichen Anforderungen Schritt zu halten und eine kontinuierliche Verfügbarkeit von Daten und Prozessen sicherzustellen (Leyh und Wendt 2018). Das Datenmanagement im Kontext von Enterprise Systems umfasst die systematische Erfassung, Speicherung, Verwaltung und Nutzung von Daten (Bender et al. 2022). Jedoch wird es zunehmend komplexer, da modernere Systeme große Datenmengen aus verschiedenen Quellen, wie beispielsweise IoT-Geräten und Cloud Plattformen integrieren müssen (Wang et al. 2022). Technologien wie Data Warehousing (DWH), ETL-Prozesse und OLAP spielen dabei eine zentrale Rolle (Bender et al. 2022). Die Kombination von Technologien, wie KI und Blockchain, unterstützt Enterprise Systems dabei, datengetriebene Strategien zu entwickeln und die Effizienz sowie Flexibilität in dynamischen Geschäftsprozessen zu verbessern (Wang et al. 2022). Die fortschreitende Entwicklung von Daten und IT-Systemen erfordert zudem spezialisierte Data Science-Kompetenzen (Bender et al. 2022). Durch die Nutzung von Enterprise Services können Unternehmen ihre IT-Infrastruktur anpassen und Services sowohl intern als auch von Drittanbietern einbinden, um Kundenbedürfnisse besser zu bedienen und Wettbewerbsvorteile zu erzielen (Weske 2024).
Advertisement
2.3 Reifegradmodell
Ein Reifegradmodell ist ein Instrument zur Bewertung der Fähigkeit eines Unternehmens, seine Ressourcen gezielt einzusetzen (Otto und Österle 2016). Im Kontext des Datenmanagements misst es die Fähigkeit, dieses effektiv zu betreiben (Otto und Österle 2016). Das Modell besteht aus mehreren Kriterien, anhand derer bewertet wird, inwieweit die angestrebten Reifegradstufen erreicht wurden (Müller 2022). Ein Reifegradmodell kann zur Einschätzung des gesamten Unternehmens entwickelt werden, lässt sich jedoch auch auf einzelne, klar abgegrenzte strategische Geschäftsfelder anwenden (Wolf und Strohschen 2018). Ein klar definiertes und maßgeschneidertes Reifegradmodell ist daher entscheidend, um spezifische Unternehmensbedürfnisse zu berücksichtigen und langfristige, nachhaltige Lösungen zu entwickeln (Otto und Österle 2016; Wolf und Strohschen 2018; Müller 2022).
3 Methodik
Der Entwicklungsprozess des Data Management Maturity Model (Data3M) orientiert sich am Design Science Research-Ansatz nach Peffers et al. (2007) sowie am Vorgehensmodell zur Entwicklung von Reifegradmodellen nach Becker et al. (2009). Die Ableitung der Handlungsempfehlungen für das Datenmanagement in Enterprise Systems basiert auf dem Data3M.
Die vollständige Vorgehensweise zur Entwicklung des Data3M sowie die Ableitung der Handlungsempfehlungen, wie in Abb. 1 dargestellt, umfasst fünf Hauptschritte: (1) Problemidentifikation und Motivation, (2) Zieldefinition, (3) Design und Entwicklung, (4) Demonstration und (5) Kommunikation. Diese Schritte folgen einem iterativen Ansatz.
