Google-Leitfaden zum Aufbau einer datenbasierten Kultur

Daten zeigen, dass eine Datenkultur wichtig ist.

Die digitale Revolution stellt alle Unternehmen vor noch nie dagewesenen Chancen und Risiken. Preisgünstige und umfassende Onlineressourcen versprechen neue Produkte, neue Märkte und neue Chancen für engere Kundenbeziehungen. Außerdem können sie zu einem harten Wettbewerb und zu ständigen Unterbrechungen führen.

Wenn wir vor Änderungen stehen ist es gut, sich an einige gleich bleibenden Grundsätze zu erinnern: Kenne deinen Markt. Konzentriere dich auf die Kunden. Optimiere das Angebot, passe es an sich ändernde Bedingungen an. Effizienz ist Trumpf.

Anders ausgedrückt: Führen Sie Ihre Daten zusammen und verwenden Sie sie zu Ihrem Vorteil. Bauen Sie eine Arbeitsplatzkultur rund um das Thema auf. Je nach den beteiligten Personen wird das Ergebnis sehr unterschiedlich aussehen. Wenn Sie zwei verschiedenen Teams die gleichen Technologien und Daten zur Verfügung stellen, um Innovationen zu entwickeln oder ein schwieriges Problem zu lösen, kann es zu zwei sehr unterschiedlichen Ergebnissen kommen. Verschiedene Teams müssen ihre Ziele und Daten abstimmen, um eine erfolgreiche Unternehmenskultur zu schaffen.

Diese Kultur ist ein mit der Zeit wichtiger werdender Faktor. In Warum Datenkultur wichtig ist von McKinsey und Company steht: „Die Kultur kann zu einem umfassenden Problem werden oder zu einer umfassenden Lösung beitragen. Wenn das Datenziel eines Unternehmens von der Geschäftsstrategie und den Kerngeschäften abgekoppelt wird, ist es kaum überraschend, wenn die Ergebnisse von Analyseinitiativen nicht den Erwartungen entsprechen. Wenn sich jedoch die gesamte Organisation für die Datenanalyse begeistert, wird sie zu einer Quelle von Energie und Dynamik. Die Technologie ist schließlich erstaunlich. Stellen Sie sich vor, was sie mit einer entsprechenden Kultur alles leisten kann.“

Und denken Sie daran: Daten nutzen ist nichts Neues. Seit den Anfängen des Handels haben Menschen Fakten beobachtet um herauszufinden, was wirklich wichtig ist. Sie haben nach nutzbaren Mustern gesucht. Die moderne Statistik gibt es seit 1749. Das datenbasierte Management hat seit über einem Jahrhundert das globale BIP radikal gesteigert, bei steigender Komplexität. Wir leben in revolutionären, datenbasierten Zeiten. Und das ist so, weil wir Daten zu unserem Vorteil genutzt haben.

Wie Personen ihre Arbeit organisieren, ändert sich je nach Umfang und Qualität der Daten, die ihnen zur Verfügung stehen. Landwirte nutzten früher Daten aus der informellen Beobachtung der Wettermuster, die Industrie patentierte standardisierte Maschinenwerkzeuge. Das Zeitalter des Computers gab uns die angewandte Mathematik und die Unternehmensforschung. Jetzt brauchen wir eine stärkere Methode, eine, die sich überall im Unternehmen verbreiten kann.

Wie sieht das aus? Beginnen wir mit der Größe der Chancen. 2002 hat die digitale Speicherkapazität die gesamte analoge Kapazität überholt. Seitdem beträgt die durchschnittliche jährliche Wachstumsrate der Daten eines typischen Unternehmens ungefähr 60 %. Die Datenmenge ist nicht nur gewachsen, sie stammt nun auch von einer Vielzahl an Quellen, darunter Browser, Sensoren, Smartphones, Mobilgeräte sowie andere Computer. Die Änderung der zusammengesetzten Jahreswachstumsrate ist nicht kalkulierbar.

