Unternehmen, die ihre vorhandenen Daten effektiv nutzen, können präzisere, effizientere und kundenorientierte Arbeitsweisen entwickeln. Sie können darüber hinaus auch ganz neue hybride, bzw. digitale Geschäftsmodelle erschließen.
Dies trägt nicht nur zur Verbesserung der internen Prozesse bei, sondern stärkt auch die langfristige Wettbewerbsfähigkeit.
Die Herausforderung: Daten sinnvoll nutzen
Doch wie genau können Unternehmen die schier unendlichen Datenmengen sinnvoll nutzen? Hier kommt der Data Factory Ansatz von doubleSlash ins Spiel. Mit Hilfe von Bausteinen zeigen wir Ihnen, wie unser Ansatz funktioniert und wie Ihr Unternehmen davon profitieren kann.
Viele Unternehmen verfügen über eine Fülle an Daten, die jedoch oft unstrukturiert und ungenutzt bleiben. Die Herausforderung besteht darin, diese Daten so aufzubereiten und zu analysieren, dass sie zu wertvollen Erkenntnissen führen. Nur dann können sie als Grundlage für fundierte Entscheidungen dienen, sei es in Projekten, Prozessen oder bei der Produktentwicklung.
Der Ansatz von doubleSlash: Daten strukturiert aufbereiten und zu sinnvollen Einheiten zusammenfügen
Stellen Sie sich die Daten Ihres Unternehmens als ein großes Baustein-Set vor. Jedes Teil entspricht einem Datensatz, und nur wenn diese Teile richtig zusammengesetzt werden, entsteht ein sinnvolles Bild. Durch die Integration von verteilten Daten werden die Bausteine fundierter, nachhaltige Entscheidungen geschaffen.
Um diese Integration und Nutzbarmachung verteilter Daten möglichst zielgerichtet durchzuführen, folgen wir bei doubleSlash einem zonenbasierten Data Staging Ansatz. Bei diesem steigt der Wert und die Qualität der Daten von Zone zu Zone. Startpunkt bilden dabei die Datenquellen (Data Sources), die selbst nicht zur zentralen Lösung gehören.
In den Datenquellen liegen die Daten verstreut und ungeordnet vor. Sie haben auch kein einheitliches Format. In diesem Zustand sind sie nicht integriert nutzbar. Sie dienen meistens nur dem primären Zweck der Datenquelle, bzw. des Quellsystems, stiften aber ansonsten keinen weiteren Nutzen.
Ein passendes Bild ist ein auf dem Fußboden verteilter Baukasten, in dem die Einzelteile verschiedenster ursprünglicher Modelle beinhaltet sind.
Möchte man aus diesem „Chaos“ ein Modell aufbauen, ist der erste Schritt, die Steine herauszusuchen, welche benötigt werden. Diese werden von den übrigen Steinen getrennt und an einem „zentralen“ Platz gesammelt. Das Pendant zu diesem zentralen Platz ist in unserem Data Staging Ansatz die Raw Zone.
In der Raw Zone werden die Daten zentralisiert und entsprechend ihren Quellen und Art geordnet. Sie werden möglichst in ihrer originalen Form beibehalten, um durch Veränderung keine Verfälschung der originalen Daten vorzunehmen. Dies ermöglicht es, dass jederzeit auf den Rohzustand der Daten zurückgegriffen werden kann. Es ist vor allen Dingen dann interessant, wenn zu einem späteren Zeitpunkt neue Analyse- oder Aufbereitungsverfahren eingesetzt werden sollen, die die Granularität der Rohdaten benötigen.
Haben sich beim Zusammentragen der benötigten Bausteine für das geplante Modell einige Steine „eingeschlichen“, welche doch nicht ganz passen? Das kann schnell geschehen, wenn Farbe oder Form beim ersten Sortieren passend scheinen, der Stein aber aufgrund seiner „fachlichen“ Eigenheiten doch nicht für das Modell geeignet ist. In diesem Fall wird er aussortiert, bevor mit dem Aufbau des Modells begonnen wird. In diesem Zuge werden die Steine auch so geordnet, dass gleiche Steine beisammen liegen, um die Kombination zum Modell möglichst effizient zu gestalten und eine lange Suche nach dem passenden Stein zu vermeiden. Dies ist die Analogie zur Trusted Zone unseres zonenbasierten Ansatzes.
