Wozu Unternehmen Datenmodellierung benötigen.

Die Erfassung großer Datenmengen hilft Unternehmen jeder Art, ihre Geschäftsziele zu erreichen und ihre Wettbewerbsposition zu verbessern.

Doch bevor ihr diese Daten für euer Unternehmen praktisch nutzen könnt, müsst ihr zunächst lernen, wie ihr die zahlreichen Zusammenhänge zwischen den Daten visualisieren könnt. Dadurch könnt ihr eure Daten besser organisieren und speichern und einfacher darauf zugreifen.

Damit ihr eure Daten zum Leben erwecken könnt, müsst ihr verstehen, was Datenmodellierung ist.

Inhalt:

• Was ist Datenmodellierung?
• Warum ist Datenmodellierung wichtig?
• Datenmodellierung und Datenanalysen im Vergleich
• Arten von Datenmodellen
• Beispiele für Datenmodellierung
• Der Datenmodellierungsprozess
• Bewertung einer Plattform zur Verwirklichung eures Datenmodells

Was ist Datenmodellierung?

Bei der Datenmodellierung werden verschiedene Datenquellen in Modellen abgebildet und visualisiert. Diese Modelle werden dann so zusammengestellt, dass die Informationen leichter verständlich, bearbeitbar und analysierbar sind.

Mithilfe von Datenmodellierung könnt ihr durch hochwertige, konsistente und strukturierte Modelle ein klares Bild der Unternehmensdaten präsentieren. Anhand dieser Modelle können Business-Teams die Anforderungen an ein Computer-System oder ein Datenbank-Design klar definieren und kommunizieren. Und Technik-Teams können auf der Basis dieser Vorgaben das Design entwickeln.

Mithilfe von Datenmodellierung können Unternehmen fehlende oder redundante Informationen identifizieren. So könnte ein Unternehmen damit beispielsweise Ineffizienzen aufdecken, die zu unnötigen Ausgaben führen. Durch die Modellierung von Daten verschiedener Abteilungen kann analysiert werden, wie Ressourcen unternehmensweit genutzt werden und welche Bereiche über zu wenige oder zu viele Ressourcen verfügen, um diese entsprechend neu zuzuweisen.

Wie werden Datenmodelle erstellt?

Datenmodelle werden von der IT-Abteilung in Zusammenarbeit mit den kaufmännischen Teams erstellt. Sie orientieren sich an den geschäftlichen Anforderungen und berücksichtigen auch die Erwartungen der Stakeholder an das Informationssystem oder das Datenbank-Design. Diese geschäftlichen Anforderungen werden Geschäftsregeln genannt. Sobald die Anforderungen an die Daten klar definiert sind, können die Datenmodelle von Mitgliedern des Datentechnologie-Teams und anderen technischen Fachkräften erstellt werden.

Warum ist Datenmodellierung wichtig?

Wenn ihr es euren Mitarbeitenden durch die Investition in die entsprechenden Technologien ermöglicht, Datenmodellierung anzuwenden, könnt ihr die von eurem Unternehmen erfassten Daten effizienter organisieren. So könnt ihr aus euren Daten den optimalen Nutzen ziehen und wichtige Geschäftsprozesse damit unterstützen.

Konsistente Daten.

Datenmodellierung bricht Silos auf und gewährleistet konsistente Informationen in allen Abteilungen, Systemen und Datenbanken.

Bessere Datenqualität.

Wenn euer Team problemlos Informationen austauschen und abrufen kann, wird die Qualität und Nutzbarkeit der Daten maßgeblich verbessert.

Effizienteres Datenbank-Design.

Datenmodellierung deckt potenzielle Informationsstaus auf, sodass ihr diese Engpässe beseitigen und ein effizienteres Daten-Management-System erstellen könnt.

Weniger Fehler und Redundanzen.

Mit Datenmodellierung könnt ihr Workflows optimieren, den Bedarf an redundanten manuellen Schritten reduzieren und die Wahrscheinlichkeit kostspieliger Fehler bei der Dateneingabe verringern.

Höhere Transparenz im gesamten Unternehmen.

Mit Datenmodellierung verbessert ihr die Transparenz im gesamten Unternehmen und stellt Entscheidungstragenden die Daten bereit, die sie für die Umsetzung neuer Geschäftschancen benötigen.