Google denkt viel über diese Chancen nach. Immerhin wurden wir mit dem Ziel gegründet, alle Informationen der Welt zu organisieren. Über die Jahre haben wir eine Reihe faszinierender Probleme in Sachen Erzeugen von Erkenntnissen und Maßnahmen aus großen Mengen unterschiedlicher Datenarten gelöst. Heute geht das blitzschnell.

Wir arbeiten daran, sowohl Verbrauchern als auch Unternehmen Zugang zu digitalen Erkenntnissen zu verschaffen und ihnen die Möglichkeit zu geben, entsprechende Entscheidungen zu treffen – sowohl bei der Werbearbeit für Unternehmen als auch mit den Tools und Diensten in Sachen Datenverwaltung und Statistiken, die wir über Google Cloud anbieten. Wir erfahren, wie unsere Produkte digitale Transformation und Innovation in Unternehmen auf der ganzen Welt unterstützen, beispielsweise bei ANZ, Mayo Clinic, Sanofi und UPS. Nehmen wir AirAsia als Beispiel, das auf dem Weg ist, eine „digitale Fluggesellschaft“ zu werden. Deren Transformation hilft ihnen bereits dabei, neue Erkenntnisse zu gewinnen, agiler zu werden und stärker personalisierte Angebote zu machen, damit sie in ihrer Branche hervorstechen. „Wir mussten eine digitale Fluggesellschaft werden, um unseren Kundinnen und Kunden bessere Angebote zu bieten, die Angebote zu personalisieren und um Buchung und Ticketverkäufe zu verbessern“, sagt Nikunj Shanti, Chief Product Officer bei AirAsia. „Wir sind vom Datenmanagement zur datenbasierten Entscheidungsfindung übergegangen.“

Wir gewannen eine Reihe an Erkenntnissen über die interne Organisation in Sachen Datenoptimierung, sowohl bei uns selbst als auch durch die Unterstützung schwieriger Probleme von Kundinnen und Kunden. In einigen der Lektionen in diesem eBook wird erläutert, warum eine Datenkultur wichtig ist. Dies ergibt sich aus vier Säulen: Mit Vertrauen arbeiten, Demokratisierung der Einblicke, Steigerung der geschäftlichen Agilität und Informationsnutzung.

Bei der Organisation von Datenvorgängen in großem Umfang gibt es mehrere Besonderheiten. Fortschritte in den Technologien, die die Daten umgeben, bieten mehr Zugriff und eine leichtere Verwaltung. Daten in großem Umfang zu verwalten und mit ihnen zu arbeiten, ist im Vergleich zu früher eine neue Herausforderung. In vielen Fällen wird dies durch die heute besseren Prozessautomatisierungs- und Tools optimiert. Natürlich bedeutet mehr Zugriff neue Herausforderungen in puncto Sicherheit, Qualität und Interpretierbarkeit.

Außergewöhnliche Unternehmen sind effektiv, weil sie außergewöhnliche Prozesse nutzen, die außergewöhnliche Produkte hervorbringen. Das ist möglich, da sie ihre Kunden verstehen und unterstützen. Mit anderen Worten: Alle außergewöhnlichen Unternehmen haben außergewöhnliche interne Kulturen, die solche Ergebnisse hervorbringen. Menschen passen sich mit Neugier und Kreativität an. Gegebenenfalls fordern sie den Status quo heraus und entwickeln auf der Basis neuer Erkenntnisse Innovationen. Sie nutzen das Potenzial ihrer Daten, passen ihre Prozesse an und nutzen sie, um aus Daten neue Werte zu generieren.

Das ist heute einfacher denn je, da die massiven digitalen Veränderungen eines ganz klar machen: Es ist wichtig, die Kultur der Datensammlung und -nutzung im Ganzen richtig aufzubauen. Ein guter Anfang ist wichtig, denn die Geschichte lehrt uns noch etwas: Wer neue Ziele verfolgt, lehnt mehr Daten nie ab, solange diese nützlich sind. Die Fortschritte in Cloud-Computing, Datenverwaltung, Datenanalysen und KI-Technologien machen keine Pause. Das sollten Unternehmen mit dem Willen, die Welt zu verändern, auch nicht tun. 

