Die Datenherkunft dokumentiert den Weg von Daten durch die IT-Systeme eines Unternehmens und zeigt, wie Daten zwischen ihnen flie\u00dfen und dabei f\u00fcr unterschiedliche Zwecke transformiert werden. Metadaten<\/strong><\/a> (Daten \u00fcber Daten), um Endbenutzern und Datenmanagement-Experten zu erm\u00f6glichen, die Historie von Datenbest\u00e4nden nachzuverfolgen und Informationen \u00fcber deren gesch\u00e4ftliche Bedeutung oder technische Eigenschaften zu erhalten.<\/p>\n Beispielsweise k\u00f6nnen Datenherkunftsnachweise dabei helfen Datenwissenschaftler<\/strong><\/a>, andere Datenanalysten<\/a><\/strong>Gesch\u00e4ftsanwender verstehen die von ihnen verwendeten Daten und stellen sicher, dass diese f\u00fcr ihre Informationsbed\u00fcrfnisse relevant sind. Die Datenherkunft spielt ebenfalls eine wichtige Rolle. Datenverwaltung<\/a><\/strong>Meister Datenmanagement<\/a><\/strong>und Compliance-Programmen. Unter anderem vereinfacht es im Rahmen dieser Initiativen zwei wichtige Verfahren der Daten-Governance: die Analyse der Ursachen von Datenqualit\u00e4t<\/a><\/strong> Probleme und die Auswirkungen von Datensatz\u00e4nderungen.<\/p>\n Informationen zur Datenherkunft werden prim\u00e4r von Betriebssystemen (bei der Datenverarbeitung) und von anderen Systemen erfasst. Data Warehouses<\/strong><\/a> Und Datenseen<\/a><\/strong> \u2013 wo Datens\u00e4tze f\u00fcr BI- und Analyseanwendungen gespeichert werden. Zus\u00e4tzlich zur detaillierten Dokumentation k\u00f6nnen Datenflussdiagramme und Diagramme erstellt werden, um die Datenherkunft in Bezug auf Gesch\u00e4ftsprozesse visuell darzustellen. Um den Zugriff von Endbenutzern auf Herkunftsinformationen zu vereinfachen, werden diese h\u00e4ufig in eine Datenbank integriert. Datenkatalog<\/a><\/strong>, das Datenbest\u00e4nde und die zugeh\u00f6rigen Metadaten auflistet.<\/p>\n Informationen zur Datenherkunft sind f\u00fcr Datenmanagement und -analyse unerl\u00e4sslich. Herkunftsdetails helfen Unternehmen, Daten effektiv zu verwalten und zu nutzen. Ohne Zugriff auf diese Details k\u00f6nnen Unternehmen das volle Potenzial ihrer Daten nur schwer aussch\u00f6pfen.<\/p>\n Im Folgenden sind die Vorteile, die die Datenherkunft bietet<\/strong><\/a>:<\/p>\n Genauere und aussagekr\u00e4ftigere Analysen. Indem die Datenherkunft Analyseteams und Anwendern verdeutlicht, woher Daten stammen und was sie bedeuten, verbessert sie deren F\u00e4higkeit, die f\u00fcr Business Intelligence und Data Science ben\u00f6tigten Daten schneller zu finden. Dies f\u00fchrt zu besseren Analyseergebnissen und erh\u00f6ht die Wahrscheinlichkeit, dass Datenanalysen relevante Informationen f\u00fcr fundierte Gesch\u00e4ftsentscheidungen liefern.<\/p>\n Verbesserte Daten-Governance. Die Datenherkunft hilft zudem, Daten nachzuverfolgen und andere wichtige Aspekte des Governance-Prozesses zu erf\u00fcllen. Sie unterst\u00fctzt Daten-Governance-Manager und Teammitglieder dabei, sicherzustellen, dass Daten g\u00fcltig, sauber und konsistent sind und ordnungsgem\u00e4\u00df gesch\u00fctzt, verwaltet und genutzt werden.