Data Discovery: Definition, Bedeutung und Trends

Was ist Data Discovery?

Data Discovery (zu Deutsch: Datenerkennung) bezeichnet den Prozess, bei dem Daten in einem Unternehmen identifiziert, gesammelt und analysiert werden. Als wichtiger Bestandteil der Daten-Governance spielt sie eine entscheidende Rolle. Sie zeigt Unternehmen, welche Daten in verschiedenen Systemen und Speichern vorhanden sind.

Data Discovery ist essenziell für eine effektive Daten-Governance, Compliance-Management und Analytik. Sie verschafft Unternehmen Einblicke in die Arten, Speicherorte und Beziehungen von Daten. Dies ermöglicht fundierte Entscheidungen, erhöht die Datensicherheit und optimiert die Nutzung der Daten.

Warum Data Discovery wichtig ist

Datenzugriff

Data Discovery Tools verfügen häufig über intuitive, visuelle Benutzeroberflächen. Sie machen komplexe Datensätze auch für technisch nicht versierte Benutzer verständlich. Dadurch können diese Daten angezeigt und analysiert werden. Diese Demokratisierung von Daten ermöglicht es einem breiten Spektrum von Benutzern, wertvolle Erkenntnisse zu gewinnen.

Bessere Datenqualität und -integrität

Abläufe aus der Data Discovery können Probleme mit der Datenqualität sowie Inkonsistenzen, Duplikate und Fehler identifizieren. Sie tragen dazu bei, die Zuverlässigkeit und Nützlichkeit von Daten zu verbessern. Zudem stellen sie sicher, dass Analytik und Business-Intelligence-Maßnahmen auf korrekten und vertrauenswürdigen Daten basieren.

Wettbewerbsvorteil

Data Discovery ermöglicht es Unternehmen, sich schnell an Marktveränderungen, Kundenpräferenzen und aufkommende Trends anzupassen. Sie macht Daten leicht zugänglich und analysierbar. Dies kann einen erheblichen Wettbewerbsvorteil darstellen.

Optimiertes Datenmanagement

Data Discovery vereinfacht das Datenmanagement, indem sie die arbeitsintensiven Abläufe der Datenerfassung, -organisation und -analyse automatisiert. Dadurch wird die Verwaltung der Datenspeicherung, des Datenzugriffs und der Lebenszyklus-Richtlinien in komplexen Datenumgebungen optimiert und der Zeit- und Ressourcenaufwand von datenbasierten Projekten reduziert.

Verbesserte Compliance

Data Discovery erleichtert die Einhaltung von Datenschutzbestimmungen wie DSGVO (Datenschutz-Grundverordnung), CCPA (California Consumer Privacy Act) und HIPAA (Health Insurance Portability and Accountability Act), indem sie sensible Daten identifiziert und klassifiziert. Teams wissen dadurch, wo sich sensible Daten befinden und wie sie genutzt werden. So können sie die entsprechenden Datenschutzmaßnahmen anwenden, um die gesetzlichen Vorschriften zu erfüllen.

Dies minimiert nicht nur das Risiko von Verstößen. Es trägt auch zur Verbesserung der allgemeinen IT-Sicherheit, Datensicherheit und des Datenschutzes bei.

Identifizierung von Einblicken und Trends

Data Discovery Tools können Muster und Beziehungen in den Daten analysieren. Dadurch liefern sie Einblicke, die sonst verborgen bleiben würden.

Diese Einblicke helfen, neue Chancen zu erkennen und bestehende Produkte sowie Dienstleistungen zu optimieren. Zudem ermöglichen sie die Steigerung der betrieblichen Effizienz, fördern kreative Lösungen und unterstützen strategisches Wachstum.

Bessere Daten-Governance

Data Discovery unterstützt Unternehmen bei der Implementierung effektiverer Programme zur Daten-Governance, indem es Einblicke in die Datenbestände und deren Verteilung, Nutzung und Qualität im gesamten Unternehmen gibt.

Erhöhte Sicherheit

Die Datensicherheit wird erhöht, da bekannt ist, welche sensiblen Daten wo gespeichert sind und wie auf sie zugegriffen wird. Dies hilft den Teams, ihre Datenschutzpraktiken zu verfeinern und gezielt einzusetzen.

