Roadmap für die Einführung von Microsoft Fabric: Datenkultur

Hinweis

Dieser Artikel ist Teil der Roadmapreihe für die Einführung von Microsoft Fabric. Eine Übersicht über die Reihe finden Sie unter Roadmap für die Einführung von Microsoft Fabric.

Das Entwickeln einer Datenkultur ist eng mit der Einführung von Analysen verzahnt, da es sich dabei oftmals um einen wichtigen Aspekt der digitalen Transformation einer Organisation handelt. Der Begriff Datenkultur kann von verschiedenen Organisationen auf verschiedene Weise definiert werden. In dieser Artikelreihe ist Datenkultur definiert als mehrere Verhaltensweisen und Normen in einer Organisation. Diese sorgen für eine Kultur, die regelmäßig informierte und datengestützte Entscheidungen ermöglicht:

  • Mehr Personen in mehr Bereichen der Organisation sind beteiligt.
  • Entscheidungen basieren auf Analysen, nicht Meinungen.
  • Entscheidungen werden auf effektive und effiziente Weise getroffen, die auf Best Practices basieren, die vom Center of Excellence (COE) genehmigt wurden.
  • Entscheidungen basieren auf vertrauenswürdigen Daten.
  • Auf diese Weise ist keine Abhängigkeit von der persönlichen Weitergabe undokumentierten Wissens gegeben.
  • So können Bauch- und Gefühlsentscheidungen reduziert werden.

Wichtig

Stellen Sie sich Datenkultur als etwas vor, das Sie tun, nicht als etwas, das Sie sagen. Ihre Datenkultur setzt sich nicht aus einzelnen Regeln zusammen, das wäre Governance. Datenkultur ist also ein etwas abstraktes Konzept. Es geht dabei um die Verhaltensweisen und Normen, die zulässig, gelobt und gefördert werden – oder eben diejenigen, die nicht zulässig sind und von denen abgeraten wird. Denken Sie daran, dass eine stabile Datenkultur Mitarbeiter auf allen Ebenen einer Organisation motiviert, für handlungsrelevantes Wissen zu sorgen.

Innerhalb von Organisationen haben bestimmte Geschäftseinheiten oder Teams wahrscheinlich eigene Verhaltensweisen und Normen, um Dinge zu erledigen. Die jeweiligen Möglichkeiten zum Erreichen der Ziele für die Datenkultur können sich abhängig von den Organisationsgrenzen unterscheiden. Wichtig ist, dass die verschiedenen Vorgehensweisen alle mit den Datenkulturzielen der Organisation abgestimmt sein sollten. Sie können sich diese Struktur als ausgerichtete Autonomie vorstellen.

Das folgende Kreisdiagramm veranschaulicht die miteinander verbundenen Aspekte, die sich auf die Datenkultur auswirken:

Diagram shows various relationships and influences in a data culture, which are described below.

Das Diagramm stellt die etwas mehrdeutigen Beziehungen zwischen den folgenden Faktoren dar:

Die Elemente des Diagramms werden in dieser Artikelreihe behandelt.

Das Ziel einer Datenkultur

Das Konzept der Datenkultur kann nur schwierig definiert und gemessen werden. Obwohl es eine Herausforderung ist, eine sinnvolle Definition der Datenkultur zu geben, die handlungsrelevant und messbar ist, müssen Sie über eine gut verständliche Definition davon verfügen, was eine stabile Datenkultur für Ihre Organisation bedeutet. Auf das Ziel einer stabilen Datenkultur sollte deshalb Folgendes zutreffen:

  • Das Ziel sollte der Führungsebene entstammen.
  • Das Ziel sollte auf Ziele der Organisation ausgerichtet sein.
  • Das Ziel sollte sich direkt auf Ihre Strategie für eine Einführung auswirken.
  • Das Ziel sollte als allgemeiner Leitgedanke fungieren, mit dem Governancerichtlinien umgesetzt werden.

Datenkulturergebnisse sind nicht speziell vorgeschrieben. Der Zustand von Datenkultur ist vielmehr das Ergebnis davon, Governanceregeln so zu befolgen, wie ihre Umsetzung erwünscht ist, bzw. das Ergebnis fehlender Governanceregeln. Führungskräfte auf allen Ebenen müssen mit gutem Vorbild vorangehen, um zu zeigen, was wichtig ist. Dazu gehört, Mitarbeiter, die Initiative zeigen, zu loben, anzuerkennen und zu belohnen.