Datenmodellierung und Datenanalyse im Vergleich.

Datenmodellierung und Datenanalyse werden oft als dasselbe betrachtet. Es handelt sich jedoch um unterschiedliche Konzepte, die völlig andere Kompetenzen erfordern.

Datenanalyse.

Datenanalyse bezeichnet die Verarbeitung von Daten, auf die ihr Zugriff habt. Diese werden gefiltert, um die wichtigsten Erkenntnisse anschließend in Reports, Prognosen, Diagrammen oder anderen Visualisierungen darzustellen. Bei der Datenanalyse wird also ermittelt, warum sich betriebliche Aspekte auf eine bestimmte Art und Weise verhalten.

Datenmodellierung.

Bei der Datenmodellierung geht es um die Schaffung von Bedingungen, die diese Analyse ermöglichen. Die Erstellung und Zusammenführung der Datenmodelle eines Unternehmen bildet den ersten Schritt, bevor Datenanalysen durchgeführt werden können. Dabei wird ermittelt, welche Datentypen auf welche Weise zusammengeführt werden sollten, um die gewünschten Ergebnisse zu erhalten.

Arten von Datenmodellen.

Es gibt drei Hauptarten von Datenmodellen: konzeptionelle, logische und physische. Für welche dieser Arten ihr euch entscheidet, hängt davon ab,

• wie komplex euer Modell ist,
• welche betrieblichen Anforderungen das Modell erfüllen muss
• und wie ihr es verwenden werdet.

Diese drei Modelle unterscheiden sich in der Art und Weise, wie Daten gespeichert und organisiert werden und wie die Datenabfrage erfolgt:

Konzeptionelle Datenmodellierung.

Auch als betriebliche Datenmodellierung bezeichnet. Dieser Modellierungstyp bildet allgemeine Geschäftsstrukturen ab und orientiert sich dabei an den wichtigsten Geschäftsanforderungen der Stakeholder, wie z. B. Analystinnen und Analysten für Geschäftsvorgänge. Ein konzeptionelles Modell identifiziert die verschiedenen Datenentitäten und zeigt, wie sie miteinander in Beziehung stehen.

Logische Datenmodellierung.

Die logische Datenmodellierung erfasst die technischen Details und zeigt auf, wie sie die Geschäftsziele unterstützen. Dabei wird im Detail untersucht, wie die einzelnen Datensätze miteinander in Beziehung stehen. Ein logisches Datenmodell dient als Erweiterung eines konzeptionellen Modells, da auch Attribute innerhalb von Datenentitäten und deren Interaktion berücksichtigt werden.

Physische Datenmodellierung.

Dieses Modell spiegelt die Struktur des Datenbank-Designs eines Unternehmens wider – in der Regel ein bestimmtes Datenspeichersystem. Es beschreibt genau, wie jede einzelne Datenbank aufgebaut wird und wie Datenbanken, Programme und Funktionen miteinander interagieren.

Beispiele für Datenmodellierung.

Relational.

Die relationale Datenmodellierung ist eine Technik, die in den 1970er-Jahren von IBM entwickelt wurde und die Beziehungen zwischen den in verschiedenen Tabellen gespeicherten Datenelementen darstellt. Die Methode der relationalen Datenmodellierung erfreut sich großer Beliebtheit, da sie kein fundiertes Wissen zur physischen Informationsspeicherung erfordert.

Entity-Relationship.

Die Entity-Relationship-Datenmodellierung (ER) ist eine komplexere Variante des relationalen Datenmodells. Dabei werden Entitäten dargestellt und die Beziehungen der damit verbundenen Attribute ermittelt. Entitäten sind beispielsweise Kundendaten, Mitarbeiterdaten, Produktinformationen oder Rechnungen, wohingegen Attribute die E-Mail-Adresse einer Kundin oder eines Kunden, der Nachname einer oder eines Mitarbeitenden, der Preis eines Produkts oder das Ausstellungsdatum einer Rechnung sind.

Hierarchisch.

Hierarchische Datenmodelle umfassen typischerweise baumartige Visualisierungen der Beziehungen zwischen übergeordneten und untergeordneten Elementen. Das Information Management System (IMS) von IBM ist das bekannteste Beispiel für hierarchische Datenmodelle und wird noch heute von vielen Unternehmen verwendet, auch wenn ansonsten relationale Datenmodelle weitestgehend die hierarchischen Datenmodelle abgelöst haben. Extensible Markup Language (XML) ist eine Alternative zu IMS und wird ebenfalls noch genutzt.