<\/p>\n Verbesserte Datensicherheit und Datenschutz. Unternehmen k\u00f6nnen mithilfe von Datenherkunftsinformationen sensible Daten identifizieren, die besonders hohen Schutz erfordern. Diese Informationen k\u00f6nnen auch genutzt werden, um unterschiedliche Zugriffsebenen f\u00fcr Benutzer gem\u00e4\u00df Sicherheits- und Datenschutzrichtlinien festzulegen und potenzielle Datenrisiken im Rahmen einer unternehmensweiten Risikomanagementstrategie zu bewerten.<\/p>\n Verbesserung der Einhaltung gesetzlicher Bestimmungen. Die Nachverfolgung der Datenherkunft bietet einen besseren Schutz der Datensicherheit und hilft Unternehmen, Datenschutzgesetze und andere Vorschriften einzuhalten. Eine gut dokumentierte Datenherkunft erleichtert zudem interne Compliance-Audits und die Erstellung von Compliance-Berichten.<\/p>\n Vereinfachen Sie die Datenverwaltung. Neben der Verbesserung der Datenqualit\u00e4t erleichtert die Datenherkunftsanalyse eine Vielzahl weiterer Aufgaben im Datenmanagement. Dazu geh\u00f6ren beispielsweise die Verwaltung von Datenmigrationen, der Abbau von Datensilos sowie das Erkennen und Schlie\u00dfen von Datenl\u00fccken.<\/p>\n Die Datenherkunft steht in engem Zusammenhang mit den beiden Datenmanagementprozessen Datenklassifizierung und Datenprovenienz. Sehen wir uns an, was diese Prozesse sind und wie sie sich von der Datenherkunft unterscheiden und mit ihr zusammenh\u00e4ngen.<\/p>\n Das Wesen der Daten-Governance besteht darin, unternehmensweite Datenrichtlinien zu erstellen und deren Einhaltung sicherzustellen. Solche Richtlinien k\u00f6nnen sich auf die Intention erstrecken und Anweisungen zum Datenschutz, zur Datenpr\u00fcfung und zur Datennutzung enthalten. Daten-Governance-Manager und Datenverwalter<\/a><\/strong> muss den Datenbedarf der Gesch\u00e4ftsanwender ermitteln und mit den Mitgliedern des entscheidungsbefugten Datengovernance-Ausschusses zusammenarbeiten, um gemeinsame Datendefinitionen zu vereinbaren, Datenqualit\u00e4tsmetriken festzulegen und Richtlinien und zugeh\u00f6rige Verfahren zu entwickeln.<\/p>\n Es besteht jedoch eine L\u00fccke zwischen der Definition von Richtlinien f\u00fcr die Daten-Governance und deren Umsetzung, und die \u00dcberbr\u00fcckung dieser L\u00fccke stellt eine gro\u00dfe Herausforderung dar. Hier setzt die Datenherkunft an. Sie dokumentiert Datenquellen und -fl\u00fcsse und erm\u00f6glicht es Governance-Teams, zu \u00fcberwachen, wie Daten durch das System flie\u00dfen und wie sie ver\u00e4ndert und verwendet werden. Die Herkunftsinformationen helfen ihnen, angemessene Datensicherheit und Zugriffskontrollen zu gew\u00e4hrleisten und Daten gem\u00e4\u00df den Governance-Richtlinien zu speichern, zu pflegen und zu nutzen.<\/p>\n Die Nachverfolgung der Datenherkunft kann auch bestimmte Aufgaben im Bereich Governance vereinfachen. Ohne eine M\u00f6glichkeit, die Ursache von Datenfehlern im System zu ermitteln, ist es beispielsweise f\u00fcr Datenverantwortliche und Datenqualit\u00e4tsanalysten schwierig, diese zu identifizieren und zu beheben. Dies hat Konsequenzen: Werden Datenfehler nicht entdeckt, k\u00f6nnen Unternehmen mit inkonsistenten oder ungenauen Analyseergebnissen und damit mit Fehlentscheidungen konfrontiert werden.