Data Governance

Data Governance

by Peter Gluchowski
Released June 2020
Publisher(s): dpunkt
ISBN: 9783864907555

Read it now on the O’Reilly learning platform with a 10-day free trial.

O’Reilly members get unlimited access to books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Book description

Vor dem Hintergrund zunehmender regulatorischer Anforderungen sowie wachsender Komplexität der eingesetzten IT-Landschaften erlangt das Themengebiet Data Governance immer größere Bedeutung in den Unternehmen. Sie umfasst die Regelungen, Mechanismen und Werkzeuge, die sich für einen verantwortungsvollen Umgang mit Daten als relevant erweisen und dabei auf fachliche und technische sowie vor allem auf organisatorische Betrachtungsperspektiven beziehen können.

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.

Table of contents

  1. Cover
  2. Über den Autor
  3. Titel
  4. Impressum
  5. Vorwort
  6. Inhaltsübersicht
  7. Inhaltsverzeichnis
  8. Teil I Grundlagen
    1. 1 Data Governance – Einführung und Überblick
    2. 1.1 Begriffliche Einordnung
    3. 1.2 Data-Governance-Framework
    4. 1.2.1 Strategie
    5. 1.2.2 Aufbauorganisation
    6. 1.2.3 Richtlinien, Prozesse und Standards
    7. 1.2.4 Messen und Beobachten
    8. 1.2.5 Technologie
    9. 1.2.6 Kommunikation
    10. 1.3 Fazit
    11. 2 Data Governance als Wegbereiter der Digitalisierung
    12. 2.1 Handlungsfelder der Data Governance
    13. 2.2 Ziele und Mehrwert der Data Governance
    14. 2.3 Typische Rollenträger der Data Governance
    15. 2.4 Data Governance im Spannungsfeld zwischen Diktatur und Demokratie
    16. 2.5 Integration der Data Governance in die Ablauforganisation
    17. 2.6 Schritte zur erfolgreichen Einführung einer Data Governance
    18. 2.7 Fazit
    19. 3 Governance in komplexen BI-Landschaften
    20. 3.1 Motivation
    21. 3.2 Architektur
    22. 3.2.1 Domänen in BI-Schichtenarchitekturen
    23. 3.2.2 BI-Ökosysteme
    24. 3.3 Agile Organisation
    25. 3.3.1 Agile Methoden für Business Intelligence
    26. 3.3.2 Agile BI-Organisationsformen
    27. 3.4 Richtlinien und Dokumentation
    28. 3.4.1 Entwicklungsrichtlinien und Konventionen
    29. 3.4.2 Dokumentation, Glossare, Metadatenmanagement
    30. 3.4.3 Datenintegration – Gestaltung und Dokumentation
    31. 3.5 Fazit und Ausblick
    32. 4 Data-Governance-Reifegrad
    33. 4.1 Data Governance und Datenqualität als Topthemen
    34. 4.2 GARP kurz erklärt
    35. 4.2.1 Die acht GARP-Perspektiven (Principles)
    36. 4.2.2 Die fünf Reifegradstufen (Level)
    37. 4.3 Mapping auf das Data-Governance-Modell
    38. 4.4 Praktische Erfahrungen mit GARP
    39. 4.5 Stärken und Schwächen von GARP
    40. 4.6 Ergänzende Instrumente
    41. 4.7 Fazit
    42. 5 Datenethik
    43. 5.1 Einführung und Motivation
    44. 5.2 Datenethik: ein Kompass für Data Governance
    45. 5.3 Moral, Verantwortung, Werte und Recht
    46. 5.4 Vertrauen – das neue Öl des 21. Jahrhunderts
    47. 5.4.1 Vertrauen
    48. 5.4.2 Glaubwürdigkeit
    49. 5.4.3 Verantwortung
    50. 5.4.4 Transparenz
    51. 5.4.5 Sicherheit
    52. 5.4.6 Nachhaltigkeit
    53. 5.5 Datenschutz als regulatorischer Rahmen
    54. 5.6 Ethisches Handeln in analytischen Ökosystemen
  9. Teil II Konzepte, Lösungen und Toolkategorien
    1. 6 Komponenten für zufriedenstellende Datenqualität und Stammdaten
    2. 6.1 Motivation
    3. 6.2 Die Problemlage
    4. 6.3 Erfolgskomponente Organisation
    5. 6.4 Erfolgskomponente Prozesse
    6. 6.5 Erfolgskomponente Technologie
    7. 6.6 Vorgehensweise für die Etablierung zufriedenstellender Datenqualität und Stammdaten
    8. 6.7 Fazit
    9. 7 Der Datenkatalog: das Fundament der Data-Governance-Initiative
    10. 7.1 Einleitung
    11. 7.2 Bedeutung des Datenkatalogs für die Data-Governance-Initiative
    12. 7.3 Metamodell
    13. 7.4 Funktionalitäten
    14. 7.5 Einführungsprojekt
    15. 7.6 Fachlicher Betrieb
    16. 7.7 Fazit
    17. 8 Self-Service-Datenbereitstellung im Data-Science-Umfeld: der emanzipierte Anwender
    18. 8.1 Einführung
    19. 8.2 Data Governance und Data Science
    20. 8.3 Self-Service-Angebote für Data & Analytics
    21. 8.4 Self-Service vs. zentrale Datenaufbereitung
    22. 8.5 Self-Service in der Praxis – Beispiele ganzheitlicher Govnernance-Konzepte
    23. 8.6 Fazit
    24. 9 DataOps als Basis und Treiber einer erfolgreichen Data Governance
