Data Governance

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 verantwortungsvol...

Descripción completa

Detalles Bibliográficos
Otros Autores:	Gluchowski, Peter, author (author)
Formato:	Libro electrónico
Idioma:	Inglés
Publicado:	dpunkt 2020.
Edición:	1st edition
Materias:	Datenschutz Datenmanagement IT-Governance Metadaten Business Intelligence Datenqualität Datenqualitätsmanagement Digitale Transformation Datenpflege
Ver en Biblioteca Universitat Ramon Llull:	https://discovery.url.edu/permalink/34CSUC_URL/1im36ta/alma991009631019306719

Tabla de Contenidos:

Intro
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 Data-Governance-Kernthemen
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
Heterogene Service Level Agreements
Business-Logik in Domänenstrukturen
Nutzen von Domänenmodellen
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)
Accountability
Transparency
Integrity
Protection
Compliance
Availability
Retention
Disposition
4.2.2 Die fünf Reifegradstufen (Level)
Level 1 - Substandard
Level 2 - In Development
Level 3 - Essential
Level 4 - Proactive
Level 5 - Transformational
4.3 Mapping auf das Data-Governance-Modell.
Lifecycle
Organisation
Rules
Technical Instruments
4.4 Praktische Erfahrungen mit GARP
Praxisbeispiel 1: Logistikunternehmen
Praxisbeispiel 2: Finanzunternehmen
Praxisbeispiel 3: Produktionsbetrieb
4.5 Stärken und Schwächen von GARP
Stärken
Schwächen
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
Analyse
Bereinigung
Anreicherung
Überwachung und Kontrolle
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 &amp
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 &amp
Metadaten
9.2.2 Prozesse &amp
Automatisierung
9.2.3 Datenkultur, Wert &amp
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
Produktionspipeline
Orchestrierung
Tests
Monitoring
Analytics- und Datenpipeline
CI/CD: Continuous Integration, Delivery &amp
Deployment
Analytics-Pipeline
Datenpipeline
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
Klassisches Data Warehousing und Reporting
Herausforderungen in gewachsenen Systemen
11.1.2 Neue Anforderungen und Projektinitiativen
Innovation und technologisches Neuland.
11.1.3 Aufbruch zu neuen Ufern: BI-Architekturen 2.0
Data Lakes werden zum neuen Standard
Neuer Trend: Data Sharing
11.2 Problemfelder
11.2.1 Permanente Herausforderungen
Garbage in, Garbage out
Mangelhafte Datenqualität und ihre Folgen
11.2.2 Fokussierung auf technische Limitierung
11.2.3 Information Lifecycle Management aus BI-Sicht
Data Tiering
Der Lifecycle der Stammdaten
11.2.4 Gewachsene Komplexität der Geschäftsprozesse
In die Jahre gekommenes Prozess- und Architektur-Wirrwarr
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
Installation von Data Governance Offices
Data Governance muss Vorstandsthema werden
11.3.3 Data Governance als Werttreiber
Lessons Learned und Projektreview
Incentivierung von Data Governance
11.3.4 Technische Hilfsmittel installieren
Aufbau eines Kennzahlenglossars
11.3.5 Agile Projektmethodik als hilfreiches Startmoment
Schnelle Rückmeldung bei neuen Features
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
Monothematischer Ansatz
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
Anforderung I - Aggregation von Risikodaten
Anforderung II - Datenstruktur und Datenhierarchie
Anforderung III - Auswertbarkeit nach verschiedenen Kategorien
Anforderung IV - Andere im Institut vorhandene Informationen
Anforderung V - Risikodaten in Stressphasen
Anforderung VI - Ad-hoc-Informationen
Anforderung VII - Überprüfung durch eine unabhängige Stelle
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
Index.

Data Governance

Ejemplares similares