Dimensional.

Dimensionale Datenmodellierung wird hauptsächlich in Data-Marts und -Warehouses für Business-Intelligence-Programme (BI) eingesetzt. Die Methode dient der Optimierung der Datenabrufgeschwindigkeit, damit Organisationen die in ihren Data Warehouses gespeicherten Informationen möglichst effektiv einsetzen können. Ein dimensionales Datenmodell besteht aus Faktentabellen, in denen Informationen zu Ereignissen oder Transaktionen enthalten sind, zum Beispiel zu Produktkäufen.

Objektorientiert.

Objektorientierte Datenmodellierung ähnelt der ER-Modellierung, in diesem Framework werden jedoch Entitäten zu Objekten abstrahiert. Objekte mit ähnlichen Eigenschaften können in Klassen eingeteilt und hierarchisch gruppiert werden. Objektorientierte Datenbanken können aus Tabellen aufgebaut sein, unterstützen aber auch komplexere Datenbeziehungen. Viele Hypertext- und Multimedia-Datenbanken nutzen objektorientierte Modellierung.

Der Datenmodellierungsprozess.

Datenmodellierung ist ein fließender Prozess, der an die Anforderungen eurer Organisation angepasst werden kann. Die meisten Teams erstellen aber zunächst ein konzeptionelles Modell, gefolgt von einem logischen und schließlich einem physischen Datenmodell. So kann eure Organisation von einer allgemeineren Visualisierung der Daten zu einer technischeren Darstellung der eigentlichen Datenbank übergehen.

Wenn ihr dem etablierten Prozess der Datenmodellierung folgt, unterstützt ihr die Stakeholder, da sie dann die Unternehmensanforderungen bezüglich Datenverarbeitung und -speicherung sehr fundiert diskutieren können. Im Rahmen dieser Diskussionen durchlaufen Entscheidungstragende im Allgemeinen den folgenden Prozess:

1. Entitäten ermitteln. Führungskräfte der Organisation ermitteln die verschiedenen im Unternehmen vorhandenen Entitäten und Abteilungen und listen diese auf.
2. Wesentliche Eigenschaften jeder Entität ermitteln.  Entscheidungstragende ermitteln die Attribute, durch die die Entitäten des Unternehmens sich voneinander unterscheiden.
3. Beziehungen zwischen Entitäten ermitteln. Führungskräfte entwickeln ein Modell, das zusammenhängende Entitäten abbildet und deren Beziehungen untereinander visualisiert.
4. Für das Datenmodell erforderliche Datenattribute ermitteln. Die Unternehmensführung listet die spezifischen Attribute auf, die im Modell enthalten sein müssen, beispielsweise die E-Mail-Adressen und Namen der Kundinnen und Kunden.
5. Attribute zuordnen. Nachdem die Datenattribute erstellt wurden, werden sie jeder Entität zugeordnet.
6. Modell finalisieren und Richtigkeit validieren. Bevor das Datenmodell finalisiert wird, überprüfen Entscheidungstragende seine Richtigkeit und stellen sicher, dass alle relevanten Entitäten und Attribute im Ausgangs-Framework enthalten sind.

Wenn die Führungskräfte im Unternehmen diesen reproduzierbaren Prozess befolgen, können sie effektiv Datenmodelle mit zunehmender Technisierung entwickeln und die Datenanforderungen des Unternehmens klar identifizieren.

Bewertung einer Plattform zur Verwirklichung eures Datenmodells.

Mit einer visuellen Darstellung der Datenbeziehungen kann euer Unternehmen seine Daten besser organisieren und dem betrieblichen Datenbedarf Rechnung tragen. Doch bevor ihr mit dem Entwurf des Datenmodells beginnt, müsst ihr eine stabile Plattform zur Erfassung und Speicherung von Daten implementieren.

Adobe Real-Time CDP erfasst B2C- und B2B-Daten aus verschiedenen Systemen und führt sie unmittelbar zu Profilen zusammen, die für jeden Kanal aktiviert werden können.

Wenn ihr weitere Informationen zu Adobe Real-Time CDP erhalten möchtet, seht euch das Einführungsvideo an oder startet eine interaktive Tour.