So bauen Sie mit Datenprodukten Vertrauen auf

Damit Organisationen effizient arbeiten können, sollten Entscheidungsträger in der Lage sein, gute, datenbasierte Entscheidungen zu treffen. Man kann mit Fug und Recht behaupten, dass das Vertrauen in Daten in den heutigen datenbasierten Organisationen von größter Bedeutung ist. Da KI-Anwendungen zum Mainstream werden, wird die Datenqualität immer wichtiger. Wenn wir KI-Modelle fälschlicherweise mit schlechten Daten trainieren, sind schlechte Ergebnisse unvermeidlich. Wenn KI-Modelle bei der Interaktion mit Kunden schlecht abschneiden, kann dies erhebliche Auswirkungen auf das Geschäft und den langfristigen Markenwert haben. Sie müssen Ihren Daten genauso vertrauen können wie Ihren Mitarbeitern.

Obwohl das Vertrauen in Daten von entscheidender Bedeutung ist, ist es überraschend gering. Im Jahr 2020 stellte KPMG fest, dass nur 35 % der Entscheidungsträger ihren Unternehmensdaten vertrauten. Eine weitere Studie von Precisely und der LeBow School of Business aus dem Jahr 2023 zeigte eine gewisse Verbesserung; dennoch hatten nur 46 % der Befragten großes oder sehr großes Vertrauen in ihre Daten.

Organisationen machen mehrere Fehler, die zu einer schlechten Datenqualität und einem Vertrauensverlust führen:

• Veraltete Daten veröffentlichen
• Veröffentlichung ungenauer Daten
• Veröffentlichung unvollständiger Daten
• Kein Kontext, der ein gutes Verständnis der Daten gewährleistet

Diese Fehler führen zu schlechten Entscheidungen und einer schlechten Geschäftsleistung. Wenn beispielsweise ein Mitarbeiter auf der Grundlage fehlerhafter Daten eine Verpflichtung gegenüber einem Kunden eingeht und dieses Versprechen nicht einhalten kann, riskiert das Unternehmen nicht nur den Verlust des Kunden, sondern auch seinen Ruf.

Vertrauen zu verlieren ist leicht, aber wenn es einmal verloren ist, ist es sehr schwer, es wiederzugewinnen. Wenn Führungskräfte schlechte Daten verwenden oder Berichte mit Fehlern überprüfen, ist ihr Vertrauen in zukünftige Daten erschüttert.

Warum Datenprodukte vertrauenswürdiger sind als Datenpipelines

Um das Vertrauen in Daten zu stärken, ist eine grundlegende Änderung der Art und Weise erforderlich, wie wir auf Daten zugreifen und sie verwenden. Der traditionelle Prozess des Datenzugriffs wurde durch das Starten einzelner Projekte und den Aufbau von ETL-Pipelines ermöglicht. Der Erfolg dieser Projekte wird daran gemessen, wie viel Code entwickelt und wie viele Daten geliefert werden. Die Datenqualität ist zwar wichtig, aber nur ein Teil der Gleichung. In einer projektbasierten Denkweise ist die Ausgabemenge das Maß für den Erfolg.

Wenn wir das Ziel jedoch auf Geschäftsergebnisse verlagern, wird die Datenqualität zum zentralen Erfolgsmaßstab. Vertrauen entsteht, wenn die Ziele und Motivationen der Datenexperten mit denen der Datennutzer übereinstimmen. Ein erfolgreiches Datenprodukt wird nicht daran gemessen, wie viele Daten es liefert, sondern daran, wie gut es die Bedürfnisse seiner Benutzer erfüllt. Die Entstehung jedes Datenprodukts geht auf ein gewünschtes Geschäftsergebnis zurück. Selbst wenn Datenprodukte sehr schnell Zugriff auf große Datenmengen bieten, werden sie nicht verwendet, wenn sie die Bedürfnisse der Benutzer nicht erfüllen, was ihre Fähigkeit, positive Geschäftsergebnisse zu erzielen, einschränkt. Damit ein Datenprodukt erfolgreich ist, müssen die Benutzer ihm genug vertrauen, um ihre Entscheidungen auf seinen Ergebnissen zu basieren.

Bessere Transparenz und Zusammenarbeit reduzieren Fehler und schaffen Vertrauen

Der Erfolg von Datenprodukten beruht auf einem vielfältigen Team, in dem unterschiedliche Funktionen zusammenarbeiten, um hervorragende Geschäftsergebnisse zu erzielen. Dieser Prozess muss auf Vertrauen, Transparenz, Sichtbarkeit und Zusammenarbeit zwischen Kollegen aufbauen. Vertrauen zwischen Datenproduktteams führt zu Daten, denen Benutzer vertrauen können.