In der Trusted Zone werden die Daten in ein allgemein nutzbares Format überführt, validiert und so aufbereitet, dass sie für die Erstellung von Data Assets verwendet werden können. Dabei können die gleichen Daten aus der Trustzone für verschiedene Data Assets und damit Anwendungszwecke aufbereitet werden.
Zurück zu den Bausteinen: Sind alle Steine passend sortiert und geordnet, können sie endlich für den Bau des geplanten Modells genutzt werden. Entsprechend der Bauanleitung werden sie im ersten Schritt zu Teilkomponenten des Modells zusammengebaut. Im hier dargestellten Fall, in dem ein Haus gebaut werden soll, werden z.B. ein Dach, eine Bodenplatte, eine Mauer sowie Fenster und Türen zusammengebaut.
Überträgt man diese Entsprechungen auf die Nutzung von Daten, so ist die „Bauanleitung“ die Berechnungsformel für eine KPI- bzw. ein Data Asset und die Teilkomponente das Data Asset selbst. Der entsprechende Aufbereitungsschritt erfolgt zwischen Trusted- und Refined Zone.
In der Refined Zone werden die aufbereiteten Data Assets abgelegt und versioniert. Die Speicherung in dieser Zone ermöglicht vor allem den schnellen Zugriff auf aggregierte Kennzahlen sowie die Schaffung einer Historie dieser.
Das Ergebnis ist Ihr Mehrwert: 360° Data Insights
An dieser Stelle endet zumeist die technische Datenaufbereitung. Data Assets stehen für die Nutzung, z.B. in Form von BI- oder Reporting-Anwendungen, bereit. Je nach fachlicher Fragestellung ist eine unterschiedliche Kombination bzw. Analyse von Data Assets notwendig.
Durch die Nutzung der aufbereiteten Daten kann ein umfassender Blick auf ein Realphänomen geschaffen werden. Die integrierte Verwendung von Daten ermöglicht es, so verschiedene Perspektiven einzunehmen und die datenbasierte Abbildung eines Gegenstandes aus der realen Welt ganzheitlich zu erfassen. Dieser 360°-Blick ermöglicht das Treffen von fundierten und nachhaltigen Entscheidungen.
Übertragen auf das Baustein-Beispiel bedeutet das: Die Baugruppen lassen sich verschieden kombinieren, um das passende Haus zu bauen. Es könnte ein Mehrfamilien- oder Einfamilienhaus sein, ebenso eine Garage oder ein Stall. Je nachdem, welcher Nutzen erzeugt werden soll.
Wie beim Baustein-Bauen verhält es sich auch beim Bauen von Data Assets: Ein strukturierter Integrationsansatz erhöht den Wert und die Qualität von Daten schrittweise, beginnend bei verstreuten und ungeordneten Datenquellen bis hin zu verfeinerten, einsatzbereiten Data Assets. Dabei werden Daten zunächst zentralisiert und geordnet (Raw Zone), anschließend validiert und in ein allgemein nutzbares Format überführt (Trusted Zone) und schließlich aggregiert und versioniert (Refined Zone). Dieser Prozess ermöglicht es Unternehmen, datengetriebene Entscheidungen zu treffen, indem er einen umfassenden und integrierten Blick auf relevante Daten und Realphänomene bietet.
Möchten Sie mehr darüber erfahren, wie die doubleSlash Data Factory mit dem zonenbasierten Data Staging Ansatz Ihre Datenintegration revolutionieren kann? Entdecken Sie, wie wir verteilte Daten zu wertvollen Erkenntnissen transformieren und so die Basis für fundierte, nachhaltige Entscheidungen schaffen.