Abb. 1
Vorgehensweise zur Ableitung von Handlungsempfehlungen für das Datenmanagement in Enterprise Systems (eigene Darstellung)
Im Folgenden werden die fünf Hauptschritte des Entwicklungsprozesses des Data3M beschrieben:
Schritt 1 – Problemidentifikation und Motivation: Besonders große Unternehmen haben oft Schwierigkeiten, den wirtschaftlichen Nutzen aus komplexen Datenstrukturen zu ziehen. Hier setzt das Reifegradmodell an: Es bietet Unternehmen die Möglichkeit, ihre Datenmanagement-Fähigkeiten zu bewerten und daraus konkrete Handlungsempfehlungen abzuleiten. Zur Entwicklung des Data3M wurde ein Vergleich bestehender Reifegradmodelle durchgeführt. Hierfür wurden drei Schritte durchgeführt: Zuerst wurde ein Klassifikationsschema in Anlehnung an Leyh et al. (2016) entwickelt. Daraufhin folgte eine Literaturanalyse nach Fettke (2006) und Webster und Watson (2002) sowie eine qualitative Inhaltsanalyse nach Mayring (2010). Der Fokus lag darauf, Reifegradmodelle im Bereich des Datenmanagements zu identifizieren. In den Publikationsdatenbanken Springer Link und Google Scholar wurde der Suchterm [(Reifegradmodell OR “Maturity Model”) AND Dat*] verwendet. Insgesamt wurden 20 RFMs identifiziert. Durchschnittlich umfassen diese fünf Stufen und sind international ausgerichtet. Aus den analysierten Modellen wurden sechs thematisch relevante RFMs ausgewählt: das Data Governance Maturity Model (Bollweg 2021), Data Economy (Azkan et al. 2019), IQM-CMM (Information Quality Management Capability Maturity Model) (Baškarada et al. 2021), Reifegradcharakteristik Datenzugriff (Wawer und Lachmayer 2023), DAMA-DMBOK (Data Management Body of Knowledge) (Caballero et al. 2023) und das DMM-Model (Data Management Maturity Model) (Zaino 2017). Diese Modelle dienen als Grundlage für die Entwicklung des Data3M, bieten jedoch keine umfassende Lösung, insbesondere in Bezug auf die Integration von KI. Deshalb wurde entschieden, ein neues Modell zu entwickeln, das die Lücken der bisherigen Ansätze schließt. Die Entwicklungsstrategie umfasste die Übertragung und Kombination von Strukturen und Inhalten aus den ausgewählten Modellen.
Schritt 2 – Zieldefinition: In dieser Phase wurden die Ziele und Liefergegenstände des Reifegradmodells festgelegt. Dazu gehörte die Identifikation der notwendigen Anforderungen durch eine systematische Literaturanalyse. Zudem wurden die Dimensionen und Reifegradstufen des Modells definiert. Es wurde festgelegt, dass das Modell konkrete Handlungsempfehlungen enthalten soll, um den Anwendern praxisnahe Verbesserungsvorschläge zu bieten.
Schritt 3 – Design und Entwicklung: Das Design des Data3M umfasste mehrere Teilschritte. Zunächst wurde der Gestaltungsbereich des Modells definiert, wobei fünf Reifegradstufen und ein multidimensionaler Ansatz gewählt wurden. In der ersten Iteration wurden durch eine systematische Literaturanalyse Anforderungen an das Modell gesammelt. Die Literaturanalyse zielte darauf ab, die Grundlagen und Qualitätskriterien des Datenmanagements, bestehende Data Lifecycle-Modelle und den Einsatz von KI zur Optimierung zu untersuchen. Die verwendeten Literaturdatenbanken Springer Link, IEEE, Web of Science und Google Scholar wurden nach den Suchtermen [(Datenmanagement AND (AI OR Future OR Kriterien OR Merkmale)) OR „Data life cycle“] durchsucht. Hieraus ergaben sich 16 relevante Publikationen. Im Sommer 2024 wurden zudem drei Experteninterviews unter Anwendung der Leitfragenmethodik durchgeführt. Der erste Entwurf von Data3M wurde auf Grundlage der Literatur entwickelt und anschließend iterativ anhand der Ergebnisse der Experteninterviews angepasst. Die ausgewählten Experten wurden aufgrund ihrer Erfahrung im Umgang mit großen Datenmengen in einem E‑Commerce-Unternehmen identifiziert. Ziel der Fragen war es, die Anforderungen und Ansprüche der Experten an das Datenmanagement zu ermitteln und herauszufinden, wie sie diese Anforderungen von einem niedrigen bis hin zu einem hohen Level skalieren würden. Die Literaturanalyse identifizierte 46 Anforderungen, welche durch die Experteninterviews auf 121 erweitert wurden und die Grundlage für die weitere Entwicklung des Modells bildeten. Die Erkenntnisse aus Literatur und Praxis ließen jedoch noch Lücken in den fünf Reifegradstufen des Data3M. Zur Vervollständigung des Modells wurde daher die Delphi-Methode eingesetzt – eine Kreativitätsmethode, die sich besonders bei der Entwicklung von Konzepten und Rahmenwerken eignet, wenn empirische Beweise fehlen (De Bruin und Rosemann 2007). Abschließend wurde das entwickelte Reifegradmodell hinsichtlich seiner Vollständigkeit, Konsistenz und Problemadäquanz geprüft, um sicherzustellen, dass es alle relevanten Aspekte des Datenmanagements abdeckt und den tatsächlichen Anforderungen der Praxis entspricht.
