Datenmodellierung für bessere Geschäftsergebnisse.

Die Erfassung großer Datenmengen ist hilfreich auf dem Weg zu Geschäftszielen und unterstützt Unternehmen jeder Art, ihre Wettbewerbspositionierung 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 die Datenmodellierung verstehen.

In diesem Artikel erläutern wir die wichtigsten Konzepte und Ziele der Datenmodellierung, damit ihr eure Daten effektiver nutzen könnt. Im Einzelnen behandeln wir folgende Themen:

• Was ist Datenmodellierung?
• Arten von Datenmodellen
• Beispiele für Datenmodellierung
• Prozess der Datenmodellierung
• Vorteile von Datenmodellierung

Was ist Datenmodellierung?

Datenmodellierung ist eine Methode zur Visualisierung der Zusammenhänge zwischen Informationen in einem System verschiedener Software-Programme anhand von repräsentativen Symbolen und Textbeschreibungen. Mit diesem Prozess kann eine Roadmap erstellt werden, um vorhandene Software-Lösungen zu überarbeiten oder eine neue, effizientere Datenbank zu erstellen, damit die Verwendung und Speicherung von Daten in einem System möglichst transparent und anschaulich wird.

Wenn ihr den Fluss der Daten durch eure Datenbank versteht, könnt ihr potenzielle Engpässe erkennen und eure Strategien zum Informations-Management verbessern. Die Optimierung der Datennutzung und Speicherpfade ermöglicht genauere Analysen und stellt Erkenntnisse bereit, die eure Organisation zur Förderung des Wachstums einsetzen kann.

Zweck der Datenmodellierung.

Der wichtigste Zweck der Datenmodellierung besteht darin, besseres und effizienteres Daten-Management zu ermöglichen. Euer Unternehmen investiert sicher viel Zeit und viele Ressourcen in die Erfassung von Daten, aber diese Investitionen machen sich nur bezahlt, wenn ihr eure Daten effektiv managen, verwenden und speichern könnt. Dies ist der Grundgedanke hinter der Datenmodellierung.

Je robuster und lebendiger euer Datenmodell ist, desto besser kann euer Unternehmen genau die Informationen identifizieren, die für die verschiedenen Prozesse und Abteilungen benötigt werden. Euer Datenmodell und eure Verfahren zum Informations-Management müssen sich parallel zu eurem Unternehmen weiterentwickeln. Wenn dies nicht gelingt, führt dies zu mangelnder Transparenz, isolierten Daten und allgemeinem Stillstand.

Arten von Datenmodellen.

Bei der Datenmodellierung können drei verschiedene Modelle zur Visualisierung der Unternehmens-Workflows eingesetzt werden. Jedes Datenmodell bietet individuelle Erkenntnisse zum Informationsfluss in einer Organisation. Meistens setzen die Datenmodellierungs-Fachkräfte eine Kombination aller drei Modelle ein, statt sich auf ein einziges Framework zu beschränken.

Sehen wir uns die drei Arten von Datenmodellen einmal näher an.

1. Konzeptionelles Datenmodell.

Konzeptionelle Datenmodelle bieten allgemeine Visualisierungen der Daten einer Organisation. Diese werden fast immer vor den anderen Datenmodellen erstellt und sind in den frühen Phasen eines Projekts sehr wichtig. Das konzeptionelle Datenmodell legt den Fokus auf die repräsentierten Entitäten, deren Eigenschaften und deren wechselseitige Beziehungen.

Konzeptionelle Modelle unterscheiden sich von den anderen Arten dahin gehend, dass sie nicht an eine bestimmte Technologie oder Datenbank geknüpft sind. Diese Modelle werden zu Projektbeginn oder in den frühen Phasen der Datenorganisation durch Stakeholder und Führungskräfte erstellt, um das Gesamtbild zu skizzieren. Daher bieten sie einen groben Überblick über die Beziehungen zwischen Abteilungen oder zwischen dem Unternehmen und seinen Anbietern.

