Michaela Mader: 100 % Daten und 100 % Commitment

Unternehmen müssen ihren Datenschatz hegen und pflegen, sagt Michaela Mader, Geschäftsführerin von dataspot., einer Data-Excellence-Beratung mit eigener Metadatenmanagement-Software mit Sitz in Wien und Linz. Für Mader geht es nicht nur um das Sammeln, Strukturieren und Analysieren von Daten, sondern vor allem um die Verantwortlichkeit beim Datamanagement.

IoT4industry&business: Daten werden gerne als das Öl bzw. das Gold des 21. Jahrhunderts gesehen. Was sagen Sie dazu?
Michaela Mader: Mir gefällt die Variante mit dem Gold besser als mit dem Öl, da das nicht sehr nachhaltig ist. Ich glaube, dass viele Unternehmen erkannt haben, dass sie ihren Datenschatz im Griff haben müssen. Mittlerweile stehen die unterschiedlichsten Ideen und Initiativen zum Thema Digitalisierung im Raum, was immer man darunter auch versteht. Aber eines ist fix: Man braucht Daten dafür. Das Bewusstsein ist in den letzten Jahren gewachsen, dass man sich um seine Daten kümmern und sie hegen und pflegen und als Wert im Unternehmen ansehen muss. Bei dataspot. sind wir sehr grundlagenorientiert. Das bedeutet: Es geht um die Veränderung hin zu einem datengetriebenen Unternehmen inkl. dem nötigen Commitment.

IoT: Sehen Sie einen Unterschied zwischen Datendurchgängigkeit und Datengetriebenheit?
Michaela Mader: Uns geht es darum, dass unsere Kunden das Thema von der Businessseite her sehen und erkennen, dass alles was eine Organisation an Aufgaben hat, zu 100 % in den Daten abgebildet ist. Und diese entstehen, weil Geschäftsprozesse durchgeführt werden. Egal ob die Daten bewusst ins System kommen oder automatisch über Sensoren generiert werden. Früher war man der Meinung, Daten entstehen nur in der IT-Abteilung. Dadurch haben sich die Fachbereichsmitarbeiter:innen nicht verantwortlich gefühlt. Jetzt kommt es zu einem Paradigmenwechsel. Daten entstehen überall im Unternehmen. Deswegen sind uns Definitionen, Regeln und die Abbildung von Prozessen etc. so wichtig.

IoT: Daten entstehen auch in der Produktion und sollen bei Wartung und Betrieb helfen.
Michaela Mader: Das stimmt, aber diese Sensordaten kommen sehr unstrukturiert in einem String, der z. B. EA00234 heißt. Diese Daten kann man leider nicht eins zu eins in eine Datenbank übertragen, bevor nicht ganz viele Programmierer damit befasst waren. Das liegt daran, dass die Sensor-Hersteller keine Metadaten zur Verfügung stellen und wenn, dann sind sie nicht automatisierbar zu verarbeiten. Dabei geht es doch darum, aus den Daten zu lernen, etwa um den Business-Prozess zu verbessern oder die Produktionskosten zu senken. Das heißt, ich muss die Daten verstehen und interpretieren können. Also brauchen wir zuerst eine fachliche Übersetzung, die auch ein Normalsterblicher lesen kann und er weiß, dass das Feld EA00234 eine Temperatur von 23,4 Grad bedeutet. Häufig werden Systeme installiert und parametrisiert, aber nirgends werden die Parameter festgehalten. Es ist nicht so leicht wie versprochen.