Wenn Unternehmen ihre Datenkultur neu erfinden oder eine neue Kultur entwickeln möchten, hören wir oft, dass dabei die folgenden Google Cloud-Produkte nützlich sind.

• Cloud SQL erlaubt es, lokale Arbeitslasten ganz einfach ins vollständig verwaltete Google Cloud zu migrieren
• Cloud Spanner und Cloud Bigtable bieten cloudnative Datenbankdienste für hohe Skalierbarkeit
• BigQuery ermöglicht extrem schnelle Data-Warehouse-Prozesse im Petabytebereich
• Looker bietet moderne BI, eingebettete Analysen und datenbasierte Anwendungen
• Dataproc ermöglicht die Big-Data-Verarbeitung mit Hadoop- und Spark-Clustern
• Dataflow ermöglicht die schnelle und serverlose Verarbeitung von Batch- und Streamingdaten
• Pub/Sub sendet Nachrichten an und von unabhängigen Apps
• Dataprep dient zur schnellen und visuellen Vorbereitung von Daten zur Analyse oder zum maschinellen Lernen
• AutoML ermöglicht das Training benutzerdefinierter ML-Modelle ohne viel Fachwissen
• AI Platform ermöglicht es, ML-Modelle lokal oder in Google Cloud bereitzustellen

Geschäftliche Agilität ist ein gefragter Zustand, da Unternehmen mit der Erwartungen einer ständigen Verfügbarkeit, sich rasch entwickelnden Technologien und enormen Mengen verfügbarer Daten konfrontiert werden. Aber was ist Agilität? Und wie erreiche ich sie? Bei Google Cloud sind wir der Meinung, dass hier Personen, Prozesse und Daten zusammen wirken – und die Technologie, mit der Sie diese Daten verfeinern können. Es geht darum, dass die Menschen in Ihrem Unternehmen sich auf das konzentrieren können, was sie gut tun, statt auf leere Geschäftigkeit. Es geht darum, unter Tools und Diensten wählen zu können, und darum, dass diese Tools und Dienste bei Bedarf zur Verfügung stehen. Es geht weniger darum, Leistung zu zeigen, als darum, mehr zu erreichen, groß zu denken, neue Ideen zu entwickeln.

Was wir von Technologieexperten heute oft hören, und was in der heutigen Welt ziemlich klar ist: Die benötigten Tools sind Datentools. Unternehmen haben Unmengen an Daten, und es kommen jeden Tag mehr dazu. Wer agiler werden möchte, muss auf den Schultern anderer stehen, maßgeschneiderte Tools testen und keine Angst davor haben, sie in großem Umfang zu nutzen. Zu diesen Tools gehören auch verwaltete Datenbanken zur Entfernung überflüssiger Aufgaben. Diese Tools umfassen vereinfachte und optimierte Big-Data-Analysen, die nicht nur von wenigen, sondern von vielen genutzt werden können. Sie umfassen alle erhobenen Daten, die ein Unternehmen verarbeitet. Diese werden dann auf eine wiederholbare Weise verarbeitet, sodass sie beständig in visuellen und umsetzbaren Formaten bereitstehen. Es sind Tools, mit denen diese Daten befragt werden können, um bessere Entscheidungen zu treffen, und die sogar Daten beibringen können, nach was Sie suchen, um so Vorhersagen zu treffen.

