Data Lifecycle Management (DLM) war schon immer wichtig. Manche Menschen und Organisationen halten das Management der Datenlebenszyklusphasen sogar für selbstverständlich. Datenmanagement als separate Disziplin mit einer eigenen Plattform für die Verwaltung aller Daten und des Lebenszyklus der Datenqualität ist für viele Unternehmen keine strategische Initiative. Diese Organisationen verwalten ihre Daten in Bezug auf eine bestimmte Praxis wie IT-Service-Management (ITSM), Sicherheit oder eine bestimmte Anwendung. Dies sollte nicht der Fall sein; Datenlebenszyklusmanagement sollte eine definierte ganzheitliche Praxis sein, die Verbraucher wie ITSM, Sicherheit oder eine bestimmte Anwendung unterstützt.
Data Lifecycle Management sollte eine grundlegende Strategie für alle Unternehmen sein. Jede Organisation sollte zusätzlich zu anderen Strategien eine Strategie für die Verwaltung ihrer Daten haben. Die Strategie für das Datenlebenszyklusmanagement sollte von den Führungskräften der Organisation geleitet und sehr ernst genommen werden, und nicht nur als etwas, das alle verschiedenen Disziplinen auf der Grundlage allgemeiner Governance-Standards zu verwalten haben. Daten sind die Grundlage aller Aktivitäten, Prozesse und Verfahren, die zur Unterstützung und Bereitstellung von Dienstleistungen und Produkten für unsere Kunden durchgeführt werden. Das Verständnis und die sinnvolle Nutzung von Daten ist der Schlüssel zum Verständnis der Bedürfnisse unserer Kunden und der Bedürfnisse des Unternehmens insgesamt, einschließlich der Einschränkungen bei der Bereitstellung und Unterstützung besserer Dienstleistungen und Produkte.
Was ist Data Lifecycle Management?
Data Lifecycle Management ist mehr als nur ein Prozess zur Kontrolle der Daten vom Anfang bis zum Ende innerhalb einer Organisation, sondern sollte vielmehr eine Praxis sein, die Organisationen ganzheitlich für alle von ihnen verwalten Daten nutzen sollten. Organisationsdaten sind genau die Organisationsdaten, die von der Organisation für spezifische Entscheidungen verwendet werden, die jede Einheit des Service- oder Produktwertstroms zum Funktionieren benötigt.
Daten sind das Kapital, das das Unternehmen antreibt, und sollten immer als strategisches Kapital betrachtet werden, das alle Geschäftsfunktionen unterstützt. Bei der Visualisierung einer Organisation aus der Architekturperspektive sollte das Datenmanagement als Fundament betrachtet werden, das alle anderen Bereiche der Organisation unterstützt.
Die Praxis des Datenlebenszyklusmanagements sollte folgende Aspekte umfassen:
Menschen
Dazu gehören Governance, Risikomanagement und die Sicherstellung, dass die Mitarbeiter mit der sicheren Nutzung von Daten innerhalb des Unternehmens konform gehen. Dazu gehören die Einhaltung von Vorschriften, Sicherheit, Datenintegrität und Vertraulichkeit für das Unternehmen und seine Kunden.
Forschung
Der Lebenszyklus von Forschungsdaten ist die Analyse von Daten zur Unterstützung von Entscheidungen. Viele Unternehmen haben begonnen, die Datenanalyse zu automatisieren, indem sie Methoden des Maschinelles Lernen oder der Künstlichen Intelligenz einsetzen.
Prozess
Die Organisation sollte den Prozess in Bezug auf die Phasen der Daten formell definieren. Festlegung von Rollen und Verantwortlichkeiten (RACI) für die Daten. Daten-Workflows, Übersetzungen usw. einrichten. Der Prozess sollte Prozesskontrollen (Governance, Richtlinien, Standards usw.), die Aktivitäten und die den Prozess ermöglichenden Faktoren wie Organisationsressourcen (Mitarbeiter, Technologie usw.) umfassen.
Steuerung, Risiko, Einhaltung (GRC)
Daten sollten verwaltet, einem angemessenen Risikomanagement unterzogen und mit Compliance-Maßnahmen versehen werden. Stärkere Kontrollen sollten für persönlich identifizierbare Informationen (PII) und Informationen und sensible Daten, wie Daten, die Vorschriften wie HIPAA, CCPA und GDPR unterliegen, vorgesehen werden.
Technologie
Unterstützung bei der verwalten der Daten auf die effektivste und effizienteste Weise für alle Phasen der Daten. Die Technologie sollte helfen, einen ganzheitlichen Ansatz für die Verwaltung von Daten aus allen Quellen, wie der Cloud, zu ermöglichen.