Schritt 4 – Demonstration: In der Demonstrationsphase wurde das entwickelte fünfstufige Reifegradmodell beispielhaft bei den befragten Experten vorgestellt, welche das Data3M zunächst als sehr hilfreich einstuften. Ergänzend dazu wurden in diesem Schritt Handlungsempfehlungen abgeleitet, um konkrete Ansätze zur Verbesserung des Datenmanagements in datengetriebenen Unternehmen aufzuzeigen. Diese Empfehlungen basieren auf den Erkenntnissen der Literaturanalyse, den Experteninterviews und dem finalen Data3M.
Schritt 5 – Kommunikation: In der Kommunikationsphase werden die Ergebnisse des Entwicklungsprozesses umfassend dokumentiert und in Form dieses Beitrages veröffentlicht.
4 Das Reifegradmodell Data3M im Detail
Im Rahmen dieses Beitrages wurde das neuartige Reifegradmodell Data3M (Data Management Maturity Model) für das Datenmanagement in Enterprise Systems entwickelt. Das Modell basiert auf einer umfassenden Anforderungsanalyse, welche insgesamt 121 Anforderungen identifizierte. Es umfasst fünf Reifegradstufen, welche spezifische Anforderungen an die vier Dimensionen Strategie, Organisation, Daten und Systeme stellen. Diese Dimensionen sind in sieben Kategorien unterteilt: Datenstrategie, Datenqualität, Datenaktivierung, Data Governance, Datenlebenszyklus, Datenarchitektur und Systemarchitektur.
Im Folgenden wird die Entwicklung des Datenmanagements in Enterprise Systems anhand dieser fünf Reifegrade skizziert, von einer unkoordinierten Nutzung bis hin zu einem optimierten, KI-gestützten System. Jeder Reifegrad beschreibt den aktuellen Zustand des Unternehmens und verdeutlicht die Anforderungen zur Erreichung der nächsten Stufe.
Reifegrad 1 „Unkoordiniert“ beschreibt ein Unternehmen, dem eine Datenstrategie, etablierte Data Governance und klare Prozesse fehlen. Die IT-Landschaft ist unorganisiert, was zu ineffizienter Datennutzung und Unsicherheit bei Entscheidungen führt.
Reifegrad 2 „Initial“ markiert den Beginn eines strukturierten Datenmanagements mit grundlegenden Ansätzen für Qualitätssicherung, Aufsicht und Governance. Das Unternehmen erkennt die Bedeutung von Daten und entwickelt eine erste Datenstrategie sowie Ansätze zur Standardisierung und Datenklassifizierung. Umfassende Analysestandards und System-Schnittstellen fehlen jedoch.
Reifegrad 3 „Integriert“ beschreibt ein Unternehmen, in dem das Datenmanagement abteilungsübergreifend und reaktiv organisiert ist. Einheitliche Datennutzungszyklen, eine optimierte Speicherinfrastruktur sowie eine integrierte Systemlandschaft und Analytik-Tools sind etabliert. Die Datenstrategie ist institutionalisiert, und abteilungsübergreifende Strategien werden umgesetzt. Es gibt klare Maßnahmen zur Sicherung der Datenqualität und verbesserte Zugriffsstrukturen.
Reifegrad 4 „Fortgeschritten“ zeichnet sich durch eine verbesserte Datenstrategie, ein automatisiertes Qualitätsmanagement und eine vereinfachte Zugänglichkeit aus. Effiziente Speicherstrukturen und spezialisierte Analytik-Tools werden eingesetzt. Die Datenstrategie umfasst fortlaufende Verbesserungen. Es existiert eine sowohl taktisch als auch strategisch verankerte Datenstrategie.
