8 der besten MDM-Anwendungsfälle zur Verbesserung des Mobile Data Management
Geschrieben von Bastian Günter | May 11, 2023
Ein effizientes Master Data Management sieht Maßnahmen vor, um Daten durch Aggregation, Konsolidierung und Standardisierung zu verwalten. Eine mangelnde MDM-Strategie kann zu einer fehlerhaften Entscheidungsfindung und einem Verlust an Geschwindigkeit beim Unternehmenswachstum führen. Mit den richtigen MDM-Verfahren wird eine einheitliche Quelle zuverlässiger Informationen geschaffen, die von verschiedenen Stellen innerhalb eines Unternehmens effizient geändert werden können, was natürlich alle Abläufe optimiert.
Deshalb ist es wichtig, Master Data Management zu verstehen und zu analysieren, um es in jeder Organisationsstruktur anwenden zu können. Aus diesem Grund haben wir in diesem Artikel die 8 wichtigsten Anwendungsfälle für MDM zusammengestellt, die Ihnen helfen, ein umfassenderes Verständnis für MDM zu erlangen.
Teil 1: Pflichtlektüre: 8 beste Praktiken für MDM
MDM ist eine Weiterentwicklung der IT-Unternehmensstrategie, die Stammdaten als einen wesentlichen Vermögenswert für ein Unternehmen betrachtet, der sich aus mehreren Datenpunkten zusammensetzt. Dabei kann es sich um Entitäten wie Lieferanten, Kunden, Konten, Transaktionen, Pläne, Ziele, Konten und Entwürfe handeln, die alle den Kern der Funktionsweise eines Unternehmens darstellen. Nachdem diese Datengruppen in Stammdaten standardisiert wurden, können sie analysiert werden, um die wichtigsten Kennzahlen hervorzuheben, was das Treffen wichtiger Geschäftsentscheidungen erleichtert.
Entsprechende MDM-Praktiken oder -Lösungen verbessern die Genauigkeit und Verwaltung in einem Unternehmen. Werfen wir also einen Blick auf einige der besten Anwendungsfälle, um MDM besser zu verstehen.
Parteidaten:
Es ist bekannt, dass es sich dabei um den Hauptgegenstand der gängigsten Master Data Management-Techniken handelt, die heute bekannt sind. Parteidaten, die auch als 'Kundendaten' bekannt sind, umfassen alle Informationen, die ein Unternehmen über eine Person besitzt. Oftmals werden Organisationen und Unternehmen von anderen Unternehmen auch als Einzelpersonen behandelt.
Die Kundendaten werden in erster Linie gesammelt, um Kundenstammdaten zu erstellen, die mit Hilfe von Workflows, Batches und Transaktionsprozessen verwaltet werden. Meist unterscheiden sich die Prozesse zur Verwaltung von B2C- und B2B-Daten voneinander. Für B2C sind die Eingabestellen für Stammdaten technologisch nicht kontrollierbar, für B2B hingegen schon.
Produktdaten:
Eine weitere gängige Form von MDM betrifft Produktdaten. Es gibt zwei verschiedene Ansätze für diese Art von Daten: einen von der Käuferseite und einen von der Verkäuferseite. Stammdaten auf der 'Käuferseite' basieren auf der Lieferkette eines Unternehmens. Mit Hilfe von MDM-Software werden Daten von Lieferanten gesammelt. Es handelt sich dabei auch um eine Form der Bestandsdatenverwaltung.
Der Fokus der 'Verkaufsseite' liegt auf der Versorgung der Kunden mit wichtigen Produktinformationen, wobei eine Schnittstelle zum Lebenszyklusmanagement oder sogar zum Ressourcenmanagement besteht. Solche Datenquellen werden in der Regel mit Hilfe eines Workflows verwaltet. MDM auf der Verkaufsseite ist eher kundenorientiert und beinhaltet die Weitergabe von organisierten Informationen an die Endverbraucher.
