Der Datenlebenszyklus und Data Lifecycle Management

Das Verständnis über den Datenlebenszyklus ist für Datenmanager und Entscheidungsträger überaus wichtig. Denn Daten gibt es überall. In jedem Unternehmen geht ein und derselbe Datenbestand durch viele Hände und dient in mehreren Abteilungen als Grundlage für Entscheidungen. Unternehmensdaten sind zu einer zusammenhängenden, lebendigen Einheit geworden, die durch alle Informationssysteme fließt. Ein durchdachtes Data Lifecycle Management hilft dabei, die Daten über ihren gesamten Lebenszyklus zu verwalten.

Was ist der Datenlebenszyklus?  

Der Datenlebenszyklus, auch Informationslebenszyklus genannt, bezieht sich auf die gesamte Zeitspanne, in der Daten in einem System existieren.  Dieser Lebenszyklus umfasst alle Phasen, die Daten von der ersten Erfassung an durchlaufen.

Wie in der Natur durchlaufen auch verschiedene Datenobjekte unterschiedliche Lebensphasen in ihrem eigenen Rhythmus. Dies sind die verschiedenen Phasen eines Datenlebenszyklus: 

1. Datenerstellung, -eingabe oder -erfassung

In der ersten Phase gelangen die Datenwerte in die Firewall eines Unternehmens. Dies geschieht auf unterschiedliche Art und Weise:

• Generieren von Daten durch manuelle Dateneingabe
• Erfassung vorhandener Daten aus anderen Quellen
• Empfangen von Signalen anderer Geräte

2. Datenverarbeitung

An der Bereinigung und Vorbereitung von Rohdaten für die spätere Analyse sind viele Prozesse beteiligt. Während des Datenverarbeitungs-Workflows werden die Daten oft neu formatiert, zusammengefasst, unterteilt, standardisiert und angereichert. Während die Reihenfolge der Vorgänge variieren kann, umfasst die Datenvorbereitung typischerweise ...

• die Integration von Daten aus verschiedenen Quellen,
• die Validierung der Daten
• sowie ihre Umwandlung.

3. Datenanalyse

Das Erforschen und Interpretieren von Daten erfordert eine Vielzahl von Analysen. Dazu gehören:

• statistische Analysen und Visualisierungen
• traditionelle Datenmodellierung
• Anwendung künstlicher Intelligenz

4. Datenaustausch oder -veröffentlichung

In dieser Phase leiten Datenanalysten aus Prognosen und Erkenntnissen der Daten Entscheidungen und Handlungsanweisungen ab. Mit der Verbreitung der aus der Datenanalyse gewonnenen Informationen, entfalten Daten ihren vollen geschäftlichen Wert. Eine gute Data Governance stellt beim Data Sharing sicher, dass die Endnutzer die Daten erhalten, die sie brauchen, und nicht mehr.

5. Archivierung

Nach der Verarbeitung und Analyse der Daten können Unternehmen diese für die spätere Verwendung speichern. Damit Datenarchive einen zukünftigen Nutzen haben, ist es wichtig, Metadaten über jedes Element in den Aufzeichnungen zu speichern, insbesondere über die Herkunft der Daten. 

Nach diesem Schritt beginnt der Zyklus wieder von vorn in einem nie endenden Kreis. Im einundzwanzigsten Jahrhundert hat jedoch ein Faktor die Art und Weise, wie wir mit Daten arbeiten, ernsthaft verkompliziert. Wie lässt sich der Datenlebenszyklus von Big Data bewältigen?

Der Datenlebenszyklus von Big Data

Die verwendete Menge an Daten ist in den letzten Jahren enorm gewachsen und wird noch weiter zunehmen. Unternehmen arbeiten immer häufiger mit SaaS- und Web-Anwendungen und erfassen dadurch immer mehr Daten. Gleichzeitig hat ein immer größerer Teil der Weltbevölkerung Zugang zum Internet, klickt dort auf Links und Bilder und füllt Webformulare aus. Vor allem aber finden Smart Devices und das Internet der Dinge (IoT) immer neue Wege, um alles in unserem Umfeld zu messen.

Doch die Herausforderungen der Datenverwaltung wachsen mit dem Datenvolumen. Mehr Daten bedeuten nicht nur höhere Kosten für die Datenspeicherung: Je mehr Daten ein Unternehmen hat, desto mehr Ressourcen benötigt es für die Datenaufbereitung  und -analyse. Unternehmen, die ohne die richtige Strategie zur digitalen Transformation immer mehr Daten sammeln, sind schnell im Besitz einer digitalen Müllhalde. So können sie zwar auf eine Vielzahl von Daten zugreifen, finden jedoch nicht immer sofort die benötigten oder die richtigen Informationen. Auf dieser Grundlage fällt es schwer, geschäftliche Entscheidungen zu treffen. Auf dieser Grundlage fällt es schwer geschäftliche Entscheidungen zu treffen.