Anbieter
Drittanbieter, wie z. B. Cloud , können beim Data Lifecycle Management eine große Hilfe sein. Fast alles, vor allem Funktionen , die das Unternehmen nicht hat, kann als Service von Anbietern angeboten werden, um einem Unternehmen zu helfen, den Kampf und die Kosten für die Beschaffung seiner Fähigkeiten zu vermeiden. Dies führt in der Regel zu einer Zeitersparnis und einer schnelleren Markteinführung ihrer Lösungen. Organisationen sollten sich über die langfristigen Kosten im Verhältnis zur Investitionsrendite der angebotenen Dienstleistungen und Produkte im Klaren sein.
Metriken
Für Daten sollten wichtige Leistungsindikatoren, kritische Erfolgsfaktoren und Ziele im Zusammenhang mit den erwarteten Ergebnissen der Daten, Informationen und des Wissens selbst festgelegt werden. Dies hilft Organisationen bei der Verbesserung ihrer Daten und dem allgemeinen Verständnis der Einschränkungen für Entscheidungen in ihrer Organisation.
Etappen des Datenlebenszyklusmanagements
Die Phasen des Datenlebenszyklusmanagements müssen unbedingt verstanden werden. Jede Phase des Datenlebenszyklus hat einen Wert und bestimmte Ergebnisse, die verwaltet werden sollten. Verschiedene Teile des Unternehmens interagieren mit den Phasen zu verschiedenen Zeitpunkten im Lebenszyklus der Daten. Jede Interaktion sollte zur Unterstützung der Wertschöpfungskette des Datentransports im gesamten Unternehmen dienen. Ein Unternehmen sollte sich davor hüten, Daten in einem Silo zu verwalten und bei der Nutzung und Umwandlung von Daten nicht zusammenzuarbeiten. Andernfalls kann es zu einer ineffizienten Nutzung von Daten, Informationen und Wissen kommen, was sich auf die gesamte Serviceleistung auswirkt.
Die Phasen des Datenlebenszyklusmanagements sind: Erstellung, Speicherung, Übersetzung, Verwendung, Archivierung und Vernichtung. Jede Phase wird im Folgenden erläutert.
- Erstellung - Dies ist definiert als jede Quelle oder Eingabe zur Erstellung von Daten, wie z. B. Erfassung, Dateneingabe und Datenerfassung durch Anwendungen, Maschinelles Lernen (ML), Sensoren, künstliche Intelligenz (KI) usw. Ein Lebenszyklus von Forschungsdaten kann sich aus der Sammlung oder Erstellung von Daten als Innovationsprojekt ableiten.
- Speicherung - Hier geht es darum, wo und wie die Daten aufgezeichnet oder gespeichert werden, einschließlich backup, Kontinuitäts- und Wiederherstellungsplänen und -verfahren. Da nicht alle Daten digital sind, sollte dies für alle Daten gelten, auch für nicht-digitale. Dies sollte auch für Daten im Transit gelten, die mit Hilfe von Technologien für einen kürzeren Zeitraum gespeichert werden können.
- Übersetzung - Einige Daten können vom Datenkonsumenten im Ist-Zustand verwendet werden, andere müssen in Informationen oder Wissen umgewandelt oder übersetzt werden, damit sie im Unternehmen zur Entscheidungsunterstützung verwendet werden können. Diese Umwandlung von Daten oder Datenverarbeitung kann als Information Lifecycle Management und Knowledge Lifecycle Management betrachtet werden. Daten, Informationen und Wissen sollten zusammen und als getrennte Prozesse verwaltet werden, um den Nutzen und die Ergebnisse jedes einzelnen Prozesses zu maximieren, was zu einem umfassenden Lebenszyklus der Datenqualität beiträgt.
- Nutzung - Die Nutzung der Daten, Informationen oder des Wissens, die in eine Verwendung zum Anzeigen, Verarbeiten, Teilen, Speichern und für andere Aktivitäten umgewandelt werden. Um dies effektiv zu tun, sollte die Organisation bestimmen, welche Daten, Informationen oder Kenntnisse von jedem Verbraucher der Daten (Anwendung, Person oder andere Technologie) benötigt werden, um sicherzustellen, dass die Daten aus einer Unternehmensperspektive verwaltet werden. So werden die Daten von allen Nutzern gleich interpretiert, um gemeinsame Entscheidungen zu unterstützen. Die Datennutzung umfasst auch die Verwaltung der Übertragung und Veröffentlichung der Daten.