<\/p>\n Bei der Ursachenanalyse von Datenfehlern erm\u00f6glichen Herkunftsnachweise die Nachverfolgung der Verarbeitungsstufen eines Datensatzes. Unternehmen k\u00f6nnen die Qualit\u00e4t in jeder Phase \u00fcberpr\u00fcfen, um Fehlerquellen zu identifizieren. Indem sie vom Zeitpunkt der ersten Fehlerentdeckung r\u00fcckw\u00e4rts arbeiten, k\u00f6nnen Datenverantwortliche pr\u00fcfen, ob die Daten den urspr\u00fcnglichen Erwartungen entsprachen oder zum Zeitpunkt der Entdeckung Fehler enthielten. Durch die genaue Bestimmung der Stufe, an der die Daten bei der Eingabe konform, bei der Ausgabe jedoch fehlerhaft sind, k\u00f6nnen die Mitarbeiter eines Daten-Governance-Programms die eigentliche Fehlerursache beseitigen und nicht nur fehlerhafte Daten korrigieren.<\/p>\n Die Kenntnis der Datenherkunft ist auch bei der Durchf\u00fchrung von Wirkungsanalysen hilfreich, um Probleme zu erkennen, die durch \u00c4nderungen im Quelldatenformat und in der Struktur entstehen \u2013 ein h\u00e4ufiges Problem in der heutigen, zunehmend dynamischen Datenumgebung.<\/p>\n Wenn sich Daten \u00e4ndern, kann dies unbeabsichtigte Folgen f\u00fcr nachfolgende Prozesse haben. Indem Datenverantwortliche von der Datenerstellung oder -erfassung ausgehen, k\u00f6nnen sie mithilfe der Datenherkunftsdokumentation Datenabh\u00e4ngigkeiten nachverfolgen und die von \u00c4nderungen betroffenen Verarbeitungsstufen identifizieren. Diese Stufen k\u00f6nnen dann so angepasst werden, dass sie die \u00c4nderungen ber\u00fccksichtigen und die Datenkonsistenz system\u00fcbergreifend gew\u00e4hrleisten.<\/p>\n Unternehmen k\u00f6nnen verschiedene Techniken nutzen, um Informationen zur Datenherkunft zu erfassen und zu protokollieren. Diese schlie\u00dfen sich nicht zwangsl\u00e4ufig gegenseitig aus, und Unternehmen k\u00f6nnen je nach Anwendungsanforderungen und Art ihrer Datenumgebung mehrere Technologien zur Herkunftsbestimmung einsetzen. Zu den verf\u00fcgbaren Methoden geh\u00f6ren:<\/p>\n Wichtige Techniken zur Datenherkunftsanalyse \u2013 1. Datenkennzeichnung. Durch die Analyse von Metadaten k\u00f6nnen Datens\u00e4tzen Kennzeichnungen zugewiesen werden, um sie f\u00fcr die Datenherkunftsanalyse zu beschreiben und zu charakterisieren. Die Kennzeichnung kann manuell durch Datenverantwortliche, andere Mitglieder des Daten-Governance-Teams und Endnutzer oder automatisch durch Software erfolgen. Beispielsweise enthalten Tools und Funktionen zur Datenherkunftsanalyse, die in Daten-Governance-Software integriert sind, h\u00e4ufig automatisierte Algorithmen, die Nutzer zur Kennzeichnung von Datens\u00e4tzen ausf\u00fchren k\u00f6nnen.<\/p>\n![\"Techniken,](\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/08\/Data_Lineage_Techniques_Best_Practices_and_Tools.png\")
Warum ist die Datenherkunft wichtig?<\/h3>\n
Datenherkunft, Datenklassifizierung und Datenprovenienz<\/h3>\n
\n
Datenherkunft und Daten-Governance<\/h3>\n
Wichtige Techniken zur Datenherkunftsanalyse<\/h3>\n
![\"Techniken,](\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/08\/Data_Lineage_Techniques_Best_Practices_and_Tools-2.png\")