Das Wesen der Daten-Governance liegt in der Einhaltung der unternehmensweiten Datenrichtlinien. Datenrichtlinien k\u00f6nnen ein breites Spektrum an Zielsetzungen umfassen und Anweisungen zum Datenschutz und zur Datenvalidierung beinhalten. Datenverwalter<\/strong><\/a> Die Mitglieder des Datengovernance-Gremiums m\u00fcssen die Anforderungen der Unternehmensnutzer einholen und kl\u00e4ren Datenqualit\u00e4t<\/strong><\/a> Anforderungen festlegen, Datenqualit\u00e4tsmetriken spezifizieren und Methoden zur Messung der Einhaltung von Datenrichtlinien entwickeln.<\/span><\/p>\n Die Herausforderung besteht jedoch darin, die Kluft zwischen der Definition von Daten-Governance-Richtlinien und deren Umsetzung zu \u00fcberbr\u00fccken. Richtlinien sollen die Kontrolle und \u00dcberwachung der Qualit\u00e4t von Datenbest\u00e4nden im Produktionsprozess gew\u00e4hrleisten, doch Datenverantwortliche sind h\u00e4ufig ohne angemessene Schulung oder Werkzeuge f\u00fcr wichtige Aufgaben im Datenqualit\u00e4tsmanagement zust\u00e4ndig.<\/p>\n Hier kommen Data-Lineage-Tools ins Spiel. Data Lineage dokumentiert den Weg von Datenobjekten durch das Unternehmen und tr\u00e4gt zur Vereinfachung zweier wichtiger Data-Governance-Verfahren bei: der Ursachenanalyse und der Wirkungsanalyse.<\/p>\n Ohne eine M\u00f6glichkeit, die Ursachen von Datenfehlern im System zu ermitteln, f\u00e4llt es Datenverantwortlichen schwer, Datenqualit\u00e4tsprobleme zu erkennen und zu beheben. Mit der zunehmenden Verbreitung von Datenfehlern drohen Unternehmen inkonsistente Berichte und Analysen, die zu Fehlentscheidungen f\u00fchren.<\/p>\n Tools zur Datenherkunftsanalyse vereinfachen die Ursachenanalyse, indem sie die Abfolge der Verarbeitungsschritte, die Daten durchlaufen, transparent machen. Die Datenqualit\u00e4t l\u00e4sst sich an jedem Punkt des Prozessablaufs \u00fcberpr\u00fcfen, sodass die IT-Abteilung die Stelle identifizieren kann, an der Datenfehler auftreten.<\/p>\n Ausgehend von der Stelle, an der Fehler identifiziert wurden, k\u00f6nnen Datenverantwortliche an jedem Punkt Kontrollen einf\u00fcgen, um zu \u00fcberwachen, ob die Daten den definierten Erwartungen entsprechen oder Fehler enthalten. Eine Verarbeitungsstufe, in der die Daten bei der Eingabe konform, bei der Ausgabe jedoch fehlerhaft sind, markiert den Punkt, an dem Datenfehler entstehen. Die genaue Lokalisierung dieser Stelle erm\u00f6glicht es den Datenverantwortlichen, sich auf die Beseitigung der eigentlichen Ursache zu konzentrieren, anstatt nur fehlerhafte Daten zu korrigieren.<\/p>\n Tools zur Datenherkunftsanalyse helfen Datenverantwortlichen, in der heutigen, dynamischeren Datenumgebung stets den \u00dcberblick \u00fcber unerwartete \u00c4nderungen von Datenquellenformat und -struktur zu behalten. \u00c4nderungen an Datenquellen k\u00f6nnen unbeabsichtigte Folgen f\u00fcr nachgelagerte Prozesse haben.<\/p>\n Durch die Analyse der Datenerfassung k\u00f6nnen Datenverantwortliche die Datenherkunft nutzen, um Datenabh\u00e4ngigkeiten nachzuverfolgen und die von Daten\u00e4nderungen betroffenen Verarbeitungsstufen zu identifizieren. Dies erm\u00f6glicht es ihnen, die Verarbeitungsstufen entsprechend anzupassen.<\/p>\n Manuelle Sammlung Metadaten<\/a><\/strong> und dokumentieren Datenherkunft<\/strong><\/a> involves a significant investment of resources, but it is error-prone, especially in organizations that rely on reporting and analytics to drive operations. Therefore, it can be helpful to look for data lineage tools and techniques that can not only manage representations of data lineage, but also automatically map them across the enterprise.<\/p>\n![\"Wie](\"https:\/\/www.gudusoft.com\/wp-content\/uploads\/2022\/07\/Data_Lineage_Tools.png\")
<\/a>Datenherkunft und Daten-Governance<\/h3>\n
Worauf sollte man bei einem Datenherkunftsanalyse-Tool achten?<\/h3>\n
Abschluss<\/h3>\n