Data Intelligence. Manfred Kulmitzer

Erleichterung der Kommunikation existiert eine weitere Abstraktionsstufe des UDM, das sogenannte Top-Level UDM. Es deckt ein Unternehmen gesamtheitlich ab, allerdings – wie zuvor bereits beschrieben - mit einer stark reduzierten Anzahl von Datenobjekten.

      Es dient hauptsächlich als Hilfsmittel, um bei Brainstorming oder der Diskussion von Lösungen eine einfache gemeinsame Basis zu haben oder dem Management einen raschen Überblick über die aktuelle Datensituation zu geben.

      Durch den sehr generischen Charakter des Top-Level UDM lässt sich grundsätzlich jedes Unternehmen beschreiben, wie die nachstehende Grafik für ein generisches Top-Level UDM zeigt:

      Darstellung des generischen Top-Level UDM

       Meine Definition eines FDM

      Ein fachliches Datenmodell aka FDM ist ein konzeptionelles, semantisches Datenmodell, welches mit Datenobjekten als Abstraktion die wesentlichen Daten eines oder mehrerer IT-Applikationen sowie deren Beziehungen und Eigenschaften bezogen auf einen Geschäftsprozess oder eines Fachbereichs in einer vereinfachten und systematischen Form darstellt, um die jeweiligen Datenbedürfnisse sicherzustellen.

      Ein FDM erleichtert das gemeinsame Verständnis und die Kommunikation innerhalb eines sowie zwischen mehreren Geschäftsprozessen, schafft verbindliche Verantwortlichkeiten und fördert die bereichsübergreifende Konsistenz von Daten. Jedes FDM stellt eine Erweiterung - die nächste Abstraktionsstufe - des zuvor erwähnten, fachlichen Unternehmensdatenmodells (UDM) dar.

      Die Erstellung eines fachlichen Datenmodells kann sowohl über das UDM (Top-Down Prozess) als auch über ein logisches oder physisches Datenmodell und der dazugehörigen IT-Applikation (Bottom-Up Prozess) erfolgen. Bei der Modellierung von fachlichen Datenmodellen ist die Struktur und der Inhalt des UDM maßgebend und entsprechend bei der Ausgestaltung der Datenobjekte für das jeweilige fachliche Datenmodell zu berücksichtigen.

       Die Verknüpfung von UDM und FDM

      Wie vorher bereits erwähnt wurde, stellen fachliche Datenmodelle die nächste Abstraktionsstufe des Unternehmensdatenmodells UDM dar.

      Durch die Verknüpfung der Datenobjekte von fachlichen Datenmodellen FDM mit den jeweiligen Datenobjekten des UDM wird einerseits eine Aggregation der Datenobjekte aus den verschiedenen Geschäftsprozessen an eine zentrale Stelle im UDM erreicht. Andererseits kann man einfach nachvollziehen, welche Datenobjekte wo verwendet werden. Somit lässt sich die Herkunft und Nutzung eines Datenobjektes über die verschiedenen Geschäftsprozesse bis hin zur zugeordneten IT-Applikation nachvollziehen und damit - falls erforderlich - die von regulatorischen Aufsichtsorganen geforderte Data Lineage realisieren. Diese Verknüpfung wird in der nachstehenden Grafik gezeigt:

      Verknüpfung der Datenobjekte in ein UDM

      Die methodische und inhaltliche Basis des fachlichen UDM und der fachlichen Datenmodelle FDM wird durch eigens definierte Vorgaben für die Datenmodellierung sichergestellt. Das Zusammenspiel des UDM mit den fachlichen Datenmodellen FDM und deren Verknüpfung versetzt ein Unternehmen somit in die Lage:

      • bei neuen IT-Projekten die Verwendung von Datenobjekten gezielt abzustimmen und zu steuern;

      • den Aufbau von unerwünschten Datenredundanzen zu vermeiden;

      • bei Anpassungen der IT-Applikationen die Auswirkungen auf betroffene Datenobjekte effizienter und umfassend zu beurteilen;

      • und die durch regulatorische Aufsichtsbehörden erforderliche Data Lineage abzubilden.

       Wesentliche Modellierungsgrundsätze

      Damit eine möglichst hohe Qualität der semantischen Datenmodelle gewährleistet werden kann, möchte ich gerne kurz noch vier wesentliche Grundsätze für die fachliche Datenmodellierung vorstellen:

      Relevanz: Modelliert werden nur jene Sachverhalte, welche für den zu Grunde liegenden Modellierungszweck relevant sind. Um dies beurteilen zu können, müssen die Ziele der Modellierung vorab klar definiert sein.

