Ob KMU, Grossunternehmen oder öffentliche Verwaltung, mit der zunehmenden Digitalisierung leben moderne Organisationen mit und von Daten. Die meisten Organisationen sind gut aufgestellt in der Erfassung von Daten. Oft besteht jedoch noch grosses Potential in der Organisation der Daten und dem damit verbundenen Erkenntnisgewinn. Dieses Potential kann durch eine zielgerichtete Dateninfrastruktur voll ausgeschöpft werden.
Die Dateninfrastruktur einer Organisation besteht aus allen notwendigen Komponenten, um ihre Daten zu sammeln, speichern, verarbeiten, verwalten und zu schützen. Dies umfasst weit mehr als die Datenbestände und die physische Infrastruktur zur Datenspeicherung und -verarbeitung. Eine Dateninfrastruktur umfasst auch Cloud Ressourcen, Business Applikationen, Business Intelligence und Analytics Tools sowie eine Datenstrategie, Richtlinien und insbesondere die Mitarbeitenden. Die richtige Dateninfrastruktur und das koordinierte Zusammenspiel ihrer Komponenten ist ein zentraler Faktor für eine erfolgreiche datengetriebene digitale Transformation.
Zu Beginn wird der Maturitätsgrad der Dateninfrastruktur bestimmt. Hierzu werden die bereits vorhandene Dateninfrastruktur analysiert, weitere Voraussetzungen identifiziert und die Bedürfnisse aller Stakeholder abgeholt.
Anschliessend kann eine Datenstrategie formuliert werden, bei der die strategischen Ziele der Organisation im Zentrum stehen. Neben diesen Zielen werden hier die Datenquellen beschrieben, beabsichtigte und potentielle Use Cases identifiziert und priorisiert, Rahmenbedingungen festgehalten, sowie eine Roadmap für die Umsetzungsphase erstellt. Zum Beispiel wird hier auch geklärt, ob die Daten on-premise oder in einer Cloud verwaltet werden sollen.
Die richtige Wahl und der korrekte Aufbau der Datenspeicher sind zentrale Bestandteile eines Dateninfrastruktur-Projekts. Dabei müssen Vor- und Nachteile aller Möglichkeiten hinsichtlich den Zielen und Rahmenbedingungen gegeneinander abgewogen werden. So kann beispielsweise entschieden werden, ob ein Data Warehouse als saubere und einzige Erkenntnisquelle für BI (Business Intelligence) Reports von Business Analysts oder ob eher ein Data Lake für komplexe Analysen von Data Scientists benötigt wird.
Nachdem die Datenspeicher aufgebaut sind, können ETL (extract, transform, load) oder ELT (extract, load, transform) Pipelines erstellt werden. Dabei wird idealerweise bereits in den Datenquellen auf eine optimale Datenqualität geachtet und etablierte Best Practices werden stets eingehalten; Eine Säuberung der Daten sollte hier ebenfalls in Betracht gezogen werden.
Um das volle Potential der Dateninfrastruktur nutzen zu können, müssen Verfügbarkeit, Nutzbarkeit, Integrität und Sicherheit der Daten in Richtlinien festgehalten werden. Die Sensibilisierung und Schulung der Mitarbeitenden stellt sicher, dass die Richtlinien organisationsweit gelebt werden.
Auf der Grundlage der Dateninfrastruktur können die Daten mit der notwendigen Expertise effizient und zuverlässig analysiert werden. Wir unterstützen Sie hier ebenfalls mit unseren Services im Bereich Business Intelligence, Data Analytics, Data Science, Machine Learning und Artificial Intelligence.
Profitieren Sie von unserer Expertise in der automatisierten Datenerfassung und Klassifizierung auch für komplexe, unstrukturierte Datenquellen.
Mit modernsten Tools und intelligenten Algorithmen analysieren unsere Data Scientists grosse Datenmengen und optimieren Prozesse.
Verwenden Sie BI-Tools um unter-schiedlichste Datenquellen gewinnbringend einzusetzen.
Unsere Experten zeigen Ihnen auf, wie Sie aus Daten echten Mehrwert generieren können - die Herausforderung jeder Organisation.
Wir analysieren spezifische Fragestellungen datengetrieben und mit modernen statistischen Methoden.
Erlangen Sie neue Kompetenzen im Bereich der Datenanalyse in unseren inhouse Workshops oder Kursen.
In Unternehmen können generative Sprachmodelle bei einer Vielzahl von Tätigkeiten eingesetzt werden und helfen, die Effizienz zu steigern. Durch die Zugehörigkeit zu Microsoft ergeben sich insbesondere im Microsoft Azure-Umfeld viele neue Möglichkeiten, um Chat GPT zu integrieren.
Daten sind in grossen Mengen verfügbar und viele davon sind öffentlich zugänglich. Einige Datenquellen sind jedoch nur unstrukturiert vorhanden. Die Erhebung und Prozessierung solcher Daten ist zeitaufwendig und komplex. Gleichzeitig sind es oft gerade unstrukturierte Daten, die neue Erkenntnisse generieren und einen Wettbewerbsvorteil schaffen können.
Bei tabellarischen Daten ist der Vorteil von Deep Learning gegenüber herkömmlichen Machine Learning Methoden unklar. Grinsztajn et al (2022) untersuchen, weshalb Decision Trees eine bessere Performance als Deep Learning-Verfahren auf Tabellendaten erreichen.