    25. 9.1 Data Governance im Spannungsfeld von Compliance und Unternehmensstrategie
    26. 9.1.1 Daten und Data Governance in einer datengetriebenen Kultur
    27. 9.1.2 Eine Data Governance erhält ihren Auftrag aus der Unternehmensstrategie
    28. 9.2 Data Governance: Treiber und Nutznießer von Automatisierung, Datenqualität, Metadaten und Datenkultur
    29. 9.2.1 Datenqualität & Metadaten
    30. 9.2.2 Prozesse & Automatisierung
    31. 9.2.3 Datenkultur, Wert & Mensch
    32. 9.2.4 Unternehmensweite Skalierung
    33. 9.3 Data Governance und DataOps
    34. 9.3.1 Einordnung DataOps
    35. 9.3.2 Nutzen und Herausforderungen von DataOps
    36. 9.3.3 Gründe und Gelegenheiten für den Start einer DataOps-Initiative
    37. 9.3.4 DevOps und DataOps
    38. 9.3.5 DataOps-Pipelines
    39. 9.4 Fazit
    40. 10 Harmonisierung von Data-Warehouse- und Data-Lake-Datenarchitekturen
    41. 10.1 Reifegrad und Datenarchitektur
    42. 10.2 Produktionsfaktor Daten
    43. 10.2.1 Data Warehouse vs. Data Lake
    44. 10.2.2 Anforderungen an eine harmonisierte Datenarchitektur
    45. 10.3 Ansätze zur Datenarchitektur
    46. 10.3.1 Sequenzielle Architektur
    47. 10.3.2 Parallele Architektur
    48. 10.3.3 External Data Integration/DWH Offloading
    49. 10.3.4 Hybrider Ansatz
    50. 10.3.5 Data Virtualization
    51. 10.4 Auswahl der geeigneten Datenarchitektur
    52. 10.5 Fazit Datenarchitektur-Ansatz »One fits all«
  10. Teil III Anwendungen
    1. 11 Data Governance: Problemfelder in der Umsetzung von BI-Initiativen und Lessons Learned
    2. 11.1 Ausgangssituation
    3. 11.1.1 Rückblick und Status quo
    4. 11.1.2 Neue Anforderungen und Projektinitiativen
    5. 11.1.3 Aufbruch zu neuen Ufern: BI-Architekturen 2.0
    6. 11.2 Problemfelder
    7. 11.2.1 Permanente Herausforderungen
    8. 11.2.2 Fokussierung auf technische Limitierung
    9. 11.2.3 Information Lifecycle Management aus BI-Sicht
    10. 11.2.4 Gewachsene Komplexität der Geschäftsprozesse
    11. 11.2.5 Datenschutzverordnung als Next-Level-Challenge
    12. 11.3 Lösungsansätze und Lessons Learned
    13. 11.3.1 Etablierung Data Governance
    14. 11.3.2 Organisatorische Verankerung
    15. 11.3.3 Data Governance als Werttreiber
    16. 11.3.4 Technische Hilfsmittel installieren
    17. 11.3.5 Agile Projektmethodik als hilfreiches Startmoment
    18. 11.4 Fazit und Ausblick
    19. 12 Prüfung von Data Governance in Finanzinstituten – ein Good-Practice-Ansatz
    20. 12.1 Data Governance
    21. 12.2 Regulatorische Anforderungen
    22. 12.2.1 BCBS 239
    23. 12.2.2 Analytical Credit Datasets (AnaCredit)
    24. 12.2.3 MaRisk
    25. 12.3 Implikationen für Finanzinstitute
    26. 12.3.1 Fachliche Anforderungen
    27. 12.3.2 Organisatorische Anforderungen
    28. 12.3.3 Technologische Anforderungen
    29. 12.4 Schwachstellen und Herausforderungen in der Prüfungspraxis
    30. 12.5 Praxisbeispiel
    31. 12.5.1 Begriffsverwendung Data Governance
    32. 12.5.2 Ziele der Data Governance
    33. 12.5.3 Organisationsform
    34. 12.5.4 Anwendungsbereich Data Governance
    35. 12.5.5 Data-Governance-Vorgehensmodell
    36. 12.5.6 Richtlinien
    37. 12.5.7 Erfahrungen aus der Prüfung im Fachbereich Risikomanagement
    38. 12.5.8 Organisation im geprüften Bereich
    39. 12.5.9 Herausforderungen im Anwendungsbereich Data Governance
    40. 12.5.10 Fazit der Prüfung
    41. 12.6 Prüfungsansätze
    42. 12.6.1 Prüfungsstandards und Frameworks
    43. 12.6.2 Monothematischer Ansatz vs. ganzheitlicher Ansatz
    44. 12.7 Fazit und Ausblick
    45. 13 Data Governance im Kontext von MaRisk AT 4.3.4: prototypische Umsetzung einer Audit-Anwendung zur Einschätzung des Erfüllungsgrades
    46. 13.1 Anforderungen an die Data Governance gemäß MaRisk AT 4.3.4
    47. 13.1.1 Einführung
    48. 13.1.2 MaRisk AT 4.3.4 im Überblick
    49. 13.1.3 Abgeleitete Anforderungen aus Data-Governance-Sicht
    50. 13.2 Prototypische Umsetzung
    51. 13.2.1 Gesamtübersicht zu den Scoring-Ergebnissen
    52. 13.2.2 Bearbeitung von Prüfgegenständen
    53. 13.2.3 Ausgabe eines Gesamtberichts
    54. 13.3 Fazit
  11. Anhang
    1. A Autoren
    2. B Abkürzungen
    3. C Literatur
    4. Fußnoten
    5. Index

Product information

  • Title: Data Governance
  • Author(s): Peter Gluchowski
  • Release date: June 2020
  • Publisher(s): dpunkt
  • ISBN: 9783864907555