      Lesbarkeit: Ein Datenmodell ist nur dann von Nutzen, wenn es vom Adressaten verstanden wird. Hierfür sind klare, möglichst eindeutige Begriffe für die Datenobjekte zu wählen. Zudem tragen Beschreibungen, Synonyme und Beispiele ebenfalls zum Verständnis bei. Klar ausgerichtete, geordnete Datenmodell-Diagramme mit möglichst wenig Überlappungen oder Kreuzungen der Verbindungslinien sowie eine farbliche Kodierung der Datendomänen erhöhen deren Lesbarkeit wesentlich.

      Vergleichbarkeit: In realen Anwendungssituationen gibt es möglicherweise mehrere fachliche Datenmodelle, die miteinander vergleichbar sein müssen. Hierfür ist es erforderlich, dass unterschiedliche fachliche Datenmodelle die gleiche oder zumindest eine ähnliche Abstraktionsebene aufweisen, das heißt die Granularität der Datenobjekte sollte zwischen den Datenmodellen nicht unterschiedlich sein.

      Klassifizierung: Die Kompliziertheit von Sachverhalten lässt sich durch die Darstellung aus unterschiedlichen Sichten oder die Nutzung des Grundbegriffe-Ansatzes gut reduzieren. Mithilfe einer Klassifizierung oder Gruppierung von Datenobjekten können Zugehörigkeiten ebenfalls leicht erkannt und dargestellt werden; beispielsweise eine Risikoklassifizierung nach den CIA Kriterien - und das hat nichts mit dem gleichnamigen Nachrichtendienst zu tun.

      „Puh, das war jetzt aber richtig heftig mit all diesen Details“, denke ich mir gerade. “Nach meiner Erfahrung will ein Experte jedoch genau auf diese Details nicht verzichten. Ich werde daher an dieser ausführlichen Beschreibung von Sachverhalten in weiterer Folge bleiben.

      Und durch die grafischen Symbole kann man diese Kapitel schnell überspringen, wenn man gerade mal keine Muse oder Zeit für die Lektüre hat, nicht wahr?“

       3.6 Den Reifegrad von Daten bestimmen

      Das Data Management Maturity Model des etablierten CMMI Institute ist als umfassendes Referenzmodell für die Prozessverbesserung der Datenbereitstellung nach dem aktuellen Stand der Technik gedacht. Es definiert die grundlegenden Geschäftsprozesse der Datenbereitstellung und weitere spezifische Fähigkeiten eines Unternehmens, die in einem abgestuften Pfad als Reifegrad dargestellt werden können.

      Somit wird es einem Unternehmen ermöglicht, sich selbst anhand dokumentierter und bewährter Verfahren zu bewerten, Lücken zu ermitteln und die Bereitstellung von Daten über funktionale, branchenspezifische und geografische Grenzen hinweg zu verbessern.

      Das DMM Modell dient primär zur Prozessverbesserung und Beurteilung der Reife von Fähigkeiten für die Datendisziplin „Datenbereitstellung“ eines Unternehmens sowie allen dazugehörigen Aktivitäten.

      Es enthält bewährte Verfahren für die Einrichtung, den Aufbau, die Aufrechterhaltung und die Optimierung einer effizienten Datenbereitstellung über den gesamten Datenlebenszyklus hinweg, von der Erstellung über die Speicherung bis hin zur Wartung und Archivierung von Daten.

      Der Standard des DMM Modells ist auf zahlreiche Branchen und viele Ziele der Datenbereitstellung anwendbar. Es erleichtert die Wertschätzung eines Unternehmens für die Datenbereitstellung als kritische Infrastruktur durch die Steigerung der notwendigen Fähigkeiten und Praktiken. Obwohl das DMM Modell die Anforderungen und Aktivitäten für eine effektive Datenbereitstellung definiert, schreibt es nicht explizit vor, wie ein Unternehmen diese Fähigkeiten erreichen soll [28].

      Deshalb nutze ich das DMM Modell als grundlegende Basis für die Beurteilung des Reifegrads aller von mir festgelegten Datendisziplinen, also den datenbezogenen Fähigkeiten oder „Business Capabilities“ eines Unternehmens. Damit will ich sowohl eine effiziente Datenbereitstellung als auch eine effektive Datennutzung