Wenn wir von einem Konzept wie Agilität sprechen, geht es um Haltungen und auch um die Technologie, die ein Unternehmen nutzt. Als wir ganz frisch anfingen, nutzte Google Standardtechnologien. Während unser Unternehmen wuchs, kamen wir zu einigen wichtigen Erkenntnissen. Aufgrund der Dimensionen der Daten mussten wir reagieren und uns flexibel anpassen. Uns wurde klar, dass es nicht effizient war, unsere Entwicklerinnen und Entwickler ihre eigenen Stacks verwalten zu lassen. Bei der Entwicklung von Technologie bei Google konzentrierten wir uns auf Einfachheit, Automatisierung und Offenheit. Wir haben gelernt, dass Daten, wenn Nutzer auf eine vollständig verwaltete, integrierte Technologie zugreifen, eine andere Rolle spielen. Da die Leute bei Google keine Zeit mehr mit der Suche nach den richtigen Daten verbringen oder an Hardware oder Software herumbasteln müssen, um diese Daten zu finden oder zu analysieren, machen sie sich keine Sorgen mehr wegen fehlender Kompetenz oder mangelnder Agilität in Sachen Betrieb, Skalierung oder Verwaltung von Daten. Durch diese Haltung können Nutzer besser zusammenarbeiten und isolierte Silos und häufige Engpässe reduzieren oder vermeiden. Wir haben intern während der Entwicklung von Produkten wie Gmail festgestellt, dass dieser Ansatz funktioniert. Gmail hat sich seit seiner Erstellung weiterentwickelt, ist aber auch im großen Maßstab einfach und nutzerfreundlich geblieben.

Von unseren Kunden erfahren Sie, wie sie ihre Technologie und Kultur an eine neue, agilere Einstellung angepasst haben. Ein globales Medienunternehmen hat beispielsweise mehrere Rechenzentren und 1.200 Dienste zu Google Cloud migriert. Agilität war ein wichtiger Motor für die Umstellung des Unternehmens: Mit höherrangigen Diensten können sie schneller ein besseres Produkt bereitstellen und sich auf das konzentrieren, was ihre internen Teams am besten können – die Entwicklung von Musikdiensten, nicht die Verwaltung von Rechenzentren. Das Unternehmen hat dafür gesorgt, dass den Teams die richtigen Daten zur Verfügung gestellt werden, wenn sie sie benötigen. Die Tools für das Streaming von Datenanalysen und die Verarbeitung sind außerdem flexibel.

Die Analyseinfrastruktur von Twitter, die als Data Lake erstellt wird, sammelt täglich Daten im Petabytebereich und muss an mehreren Ziele repliziert werden, um Nutzeranforderungen schnell zu erfüllen. Das Unternehmen entschied sich, Datasets in Cloud Storage zu replizieren, um BigQuery, Cloud Bigtable und Dataproc in Google Cloud und anderen Diensten verwenden zu können. Per Self-Service haben die Nutzer Zugriff auf alle benötigten Daten und sind so allgemein flexibler.

Das globale Finanzinstitut HSBC migrierte sein lokales Data Warehouse in Google Cloud, um agiler zu werden, kleinere Arbeitslasten bereitzustellen und die Automatisierung in Prozesse einzubinden. Sie konnten technische Altlasten beseitigen und eine Datenplattform aufbauen. Nun können sie sich auf Innovationen konzentrieren, statt die Infrastruktur zu verwalten. Seit der Migration verfügt HSBC über bessere Entwicklungs- und Testverfahren, eine zentrale Informationsquelle ("Source of Truth") im Data Warehouse, und über autorisierte Ansichten für den sicheren Datenzugriff. Die explorative Datenanalyse ist für Nutzer nicht eingeschränkt, die Kunden erhalten schneller, was sie suchen.

Letztendlich ist ein agiles Unternehmen ein erfolgreiches Unternehmen, das auf Marktanforderungen, sich ändernde Kundenbedürfnisse und unvorhergesehene Herausforderungen reagieren kann. Fragen Sie sich, wie Nutzer und Daten bei Ihnen derzeit interagieren – und ob sie das möglicherweise besser machen könnten.

Wir wissen aus Studien, dass der Aufbau einer Datenkultur sichtbare Geschäftsergebnisse hervorbringt. Die von Ihnen erstellte Unternehmenskultur wird für die Anforderungen und Ziele Ihrer Organisation spezifisch sein und sollte idealerweise Personen, Prozesse und Daten zusammenbringen.