2. Logisches Datenmodell.

Ein logisches Datenmodell wird üblicherweise erstellt, nachdem den Stakeholdern das konzeptionelle Datenmodell vorgelegt wurde. Es ist weniger abstrakt und bietet mehr Details zu den Entitäten einer Organisation und dem Informationsfluss durch das gesamte Unternehmen.

Das logische Datenmodell stellt keine spezifischen Anforderungen an technische Systeme. Aber es definiert wichtige Datenstrukturen und Datentypen, die es technisch versierteren Mitarbeitenden im Unternehmen ermöglichen, Datenmodelle zu verwenden und die Anforderungen an Datenbank-Designs zu verstehen.

3. Physisches Datenmodell.

Ein physisches Datenmodell bietet ein Schema, mit dem abgebildet wird, wie Daten in einer Datenbank physisch gespeichert werden. Es enthält häufig systemspezifische Anforderungen und Eigenschaften und ist damit das detaillierteste der drei Modelle.

Ein physisches Datenmodell ist an eine bestimmte Software oder eine Datenbank-Management-Lösung gebunden, die ein Unternehmen zu implementieren beabsichtigt. Unter anderem können in einem physischen Datenmodell folgende Software-Elemente definiert werden:

• Felder
• Spalten
• Indizes
• Trigger
• Einschränkungen

Aufgrund seiner Komplexität ist die Erstellung des physischen Datenmodells mit dem größten Zeit- und Arbeitsaufwand verbunden. Es legt aber das Fundament für die Entwicklung einer neuen Datenbank oder die Neugestaltung einer vorhandenen Lösung.

Beispiele für Datenmodellierung.

Sehen wir uns nun einige Beispiele für die Methoden zur Datenmodellierung an. Im Folgenden nennen wir die fünf gebräuchlichsten Methoden für die Datenmodellierung:

Relationale Datenmodellierung.

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

Entity-Relationship-Datenmodellierung.

Die Entity-Relationship-Datenmodellierung (ER) ist eine komplexere Variante des relationalen Datenmodells, mit der Entitäten dargestellt und spezifische Attribute identifiziert werden, über die diese Entitäten miteinander in Beziehung stehen. 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.

Hierarchische Datenmodellierung.

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.

Dimensionale Datenmodellierung.

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.

Objektorientierte Datenmodellierung.

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.

Prozess der Datenmodellierung.

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 Entscheidungsträgerinnen und Entscheidungsträger im Allgemeinen den folgenden Workflow:

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. Entscheidungsträgerinnen und Entscheidungsträger 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 Entscheidungsträgerinnen und Entscheidungsträger 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 eindeutig identifizieren.

Vorteile von Datenmodellierung.

Wenn ihr eure Mitarbeitenden durch Investitionen in die richtigen Technologien in die Lage versetzt, ihr Know-how bei der 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.

Außerdem könnt ihr unter anderem von folgenden weiteren Vorteilen profitieren:

• 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, erhöht sich die Qualität und Nutzbarkeit der Daten signifikant.
• 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 von kostspieligen Fehlern bei der Dateneingabe senken.
• Höhere Transparenz im gesamten Unternehmen. Mit Datenmodellierung könnt ihr die Transparenz der Informationen im gesamten Unternehmen verbessern und den Entscheidungsträgerinnen und Entscheidungsträgern die benötigten Daten bereitstellen, die sie für die Nutzung neuer Geschäftschancen benötigen.

Wenn ihr die Sichtbarkeit, Zugänglichkeit und Nutzbarkeit von Informationen mit Datenmodellierung optimiert, wachsen die Chancen für euer Unternehmen exponentiell.

Bewertung einer Plattform zur Verwirklichung eures Datenmodells.

Mit einer visuellen Darstellung der Beziehungen zwischen euren Daten kann euer Unternehmen die Daten besser organisieren und die Unternehmensanforderungen bezüglich der Informationen erfüllen. Bevor ihr allerdings mit dem Entwurf des Datenmodells beginnt, müsst ihr zunächst eine robuste Plattform zur Erfassung und Speicherung von Daten implementieren.

Und solange Gedankenlesen noch nicht erfunden ist, gibt es Adobe Real-Time Customer Data Platform. 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.