Augmented Data Management

Für die Verwaltung und das Aufbereiten von Daten etabliert sich derzeit ein neuer Begriff: Augmented Data Management, kurz ADM. Diese Technik greift auf KI und Machine Learning zurück, um die Verwaltung von Daten effektiver und effizienter zu gestalten. «ADM stellt allen Mitarbeitern, die in ein Datenprojekt involviert sind, Werkzeuge zur Verfügung, um Daten zu integrieren, zu konsolidieren, zu transformieren, zu verwalten und zu konsumieren», erläutert Sofiane Fessi, SE Director für Zentraleuropa bei Dataiku. Ein Augmented Data Management tangiert somit nicht nur die Datenwissenschaftler, sondern auch die Geschäftsbereiche, die IT-Abteilung und die Analysten.

Dass es sich beim erweiterten Datenmanagement um einen ganzheitlichen Ansatz handelt, bestätigt Wolfgang Kobek, Senior Vice President EMEA bei Qlik: «Dem Begriff des ADM entspricht am ehesten der ‚Raw to Ready‘-Ansatz. Darunter verstehen wir die Datenbereitstellung, von den Rohdaten bis hin zu den analysebereiten Informationen.» Dieser Teil der Datenwertschöpfungskette stehe zwar nicht so im Rampenlicht wie Analytics-Funktionen, sei aber unverzichtbar. Denn ADM trägt Kobek zufolge massgeblich dazu bei, dass aus Rohdatenquellen verwertbare Informationsquellen für Datenanalysen werden.

Wie wichtig ein effektives Datenmanagement für Data Analytics ist, belegt die Studie «The Future of Analytics» des Marktforschungs- und Beratungsunternehmens BARC. Demnach raten 64 Prozent der Unternehmen, die bereits fortgeschrittene Analysemethoden (Advanced Analytics) einsetzen, im Vorfeld das Data Management auszubauen.

Ein zentrales Element eines «Augmented» Datenmanagements ist der Einsatz von Künstlicher Intelligenz und maschinellem Lernen. Bislang kamen KI- und ML-Technologien vor allem bei der Analyse von Informationsbeständen zum Einsatz: «KI und ML sind heute bereits bei Arbeiten unverzichtbar, bei denen riesi­ge Datenmengen analysiert werden sollen. Gleiches gilt für Routinearbeiten», sagt Daniel Fallmann. «Lösungen wie die von Mindbreeze nutzen diese Technologien und helfen dabei, Daten zu verknüpfen und komplexe Zusammenhänge zu verstehen - und diese für den Anwender verständlich darzustellen.»

Bei ADM dienen KI und ML dazu, um den Aufwand zu reduzieren, den die Vorbereitung von Daten für eine Analyse erfordert. Nach Schätzungen des Marktforschungsunternehmens Gartner müssen Datenspezialisten bis zu 60 Prozent ihrer Zeit dafür aufwenden, um das Datenrohmaterial aufzubereiten. Erst nach dieser «Data Preparation» eignet es sich für die Auswertung mit Hilfe von Analyse-Tools. Gartner rechnet damit, dass sich bis 2024 dank KI und Machine Learning der Anteil der manuellen Tätigkeiten im Bereich Datenmanagement um 45 Prozent reduzieren lässt. Das bedeutet, dass Data Scientists mehr Zeit für die eigentliche Datenanalyse haben. Ein weiterer Vorteil, der oft weniger gern angesprochen wird: Es sind auch weniger Datenspezialisten erforderlich, um dasselbe Arbeitspensum zu bewältigen. Da solche Fachleute derzeit gesucht und damit kostspielig sind, ist dies ein Faktor, der für CIOs und Chief Digital Officers (CDOs) ebenfalls eine wichtige Rolle spielen dürfte.