Bei projektbasierten ETL-Prozessen sind Zusammenarbeit, Sichtbarkeit und Transparenz eine Herausforderung. Normalerweise beginnen diese Projekte mit einer Datenanforderung eines Benutzers. Sobald die Pipeline jedoch erstellt und die Daten bereitgestellt sind, hat der Benutzer möglicherweise keinen Einblick mehr darin, wie oder wann die Daten erfasst wurden.

Ebenso wissen Dateningenieure nicht immer, wie die von ihnen gelieferten Daten weiter verwendet werden. Sie sind sich möglicherweise nicht bewusst, wie sich ihre Aktionen auf die weiterführende Analyse von KI-Modellen auswirken. Wenn ein Dateningenieur beispielsweise das Schema eines Datensatzes ändert, kann dies einige Analysen oder Dashboards, die auf diesem Datensatz basieren, beschädigen.

Darüber hinaus gibt es keinen Prozess für die Bereitstellung von Feedback. Da diese Prozesse fest programmiert sind, ist es schwierig, sie zu ändern und Feedback einzubinden, selbst wenn ihre Verwendung transparenter ist.

Vertrauen aufbauen mit Datenprodukten

Erfolgreiche Datenproduktstrategien basieren auf einem standardmäßigen Datenstapel oder einer Plattform, die eine bessere Zusammenarbeit, Sichtbarkeit und Transparenz ermöglicht.

Zusammenarbeit

Verbesserte Kommunikation und Zusammenarbeit schaffen immer mehr Vertrauen und sollten daher ein integraler Bestandteil einer Datenproduktstrategie sein.

Die Zusammenarbeit beim Datenzugriff und die gemeinsame Verantwortung für den Schutz der Daten schafft ein gemeinsames Verständnis unter den Datenteams. Föderierte Governance-Strategien, bei denen zentrale IT-Teams und Domänenmanager die Verantwortung für die Datenverwaltung teilen, sind ein Kernmerkmal von Datenstrategien, die auf Produkten basieren. Der Vorteil dieses Ansatzes besteht darin, dass die Personen, die mit den Daten am besten vertraut sind, die Domänenmanager, stärker in die Datenverwaltung eingebunden sind. Dies unterstützt einen differenzierteren und praktischeren Ansatz für die Datenverwaltung. Die gemeinsame Verantwortung für die Datenverwaltung ermöglicht eine größere Skalierbarkeit und Agilität, da nicht jede Verwaltungsrichtlinie über die IT-Abteilung laufen muss.

Damit diese Strategie funktioniert, müssen Domänen und IT-Behörden zusammenarbeiten und einander vertrauen. Verschiedene Domänen und die IT-Abteilung müssen zusammenarbeiten, um zu definieren, wer für die Verwaltung welcher Datensätze verantwortlich ist, wo die IT-Kontrolle endet und wo die Domänen beginnen. Klares Verständnis und Kommunikation vermeiden Verwirrung. Das Ergebnis sind flexible und anpassbare Datenprodukte mit hoher Datenqualität, denen Benutzer vertrauen können.

Datenproduzenten und -konsumenten können durch Zusammenarbeit auch Vertrauen aufbauen. Anstatt eines projektbasierten Ansatzes, bei dem Daten über den sprichwörtlichen „Zaun“ geworfen werden, entwickeln sich Datenprodukte ständig weiter. Entwickler von Datenprodukten können regelmäßig Feedback von Benutzern einbeziehen. Dieser Feedback-Austausch schafft Vertrauen zwischen Entwicklern und Benutzern und stellt sicher, dass die Entwickler das Geschäftsergebnis der Benutzer in den Mittelpunkt des Entwicklungsprozesses stellen.

Benutzer arbeiten auch mit anderen Benutzern zusammen, um Gültigkeit aufzubauen. Normalerweise ermöglichen Datenproduktmarktplätze Benutzern, Datenprodukte zu bewerten, um die Qualität und Nützlichkeit der Datenprodukte zu validieren.

Durch die Bereitstellung einer Plattform zur Abstimmung der Teilnehmer und zur Ermöglichung von Zusammenarbeit und Feedback während des gesamten Prozesses wird das Vertrauen innerhalb des Teams und der Benutzer in ihre Ergebnisse gestärkt.

