Data Governance
Grundlagen, Konzepte und Anwendungen
Published on 23. June 2020
252 pages
978-3-96088-993-9 (ISBN)
Available for download
Description
Know-how für eine erfolgreiche Data Governance
umfassendes, anwendungsbezogenes Handbuch
den Fokus nicht nur auf fachliche und technische, sondern auch organisatorische Aspekte legen
mit vielen Fallbeispielen, die Inhalte und Umsetzung, Potenziale und mögliche Fallstricke verdeutlichen
Vor dem Hintergrund zunehmender regulatorischer Anforderungen sowie wachsender Komplexität der eingesetzten IT-Landschaften erlangt das Themengebiet "Data Governance" immer größere Bedeutung in den Unternehmen. Dieses Buch greift nach einer Einordnung und Abgrenzung des Themas die unterschiedlichen Kernaspekte der Data Governance umfassend auf. Anschließend werden spezielle Facetten und -Toolkategorien mit hoher praktischer Relevanz präsentiert, bevor die Darstellung spezifischer Unternehmenslösungen erfolgt.
More details
Other editions
Additional editions
Book
07/2020
1st Edition
dpunkt
€59.90
Available immediately
Book
06/2020
dpunkt
€64.90
Article exhausted; check different version
Person
Prof. Dr. Peter Gluchowski leitet den Lehrstuhl für Wirtschaftsinformatik, insb. Systementwicklung und Anwendungssysteme, an der Technischen Universität in Chemnitz und konzentriert sich dort mit seinen Forschungsaktivitäten auf das Themengebiet Business Intelligence & Analytics. Er beschäftigt sich seit mehr als 25 Jahren mit Fragestellungen, die den praktischen Aufbau dispositiver bzw. analytischer Systeme zur Entscheidungsunterstützung betreffen. Seine Erfahrungen aus unterschiedlichsten Praxisprojekten sind in zahlreichen Veröffentlichungen zu diesem Themenkreis dokumentiert.
Content
- Cover
- Über den Autor
- Titel
- Impressum
- Vorwort
- Inhaltsübersicht
- Inhaltsverzeichnis
- Teil I Grundlagen
- 1 Data Governance - Einführung und Überblick
- 1.1 Begriffliche Einordnung
- 1.2 Data-Governance-Framework
- 1.2.1 Strategie
- 1.2.2 Aufbauorganisation
- 1.2.3 Richtlinien, Prozesse und Standards
- 1.2.4 Messen und Beobachten
- 1.2.5 Technologie
- 1.2.6 Kommunikation
- 1.3 Fazit
- 2 Data Governance als Wegbereiter der Digitalisierung
- 2.1 Handlungsfelder der Data Governance
- 2.2 Ziele und Mehrwert der Data Governance
- 2.3 Typische Rollenträger der Data Governance
- 2.4 Data Governance im Spannungsfeld zwischen Diktatur und Demokratie
- 2.5 Integration der Data Governance in die Ablauforganisation
- 2.6 Schritte zur erfolgreichen Einführung einer Data Governance
- 2.7 Fazit
- 3 Governance in komplexen BI-Landschaften
- 3.1 Motivation
- 3.2 Architektur
- 3.2.1 Domänen in BI-Schichtenarchitekturen
- 3.2.2 BI-Ökosysteme
- 3.3 Agile Organisation
- 3.3.1 Agile Methoden für Business Intelligence
- 3.3.2 Agile BI-Organisationsformen
- 3.4 Richtlinien und Dokumentation
- 3.4.1 Entwicklungsrichtlinien und Konventionen
- 3.4.2 Dokumentation, Glossare, Metadatenmanagement
- 3.4.3 Datenintegration - Gestaltung und Dokumentation
- 3.5 Fazit und Ausblick
- 4 Data-Governance-Reifegrad
- 4.1 Data Governance und Datenqualität als Topthemen
- 4.2 GARP kurz erklärt
- 4.2.1 Die acht GARP-Perspektiven (Principles)
- 4.2.2 Die fünf Reifegradstufen (Level)
- 4.3 Mapping auf das Data-Governance-Modell
- 4.4 Praktische Erfahrungen mit GARP
- 4.5 Stärken und Schwächen von GARP
- 4.6 Ergänzende Instrumente
- 4.7 Fazit
- 5 Datenethik
- 5.1 Einführung und Motivation
- 5.2 Datenethik: ein Kompass für Data Governance
- 5.3 Moral, Verantwortung, Werte und Recht
- 5.4 Vertrauen - das neue Öl des 21. Jahrhunderts
- 5.4.1 Vertrauen
- 5.4.2 Glaubwürdigkeit
- 5.4.3 Verantwortung
- 5.4.4 Transparenz
- 5.4.5 Sicherheit
- 5.4.6 Nachhaltigkeit
- 5.5 Datenschutz als regulatorischer Rahmen
- 5.6 Ethisches Handeln in analytischen Ökosystemen
- Teil II Konzepte, Lösungen und Toolkategorien
- 6 Komponenten für zufriedenstellende Datenqualität und Stammdaten
- 6.1 Motivation
- 6.2 Die Problemlage
- 6.3 Erfolgskomponente Organisation
- 6.4 Erfolgskomponente Prozesse
- 6.5 Erfolgskomponente Technologie
- 6.6 Vorgehensweise für die Etablierung zufriedenstellender Datenqualität und Stammdaten
- 6.7 Fazit
- 7 Der Datenkatalog: das Fundament der Data-Governance-Initiative
- 7.1 Einleitung