Reifegrad 5 „Optimiert“ beschreibt die höchste Stufe des Datenmanagements, die durch ein adaptives, dynamisches und KI-gestütztes System gekennzeichnet ist. Flexible Data Governance-Strukturen, automatisierte Datenlebenszyklen und eine skalierbare Infrastruktur sind etabliert. Die Datenstrategie ist vollständig in die Unternehmensstrategie integriert und nutzt fortschrittliche Technologien wie KI und maschinelles Lernen (ML) zur Prozessoptimierung. Automatisierte IT-Systeme und spezialisierte Analytik-Tools maximieren Effizienz und Vorhersagegenauigkeit.
Tab. 1 zeigt eine grafische Darstellung des Data3M.
Tab. 1
Das Reifegradmodell Data3M
Strategie
Organisation
Daten
Systeme
Datenstrategie
Datenqualität
Datenaktivierung
Data Governance
Datenlebenszyklus
Datenarchitektur
Systemarchitektur
Reifegrad 5 – Optimiert
– Einheitliche Datenstrategie, die KI integriert und sich an veränderte Umgebungen anpasst
– Verzahnung der Datenstrategie mit Unternehmensbereichen zur Optimierung der Geschäftsprozess
– Strategisches Qualitätsmanagement
– KI-gestützte Dokumentation
– Smart Data: KI führt Qualitätsanalysen bei Bedarf kontinuierlich und autonom durc
– Sicherstellung der Interoperabilität
– Mustererkennung und Vorhersagen durch KI bei Bedar
– Berücksichtigung der etablierten Data Governance
– Entwicklung einer flexiblen Governance, die sich abteilungsübergreifend kommunikativ anpass
– Enabling von KI: Automatisierung der Phasen des Datenlebenszyklu
– Skalierbare und flexible Datenspeicherung für schnelle Anpassung an neue Anforderungen
– KI-basierte Metadatenerkennun
– Vollständig integrierte und automatisierte IT-Systeme mit proaktiver Systemoptimierung durch KI sowie maximaler Skalierbarkeit und Flexibilität
– Einsatz KI-basierter Analytik-Tool
Reifegrad 4 – Fortgeschritten
– Datenstrategie mit kontinuierlicher Verbesserung
– Konfiguratives Qualitätsmanagement
– Teilautomatisierte Dokumentation
– Monitoring und Alerts zur Überwachung der Datenqualität
– Fortlaufende Verbesserung der Zugänglichkeit
– Transparente Nutzung, Historisierung und bedarfsweiser Einsatz von Testdatensätzen
– Etablierung eines integrativen Ansatzes durch Verknüpfung von Zielen, Strukturen, Umgebung und Aktivitäten
– Optimierte Kommunikationswege
– Weiterentwicklung zu impulsgetriebenen Löschverfahren basierend auf Kunden- oder Userwünschen
– Effiziente und leicht zugängliche Speichersysteme; Architektur-Richtlinien werden akzeptiert und eingehalten
– Integration von Metadaten zur Erzeugung eines Architekturbildes; Vergleich des architektonischen Zielbildes mit der Realität
– Teilweise automatisierte IT-Systeme mit menschlicher Überwachung, ohne Redundanz in den verschiedenen IT-Systemen und verarbeiteten Daten
– Branchen- und unternehmensspezifische Anpassung der Analytik-Tools
Reifegrad 3 – Integriert
– Gemeinsam gelebte Kultur der Datenstrategie
– Transparente und abteilungsübergreifende Datenstrategie
– Reaktives Qualitätsmanagement
– Transparente, abteilungsübergreifende und manuelle Dokumentation
– Transparente, korrekte, aktuelle, verschlüsselte, konsistente und vollständige Datenqualität
– Abteilungsübergreifende Auffindbarkeit
– Bestimmung der Nutzbarmachung und Nutzung mit einheitlichen Dateiformaten
– Ausbau des Status-Quo: Erweiterte Rollen- und Rechtekonzepte, die abteilungsübergreifende Zugriffsrechte und Verantwortlichkeiten umfassen
– Transparente Kommunikation über Abteilungen hinweg
– Einheitlicher und abteilungsübergreifender Datenlebenszyklus mit erhöhter Transparenz durch Protokollierung