- Archivierung - Einige Daten können nicht sofort gelöscht werden, sind aber aus historischer Sicht oder aus Sicht der Einhaltung von Vorschriften wertvoll und müssen archiviert werden. Archivierte Daten sind in der Regel nicht mehr aktiv und dienen der langfristigen Aufbewahrung. Viele Unternehmen nutzen Funktionen für die Archivierung von Daten, die aus Leistungsgründen nur selten verwendet werden, können aber auch Technologien für einen schnelleren Zugriff auf ihre erreichten Daten nutzen.
- Vernichtung - Daten sollten nach Bedarf vernichtet werden, je nach Archivierungsbedarf und Entscheidungsbedarf der Organisation. Die Aufbewahrung zu vieler Daten erhöht die Kosten für die Verwaltung der Daten und wirkt sich somit auf die Gesamtbetriebskosten und die Investitionsrendite der Dienstleistungen und Produkte des Unternehmens aus.
Bei der Datenübersetzung können die Daten einen Lebenszyklus von Forschungsdaten durchlaufen. Dies kann in der Organisation geschehen, wenn eine Datenanalyse durchgeführt wird, um Daten zu kombinieren oder Datenbeziehungen für die Informations- und Wissensartikulation der Daten zu bestimmen. Vor der Archivierung der Daten kann die Organisation feststellen, ob die Daten von der Organisation wiederverwendet werden können, um einen Vorteil zu erzielen.
Ziele des Datenlebenszyklusmanagements
Das Hauptziel des Datenlebenszyklusmanagements besteht darin, sicherzustellen, dass alle Daten bei Bedarf auf flexible Weise einen Wert für das Unternehmen haben. Die Daten sollten verfügbar sein, wenn sie von der entsprechenden Person oder Technologie benötigt werden, vertraulich sein und jederzeit Datenintegrität aufweisen.
Darüber hinaus sind die drei Hauptziele des Datenlebenszyklusmanagements:
- Daten-Compliance und -Governance - Compliance und Governance sind nicht nur ein organisatorisches Ziel, sondern richten sich auch an die staatlichen Vorschriften für die Verwendung von Kundendaten. Alle Unternehmen müssen je nach Geschäftsfeld und den Dienstleistungen, die sie ihren Kunden anbieten, verschiedene staatliche Vorschriften einhalten. Ohne dieses Ziel wäre kein Unternehmen in der Lage, seine Geschäftsaufgaben zu erfüllen.
- Datenschutz - Datenschutz ist allgegenwärtig. Daten werden manchmal als vertraulich, privat, geheim oder mit anderen Bezeichnungen versehen, um die Daten vor denjenigen zu schützen, die sie nicht für andere als die beabsichtigten Zwecke verwenden sollten. Datenschutz sollte in allen Phasen des Lebenszyklus Datenmanagement erfolgen. Von der Erfassung bis zur Entsorgung müssen die Daten geschützt werden. Diebe werden jeden Tag schlauer und klüger, und Datenmissbrauch, -diebstahl und -betrug entwickeln sich ständig weiter. Es gibt Standards und Vorschriften wie die General Data Protection Regulations (GDRP) und das Datenschutzgesetz, die Unternehmen in diesem Bereich helfen.
- Datennutzung zur Entscheidungsunterstützung - Alle Daten sollten zur Entscheidungsunterstützung genutzt werden. Dies geschieht, wenn Daten in Informationen und Informationen in Wissen umgewandelt werden, um Entscheidungen durch Menschen und Technologie zu unterstützen. Alle Daten, die ein Unternehmen erfasst oder erstellt und die nicht diesem Zweck dienen, sind eine Verschwendung von Zeit und Ressourcen für das Unternehmen. Ein Unternehmen, das sich der Bedeutung von Daten bewusst ist, entwickelt Systeme zur Entscheidungsunterstützung (Decision Support Data Systems, DSDS), um die Daten im gesamten Unternehmen zu identifizieren, zu sammeln und zu analysieren. Diese Daten werden von verschiedenen Funktionen innerhalb des Unternehmens gesammelt, um mit Hilfe der Technologie ein besseres Ergebnis bei der Leistungsverbesserung und weniger manuellem Aufwand zu erzielen.