Multidomain MDM:
Die Einführung von Multidomain MDM hat einen neuen, rasanten Trend in der Datenverwaltung ausgelöst. Bislang waren Unternehmen in hohem Maße von einem Best-of-Breed-Ansatz abhängig, der verschiedene Anbieter mit separaten Funktionen zur Unterstützung der Verwaltung und Pflege einer einzelnen Domäne umfasste. Doch mit Multidomain MDM können sich Käufer jetzt darauf verlassen, dass sie mit einem einzigen Tool eine Governance-Infrastruktur für die Datenverwaltung aufbauen. Das vereinfacht den zuvor komplexen Schulungs- und Einarbeitungsprozess, da alle Benutzer nun unter denselben Rahmenbedingungen arbeiten und ein einziges Set von Sprachen als Referenzdaten für alle Domänen verwenden.
Data Wrangling:
Durch die Einführung von Data Wrangling werden die ständig wachsenden Anforderungen an MDM noch weiter verfeinert. Es handelt sich dabei um den Prozess der Bereinigung und Vereinheitlichung riesiger Mengen unterschiedlicher und unorganisierter Daten in einer heterogenen Sprache. Angesichts des exponentiellen Wachstums von Unternehmensdaten ist dieser Fortschritt sehr nützlich. Data Wrangling erleichtert ein effektives Master Data Management, da es die Neuformatierung und das Mapping umfangreicher Daten in eine vereinfachte Version für eine reibungslosere Nutzung, Organisation und Analyse beinhaltet. Heutzutage integrieren Unternehmen Data Wrangling in ihre MDM-Strategie, um sich durch höhere Geschwindigkeit und Genauigkeit von der Konkurrenz abzuheben.
TIBCO MDM Plattform:
Die immer größer werdende Gruppe von Mobilfunkbetreibern, Betreibern von Mobilfunknetzen und Anbietern von drahtlosen Diensten steht vor der Herausforderung, mehrere inkongruente Systeme für MDM und Speicherung zu betreiben. Das Ziel ist es, all diese Daten in eine einzige Ansicht zu integrieren, da sie sonst mit mehreren Versionen der Wahrheit jonglieren.
Das geht nur durch die Installation eines Systems, das ungenaue Daten effektiv identifiziert, an der Quelle bereinigt und brauchbare Ergebnisse liefert. Die MDM-Plattform von TIBCO bietet ein solches System als mittlere Filterschicht an, das als zentraler Punkt der synchronisierten Sammlung und als Referenzpunkt für ein verbessertes integriertes MDM fungiert.
Graph Technologie:
Bekanntlich führen schlecht konzipierte MDM-Systeme zu Lücken in der Effektivität Ihres Unternehmens. Denn die meisten Altsysteme beruhen auf suboptimalen Datenbanken, die die Reaktionsfähigkeit behindern. Für solche Szenarien hat sich die Graphdatenbanktechnologie als besonders effektiv erwiesen, da sie Unternehmen durch die Speicherung, Abfrage und Modellierung von Metadaten, Hierarchien und Endpunkten in Ihren Sachdaten einen Wettbewerbsvorteil verschafft. Ein gutes Beispiel dafür ist das von Airbnb entwickelte, selbstverwaltete und gut integrierte Datenportal, das eine ganzheitliche Sicht auf alle Daten bietet, die von den Benutzern leicht zu navigieren ist. Dabei wurden große Informationsmengen in Diagrammen organisiert, um in Sekundenschnelle auf Millionen von Datenverbindungen zugreifen zu können.