Tipp

Wenn Sie sicher sein können, dass Ihre Bemühungen rund um die Entwicklung einer Datenlösung (wie einem semantischen Modell – vorher als Dataset bezeichnet – einem Lakehouse oder einem Bericht) wertgeschätzt und anerkannt werden, ist dies ein hervorragender Indikator für eine stabile Datenkultur. Manchmal kommt es jedoch darauf an, was für Ihren unmittelbaren Vorgesetzten am wichtigsten ist.

Die ursprüngliche Motivation, eine Datenkultur zu etablieren, entstammt oftmals einem konkreten strategischen Geschäftsproblem oder einer Initiative. Diese kann sein:

  • Eine reaktive Änderung, z. B. das Reagieren auf einen neuen und agilen Wettbewerb
  • Eine proaktive Änderung, z. B. der Start eines neuen Geschäftszweigs oder das Expandieren in neue Märkte, um völlig neue Chancen zu erschließen. Im Vergleich zu einer länger bestehenden Organisation kann es einfacher sein, von Anfang an datengesteuerte Entscheidungen zu treffen, wenn es weniger Einschränkungen und Komplikationen gibt.
  • Externe Änderungen, die beispielsweise den Druck erzeugen, Ineffizienzen und Redundanzen während einer wirtschaftlichen Rezession zu beseitigen

In allen diesen Situationen gibt es oft einen bestimmten Bereich, in dem die Datenkultur ihren Ursprung hat. Dieser bestimmte Bereich kann einer Reihe an Bemühungen zugeordnet sein, die nicht für die gesamte Organisation relevant sind, aber dennoch eine hohe Bedeutung haben. Nachdem erforderliche Änderungen in diesem kleineren Bereich durchgeführt wurden, können sie inkrementell repliziert und für die restlichen Bereiche einer Organisation übernommen werden.

Obwohl Technologie dabei helfen kann, die Ziele einer Datenkultur zu erreichen, besteht das Ziel nicht darin, bestimmte Tools oder Features zu implementieren. In dieser Artikelreihe werden viele Themen behandelt, die zur Einführung einer stabilen Datenkultur beitragen. In den anderen Artikeln werden drei essentielle Aspekte der Datenkultur behandelt: Auffindbarkeit von Daten, Datendemokratisierung und Datenkompetenz.

Datenermittlung

Eine erfolgreiche Datenkultur hängt von Benutzern ab, die auf täglicher Basis mit den richten Daten arbeiten. Zur Erreichung dieses Ziels müssen Benutzer Datenquellen, Berichte und weitere Elemente finden und darauf zugreifen.

Datenermittlung bedeutet die Möglichkeit, effektiv nach relevanten Datenelementen in einer Organisation suchen zu können – und sie auch zu finden. Bei der Datenermittlung geht es in erster Linie darum, das Bewusstsein dafür zu schaffen, dass Daten vorhanden sind, was besonders schwierig sein kann, wenn sich die Daten in Datensilos in Abteilungssystemen befinden.

Das Konzept der Datenermittlung unterscheidet sich aus folgenden Gründen etwas von der Suche:

  • Mit der Datenermittlung können Benutzer*innen Metadaten für ein Element anzeigen, z. B. den Namen eines semantischen Modells, auch wenn sie derzeit keinen Zugriff darauf haben. Sobald eine Person weiß, dass die Daten vorhanden sind, kann sie den Standardprozess durchlaufen, um Zugriff auf dieses Element anfordern.
  • Die Suche ermöglicht es den Benutzer*innen, ein vorhandenes Objekt zu suchen, wenn sie bereits über Sicherheitszugriff auf das Element verfügen.

Tipp

Es ist wichtig, über einen eindeutigen und einfachen Prozess zu verfügen, damit Benutzer auf die Daten zugreifen können. Zu wissen, dass Daten vorhanden sind, doch innerhalb der vom Domänenbesitzer festgelegten Richtlinien und Prozesse nicht darauf zugreifen zu können, kann für Benutzer*innen frustrierend sein. Der Benutzer ist dann möglicherweise gezwungen, komplizierte Umgehungsstrategien zu verwenden, anstatt den Zugriff über geeignete Kanäle anzufordern.