Strategische Entscheidungsfindung

Die Data Discovery ermöglicht es Unternehmen, relevante und qualitativ hochwertige Daten schnell zu identifizieren. So können sie diese effizient abrufen, um Entscheidungsprozesse zu unterstützen.

Möglichkeiten zur Datenintegration

Da die Data Discovery einen vollständigen Überblick über die Unternehmensdaten liefert, hilft sie dabei, Silos aufzubrechen. So können Teams Möglichkeiten zur Datenintegration erkennen. Diese Integration schafft eine einheitliche Sicht auf die Daten. Sie ermöglicht zudem einen ganzheitlicheren Ansatz für die Datenanalyse und -nutzung.

Risikobewertung und -management

Data Discovery ermöglicht es Ihnen, Risiken im Zusammenhang mit der Datenspeicherung, Datenverarbeitung und Compliance zu identifizieren und zu bewerten. Auf diese Weise können Teams Daten im Einklang mit den gesetzlichen und betrieblichen Vorschriften schützen und das Risikomanagement stärken.

Arten der Data Discovery

Es gibt verschiedene Arten der Data Discovery für unterschiedliche Anwendungsfälle. Sie reichen von der Identifizierung sensibler Daten über die Sicherstellung der Compliance bis hin zur Verbesserung von Business-Intelligence-Initiativen. Welche Art der Datenerkennung am besten geeignet ist, hängt von der Komplexität der Datenumgebung sowie den Zielen der Datenanalyse und -verarbeitung ab.

Fortgeschrittene Analysen

Fortgeschrittene Analysen werden manchmal auch als erweiterte Data Discovery bezeichnet. Sie basieren auf künstlicher Intelligenz und Algorithmen für maschinelles Lernen. Dazu gehören prädiktive Analytik, präskriptive Analytik und Data-Mining.

Die erweiterte Datenerkennung wird genutzt, um tiefere Einblicke zu gewinnen, zukünftige Trends vorherzusagen und Muster zu erkennen. Diese Methode erfordert spezielle Fähigkeiten und Tools. Sie kann jedoch zur Vorhersage zukünftiger Entwicklungen, zur Empfehlung von Maßnahmen und zur Ermittlung komplexer Datenbeziehungen eingesetzt werden.

Automatisiert

Bei der automatisierten Data Discovery kommen Software-Tools zum Einsatz, die Daten in verschiedenen Speichersystemen und Datenbanken automatisch scannen, identifizieren und klassifizieren. Dabei nutzen sie Algorithmen und maschinelles Lernen, um Muster, Beziehungen und sensible Daten ohne manuelle Eingriffe zu erkennen.

Mobil

Die mobile Datenerfassung ermöglicht es Benutzern, jederzeit und überall auf Daten zuzugreifen und diese zu analysieren. Dazu gehören mobile Business-Intelligence-Apps und Plattformen, die speziell für eine optimale Anzeige und Interaktion auf kleineren Bildschirmen entwickelt wurden.

Self-Service

Die Self-Service-Data Discovery stellt Tools und Schnittstellen bereit, mit denen auch technisch nicht versierte Geschäftsanwender auf Daten zugreifen, sie untersuchen und analysieren können. Dabei sind sie nicht auf die IT-Abteilung angewiesen. Zu den Self-Service-Tools gehören intuitive Schnittstellen, Drag-and-Drop-Funktionen und fertige Analysemodelle. Zudem bieten sie visuelle Datenexplorationsfunktionen, die den Zugriff auf und die Interpretation von Daten erleichtern.

Sozial

Die soziale Data Discovery analysiert Daten von Social-Media-Plattformen, um Einblicke in Kundenstimmungen, Trends und Verhaltensweisen zu gewinnen. Dazu werden große Mengen unstrukturierter Daten aus Beiträgen, Kommentaren und anderen Nutzerdaten gesammelt.

Visuell

Die visuelle Data Discovery nutzt grafische Darstellungen wie interaktive Dashboards, Diagramme, Schaubilder und Karten, um Datensätze zu untersuchen und zu analysieren. Sie hilft Benutzern, Muster, Trends und Anomalien schnell zu erkennen und Details gezielt zu untersuchen. Die visuelle Datenerkennung macht komplexe Daten für technisch nicht versierte Benutzer zugänglicher und verständlicher.