– Optimierung der Speicherinfrastruktur zur Leistungssteigerung und Kostenreduzierung; transparente Architektur-Richtlinien vorhanden
– Klare Datenarchitektur, jedoch keine Vereinheitlichung für das gesamte Unternehmen
– Integration der Einzelsysteme in eine gemeinsame Systemlandschaft über verschiedene Schnittstellen, wobei standardisierte Prozesse und Analytik-Tools die Effizienz und Datenverarbeitung verbessern
Reifegrad 2 – Initial
– Vorhandensein einer Datenstrategie
– Festlegung von Metriken, Verantwortlichkeiten und Ressourcen innerhalb der Datenstrategie
– Grundlegendes Qualitätsmanagement
– Standardisierte Dokumentation
– Entwicklung skalierbarer Metriken zur Qualitätsüberprüfung
– Möglichkeit der Auffindbarkeit
– Keine Zugriffsmöglichkeiten oder Nutzung
– Status-Quo-Bestimmung: Definition der Ziele, Strukturen, Basisrollen und Zugriffsrechte
– Intransparente abteilungsinterne Kommunikation
– Erste Standardisierungs–bestrebungen bei der Erstellung, Speicherung, Bearbeitung, Archivierung und Löschung von Daten
– Bewusstsein für die Notwendigkeit strukturierter Informationen
– Aufbau und Pflege einer soliden Infrastruktur
– Standardisierte IT-Systeme und -Prozesse
– Keine Analytik-Tools oder Schnittstellen zwischen den Systemen
Reifegrad 1 – Unkoordiniert
– Keine Datenstrategie vorhanden
– Keine Datenqualität vorhanden
– Kein Wissen über die Auffindbarkeit der Daten
– Kein Data Governance vorhanden
– Keine definierten Prozesse oder Standards vorhanden, reaktiver Datenzugriff
– Unorganisiert, keine klaren Strukturen oder Richtlinien, keine formale Datenarchitektur
– Keine Integration von Datenmanagement-Systemen, keine systematische Wartung oder Updates, unorganisierte IT-Landschaft
5 Erkenntnisse und Handlungsempfehlungen
Im Rahmen dieses Beitrags wurden drei zentrale Forschungsfragen untersucht, welche den Rahmen für die Entwicklung des Reifegradmodells Data3M und der zugehörigen Handlungsempfehlungen bildeten.
Schlüsselkomponenten für ein unternehmensweites Datenmanagement (F1)
Ein effektives Datenmanagement erfordert die Integration mehrerer essenzieller Komponenten. Dazu gehören eine klar definierte Datenstrategie, welche die Ziele und Ausrichtung des Datenmanagements präzise festlegt, sowie die Sicherstellung einer hohen Datenqualität, um verlässliche und aussagekräftige Daten zu gewährleisten. Eine effektive Datenaktivierung maximiert die Nutzbarkeit der gesammelten Daten. Data Governance etabliert notwendige Regeln und Kontrollen für den Umgang mit Daten. Der effiziente Umgang mit dem gesamten Datenlebenszyklus, von der Erfassung bis zur Löschung, gewährleistet eine optimale Datennutzung. Eine konsistente und integrierte Datenarchitektur sowie eine skalierbare Systemarchitektur sind entscheidend für eine reibungslose Datenintegration und die Fähigkeit des Unternehmens, flexibel auf zukünftige Anforderungen zu reagieren.
Elemente eines Reifegradmodells zur Bewertung des Datenmanagements (F2)
Ein Reifegradmodell zur Bewertung des Datenmanagements sollte mehrere zentrale Elemente umfassen. Klare Reifegradstufen ermöglichen eine transparente Darstellung des Fortschritts im Datenmanagement. Diese Stufen sollten in verschiedene Dimensionen und Kategorien unterteilt sein, um die unterschiedlichen Aspekte des Datenmanagements detailliert zu bewerten. Das Modell muss anpassungsfähig und skalierbar sein, um auf verschiedene Unternehmensanforderungen eingehen zu können. Darüber hinaus ist es wichtig, dass das Modell neue Technologien, wie KI berücksichtigt, um den technologischen Fortschritt und die Innovation im Datenmanagement zu fördern.
