DataOps: Datenmanagement geht auch agil

Während DevOps in der Softwareentwicklung zuhause ist, geht es bei DataOps um die Orchestrierung vorhandener Datenströme. [...]

Auch wenn sich diverse Unternehmen aufgrund der Pandemie schnell an die neue Normalität gewöhnen mussten, bot die Digitalisierung doch auch gleichzeitig die Chance, die Fülle an neuen Daten und Datenquellen für Innovationen zu nutzen. Jedoch gibt es beim Managen von Daten zwei wesentliche Herausforderungen:

1. Big Data ist vielfältig: Unternehmen ertrinken regelrecht in einem Meer von , die sich auf viele verschiedene Aspekte des Geschäfts beziehen. An einem Tag liegt der Fokus auf Transaktionsdaten und am nächsten Tag beispielsweise auf Predictive Analytics. Zusätzlich ist immer noch eine Portion Subjektivität im Spiel, je nachdem, wer die Daten erstellt, verwaltet und interpretiert. Entsprechend schwierig ist es, objektive, übergeordnete Entscheidungen zu fällen.
2. Relevante Erkenntnisse können nur in Echtzeit gewonnen werden: Big Data ist nicht nur vielfältig, sondern ändert sich ständig. Für eine aussagekräftige Business Intelligence ist der Zeitpunkt des Zugriffs und der Analyse von Daten der entscheidende Faktor – insbesondere in Zeiten unvorhersehbarer Marktentwicklungen. Tatsächlich aber arbeiten laut einer Studie von Dimensional Research, im Auftrag von Fivetran, 41 Prozent der Datenanalysten mit Daten, die zwei Monate alt oder sogar älter sind. Haben Analysten keinen Zugriff auf aktuelle Daten sind die gewonnenen Erkenntnisse entweder bereits hinfällig oder unbrauchbar.

DataOps, die agile Business Intelligence

Um diese zwei Herausforderungen zu adressieren, macht es Sinn, mittels DataOps agil vorzugehen. DataOps, kurz für Data Operations, bezeichnet automatisierte, agile Methoden, um die Qualität, Zuverlässigkeit und Schnelligkeit der Datenanalysen zu verbessern. Das Verfahren versucht die Silos zwischen Entwicklung und Operations aufzubrechen und fördert eine kollaborative Datenmanagement-Praxis für die Integration und Automatisierung von Datenströmen im gesamten Unternehmen. Von der Datendemokratisierung profitieren Chief Data Officer und die Datennutzer in den verschiedenen Fachabteilungen gleichermaßen.

Durch die Umsetzung wird außerdem die Zusammenarbeit von Data Engineers und Analysten gefördert. Der o.g. Studie zufolge verlieren mehr als 60 Prozent der Datenexperten wertvolle Zeit mit dem Warten auf Engineering-Ressourcen. Diese Ineffizienzen zwingen die Analysten oft dazu sich auf Umwegen Zugriff auf die benötigten Daten zu verschaffen – was wiederum dazu führt, dass sie nur die Hälfte ihre Arbeitszeit für die Analyse von Daten aufwenden können. Die Demokratisierung von Daten und Business Intelligence ermöglicht eine bessere innerhalb des Unternehmens in Bezug auf Kundenverhalten und für grundlegende Entscheidungen.

Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.

Mehr Informationen

Inhalt entsperren Erforderlichen Service akzeptieren und Inhalte entsperren

*Alexander Zipp ist Startup-, Sales & Marketing-Experte mit mehr als zehn Jahren Berufserfahrung in Fach- und Führungsrollen. Zu seinen beruflichen Stationen zählen unter anderem LinkedIn und Asana. Für beide Unternehmen hat er den Standort München mit eröffnet und den Aufbau beider Marken im deutschsprachigen Raum vorangetrieben. Zurzeit verantwortet der Autor die Aktivitäten für Fivetran in der DACH-Region.