Kommentar von Jens Kambor, Informatica Die drei Säulen der modernen Data Governance

Künstliche Intelligenz (KI) beschleunigt das digitale Geschäft. Die Einführung von KI zwingt Unternehmen dazu, die Art und Weise, wie sie mit Daten umgehen, in allen Bereichen ihrer Wertschöpfungskette neu zu überdenken. Das betrifft viele Bereiche, etwa die Kundenerfahrung, die Lieferkette, Marketing und Vertrieb oder das Personalwesen.

Diese Chancen sind jedoch mit inhärenten Risiken verbunden. KI-Systeme und -Anwendungen müssen vor Voreingenommenheit, Datenschutz- und Datensicherheitsschwachstellen bewahrt werden sowie rechtlichen und ethischen Standards entsprechen. Bevor Unternehmen ihre KI-Initiativen in vollem Umfang in Angriff nehmen, sollten sie in Ruhe gründlich die Basis der KI – die Daten – untersuchen.

Um KI-Systeme mit qualitativ hochwertigen Daten und einer Geschwindigkeit zu versorgen, die KI zum Erfolg verhelfen, reicht herkömmliche Data Governance nicht aus. CIO- und IT-Teams müssen die Daten für den Einsatz von KI bewerten und überwachen. Sie beobachten genau, wie die Daten für Analysen und KI generiert, verarbeitet und genutzt werden, während sie gleichzeitig vertrauenswürdig und richtlinienkonform bleiben.

Dabei stellen sich diverse Fragen: Wie stellen wir die Einhaltung der sich ständig ändernden Vorschriften für KI und die ethisch vertretbare Datennutzung sicher? Verstehen wir alle Risiken, die mit der Offenlegung geschäftskritischer und sensibler Daten verbunden sind? Wie schützen wir sie, wenn sie demokratisiert werden? Wie können wir die Effizienz des Datenbetriebs maximieren, um die Skalierung unserer KI-Initiativen zu unterstützen?

Das erfordert einen modernen Daten- und KI-Governance-Ansatz, der drei wesentliche Säulen umfasst: Risikomanagement und Einhaltung gesetzlicher Vorgaben, die Möglichkeit des vertrauenswürdigen Datenaustauschs und der Demokratisierung sowie eine intelligente Datenqualität samt besserer Beobachtbarkeit. So gewährleisten CIOs die Verfügbarkeit, Zuverlässigkeit und den Schutz von Daten und schaffen die Grundlage für vertrauenswürdige Informationen und Modelle, die KI-Initiativen in die Erfolgsspur bringen.

1. Risikomanagement und Einhaltung gesetzlicher Vorgaben

Es überrascht nicht, dass nur einer von fünf (21 Prozent) IT-Leitern angibt, über eine 75-prozentige Kontrolle über seine Datenerfassungssysteme und -anwendungen zu verfügen. Da Daten heutzutage die Basis für alles bilden, sind CIOs wichtiger denn je: Sie sorgen für die Datenverarbeitung und -nutzung im Unternehmen. Sie legen zudem Datenrichtlinien und die grundlegenden Funktionen für die Einhaltung gesetzlicher Vorschriften und für die Datensicherheit fest. CIOs müssen den IT-Teams vollständige Transparenz und Kontrolle darüber verschaffen, wie Daten beschafft, verarbeitet und geschützt werden. Dieser Prozess muss nicht nur innerhalb der Firma stattfinden, sondern auch extern, um Schutzmaßnahmen zu implementieren, die die Einhaltung von Datenschutzgesetzen und Sicherheitsvorgaben gewährleisten. Dabei helfen KI-gestützte Data-Governance-Lösungen: Sie bieten eine automatische Datenerkennung und -klassifizierung sowie automatische Durchsetzung relevanter Datenrichtlinien und -verfahren.

Funktionen zur Handhabung von Risiken und für die Durchsetzung von Richtlinien:

Datenermittlung: Verschiedene lokal gelagerte und in Cloud-Umgebungen verstreute Daten lassen sich nur schwer auffinden und richtig zuordnen. Lösungen, die vollständige Sichtbarkeit und Transparenz bieten, verhindern, dass die Daten unentdeckt und ungeschützt durch die Maschen schlüpfen.