Der Datenteil ist natürlich essenziell. Wir haben bereits darüber gesprochen, dass die Errichtung Ihrer Technologieinfrastruktur dazu dienen sollte, nötige Erkenntnisse aus Ihren Daten zu gewinnen und Ihr Unternehmen agiler zu machen. Außerdem ist es wichtig, Ihre Daten intelligent auszuwerten, damit sie nicht nur im Moment, sondern auch für die Zukunft Nutzen bringen. KI- und ML-Tools, die wir uns noch vor zehn Jahren kaum vorstellen konnten, sind jetzt verfügbar und werden nicht nur in der akademischen Welt, sondern auch von einigen wenigen großen Unternehmen eingesetzt. Unternehmen, die solche erweiterten Analysen nutzen, berichten uns, dass sie damit bessere Entscheidungen treffen und ihren Mitbewerbern einen Schritt voraus bleiben können.

Im Geist einer kollaborativen Datenkultur müssen erweiterte Analysetools und -ausgaben jedoch für alle leicht zugänglich sein. Sobald Sie wissen, welches Team welche Informationen benötigt, können Sie Nutzern die erforderlichen Daten für ihre Arbeit zuweisen. Dies kann die Optimierung von Abläufen und Geschäftsprozessen, Recherche und Entwicklung, oder die Beantwortung alltäglicher Fragen sein. Das Stellen analytischer Fragen auf Grundlage von Echtzeitdaten öffnet Ideen und Innovationen die Türen. Neben der einfachen Umsatzanalyse des letzten Monats können Sie auch Multi-Channel-Kaufdaten einzelner Kunden beim Onlinekauf auswerten. So können Sie diesen in Echtzeit Angebote auf Grundlage des Kundenverlaufs und der Artikel im Einkaufswagen machen. 

Wenn die erweiterten Analysen in vertraute Tools und Anwendungen eingebunden sind, sind sie bereits in die täglichen Workflows eingebunden. So können Nutzer ganz einfach die Antworten erhalten, die sie benötigen. Es beseitigt auch Silos zwischen Teams, wenn Vertriebs- oder Marketingleiter beispielsweise keine Berichte von ihren Kollegen im Analyseteam anfordern müssen. Stattdessen können sie an einem einzigen Dataset arbeiten, um datengestützte Entscheidungen schneller zu treffen. Und eine solide Data-Warehouse-Basis bietet genügend Kapazität, sodass jeder die benötigten Informationen und Berichte erhält.

Ein Google Cloud-Analysekunde, die American Cancer Society, nutzt AI Platform, um neue Muster in digitalen Pathologiebildern zu identifizieren. Sie trainierten Modelle für KI-Bildanalysen, um Krebsindikatoren zu finden, damit Forschern diese schneller identifizieren und dadurch die Patientenergebnisse verbessern können. Sie können solche Bilder nun zwölfmal schneller analysieren als zuvor.

LG CNS nutzt die Datenanalysetools von Google Cloud, um Mängel an den Produktlinien zu identifizieren. Sie trainierten schon zuvor Modelle für maschinelles Lernen, aber mit Google Cloud erhalten sie schnellere und genauere Trainingsergebnisse. LG CNS spart durch diesen effizienteren Prozess rund 1 Million $ pro Produktionslinie pro Jahr.

Bei Google Cloud bauen wir unsere KI- und ML-Technologie in Systemen wie BigQuery für Data-Warehouse-Prozesse sowie in Bereichen wie Contact Center AI und Document Understanding ein. Diese Informationen sollten nicht nur ausgewählten Nutzern innerhalb eines Unternehmens vorbehalten oder schwer zugänglich sein. Wir haben BigQuery ML mit einer vertrauten SQL-Schnittstelle entwickelt, sodass Sie nur eine Abfrage schreiben müssen, um Machine Learning verwenden zu können. Und unsere integrierten erweiterten Analysefunktionen sorgen dafür, dass Sie auf die nächste Generation intelligenter Technologien vorbereitet sind.