Die drei Ziele des Data Lifecycle Management müssen den Auftrag und die Vision der Organisation unterstützen. Dies ist von strategischer Bedeutung. Die taktischen und operativen Aspekte des Data Lifecycle Management werden durch Programme und Projekte zur Innovation, zum Wachstum, zur Verbesserung der Wettbewerbsfähigkeit und zur allgemeinen Aufrechterhaltung des Geschäftsbetriebs unterstützt. Alle diese Perspektiven müssen zum Wohle des Unternehmens und seiner Kunden zusammenwirken. Wenn die Ziele nicht mit den operativen oder strategischen Absichten in Einklang gebracht werden, führt dies zu schlechten Datenlebenszykluspraktiken innerhalb des Unternehmens.
Tools für die Verwaltung des Datenlebenszyklus
Daten sollten aus strategischer, taktischer und operativer Sicht verwaltet werden, bis die Daten nicht mehr existieren oder vom Unternehmen vernichtet werden. Tools für das Data Lifecycle Management helfen in jeder Phase der Datenverwaltung. Die Tools können in viele Bereiche unterteilt werden, wie z. B.:
- Cloud .
- Versionskontrolle.
- Projektleitung.
- Entwicklung.
- Freigabe-Management.
- Veränderungsmanagement.
- Verwaltung von Datenbanken.
- Speicherverwaltung.
- Qualität der Daten.
- Produktlebenszyklus.
- Jedes Werkzeug im Unternehmen, das Daten berührt, erstellt oder manipuliert.
Bei der Auswahl von Tools ist es am besten, wenn diese mit anderen Tools und Datenquellen außerhalb der eigenen Tools integriert werden können, um die Zusammenarbeit und Koordination der Daten im gesamten Unternehmen zu ermöglichen. Das Unternehmen sollte in der Lage sein, die Tools in eine Gesamtperspektive des Datenlebenszyklusmanagements einzubinden. Bei der Bestandsaufnahme der aktuellen Datenarchitektur und des Tool-Einsatzes findet das Unternehmen möglicherweise Tools, mit denen es Kosten einsparen kann, und führt einen Tool-Abgleich von Tools durch, die dieselben Aufgaben mit denselben Daten ausführen.
Ein nützliches Tool ist zum Beispiel der Amazon (AWS) Data Lifecycle Manager. Dieses Tool automatisiert die Sicherung von Daten, die auf den AWS Elastic Block Store (EBS)-Volumes gespeichert sind, einschließlich der Erstellung und Löschung der EBS-Daten. Es verwendet Richtlinien, die aus Ihrer Gesamtstrategie für das Datenlebenszyklusmanagement stammen sollten. Der Schutz von wertvollen Daten, die Standardisierung von Methoden und die Einhaltung von Richtlinien für die Speicherung/Aufbewahrung/WiederherstellungWiederherstellung im Katastrophenfall sind allesamt wichtige Funktionen.
Denken Sie immer daran, dass die Werkzeuge nicht ausreichen, wenn sie nicht Teil einer umfassenderen Praxis zur Unterstützung der Bedürfnisse der Organisation sind. Die Organisation sollte als ein Team arbeiten. Daten, Informationen und Wissen im gesamten Unternehmen sind die Grundlage für die Koordination und Zusammenarbeit aller organisatorischen Funktionen, Teams und Rollen, einschließlich der automatisierten Technologie.
Datenlebenszyklus-Management Schlussfolgerung
Data Lifecycle Management als Praxis ist für alle Organisationen unerlässlich. Ganzheitliches Datenmanagement sollte kein nachträglicher Gedanke sein, sondern eine entscheidende strategische Fähigkeit einer Organisation. Schlüsselrollen, die eine Organisation in Betracht ziehen kann, sind Datentreuhänder, Datenverwalter, Dateneigentümer und Datenmanager.
Ein unzureichendes Datenmanagement stellt ein erhebliches Risiko für das Unternehmen und seine Kunden dar. Die Datenmenge wächst, und die Verwaltung dieser Daten darf nicht auf der Strecke bleiben. Offene Architekturen und die Möglichkeit, überall eine Verbindung herzustellen, sorgen für eine bessere Erfahrung aufgrund der Datenzugänglichkeit und schaffen mehr Möglichkeiten für Datenherausforderungen, insbesondere für die böswillige Nutzung von Daten. Machen Sie Data Lifecycle Management zu einer strategischen Initiative für Ihr Unternehmen.
Mit der Customer 360 Analytics-Lösung von Actian haben Sie die Kontrolle über die Kundendaten Ihres Unternehmens und können die BI-Tools, auf die sich Unternehmen bereits verlassen, einfach nutzen, ohne dass spezielles Fachwissen erforderlich ist. Umsatzsteigerung bei gleichzeitiger Reduzierung des Lieferanten-Lock-in von CRM und mehr Flexibilität bei Deployment in Cloud oder Hybrid-Umgebungen