Folgendermaßen trägt die Auffindbarkeit von Daten zur Einführung und bei der Implementierung von Governancemethoden bei:

  • Benutzer werden zur Verwendung vertrauenswürdiger und hochwertiger Datenquellen ermutigt.
  • Benutzer*innen ermutigen, die Vorteile von vorhandenen Investitionen in verfügbaren Datenressourcen zu nutzen.
  • Die Nutzung und Anreicherung bestehender Datenelemente (z. B. Lakehouse, Data Warehouse, Datenpipeline, Dataflow oder semantisches Modell) oder Berichterstellungselemente (z. B. Berichte, Dashboards oder Metriken) fördern.
  • Mitarbeiter*innen wissen, wer Datenartefakte besitzt und verwaltet.
  • Es werden Verbindungen zwischen Benutzern, Erstellern und Besitzern hergestellt.

Das OneLake-Datenhub und die Verwendung von Endorsements sind wichtige Methoden, um die Datenermittlung in Ihrer Organisation zu fördern.

Darüber hinaus sind Datenkataloglösungen für die Datenermittlung äußerst wertvolle Tools. Außerdem können so Metadatentags und Beschreibungen aufgezeichnet werden, um mehr Kontext und Informationen bieten zu können. Beispielsweise kann Microsoft Purview Elemente von einem Fabric-Mandanten (sowie vielen anderen Quellen) überprüfen und katalogisieren.

Fragen zur Datenermittlung

Verwenden Sie Fragen wie die unten aufgeführten, um die Datenermittlung zu bewerten.

  • Gibt es einen Datenhub, in dem Geschäftsbenutzer*innen nach Daten suchen können?
  • Gibt es einen Metadatenkatalog, der Definitionen und Datenspeicherorte beschreibt?
  • Werden qualitativ hochwertige Datenquellen durch Zertifizierung oder Höherstufung unterstützt?
  • Inwieweit gibt es redundante Datenquellen, weil die benötigten Daten nicht gefunden werden können? Welche Rollen sollen Datenelemente erstellen? Welche Rollen sollen Berichte erstellen oder Ad-hoc-Analysen durchführen?
  • Können Endbenutzer*innen vorhandene Berichte finden und nutzen, oder bestehen sie auf Datenexporten, um eigene Berichte zu erstellen?
  • Wissen Endbenutzer*innen, welche Berichte sie verwenden müssen, um bestimmte Geschäftsfragen zu beantworten oder bestimmte Daten zu finden?
  • Verwenden Mitarbeiter*innen die geeigneten Datenquellen und -tools oder weigern sie sich, diese zu nutzen, indem sie auf die Legacy-Tools zurückgreifen?
  • Verstehen Analyst*innen, wie vorhandene zertifizierte semantische Modellle mit neuen Daten angereichert werden können, z. B. mithilfe eines zusammengesetzten Power BI-Modells?
  • Wie konsistent sind Datenelemente in Bezug auf Qualität, Vollständigkeit und Namenskonvention?
  • Können Besitzer von Datenelementen deren Datengherkunft verfolgen, um eine Auswirkungsanalyse von Datenelementen durchzuführen?

Reifegrade der Datenermittlung

Mit den folgenden Reifegraden können Sie den aktuellen Status Ihrer Datenermittlung bewerten.

Level Status der Fabric-Datenermittlung
100: Anfang • Die Daten sind fragmentiert und ungeordnet, es gibt keine klaren Strukturen oder Prozesse, um sie zu finden.

• Benutzer*innen haben Schwierigkeiten, die Daten zu finden und zu verwenden, die sie für ihre Aufgaben benötigen.
200: Wiederholbar • Verstreute oder organische Bemühungen zur Organisation und Dokumentation von Daten sind im Gange, aber nur in bestimmten Teams oder Abteilungen.