Wir sind der festen Überzeugung, dass Erkenntnisse über Prozesse, Personen und Daten hinweg verfügbar sein sollten. Wenn die Nutzer genau das haben, was sie brauchen, und der Prozess einfach ist, können sie tolle Ideen leichter umsetzen.

Welche Daten wir in unserer modernen Welt abrufen können, kann bewusstseinserweiternd, überraschend und vor allem nützlich sein. Der beste Nutzen der Sammlung großer Mengen an Daten liegt darin, diese verfügbar zu machen, ob über Grafiken, Berichte oder als Bestandteil von Routineaufgaben. Diese Kombination aus Daten und menschlichem Wissen und Verständnis kann neue Perspektiven auf Geschäftspläne und -projekte eröffnen und neue Erkenntnisse und Ideen inspirieren.

Aktuell stehen viele Technologien zur Auswahl. Aber diese können Unternehmen nur nutzen, wenn der Zugriff auf sie einfach ist. Heutzutage nutzen wir zahlreiche Datenquellen – IoT-Sensoren, Geschäftsanwendungen, Marketingdaten und mehr. Entsprechend kommt es oft dazu, dass Daten innerhalb eines Unternehmens in verschiedenen Silos gespeichert werden, wobei die verschiedenen Mitarbeiter mit verschiedene Informationen oder duplizierten Datensätzen arbeiten müssen.

Es zu schaffen, dass es eine einzige Datenquelle ("Source of Truth") für die Daten einer Organisation gibt, auf die jeder zugreifen kann, wenn und wie erforderlich, das ist so etwas wie ein heiliges Ziel. Dabei müssen die erforderlichen Daten in das Data Warehouse aufgenommen werden, wobei Datenmodelle in BI-Unternehmenssystemen wie Looker entstehen, die Daten von 10 bis 20 SaaS-Anwendungen oder über öffentliche Clouds hinweg zusammenführen können. Diese Datenquelle muss dann ohne Verzögerungen oder Anfrageengpässe den Teams zur Verfügung stehen. Data Governance ist ebenfalls wichtig, damit die richtigen Nutzer den richtigen Zugriff haben und Daten so durch ihre Verwendung und ihren Lebenszyklus geschützt sind. In der Praxis kann es sich z. B. um einen Datenanalysten handeln, der Self-Service-Berichte zur Aufschlüsselung der Verkaufszahlen ausführen lässt, oder um einen ML-Experten, der Modelle erstellt, um Umsätze zu prognostizieren oder um ein neues Tool zu entwickeln. Bei einer Datenkultur geht es auch um die Zusammenarbeit der Teams. Teams kommen nicht nur in Berührung, wenn sie eine Aufgabe erledigen müssen. Wenn eine Datenkultur gut funktioniert und durch Technologie unterstützt wird, haben Nutzer meist die Zeit und die Ressourcen, die sie benötigen, um neue Projekte zu erstellen, die zum Wachstum des Unternehmens beitragen können. 

Damit Sie Ihren Daten vertrauen und sie nutzen können, damit Sie den Daten Fragen stellen können, die Ihnen weiterhelfen, benötigen Sie eine solide Technologiegrundlage, die Einsichten bedingen kann. Fragen, die sich bei der Wahl von Technologien zur Datenanalyse stellen können, sind:

• Gibt es eine integrierte Ansicht der Daten Ihrer Organisation?
• Können geschäftliche Nutzer in Ihrer Organisation benötigte Daten leicht aufrufen?
• Kann die Plattform Streamingdaten in Echtzeit aufnehmen, ohne Ihr Budget zu überschreiten? 
• Kann die Plattform Datentypen aus verschiedenen Quellen verarbeiten?