IoT: Bei der Datenanalyse gibt es zwei Ansätze: alles sammeln oder nur jene Daten, aus denen man konkret Nutzen zieht. Wie sieht Ihr Zugang zu diesem Thema aus?
Michaela Mader: Mir ist der Zugang Top-down persönlich lieber, dann hat man immer einen konkreten Use Case dahinter. Sprich: Ich will eine Auswertung machen, ein Modell rechnen, ein Produkt entwickeln oder auf eine fachliche Fragestellung reagieren können. Das ist zweckgebunden und ganz im Sinne der Datensparsamkeit. Ich finde es wichtig, dass man nur die Daten, die einen Zweck haben, speichert und zu 100 % pflegt. Etwa Kundendaten, die der gemeinsame Datennenner im Unternehmen sind. Die sind meist nicht nur einmal, sondern 3, 4, 5 Mal in verschiedenen Systemen hinterlegt. Da muss man eine Harmonisierung durchführen und eine „Golden Source“ definieren, also eine führende Quelle, von der sämtliche Daten stammen sollen. Da sind Definitionsarbeiten und Governance-Fragen vorzunehmen, die wir im Rahmen unserer Data Excellence klären.

IoT: Wie bringt man Unternehmen zu der angesprochenen Datengetriebenheit?
Michaela Mader: In erster Linie erzeugt man das, indem man nach den Kernprozessen und den ureigensten Tätigkeiten im Unternehmen fragt und sie dann zu Papier bringt. Wir machen das in Form eines Datenmodells, in dem man die Beziehungen zueinander sieht. Und wir haben auch die Erfahrung gemacht, sobald die Daten unter Governance sind und die Leute wissen, dass ihre Daten gut behandelt werden, dann sind sie auch viel eher bereit, sie zu teilen. Etwa mit einem Data Scientist, um ein Analytics-Modell zu rechnen. Das ist ein Prozess, den man anstoßen muss. Und dann kommt es automatisch zu einer Änderung des Mindsets. Außerdem schneiden wir die Use Cases klein zu. Zum einen wollen wir nicht, dass den Beteiligten bei solchen Vorhaben die Luft ausgeht und zum anderen gibt es bei diesen Projekten keinen Big-Bang-Approach. Die Leute brauchen aber auch einen Quick-Win.

IoT: Sie sprechen sehr viel von Data Excellence. Was verstehen Sie darunter?
Michaela Mader: Diesen Begriff haben wir selbst vor sechs Jahren erfunden und die Themenführerschaft dafür im DACH-Raum übernommen. Der Ausgangspunkt war der bereits etablierte Begriff der Data Governance, der stark über die Regulatorik kommt. Bei Data Excellence geht es auch – aber nicht nur – darum zu wissen, wie die Verantwortlichkeiten und Rollen geregelt sind, welche Prozesse und Berichtspflichten es gibt und welche Workflows dahinter liegen. Es bezeichnet den gesamten Rahmen hinsichtlich Fachlichkeit, technischer Umsetzungen, Datenmanagement, organisatorischer und inhaltlicher Themen, damit man tatsächlich mit den Daten arbeiten kann. Und da kommen wir zum Thema Metadaten, der Information über die Daten. Also: Von welchen Daten sprechen wir überhaupt? Wie sehen die Verantwortlichkeiten aus? Dies bedingt sich gegenseitig und man muss all diese Themen adressieren, damit man die Daten in den Griff kriegt. Und dafür haben wir den Überbegriff Data Excellence geschaffen.

IoT: Wie weit beschäftigt sich dataspot. mit dem Thema Security?
Michaela Mader: Security ist die IT-technische Umsetzung von Sicherheitsmaßnahmen. Aber zu definieren, welche Sicherheitsmaßnahmen man braucht, das ist eine fachliche Angelegenheit. Das haben wir auch bei der Umsetzung von Datenschutzanforderungen. Löschmechanismen oder Speicherfristen zu implementieren ist technisch. Aber zu fragen, wie lang muss ich Daten aufbewahren, wann darf ich sie löschen, wo werden die Daten gespeichert – das sind fachliche Definitionsfragen, die wir im Zuge unserer Modellierungen erledigen. Dazu zählen auch abgestufte Benutzungs- und Berechtigungskonzepte. Wer darf auf welche Daten zugreifen? Wer darf welche Auswertungen sehen, wer darf welche Datenausschnitte sehen? Und um das kümmern wir uns.

weitere aktuelle Meldungen