Datenkatalog: Ebenso wichtig ist es, die Daten zu verstehen. Ein Datenkatalog dient als zentralisiertes, digitales Inventar sämtlicher Unternehmensinformationen. Er soll die Qualität und die Geschwindigkeit der Datennutzung erhöhen. Damit Nutzer Daten suchen, abrufen, strukturieren, analysieren oder anreichern können, müssen diese zunächst mit Metadaten technischer und fachlicher Natur versehen werden.

So gelingt es, geltende Richtlinien einzuhalten und das Risiko des Datenmissbrauchs zu minimieren. Darüber hinaus hilft ein Datenkatalog bei der Nachverfolgung der genutzten Daten und unterstützt bei den Compliance-Bemühungen für eine rechtzeitige Berichterstattung.

Datenverknüpfung (Data Lineage): Ein klarer Überblick über die Datenflüsse stellt sicher, dass der Weg von den Quellsystemen zu den Anwendungen hin geschützt und regelkonform abläuft. Durch eine automatisierte Datenabfolge können IT-Teams Änderungen in jeder Phase des Lebenszyklus eines Datenbestands überwachen, Compliance-Prozesse vereinfachen und frühzeitig potenzielle Probleme und Anomalien erkennen.

Automatisierte Governance-Workflows: Die Operationalisierung von Governance-Frameworks durch Automatisierung ermöglicht es Unternehmen, die Durchsetzung konsistenter Richtlinien über Unternehmensanwendungen hinweg zu skalieren, indem manuelle, sich wiederholende Aufgaben verschwinden. Außerdem können IT-Teams die Einhaltung von Vorschriften besser im Auge behalten, da sie regelmäßig auf Risiken hingewiesen werden.

2. Vertrauenswürdige gemeinsame Datennutzung und -demokratisierung

In einer Umfrage von Bloor Research gaben 67 Prozent der IT-Führungskräfte an, dass der Zugang zu nützlichen Daten aufgrund von Data-Governance-Vorgaben eingeschränkt sei. In derselben Studie kam auch zum Vorschein, dass 60 Prozent der Befragten nicht in der Lage waren, mehr als 40 Prozent der Daten zu nutzen.

Um den größtmöglichen Nutzen aus Daten und KI-Investitionen zu ziehen, müssen die Unternehmen eine datengesteuerte Kultur fördern. Dazu sollten sie sicherstellen, dass alle Akteure leicht auf vertrauenswürdige Daten zugreifen können, um selbstständig Entscheidungen zu treffen. CIOs spielen bei der Förderung dieser Kultur eine zentrale Rolle: Als technologische Führungskraft des Unternehmens arbeiten sie mit allen Abteilungsleitern zusammen und ermöglichen den notwendigen Zugang zu vertrauenswürdigen Daten, die für die Gewinnung datengestützter Geschäftserkenntnisse erforderlich sind. Gleichzeitig müssen CIOs den Balanceakt zwischen dem Zugang zu Daten für geschäftliche Zwecke und der Sicherstellung der Integrität und Sicherheit dieser Daten meistern.

Intelligente, integrierte und automatisierte Methoden zur sicheren Demokratisierung von Daten erhöhen die Datenverfügbarkeit schnell, indem sie Data-Governance-Workflows, die Orchestrierung von Richtlinien und die Verwaltung des Datenzugriffs kombinieren und gleichzeitig einen reibungslosen Zugriff für die Datenkonsumenten ermöglichen.

Wichtige Funktionen für die gemeinsame Nutzung von Daten:

Datenmarktplatz: Bei einem Datenmarktplatz handelt es sich um ein geschäftsfreundliches Schaufenster für Datenkonsumenten. Hier können sie kuratierte Datenbestände von verschiedenen Standorten entdecken, ihren Kontext und ihre Verwendbarkeit vollständig verstehen und in Übereinstimmung mit den Richtlinien zur gemeinsamen Datennutzung selbstständig (Selfservice) auf sie zugreifen.

Datenzugriffsmanagement: Bevor IT-Teams Daten und KI für eine breitere Nutzung im Unternehmen freigeben können, müssen sie sicherstellen, dass die richtigen Personen für den richtigen Zweck Zugriff auf die richtigen Informationen erhalten. Die Datenzugriffsverwaltung bietet hierfür die erforderlichen Kontrollmechanismen. Durch automatische Sicherheits- und Datenschutzmaßnahmen in der gesamten Datenlandschaft gelingt es IT-Teams, Daten freizugeben, während sie die Einhaltung der Zugriffs- und Nutzungsrichtlinien sicherstellen.