Handlungsempfehlungen zur Förderung datengetriebener Unternehmen (F3)
Um Unternehmen datengetriebener zu gestalten, sollten diese den Reifegrad ihrer Enterprise Systems im Datenmanagement mithilfe des Data3M bewerten. Diese Bewertung ermöglicht die Identifikation von Schwachstellen und die Planung gezielter Verbesserungsmaßnahmen. Eine unternehmensweit integrierte Datenstrategie ist dabei grundlegend und muss eng mit den Unternehmenszielen verknüpft sein. Die Datenqualität sollte durch gezielte Datenbereinigung und kontinuierliche Überwachung optimiert werden. Zudem ist eine starke Data Governance erforderlich, um Konsistenz, Sicherheit und Zugänglichkeit der Daten sicherzustellen. Die Integration moderner Technologien wie KI und ML kann die Effizienz datengetriebener Prozesse erheblich steigern. Auf dem Weg zum datengetriebenen Unternehmen können sechs konkrete Handlungsempfehlungen für effektives Datenmanagement in Enterprise Systems abgeleitet werden. Hierbei wird nicht zwischen der Unternehmensgröße differenziert.
1.
Bewertung des aktuellen Reifegrades im Datenmanagement mithilfe des Data3M: Unternehmen sollten den Reifegrad ihrer Enterprise Systems im Datenmanagement bewerten, um Verbesserungspotenziale zu identifizieren und gezielte Maßnahmen zu planen.
2.
Entwicklung einer klaren Datenstrategie: Eine verständliche und unternehmensweit integrierte Datenstrategie sollte entwickelt werden, welche die Unternehmensziele widerspiegelt.
3.
Verbesserung der Datenqualität: Techniken zur Datenbereinigung und kontinuierlichen Überwachung sollten eingesetzt werden, um die Qualität, Genauigkeit und Zuverlässigkeit der Daten zu erhöhen.
4.
Einführung und Verstärkung der Data Governance: Klare Data Governance-Strukturen sollten etabliert werden, um Konsistenz, Sicherheit und Zugänglichkeit der Daten zu gewährleisten. Regelmäßige Überprüfungen und Anpassungen sind notwendig, um auf Veränderungen zu reagieren.
5.
Schulungen und Workshops zur Erhöhung der Datenkompetenz: Durch Schulungen und Workshops sollte das Verständnis für Data Governance gestärkt und die effektive Umsetzung der Richtlinien im Arbeitsalltag gefördert werden.
6.
Integration moderner Technologien: Der Einsatz fortschrittlicher Technologien, wie KI und ML, sollte gefördert werden, um die Datenqualität und -verarbeitung zu verbessern und Prozesse zu automatisieren.
6 Diskussion
In diesem Kapitel wird das Data3M für das Datenmanagement kritisch reflektiert. Die Entwicklung des Data3M stellt einen bedeutenden Fortschritt dar, da es sowohl theoretische als auch praktische Anforderungen adressiert. Die adaptive Entwicklungsstrategie ermöglicht eine multidimensionale Sichtweise. Das positive Feedback der befragten Experten bestätigt die Relevanz und Nützlichkeit des Modells, während die transparente Vorgehensweise Spielraum für weitere Entwicklungen eröffnet.
Bei genauerer Betrachtung offenbaren sich jedoch auch einige Herausforderungen und kritische Implikationen, welche die Implementierung und Nutzung des Data3M beeinträchtigen könnten. Ein zentraler Kritikpunkt betrifft das Vorgehen nach Becker et al. (2009) bei der Befüllung des Modells. Die Unklarheit darüber, wie kreativ dieses Vorgehen gestaltet werden sollte, könnte zu Inkonsistenzen und Interpretationsschwierigkeiten führen. Darüber hinaus fehlen nach Becker et al. (2009) klare Richtlinien oder Mechanismen, wie die Inhalte innerhalb der einzelnen Kategorien des Data3M skaliert werden können. Die kritische Betrachtung hat auch direkte Auswirkungen auf die abgeleiteten Handlungsempfehlungen. Es wird deutlich, dass diese Empfehlungen flexibel und anpassungsfähig gestaltet werden müssen, um den unterschiedlichen Bedürfnissen und Strukturen der Unternehmen gerecht zu werden. Insbesondere die Notwendigkeit einer klaren methodischen Anleitung und skalierbarer Ansätze erfordert, dass die Handlungsempfehlungen nicht als starre Vorgaben, sondern als Leitlinien verstanden werden, welche an die spezifischen Gegebenheiten jedes Enterprise Systems angepasst werden können.