Tools zur visuellen Datenerkennung werden häufig in Business Intelligence und Analytik eingesetzt. Sie dienen dazu, Analyseergebnisse übersichtlich zu präsentieren.

Schritte der Data Discovery

• Erkennung und Sammlung
  Bei der Datenerkennung werden zunächst Datenbanken, Data Lakes, Dateisysteme und andere interne sowie externe Datenspeichersysteme durchsucht, um die verfügbaren Daten zu katalogisieren. In diesem Schritt erfahren Unternehmen, welche Daten sie besitzen, wo sie gespeichert sind und wie sie strukturiert sind.
• Katalogisierung
  Die Katalogisierung im Rahmen der Data Discovery organisiert die gesammelten Daten in einem durchsuchbaren und verwaltbaren Format. Dieser Schritt umfasst oft die Dokumentation der Metadaten, die jedem Datenelement zugeordnet sind. So lassen sich Ursprung, Struktur und Zweck der Daten besser verstehen.
• Klassifizierung und Kennzeichnung
  Sobald die Daten identifiziert und katalogisiert sind, müssen sie nach Typ, Sensibilität und Bedeutung klassifiziert werden. Daten lassen sich anhand vordefinierter Kriterien in verschiedene Kategorien einteilen, z. B. personenbezogene Daten, Finanzdaten oder betriebliche Daten. Zudem erfolgt eine Einstufung nach Sensibilitätsstufen wie öffentlich, privat oder vertraulich. Diese Klassifizierungen und die damit verbundene Kennzeichnung stellen sicher, dass die Daten gemäß den Richtlinien und Vorschriften geschützt werden.
• Evaluierung und Analyse
  Datenerkennungstools werden zur Datenanalyse verwendet, um deren Qualität und Nutzungsmuster zu bestimmen. Bei der Evaluierung und Analyse werden alle Inkonsistenzen, Duplikate oder Fehler aufgedeckt, die die Datenanalyse und die Entscheidungsfindung beeinträchtigen könnten.
• Datenprofilierung
  Die Datenprofilierung ermittelt die Struktur, den Inhalt und die Beziehungen innerhalb der Daten sowie Datenmuster, Anomalien und Integritätseinschränkungen.
• Abbildung der Datenabfolge
  Die Datenabfolge muss abgebildet werden, um nachzuvollziehen, wie Daten von ihrer Quelle durch verschiedene Prozesse und Umwandlungen fließen. Erst danach können sie für Analysen oder Berichte genutzt werden. Dazu werden Herkunft, Bewegungen und die Verwendung der Daten im Unternehmen verfolgt. So können Datenmanager die Auswirkungen von Datenänderungen besser verstehen.
• Gewährleistung von Compliance und Sicherheit
  Alle gefundenen Daten sollten im Kontext von Compliance-Vorschriften und Sicherheitsrichtlinien bewertet werden. Sensible Daten müssen entsprechend den gesetzlichen Vorschriften (z. B. DSGVO, HIPAA und CCPA) geschützt werden.
• Governance und Stewardship
  Entwickeln Sie einen Governance-Rahmen für die Data Discovery und das laufende Datenmanagement. Beauftragen Sie Datenmanager mit der Überwachung der Datenbestände, um die Korrektheit, Zugänglichkeit und Sicherheit der Daten sicherzustellen. Definieren Sie klare Richtlinien und Verfahren für die Datennutzung, den Zugriff sowie die Qualitätskontrolle.
• Integration und Zugänglichkeit
  Erleichtern Sie die systemübergreifende Integration von Daten, um Silos aufzubrechen und den Zugriff für autorisierte Benutzer sicherzustellen. Nutzen Sie dazu ETL-Abläufe (Extrahieren, Transformieren, Laden), Datenvirtualisierung oder API-Verwaltung. Self-Service-Tools und -Plattformen ermöglichen es auch technisch nicht versierten Benutzern, eigenständig auf Daten zuzugreifen und sie zu analysieren – ohne Unterstützung der IT.
• Kontinuierliche Überwachung und Verbesserung
  Überwachen Sie die Datenumgebung kontinuierlich auf neue oder geänderte Datenbestände. Prüfen Sie regelmäßig die Data Discovery und passen Sie sie an Veränderungen der Datenquellen, geschäftlichen Anforderungen und gesetzlichen Vorschriften an.