Zusammenarbeit: Mit eingebetteten Tools für die Zusammenarbeit, die sich typischerweise in einem Datenmarktplatz befinden, können Datenproduzenten und -konsumenten in Echtzeit zusammenarbeiten. Dies klappt ohne einen Vermittler aus der IT-Abteilung. Dieser Ansatz spielt eine entscheidende Rolle bei der gemeinsamen Verantwortung für die Daten. Er bietet auch die nötige Struktur, um Stammeswissen nutzbar zu machen. Eingebettete Kooperationstools verbessern die Datenkompetenz, indem sie Datenprodukte überprüfen, empfehlen und priorisieren, was wiederum für bessere Geschäftsergebnisse sorgt.

Automatisierte Datenbereitstellung: Die Bereitstellung von Datenbeständen muss zeitnah, sicher und effizient erfolgen. Erfolgt sie automatisch, können Data-Engineering-Teams die Bereitstellungsprozesse rationalisieren, Standardoptionen für vertrauenswürdige Datenprodukte definieren und sicherstellen, dass die Daten im erforderlichen Format mit optimaler Qualität unter Einhaltung geeigneter Richtlinien zur Verfügung stehen.

3. Intelligente Datenqualität und Beobachtbarkeit

Nur wenn qualitativ hochwertige Daten vorliegen, kann KI effektiv zum Einsatz kommen. Angesichts des Umfangs, der Vielfalt und der Anzahl der Datenquellen, die voraussichtlich exponentiell wachsen werden, nehmen auch die Anforderungen an die Datenqualität zu: Sie benötigt nicht nur an der Quelle, sondern auch über die Datenpipelines hinweg während der Transformation Überwachung. Mit der Einführung von KI wächst die Verpflichtung, qualitativ hochwertige Daten für das Training, die Aktualisierung und den Betrieb von KI-Modellen in großem Umfang zu liefern.

Dies klappt nur dann, wenn Datenqualität und Data Governance an einem Strang ziehen. Folglich müssen CIOs ihre Teams mit entsprechenden Datenqualitätstools ausstatten. Diese Tools sollten mithilfe von Automatisierung dazu in der Lage sein, Datenqualitätsprobleme und -anomalien frühzeitig zu erkennen. Darüber hinaus müssen Beobachtungstools die Einhaltung von Richtlinien und Leistungserwartungen messen und korrigieren.

Entscheidende Fähigkeiten zur Erleichterung intelligenter Datenqualität und Beobachtbarkeit:

Data Observability: Die Beobachtung und Überwachung des Datenzustands dient der Erkennung von Anomalien und stärkt die Zuverlässigkeit der Datenpipeline. Sie stellt sicher, dass die Daten zuverlässig, genau und zeitnah zugänglich bleiben. Die Beobachtung von Daten kann die Data-Governance-Praktiken verbessern und zur Optimierung von Datenpipelines und Daten-Workflows beitragen, indem sie Einblicke in Leistungsmetriken, Datenlatenz und Ressourcennutzung gewährt.

Datenprofilierung: Bevor Daten in eine CRM-, ERP- oder Geschäftsanwendung einfließen, müssen ihre Inhalte, ihre Qualität und ihre Strukturen validiert werden. Mit einer Datenprofilierung lassen sich die Datenquellen auf Vollständigkeit und Genauigkeit prüfen. Die Erkennung von Datenproblemen erfolgt proaktiv, bevor sie für fehlerhafte Geschäftseinblicke und -entscheidungen Verwendung finden.

Automatisierung der Datenqualität: Manuelle Datenbereinigungsprozesse erfüllen nicht die Anforderungen an die Datenqualität von KI-Maßnahmen. Moderne Data-Governance-Lösungen nutzen KI und maschinelles Lernen, um große Datensätze zu analysieren, Unregelmäßigkeiten aufzuspüren und Abhilfemaßnahmen einzuleiten. Ohne Automatisierung geht nichts, sie muss fest in jede moderne Lösung eingebettet sein.

Mit KI-gestützten Data-Governance-Lösungen und den richtigen Funktionen kreieren IT-Teams eine bessere Datengrundlage, die es den Datenkonsumenten ermöglicht, Daten vertrauensvoll zu nutzen und eine datengetriebene Kultur zu fördern.

(ID:50103935)