7 Fazit und Ausblick
Das Ziel des Beitrags bestand darin, Handlungsempfehlungen für Enterprise Systems basierend auf einem entwickelten Reifegradmodell für das Datenmanagement abzuleiten. Ausgangspunkt waren drei zentrale Forschungsfragen, welche sich auf notwendige Schlüsselkomponenten für ein effektives Datenmanagement, die wesentlichen Elemente eines Reifegradmodells zur Bewertung der Effizienz und Effektivität des Datenmanagements sowie auf Empfehlungen für Enterprise Systems konzentrierten. Durch ein multimethodisches Vorgehen, bestehend aus umfassenden Literaturanalysen und Experteninterviews, wurde iterativ das multidimensionale Data3M nach Becker et al. (2009) entwickelt. Das Modell beschreibt Reifegrade, welche von einem unkoordinierten Reifegrad bis hin zu einem optimierten Reifegrad reichen, und berücksichtigt dabei die Dimensionen Strategie, Organisation, Daten und Systeme, unterteilt in Kategorien wie Datenstrategie, Datenqualität, Datenaktivierung, Data Governance, Datenlebenszyklus, (Meta‑)Datenarchitektur und Systemarchitektur.
Die effektive Unterstützung datengetriebener Entscheidungen in Enterprise Systems erfordert IT-Systeme, welche eine hohe Datenqualität, Echtzeitverarbeitung, Transparenz der Datenherkunft und Skalierbarkeit gewährleisten. Ein unternehmensweites Datenmanagement muss eine klar definierte Datenstrategie, hohe Datenqualität, effektive Datenaktivierung, strikte Data Governance, effizienten Datenlebenszyklus sowie eine konsistente und skalierbare Architektur umfassen. Ein Reifegradmodell wie das Data3M, welches diese Elemente integriert, gewährleistet eine Optimierung der Effektivität und Effizienz datengetriebener Prozesse in Unternehmen.
7.1 Implikationen für die Wissenschaft
Aus wissenschaftlicher Perspektive besteht die Herausforderung darin, das Data3M nicht nur als praxisorientiertes Werkzeug zu etablieren, sondern es auch weiterzuentwickeln, um den wissenschaftlichen Standards und methodologischen Anforderungen gerecht zu werden. Besonders der Umgang mit neuen Technologien, wie beispielsweise Quantencomputing, und die Integration von Sicherheitsaspekten könnten zukünftige Forschungsschwerpunkte sein. Zudem sollte untersucht werden, wie Enterprise Systems eine ganzheitliche Datenstrategie besser unterstützen und flexibel auf Anforderungen an Datenqualität und -verarbeitung reagieren können. Forschungsbedarf besteht auch in der Effizienzsteigerung von Datenlebenszyklen, insbesondere hinsichtlich Skalierbarkeit und Anpassungsfähigkeit im Kontext des Data3M.
7.2 Implikation für die Praxis
Aus praktischer Sicht ist es entscheidend, das Data3M in Unternehmen zu evaluieren und aktiv anzuwenden. Dieser Prozess ist wesentlich, um die Wirksamkeit des Modells in verschiedenen Unternehmensumgebungen vollständig zu realisieren und zu validieren. In der bisherigen Version des Data3M wurden Datensicherheitsaspekte ausgeklammert, da spezialisierte Abteilungen in den befragten Unternehmen bereits dafür zuständig sind. Für eine ganzheitliche Betrachtung ist es jedoch essenziell, diese Sicherheitsaspekte in das Modell zu integrieren.