• Gelegentlich werden Inhalte gebilligt, aber diese Bestätigungen sind nicht definiert und der Prozess wird nicht gesteuert. Daten bleiben isoliert und fragmentiert, und der Zugriff darauf ist schwierig.
300: Definiert • Ein zentrales Repository wie der OneLake-Datenhub wird verwendet, damit die Daten für diejenigen, die sie benötigen, leichter zu finden sind.

• Es ist ein expliziter Prozess r Bestätigung von Qualitätsdaten und -inhalten vorhanden.

• Die grundlegende Dokumentation beinhaltet Katalogdaten, Definitionen und Berechnungen sowie deren Speicherort.
400: Fähig • Strukturierte, konsistente Prozesse leiten Benutzer*innen an, wie sie Daten von einem zentralen Hub aus bestätigen, dokumentieren und finden können. Datensilos sind die Ausnahme und nicht die Regel.

• Qualitätsdatenressourcen werden kontinuierlich bestätigt und leicht identifiziert.

• Umfassende Datenwörterbücher werden verwaltet und verbessern die Datenermittlung.
500: Effizient • Daten und Metadaten werden systematisch organisiert und dokumentiert, wobei die Datenherkunft vollständig nachvollziehbar ist.

• Qualitätsressourcen werden bestätigt und leicht identifiziert.

• Katalogisierungstools wie Microsoft Purview werden verwendet, um Daten sowohl für die Verwendung als auch für die Governance auffindbar zu machen.

Demokratisierung von Daten

Bei der Datendemokratisierung geht es darum, Daten in die Zuständigkeit von mehr Benutzern zu übergeben, die für das Lösen von Geschäftsproblemen verantwortlich sind. Es geht darum, mehreren Benutzer zu ermöglichen, bessere datengesteuerte Entscheidungen zu treffen.

Hinweis

Das Konzept der Datendemokratisierung bedeutet nicht, dass es an Sicherheit mangelt oder dass eine Rechtfertigung aufgrund der Funktion fehlt. Als Bestandteil einer gesunden Datenkultur hilft die Datendemokratisierung dabei, die Schatten-IT zu reduzieren, indem semantische Modelle mit den folgenden Eigenschaften bereitgestellt werden:

  • Die Datasets sind gesichert, geregelt und gut verwaltet.
  • Sie erfüllen geschäftliche Anforderungen kosteneffizient und zeitnah.

Die Position Ihrer Organisation zur Datendemokratisierung wirkt sich stark auf die Bemühungen im Zusammenhang mit Einführung und Governance aus.

Warnung

Wenn der Zugriff auf Daten oder die Möglichkeit zur Durchführung von Analysen auf eine begrenzte Anzahl von Einzelpersonen in der Organisation beschränkt ist, ist dies in der Regel ein warnendes Signal, da die Möglichkeit, mit Daten arbeiten zu können, eines der Hauptmerkmale einer gesunden Datenkultur ist.

Fragen zur Datendemokratisierung

Verwenden Sie Fragen wie die unten aufgeführten, um die Datendemokratisierung zu bewerten.

  • Sind Daten und Analysen leicht zugänglich oder auf bestimmte Rollen und Einzelpersonen beschränkt?
  • Gibt es einen effektiven Prozess, um Zugriff auf neue Daten und Tools anzufordern?
  • Werden Daten problemlos von Teams und Geschäftseinheiten gemeinsam genutzt, oder werden sie isoliert und streng überwacht?
  • Wer darf über eine Power BI Desktop-Installation verfügen?
  • Wer darf über Lizenzen für Power BI Pro oder Premium-Einzelbenutzerlizenzen (PPU) verfügen?
  • Wer darf Ressourcen in Fabric-Arbeitsbereichen erstellen?
  • Wie hoch soll das Niveau der Befähigung von Self-Service-Analytics und Business Intelligence (BI)-Benutzer*innen sein? Wie variiert dieses Niveau je nach Geschäftseinheit oder Position in der Organisation?
  • Wie sieht das gewünschte Gleichgewicht zwischen Unternehmen und Self-Service-Analytics und BI aus?
  • Welche Datenquellen werden für welche Themen und Geschäftsbereiche stark bevorzugt? Wie dürfen unbestätigte Datenquellen verwendet werden?
  • Wer kann Inhalte verwalten? Unterscheidet sich diese Entscheidung für Daten und Berichte? Unterscheidet sich diese Entscheidung für Unternehmens-BI-Benutzer und dezentralisierte Benutzer? Wer kann Self-Service BI-Inhalte besitzen und verwalten?
  • Wer kann Inhalte nutzen? Unterscheidet sich diese Entscheidung für externe Partner, Kunden und Lieferanten?