Data Discovery und Business Intelligence

Data Discovery und Business Intelligence (BI) sind eng miteinander verknüpft. Während die Datenerkennung das Identifizieren, Verstehen und Organisieren von Daten umfasst, nutzt BI diese Grundlage zur Analyse und Entscheidungsunterstützung.

Die Data Discovery bildet den ersten Schritt im BI-Prozess. Sie stellt sicher, dass die verwendeten Daten korrekt, umfassend und relevant sind. Durch die Identifizierung und Katalogisierung von Daten aus verschiedenen Quellen entsteht eine solide Basis für BI-Initiativen. Dadurch ermöglicht die Datenerkennung eine effektive Business Intelligence durch:

• Fortgeschrittene Analysen
• Verbesserung der Datenqualität
• Self-Service-BI
• Bessere Daten-Governance

Anwendungsfälle der Data Discovery

Horizontale Anwendungsfälle der Datenerkennung

• Business Intelligence und Reporting
  Die Data Discovery ermöglicht die Entwicklung umfassender Business Intelligence (BI)- und Reporting-Lösungen, da sie alle relevanten Datenquellen identifiziert und zugänglich macht.
• Compliance und Risikomanagement
  Unternehmen in regulierten Branchen nutzen Data Discovery zur Identifizierung und Klassifizierung sensibler Daten, wie personenbezogener Daten, geschützter Gesundheitsdaten und Finanzdaten, um die Einhaltung von Vorschriften wie DSGVO, HIPAA und CCPA zu erleichtern.
• Kundeneinblicke und Marktanalysen
  Die Data Discovery hilft Unternehmen, Kundendaten aus verschiedenen Kontaktpunkten wie Verkaufstransaktionen, sozialen Medien und Kundenfeedback zu erfassen, zu organisieren und zu analysieren. Dadurch gewinnen sie tiefere Einblicke in das Kundenverhalten, können Marketingstrategien personalisieren und fundierte Entscheidungen zur Produktentwicklung treffen.
• Daten-Governance und Qualität
  Die Data Discovery unterstützt umfassende Daten-Governance-Programme, da sie einen Überblick über die Datenbestände im gesamten Unternehmen gibt und ein klares Inventar der Daten erstellt, ihre Qualität bewertet und Redundanzen oder Inkonsistenzen identifiziert.
• Optimierung von Data Lakes
  Unternehmen mit Data Lakes nutzen die Data Discovery , um strukturierte und unstrukturierte Daten zu katalogisieren und zu klassifizieren. Dadurch wird das Datenmanagement effizienter, die Zugänglichkeit für Analysen verbessert und der Gesamtwert der Data Lakes erhöht. Dadurch wird die IT-Effizienz als Ganzes gestärkt.
• Fusionen und Übernahmen
  Bei Fusionen und Übernahmen hilft die Data Discovery , die Datenlandschaft der beteiligten Unternehmen zu bewerten. Sie liefert Einblicke in Umfang, Qualität und Kompatibilität der Datenbestände. Dadurch wird die Integration optimiert und potenzielle Probleme frühzeitig erkannt.
• Optimierung der betrieblichen Effizienz
  Unternehmen setzen Data Discovery ein, um Daten über verschiedene Systeme und Abteilungen hinweg zu identifizieren und zu analysieren. So lassen sich Engpässe, redundante Abläufe und Optimierungspotenziale aufdecken.
• Verbesserung der Sicherheit
  Da sie wissen, wo sensible oder kritische Daten gespeichert sind, können Unternehmen gezielte Sicherheitsmaßnahmen ergreifen.