- 7.2 Bedeutung des Datenkatalogs für die Data-Governance-Initiative
- 7.3 Metamodell
- 7.4 Funktionalitäten
- 7.5 Einführungsprojekt
- 7.6 Fachlicher Betrieb
- 7.7 Fazit
- 8 Self-Service-Datenbereitstellung im Data-Science-Umfeld: der emanzipierte Anwender
- 8.1 Einführung
- 8.2 Data Governance und Data Science
- 8.3 Self-Service-Angebote für Data & Analytics
- 8.4 Self-Service vs. zentrale Datenaufbereitung
- 8.5 Self-Service in der Praxis - Beispiele ganzheitlicher Govnernance-Konzepte
- 8.6 Fazit
- 9 DataOps als Basis und Treiber einer erfolgreichen Data Governance
- 9.1 Data Governance im Spannungsfeld von Compliance und Unternehmensstrategie
- 9.1.1 Daten und Data Governance in einer datengetriebenen Kultur
- 9.1.2 Eine Data Governance erhält ihren Auftrag aus der Unternehmensstrategie
- 9.2 Data Governance: Treiber und Nutznießer von Automatisierung, Datenqualität, Metadaten und Datenkultur
- 9.2.1 Datenqualität & Metadaten
- 9.2.2 Prozesse & Automatisierung
- 9.2.3 Datenkultur, Wert & Mensch
- 9.2.4 Unternehmensweite Skalierung
- 9.3 Data Governance und DataOps
- 9.3.1 Einordnung DataOps
- 9.3.2 Nutzen und Herausforderungen von DataOps
- 9.3.3 Gründe und Gelegenheiten für den Start einer DataOps-Initiative
- 9.3.4 DevOps und DataOps
- 9.3.5 DataOps-Pipelines
- 9.4 Fazit
- 10 Harmonisierung von Data-Warehouse- und Data-Lake-Datenarchitekturen
- 10.1 Reifegrad und Datenarchitektur
- 10.2 Produktionsfaktor Daten
- 10.2.1 Data Warehouse vs. Data Lake
- 10.2.2 Anforderungen an eine harmonisierte Datenarchitektur
- 10.3 Ansätze zur Datenarchitektur
- 10.3.1 Sequenzielle Architektur
- 10.3.2 Parallele Architektur
- 10.3.3 External Data Integration/DWH Offloading
- 10.3.4 Hybrider Ansatz
- 10.3.5 Data Virtualization
- 10.4 Auswahl der geeigneten Datenarchitektur
- 10.5 Fazit Datenarchitektur-Ansatz »One fits all«
- Teil III Anwendungen
- 11 Data Governance: Problemfelder in der Umsetzung von BI-Initiativen und Lessons Learned
- 11.1 Ausgangssituation
- 11.1.1 Rückblick und Status quo
- 11.1.2 Neue Anforderungen und Projektinitiativen
- 11.1.3 Aufbruch zu neuen Ufern: BI-Architekturen 2.0
- 11.2 Problemfelder
- 11.2.1 Permanente Herausforderungen
- 11.2.2 Fokussierung auf technische Limitierung
- 11.2.3 Information Lifecycle Management aus BI-Sicht
- 11.2.4 Gewachsene Komplexität der Geschäftsprozesse
- 11.2.5 Datenschutzverordnung als Next-Level-Challenge
- 11.3 Lösungsansätze und Lessons Learned
- 11.3.1 Etablierung Data Governance
- 11.3.2 Organisatorische Verankerung
- 11.3.3 Data Governance als Werttreiber
- 11.3.4 Technische Hilfsmittel installieren
- 11.3.5 Agile Projektmethodik als hilfreiches Startmoment
- 11.4 Fazit und Ausblick
- 12 Prüfung von Data Governance in Finanzinstituten - ein Good-Practice-Ansatz
- 12.1 Data Governance
- 12.2 Regulatorische Anforderungen
- 12.2.1 BCBS 239
- 12.2.2 Analytical Credit Datasets (AnaCredit)
- 12.2.3 MaRisk
- 12.3 Implikationen für Finanzinstitute
- 12.3.1 Fachliche Anforderungen
- 12.3.2 Organisatorische Anforderungen
- 12.3.3 Technologische Anforderungen
- 12.4 Schwachstellen und Herausforderungen in der Prüfungspraxis
- 12.5 Praxisbeispiel
- 12.5.1 Begriffsverwendung Data Governance
- 12.5.2 Ziele der Data Governance
- 12.5.3 Organisationsform
- 12.5.4 Anwendungsbereich Data Governance
- 12.5.5 Data-Governance-Vorgehensmodell
- 12.5.6 Richtlinien
- 12.5.7 Erfahrungen aus der Prüfung im Fachbereich Risikomanagement
- 12.5.8 Organisation im geprüften Bereich
- 12.5.9 Herausforderungen im Anwendungsbereich Data Governance
- 12.5.10 Fazit der Prüfung
- 12.6 Prüfungsansätze
- 12.6.1 Prüfungsstandards und Frameworks
- 12.6.2 Monothematischer Ansatz vs. ganzheitlicher Ansatz
- 12.7 Fazit und Ausblick
- 13 Data Governance im Kontext von MaRisk AT 4.3.4: prototypische Umsetzung einer Audit-Anwendung zur Einschätzung des Erfüllungsgrades
- 13.1 Anforderungen an die Data Governance gemäß MaRisk AT 4.3.4
- 13.1.1 Einführung
- 13.1.2 MaRisk AT 4.3.4 im Überblick
- 13.1.3 Abgeleitete Anforderungen aus Data-Governance-Sicht
- 13.2 Prototypische Umsetzung
- 13.2.1 Gesamtübersicht zu den Scoring-Ergebnissen
- 13.2.2 Bearbeitung von Prüfgegenständen
- 13.2.3 Ausgabe eines Gesamtberichts
- 13.3 Fazit
- Anhang
- A Autoren
- B Abkürzungen
- C Literatur
- Fußnoten
- Index