Reifegrade der Datendemokratisierung

Mit den folgenden Reifegraden können Sie den aktuellen Status Ihrer Datendemokratisierung bewerten.

Grad Status der Fabric-Datendemokratisierung
100: Anfang • Daten und Analysen sind auf eine kleine Anzahl von Rollen beschränkt, die den Zugriff für andere kontrollieren.

• Geschäftsbenutzer*innen müssen Zugriff auf Daten oder Tools anfordern, um Aufgaben auszuführen. Sie kämpfen mit Verzögerungen oder Engpässen.

• In verschiedenen Bereichen der Organisation werden Self-Service-Initiativen mit einigem Erfolg durchgeführt. Diese Maßnahmen werden aber etwas chaotisch durchgeführt, es gibt wenig formelle Prozesse und auch keinen strategischen Plan. Übersichtlichkeit und Sichtbarkeit dieser Self-Service-Vorgänge sind mangelhaft. Der Erfolg oder Misserfolg der einzelnen Lösungen ist nicht genau bekannt.

• Das Enterprise Data-Team kann nicht mit den Anforderungen des Unternehmens Schritt halten. Bei diesem Team des Unternehmens sind viele Anforderungen aufgelaufen.
200: Wiederholbar • Es gibt begrenzte Bemühungen, den Zugang zu Daten und Instrumenten zu erweitern.

• Mehrere Teams können messbare Erfolge mit Self-Service-Lösungen nachweisen. Personen in der Organisation beginnen, aufmerksam zu werden.

• Es werden Investitionen getätigt, um das ideale Gleichgewicht zwischen Unternehmens- und Self-Service-Lösungen zu finden.
300: Defined (Definiert) • Viele Mitarbeiter*innen haben Zugriff auf die benötigten Daten und Tools, aber nicht alle Benutzer*innen sind gleichermaßen befähigt oder werden für die von ihnen erstellten Inhalte zur Verantwortung gezogen.

• Effektive Self-Service-Daten-Methoden werden inkrementell und zweckgesteuert in weitere Bereichen der Organisation repliziert.
400: Capable (Fähig) • Zwischen Unternehmens- und Self-Service-Lösungserstellern bestehen gesunde Partnerschaften. Klare, realistische Verantwortlichkeit der Benutzer*innen und Richtlinien verringern das Risiko von Self-Service-Analytics und -BI.

• Es gibt klare und konsistente Prozesse, damit Benutzer*innen Zugriff auf Daten und Tools anfordern können.

• Mitarbeiter*innen, die die Initiative ergreifen, um sinnvolle Lösungen zu entwickeln, werden anerkannt und belohnt.
500: Efficient • Die Verantwortlichkeit der Benutzer*innen und eine effektive Governance geben zentralen Teams Vertrauen in das, was die Benutzer*innen mit den Daten anstellen.

• Automatisierte, überwachte Prozesse ermöglichen es Mitarbeiter*innen, problemlos Zugriff auf Daten und Tools anzufordern. Alle Benutzer*innen, die Daten zu verwenden müssen oder möchten, können diese Prozesse befolgen, um Analysen durchzuführen.

Datenkompetenz

Datenkompetenz bezieht sich auf die Fähigkeit, Daten und Analysen genau und effektiv zu interpretieren, zu erstellen und mit ihnen zu kommunizieren.

Bei Schulungen wird wie im Artikel zu Mentoring und Benutzerunterstützung beschrieben oft der Fokus auf die Verwendung der Technologie selbst gelegt. Technologiekenntnisse sind wichtig, um hochwertige Lösungen schaffen zu können. Es ist aber ebenso wichtig, zu berücksichtigen, wie Datenkompetenz in der gesamten Organisation gefördert werden kann. Anders formuliert: Für eine erfolgreiche Einführung ist weitaus mehr erforderlich, als Benutzer*innen einfach nur Software und -Lizenzen zur Verfügung zu stellen.