Sichtbarkeit und Transparenz

Sichtbarkeit und Transparenz sind entscheidend für die Bereitstellung zuverlässiger Datenprodukte. Mangelnde Sichtbarkeit führt typischerweise zu Fehlern bei linearen Wasserfall-Ansätzen, die häufig zur Entwicklung von ETL-Pipelines verwendet werden und nur sehr wenig Sichtbarkeit zwischen den Datennutzern und dem Ingenieur bieten, der den Prozess entwickelt. Wenn im Transformationsprozess ein Fehler auftritt, weiß der Datennutzer möglicherweise nicht, dass ein Problem vorliegt, und verwendet weiterhin veraltete oder fehlerhafte Daten in seiner Analyse. Andererseits haben Dateningenieure normalerweise keine Sichtbarkeit darüber, wie sich Änderungen, die sie im Backend vornehmen, auf die Modelle der Analysten auswirken.

Datenprodukte, Datenföderation und zentralisiertes Metadatenmanagement fungieren als Brücke zwischen Dateningenieuren und Datennutzern. Datenproduktmanager und -produzenten sorgen für ein besseres Verständnis der Anforderungen, Bedürfnisse und Anliegen zwischen Dateningenieuren und Datennutzern.

Eine Datenprodukt-Produktionsplattform fungiert als zentraler Ort für die Zusammenarbeit und sammelt Informationen über den Zustand von Datenprodukten und ihre Anwendung in Anwendungsfällen oder verschiedenen Modellen. Der Schlüssel zu dieser Transparenz ist eine föderierte Governance-Plattform, die Governance-Richtlinien domänenübergreifend verfolgt und verwaltet. Alle Teilnehmer können Eingaben machen und Daten über Datenprodukte und die Daten, aus denen sie bestehen, sammeln, wie zum Beispiel:

• Vollständigkeit: Zählung der Datensätze mit unvollständigen oder Null-Datenwerten.
• Gültigkeit: ob die Daten die Realität bzw. das, was Sie erwarten würden, widerspiegeln.
• Aktualität: Wie aktuell die Daten sind.
• Herkunft: Quelle der Daten und ihre Vertrauenswürdigkeit.
• Genauigkeit: Maße für die Datengenauigkeit.
• Eindeutigkeit: Häufigkeit der Wiederholung eines Wertes.

Die Metadaten-Kontrollebene ist das Herzstück dieser Plattform und sorgt für Transparenz in unternehmensweiten Metadaten. Eine föderierte Datenplattform konsolidiert Daten aus der gesamten Organisation, um eine bessere Transparenz in Bezug auf Datenqualität und -herkunft zu gewährleisten. Dieses zentrale Repository verfolgt auch Metadatenänderungen an der Quelle, um sicherzustellen, dass Datenanalysten ihre Modelle und Analysen entsprechend anpassen können. Mit diesem zentralisierten Trackingsystem werden den abonnierten Benutzern automatische Warnmeldungen zugestellt, die sie über die Änderungen und den Zustand der Daten informieren.

Kontext

Um Vertrauen in Daten zu schaffen, sind qualitativ hochwertige Daten von grundlegender Bedeutung. Ebenso wichtig ist die Bereitstellung des richtigen Kontexts für diese Daten. Die Geschäftsterminologie ist nicht immer einheitlich in allen Bereichen. Wenn Datenbenutzer nicht wissen, was ein Begriff bedeutet oder wie KPIs berechnet werden, treten Fehler auf und die Benutzer verlieren das Vertrauen. Datenglossare sind äußerst hilfreich, um sicherzustellen, dass Benutzer die Bedeutung der Daten verstehen, mit denen sie arbeiten, um Verwirrung und Fehler zu vermeiden.

Auffindbarkeit

Die Fähigkeit, den richtigen Datensatz für ein Analyseprojekt zu finden, trägt auch dazu bei, Vertrauen in Ihre Datenbestände aufzubauen. Durch die Auswertung von Integritäts- und Qualitätsmetriken über alle Datensätze hinweg von einer einzigen Ansicht aus können Analysten mehrere Variablen berücksichtigen, bevor sie einen Datensatz zu ihrer Analyse hinzufügen. Darüber hinaus kann ein Datenproduktmarktplatz, der KI nutzt, den Benutzern die besten Datenprodukte empfehlen. Diese Fähigkeit schafft Vertrauen, dass diese Plattformen nicht nur bessere Daten, sondern auch bessere Geschäftsergebnisse liefern.

Im Zeitalter von Daten und KI werden wir uns immer stärker auf die Daten verlassen, die wir sammeln und auf denen unsere Entscheidungen basieren. Die Fähigkeit, der Qualität dieser Daten zu vertrauen, wird tiefgreifende Auswirkungen auf die Geschäftsergebnisse haben. Wer erfolgreich ist, wird der Datenqualität und -integrität höchste Priorität einräumen.

Um zu erfahren, wie Sie mit der Avrio-Plattform vertrauenswürdige Datenprodukte erstellen, planen Sie eine Demo.