Vertikale Anwendungsfälle der Data Discovery

• Bildung
  Bildungseinrichtungen nutzen die Datenerkennung, um die Leistung, Anwesenheit und das Engagement der Studierenden zu verfolgen. So können sie gezielt eingreifen und Unterstützung bieten. Zudem erleichtert sie die Analyse akademischer Ergebnisse und von Kursfeedback, um Lehrpläne und Methoden zu optimieren und das Lernerlebnis zu verbessern.
• Energie- und Versorgungsunternehmen
  Versorgungsunternehmen nutzen die Data Discovery , um Verbrauchsmuster zu analysieren und den Energiebedarf vorherzusagen. Dadurch wird eine effizientere Energieerzeugung und -verteilung ermöglicht. Zudem hilft sie bei der Analyse von Netzleistungsdaten, um Ineffizienzen zu identifizieren, Infrastrukturverbesserungen zu planen und eine zuverlässige Energieversorgung sicherzustellen.
• Finanzwesen
  Finanzinstitute nutzen die Datenerkennung, um Transaktionsmuster zu analysieren und auffälliges Verhalten zu identifizieren, das auf Betrug hindeuten könnte. Zudem ermöglicht sie Banken, Marktdaten, Kreditverläufe und Kundenprofile zu untersuchen, um Kreditrisiken präziser zu bewerten und besser zu verwalten.
• Gesundheitswesen
  Im Gesundheitswesen dient die Data Discovery der Erfassung und Analyse von Patientendaten, Forschungsergebnissen und Daten aus klinischen Studien. Sie unterstützt fortschrittliche Forschung, die Krankheitsüberwachung sowie die Entwicklung personalisierter Pflegepläne und verbessert die Ergebnisanalysen.
• Fertigung
  Die Data Discovery ermöglicht Produzenten, Lieferkettendaten zu analysieren, Ineffizienzen aufzudecken und Abläufe zu optimieren, um Kosten zu senken. Zudem hilft sie, Probleme mit Anlagen frühzeitig zu erkennen, wodurch Ausfallzeiten minimiert und Wartungskosten reduziert werden.
• Öffentlicher Sektor
  Die Datenerkennung unterstützt Smart-City-Initiativen, indem sie Verkehrsmuster, die Nutzung von Versorgungseinrichtungen und die Nachfrage nach öffentlichen Dienstleistungen analysiert. Dadurch können Stadtplanung und Bürgerdienste optimiert werden. Auch Behörden nutzen sie, um die Wirksamkeit von Maßnahmen und Programmen zu bewerten.
• Einzelhandel und E-Commerce
  Durch die Analyse von Kundendaten erkennen Einzelhändler Kaufmuster, Vorlieben und Verhaltensweisen. So können sie Marketingtexte und Angebote gezielt anpassen und die Kundenbindung stärken. Zudem hilft die Data Discovery , Verkaufstrends und die Kundennachfrage besser zu verstehen.
• Telekommunikation
  Telekommunikationsunternehmen nutzen die Data Discovery , um den Netzwerk-Traffic zu überwachen und Überlastungspunkte zu identifizieren. Dadurch können sie die Netzwerkleistung optimieren und die Kundenzufriedenheit steigern.

Tools für die Data Discovery

Die Datenerkennung nutzt eine Vielzahl von Technologien, darunter:

• Fortgeschrittene Analytik und Plattformen für maschinelles Lernen
• Automatisches Scannen
• Datenanalytik und -visualisierung
• Datenkatalogisierung
• Daten-Governance und Compliance
• Datenintegration
• Datenherkunft
• Datenaufbereitung
• Datenprofilierung
• Datenqualität
• Suchbasierte Datenerkennung
• Self-Service-Datenerkennung

Trends im Bereich der Data Discovery

Technische und betriebliche Veränderungen beeinflussen auch die Data Discovery. Künstliche Intelligenz automatisiert die Mustererkennung, unterstützt prädiktive Analysen und ermöglicht tiefere datengestützte Einblicke. Zudem erleichtern Self-Service-Plattformen auch technisch nicht versierten Nutzern den Zugang zu anspruchsvollen Analysen. Immer häufiger wird die Datenerkennung direkt in geschäftliche Abläufe integriert, um Echtzeit-Einblicke zu liefern und sofortige Entscheidungen zu ermöglichen.

Datenerkennung: Eine Basis des Geschäftsbetriebs

Unternehmen aller Branchen nutzen die Data Discovery und entsprechende Tools, um große Datenmengen zu bewältigen und in verwertbare Erkenntnisse sowie strategische Werte umzuwandeln. Durch die effektive Identifikation, Klassifizierung und Analyse von Daten lassen sich die Daten-Governance verbessern, die Datenqualität erhöhen, Compliance-Anforderungen erfüllen und Daten gewinnbringend nutzen. Angesichts der wachsenden Menge, Vielfalt und Geschwindigkeit der Datenerstellung sollte die Datenerkennung für alle Unternehmen oberste Priorität haben.