Es erfordert etwas Planung, Nutzer zu erreichen, die wirkungsvollere Arbeiten produzieren können. Wenn Sie sich die Arten von Stakeholdern ansehen, die an den KI-Projekten Ihres Unternehmens beteiligt sind, werden Sie wahrscheinlich sehen, dass der erste Schritt darin besteht, sich zusammenzuschließen und die Arbeit des anderen zu verstehen, um das Projekt zum Erfolg zu führen. Die verwendeten Tools und Dienste müssen diese Verbindung unterstützen.

Viele Kunden sagten uns, dass sie zeitgleich mit der Aktualisierung ihrer Technologie und der Vorausplanung eine datenorientierte Unternehmenskultur etablieren möchten. AirAsia wusste beispielsweise, dass Daten in ihren Geschäftsentscheidungen eine immer größere Rolle spielen werden. Ihre Teams analysieren monatlich über 6 PB Daten und mussten zuvor wöchentliche oder monatliche Excel-Berichte abwarten, um die Ergebnisse dieser Analysen zu erhalten. Mit BigQuery und den zugehörigen ML-Funktionen kann das 1.500-Mitglieder-Team jetzt jederzeit auf Daten zugreifen. Außerdem werden innerhalb von Minuten Ad-hoc-Abfragen von Daten aus mehr als zwei Jahren durchgeführt. Die Teammitglieder haben Zugriff auf einfache Schnittstellen und können sich bei Bedarf feine Details ansehen. Dadurch konnten die Betriebskosten um 5 % bis 10 % gesenkt werden – was in der Branche signifikant ist. Außerdem sind die Daten nun besser geschützt als sie es früher auf einzelnen Maschinen waren.

Mit unserem BigQuery-Data Warehouse können Sie Daten unter anderem in Objektspeichern, Transaktionsdatenbanken und Tabellen verarbeiten. Entsprechend müssen Sie Daten nicht mehr duplizieren. Es enthält auch öffentliche Datasets, sodass Sie interne Daten noch besser nutzen können. Unsere Produkte sind einfach zu verwenden, entsprechend können Nutzer problemlos zusammenarbeiten und Informationen teilen. Außerdem haben wir Funktionen eingebaut, die Sie jetzt und in Zukunft verwenden können, darunter einfache ML-Tools und andere erweiterte Analysewerkzeuge.

Beim Aufbau einer Datenkultur werden Personen, Prozesse und Daten zusammengeführt. Wir sind bereits darauf eingegangen, wie wichtig ist es ist, dass es sich um die richtigen Daten handelt und die Nutzung dieser Daten einfach ist. Diese optimierte Datenerhebung und -nutzung beruht unter anderem darauf, dass sie vertrauenswürdig ist. Bei vielen lokalen oder Legacy-Systemen werden die Daten isoliert gespeichert und von Nutzern immer wieder kopiert, bis es an vielen verschiedenen Stellen veraltete Systeme gibt. Sobald die Datensätze größer werden, kann die Datenqualität zu einem Problem werden.

Ein großer Schritt hin zu einer datenorientierten Unternehmenskultur ist es also, es Nutzern zu erleichtern, Daten zu vertrauen. Zu wissen, dass sie auf dem neuesten Stand und korrekt sind. Das bedeutet, solche ausgelagerten Datasets oder isolierten Projekte darf es nicht geben. Der Goldstandard besteht darin, eine einzelne Datenquelle für Ihre Organisation zu erstellen, die jeder kennt.

Vertrauen ist eine Frage von Personen und Prozesse, die über die Erreichung oder das Scheitern Ihrer Datenkulturziele entscheiden kann. Es ist auch ein technologisches Problem in Bezug auf große Datenmengen. Je mehr Daten Sie erfassen und analysieren, desto mehr rücken Sicherheit und Governance in den Vordergrund. Das Vertrauen in Ihre eigenen Tools und Prozesse ist ein wichtiger Bestandteil einer erfolgreichen datengestützten Kultur.