Operational MDM:
Ebenso wie der angenommene Prozess des Data Wrangling verfolgt Operational MDM das Ziel, fehlerhafte Daten zu identifizieren und Stammdaten an der Quelle zu bereinigen, um das Ergebnis in allen geschäftsrelevanten Angelegenheiten zu nutzen. Hierzu extrahiert Operational MDM echte Geschäftsinformationen von Benutzern, um fehlerhafte Stammdaten zu bereinigen. Dies würde die gesamte MDM-Strategie eines Unternehmens effektiv verändern. Dieses Beispiel für einen MDM-Anwendungsfall ist in Business Intelligence (BI) Land zu sehen. Hier wird operatives MDM eingesetzt, um ursprüngliche Datenquellen zu identifizieren und eine Vielzahl von Informationen zu sammeln, zu bereinigen und zu speichern, um Analysen innerhalb des Unternehmens durchzuführen.
Kollaborative Master Data:
Sobald Unternehmen mit der Nutzung von Anwendungen beginnen, geht es in erster Linie darum, die Stammdaten in Bezug auf Qualität und Governance zu optimieren. Normalerweise sind Unternehmen mit dem Problem redundanter Daten aus verschiedenen Systemen, mangelnder Standardisierung und unsynchronisierter willkürlicher Datenerstellung konfrontiert. Mit SAP NetWeaver konnten diese Unternehmen einen rationalisierten Prozess einführen, bei dem die Kunden die Erstellung von Stammdaten selbst beantragen.
Dank dieser Verbesserung wurden spezielle MDM-Dienste und eine vorinstallierte Benutzeroberfläche genutzt, um den Implementierungsaufwand zu verringern und gleichzeitig die Flexibilität und Konsistenz zu erhöhen. BPM-Unternehmen sind nun in der Lage, neue Einträge von Stammdaten zu nutzen, die einen Prozess der Erfassung und Automatisierung auslösen.
Teil 2: Was könnten wir von diesen Praktiken für MDM lernen?
- Ansammlung riesiger Mengen an Clean Data: Heutzutage blühen alle Unternehmen im Zeitalter der Information auf, wodurch Daten zu einem immateriellen Vermögenswert jeder Organisation werden. Indem sie sich diese Daten zunutze machen, können Unternehmen ihre Effektivität in einem hart umkämpften Umfeld steigern. Denn je mehr Daten ein Unternehmen sammelt, desto größer ist der Erkenntnisgewinn in einer bestimmten Situation. Daher ist es von entscheidender Bedeutung, einen einheitlichen Informationstrichter zu schaffen und Stammdaten zu filtern, um neue Strategien in die Tat umzusetzen.
- Einrichtung einer gemeinsamen Metadatenebene: Früher waren große Datenmengen in einer Organisation nicht miteinander verknüpft, so dass keine Koordination oder Authentifizierung der Informationen möglich war. Damit solche Daten gemeinsam genutzt werden können, braucht man eine Verbindung zwischen allen Punkten des Verwaltungs- und Analyseprozesses. Dies wird durch eine gemeinsame Ebene von Metadaten erreicht, indem eine gemeinsame Sprache für die Klassifizierung und Interpretation all dieser Daten geschaffen wird.
- Förderung eines besseren Zugangs zu Daten: Alle Datenmengen sind nutzlos, wenn die Menschen nichts damit anfangen können. Die Erstellung zugänglicher Datenbanken ist daher ein wichtiger Aspekt der Stammdatenverwaltung. Ein besserer Zugang zu diesen Daten durch die Mitarbeiter steigert die Produktivität eines jeden Unternehmens.
Die wichtigsten Erkenntnisse aus dieser Episode
- Master Data Management Software befähigt Unternehmen und Geschäftsorganisationen, alle wesentlichen gefilterten Daten in Stammdateien zusammenzufassen, die als primärer Bezugspunkt im Geschäftsbetrieb dienen.
- Die Erstellung von Master Data-Korrelationen vereinfacht den Informationszugriff und die Analyse für die Benutzer erheblich.
- Das wichtigste Ziel jedes MDM-Tools ist es, vollständige, genaue und konsistente Informationen zu liefern, die im Kontext der Ziele des Unternehmens relevant sind.
Weitere Artikel empfohlen:
Heiße Artikels
Alle Kategorieren
MobileTrans - WhatsApp Übertragen
Bastian Günter
chief Editor