Die Implementierung der vorgeschlagenen Handlungsempfehlungen zur Optimierung des Datenmanagements erfordert zudem eine Evaluation der Wirksamkeit verschiedener Ansätze in unterschiedlichen Unternehmenskontexten. Wichtig ist auch, die Integration moderner Technologien wie KI und ML in bestehende Datenmanagementsysteme zu erforschen sowie die Auswirkungen von Schulungen und Workshops auf die Datenkompetenz der Mitarbeiter zu untersuchen.
Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen. Weitere Details zur Lizenz entnehmen Sie bitte der Lizenzinformation auf http://creativecommons.org/licenses/by/4.0/deed.de.
Hinweis des Verlags
Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral.
Baidinger D (2022) Relevanz von Datenmanagement und Daten-Governance. In: Halfmann M, Schüller K (Hrsg) Marketing Analytics. Springer Gabler, Wiesbaden, S 105–118CrossRefMATH
Baškarada S, Gebauer M, Koronios A, Gao J (2021) IQM-Reifegradmodell für die Bewertung und Verbesserung des Information Lifecycle Management Prozesses. In: Hildebrand K, Gebauer M, Mielke M (Hrsg) Daten- und Informationsqualität. Springer Vieweg, Wiesbaden, S 293–305CrossRef
Bender B, Bertheau C, Körppen T, Lauppe H, Gronau N (2022) A proposal for future data organization in enterprise systems—an analysis of established database approaches. Inf Syst E Bus Manag 20:441–494. https://doi.org/10.1007/s10257-022-00555-6CrossRef
Block S (2023) Datenqualität – Lebenselixier der Digitalisierung. In: Large-Scale Agile Frameworks. Springer Vieweg, Berlin, Heidelberg, S 311–332CrossRefMATH
Bollweg LM (2021) Erfolgsmessung einer Data Governance. In: Data Governance für Manager. Springer Gabler, Berlin, S 165–171CrossRef
De Bruin T, Rosemann M (2007) Using the Delphi technique to identify BPM capability areas. Proceedings. Association for information systems. https://core.ac.uk/download/pdf/301348093.pdf. Zugegriffen: 8. Nov. 2024
Caballero I, Gualo F, Rodríguez M, Piattini M (2023) Maturity models for data governance. In: Caballero I, Piattini M (Hrsg) Data governance. Springer, Cham, S 139–162CrossRef
Gehrau V, Maubach K, Fujarski S (2022) Datenmanagement. In: Einfache Datenauswertung mit R. Springer VS, Wiesbaden, S 59–88CrossRef
Horster E, Honig K, Kärle E, Bauhuber F (2022) Datenmanagement als Marketingaufgabe. In: Horster E (Hrsg) Digitales Tourismusmarketing. Springer Gabler, Wiesbaden, S 611–639CrossRef
Leyh C, Schäffer T, Bley K, Forstenhäusler S (2016) SIMMI 4.0—a maturity model for classifying the enterprise-wide it and software landscape focusing on Industry 4.0. Fed Conf Comp Sci Inf Syst 8:1297–1302. https://doi.org/10.15439/2016f478CrossRef
Maas H (2023) Database-Marketing. In: Best-Ager-Marketing, 1. Aufl. Haufe, München, S 61–68CrossRef
Mayring P (2010) Qualitative Inhaltsanalyse. In: Mey G, Mruck K (Hrsg) Handbuch Qualitative Forschung in der Psychologie, 1. Aufl. VS, Wiesbaden, S 601–613CrossRefMATH
Müller KR (2022) Reifegradmodell des RiSiKo-Managements. In: Handbuch Unternehmenssicherheit, 4. Aufl. Springer Vieweg, Wiesbaden, S 686–694CrossRefMATH
Otto B, Österle H (2016) Methoden und Werkzeuge des Datenqualitätsmanagements. In: Corporate data quality. Springer Gabler, Berlin, Heidelberg, S 165–189CrossRef
Peffers K, Tuunanen T, Rothenberger MA, Chatterjee S (2007) A design science research methodology for information systems research. J Manag Inf Syst 24:45–77. https://doi.org/10.2753/MIS0742-1222240302CrossRef