Die Daten stammen aus einer Vielzahl verschiedener Quellen, aber es ist dasselbe grundlegende Sicherheitsniveau erforderlich, das Verschlüsselung, Daten-Exfiltration und Zugriffskontrollen umfasst. Darüber hinaus haben Sie wahrscheinlich Ihre eigenen Bedrohungsmodelle und Fokusbereiche zum Schutz von Daten. Je nach Branche arbeiten Sie möglicherweise daran, bestimmte Compliance- und Regulierungsregeln einzuhalten. Der Technology Stack Ihres Cloud-Anbieters sollte in der Lage sein, die Sicherheitsfeatures bereitzustellen und Ihnen die Möglichkeit zu geben, Metadaten, Datenkataloge und Datenherkunft zu nutzen, um Daten zu steuern und Richtlinien festzulegen. Damit die Zusammenarbeit im Team möglich ist, sollte es außerdem einfach sein, Zugriffsregeln festzulegen und eine sichere Datenfreigabe zu ermöglichen.

Die Umsetzung dieser Punkte ist für die erfolgreiche Einführung der Datenanalyse wichtig. Überlegen Sie sich also genau, wie Sie Sicherheitspraktiken und -werkzeuge implementieren wollen. Bei Google ist BeyondCorp unsere eigene Implementierung eines Zero-Trust-Sicherheitsmodells, das aus den ursprünglichen Zero-Trust-Netzwerkgrundsätzen hervorgegangen ist. Der Grundstein dafür ist, dass sich die Zugriffssteuerung vom Netzwerkperimeter auf einzelne Nutzer und Geräte verlagert, sodass Nutzer von jedem Ort aus ohne VPN sicher arbeiten können. Grundsätzlich umfasst BeyondCorp die Einmalanmeldung (SSO), einen Access Proxy, die Engine zur Zugriffssteuerung, das Inventar des Nutzers, das Geräteinventar, Sicherheitsrichtlinien und ein Trust Repository. BeyondCorp Remote Access ist eine Cloud-Lösung mit all diesen Funktionen, sodass Ihre Nutzer sicher und remote auf interne Web-Apps zugreifen können.

Einer unserer Kunden, ein globales Finanzinstitut, hatte bei der Vorbereitung auf die BigQuery-Migration einige grundlegende Fragen: Sind die Daten geschützt und kann ihre Herkunft verfolgt werden? Ist die Infrastruktur zuverlässig genug für geschäftskritische Anwendungen? Durch die Migration zu Google Cloud wurde Metadaten-Tagging eingesetzt und eine Single Source Of Truth genutzt. Die zugehörigen Daten in BigQuery sind immer verschlüsselt. Durch die native Einbindung von Identity and Access Management (IAM) sind Datenzugriffsebenen bis zum Detaillierungsgrad auf Spaltenebene gewährleistet. Das Unternehmen kann Risikosimulationen regelmäßig durchführen und hat mit BigQuery die Sicherheit, Governance und regulatorische Situation verbessert.

Eine vertrauenswürdige Datenanalyseplattform trägt zum Schutz vor Angriffen oder Sicherheitsverstößen bei. Das hat aber auch viel mit dem Aufbau einer soliden Datenkultur zu tun. Nutzer können sich auf Innovationen und neue Ideen konzentrieren, wenn sie den Daten vertrauen, die sie erhalten. 

Wird die Datenkultur ein Problem oder eine Lösung für Ihr Unternehmen sein? Und wenn sie eine Lösung ist, wie sieht sie aus? Woher wissen Sie, dass es ein Erfolg ist? Diese Fragen können Ihnen den Einstieg erleichtern oder darauf aufbauen, was bereits begonnen wurde. Die Datenkultur wird für verschiedene Unternehmen in verschiedenen Branchen unterschiedlich aussehen. Sie und Ihre Stakeholder wissen, was für Ihre Teams und Ihre Organisation am besten ist. Die von Ihnen erstellte Datenkultur wird auf die Anforderungen Ihres Unternehmens optimiert sein.