Drei Dinge führen typischerweise zu Problemen bei der Arbeit mit Big Data:

• übermäßiges Sammeln von Daten
• schlechtes
• Horten veralteter Daten

Um Big Data erfolgreich skalieren zu können, lohnt es sich für Unternehmen einige Vorsichtsmaßnahmen im Big-Data-Lebenszyklus einbauen:

1. Datenerfassungsprozess verfeinern: Unternehmen müssen nicht alle generierten Daten erfassen. Ein vorab erstellter Plan hilft dabei, nur die Daten zu sammeln, die für die jeweiligen Projekte relevant sind.
2. Effektives Datenmanagement implementieren: Katalogisierte Daten sind leichter zu finden und zu verwenden. Eine solche Infrastruktur ermöglicht es, die manuelle und automatisierte Kontrolle mit der Datenpflege zu kombinieren, um eine gesunde Datenbasis zu schaffen.
3. Unnötige Daten entsorgen: Sobald sie nicht mehr nützlich sind, sollten Unternehmen das Löschen von Daten oder das Bereinigen von Datensätzen in Betracht ziehen. Dabei gilt es, alle rechtlichen Verpflichtungen zu berücksichtigen und alte Datensätze entweder aufzubewahren oder zu löschen. Es empfiehlt sich, einen klaren Zeitplan für die Datenlöschung zu erstellen.

Einige Experten der Branche vertreten die Meinung, alte Daten niemals zu löschen. Sie glauben, dass es sich langfristig lohnt, alle Informationen so lange wie möglich zu speichern. Doch die Aufbewahrung von Datenkostet nicht nur mehr Geld, sondern kann auch ein Risiko darstellen, vor allem wenn diese keinen Zweck mehr erfüllen. Das gilt besonders für sensible persönliche Daten. Wir bei Talend glauben, dass der Wert von Daten von ihrem Nutzen für das Unternehmen abhängt. Deshalb ist es wichtig, den Lebenszyklus dieser Daten richtig zu verwalten. 

Data Lifecycle Management

Der Zweck des Datenlebenszyklus besteht darin, Unternehmen die Daten zu liefern, die sie für ihre Entscheidungsfindung benötigen. Aus diesem Grund muss das Datenlebenszyklusmanagement, oder auch Informationslebenszyklusmanagement, transparent und schrittweise erfolgen.

Um den Datenlebenszyklus greifbar zu machen, sollten Unternehmen den Datenfluss stets dokumentieren. Diesen gilt es visuell darzustellen: vom Ursprung der Daten, über jede einzelne Station, die sie durchlaufen haben und einer Erklärung, warum sie an einigen Punkten möglicherweise zum Stillstand kamen.

Die Dokumentation des Lebenszyklus vereinfacht die Nachverfolgung für den täglichen Datenbetrieb. Dieses Vorgehen ermöglicht es, Engpässe und Fehlerquellen zu untersuchen und zu beheben. Alle Prozesse, die die Nützlichkeit der Daten einschränken, sind kontraproduktiv und sollten in zukünftigen Zyklen erfasst und korrigiert werden. Ein gutes Data Lifecycle Management sorgt also dafür, die gewonnenen Erkenntnisse zu nutzen, um den nächsten Zyklus anzupassen und die Datengesundheit zu maximieren.

Lebenszyklus der Datenanalyse

Um Daten gesund zu halten und einen geschäftlichen Nutzen aus ihnen zu ziehen, hilft der Aufbau von Datenteams und die Einrichtung einer Dateninfrastruktur mit dem Ziel, die Daten nutzbar zu machen. Datenzentrierte Prozesse helfen Menschen und Technologien, gemeinsam auf dieses Ziel hinzuarbeiten.

Untersuchungen haben ergeben, dass es für diejenigen, die mit Daten arbeiten, wichtig ist, über den gesamten Datenlebenszyklus hinweg involviert zu sein. In unserer Umfrage zur Datengesundheit 2021 gaben 78 % der Führungskräfte an, vor Herausforderungen bei der Nutzung von Unternehmensdaten für die Entscheidungsfindung zu stehen. Führungskräfte, die in erster Linie entweder Daten liefern oder konsumieren, haben weniger Vertrauen in ihre Daten und treffen weniger datengesteuerte Entscheidungen. Führungskräfte, die hingegen mit dem kompletten Datenlebenszyklus arbeiten, gaben an, dass sie die Daten besser verstehen und mehr datengetriebene Entscheidungen treffen.

Talend hilft Unternehmen, datengestützte Entscheidungen zu treffen. Als Plattform für Datenintegration, Datenintegrität und Data Governance erleichtert Talend Data Fabric  den Entscheidungsträgern die Arbeit in allen Phasen des Datenlebenszyklus. So schaffen Unternehmen eine Dateninfrastruktur, die Fachwissen über das gesamte Data Lifecycle Management unterstützt. Jetzt Talend Data Fabric kostenlos testen!