Wie Sie die Datenkompetenz in Ihrer Organisation verbessern können, hängt von vielen Faktoren ab, z. B. dem aktuellen Skillset der Benutzer, der Komplexität der Daten und den erforderlichen Analysetypen. Sie können sich im Zusammenhang mit der Datenkompetenz auf folgende Arten von Aktivitäten konzentrieren:

  • Interpretieren von Diagrammen und Graphen
  • Bewerten der Gültigkeit von Daten
  • Durchführen von Fehlerursachenanalysen
  • Unterscheiden von Korrelation und Kausalität
  • Entwickeln eines Verständnisses dafür, wie sich Kontext und Ausreißer auf die Präsentation von Ergebnissen auswirken
  • Nutzen von Storytelling, damit Benutzer schnell ein Verständnis entwickeln und aktiv werden können

Tipp

Wenn Sie Probleme bei der Genehmigung von Datenkultur- oder Governancemaßnahmen haben, kann es hilfreich sein, den Fokus auf konkrete Vorteile zu legen, die auf Grundlage der Auffindbarkeit von Daten (Daten finden), der Datendemokratisierung (Daten verwenden) oder der Datenkompetenz (Daten verstehen) erzielt werden können. Es kann auch hilfreich, sich auf bestimmte Probleme zu konzentrieren, die durch Verbesserungen bei der Datenkultur gelöst oder abgeschwächt werden können.

Die Zustimmung der richtigen Beteiligten für ein Problem ist in der Regel der erste Schritt. Danach geht es darum, die Beteiligten dazu zu bringen, sich neben den Details einer Lösung auf einen strategischen Ansatz für eine Lösung zu einigen.

Fragen zur Datenkompetenz

Verwenden Sie Fragen wie die unten aufgeführten, um die Datenkompetenz zu bewerten.

  • Gibt es in der Organisation ein gemeinsames analytisches Vokabular, um über Daten und BI-Lösungen zu sprechen? Oder sind die Definitionen fragmentiert und unterscheiden sich von Silo zu Silo?
  • Wie zufrieden sind Mitarbeiter*innen damit, Entscheidungen basierend auf Daten und Beweisen im Vergleich zu Intuition und subjektiver Erfahrung zu treffen?
  • Wie reagieren Mitarbeiter*innen, die eine Meinung vertreten, wenn sie mit widersprüchlichen Beweisen konfrontiert werden? Beurteilen sie die Daten kritisch oder weisen sie sie zurück? Können sie ihre Meinung ändern, oder werden sie unbeugsam und widersetzen sie sich?
  • Gibt es Trainingsprogramme, die Mitarbeiter*innen den Umgang mit Daten und Analysetools erleichtern?
  • Gibt es erheblichen Widerstand gegen visuelle Analysen und interaktive Berichte zugunsten statischer Tabellenkalkulationen?
  • Sind Mitarbeiter*innen offen für neue Analysemethoden und -tools, mit denen sie ihre geschäftlichen Fragen möglicherweise effektiver beantworten können? Oder verwenden sie lieber weiterhin vorhandene Methoden und Tools, um Zeit und Energie zu sparen?
  • Gibt es Methoden oder Programme zum Bewerten oder Verbessern der Datenkompetenz in der Organisation? Verfügt die Führung über ein genaues Verständnis der Datenkompetenzniveaus?
  • Gibt es Rollen, Teams oder Abteilungen, in denen die Datenkompetenz besonders stark oder schwach ausgeprägt ist?

Reifegrade der Datenkompetenz

Mit den folgenden Reifegraden können Sie den aktuellen Status Ihrer Datenkompetenz bewerten.

Level Status der Datenkompetenz
100: Anfang • Entscheidungen werden häufig auf der Grundlage von Intuition und subjektiver Erfahrung getroffen. Wenn Personen mit Daten konfrontiert werden, die bestehende Meinungen in Frage stellen, werden die Daten häufig abgetan.

• Einzelpersonen haben wenig Vertrauen in die Verwendung und das Verständnis von Daten in Entscheidungsprozessen oder Diskussionen.

• Nutzer von Berichten bevorzugen statische Tabellen. Interaktive Visualisierungen oder komplexe Analysemethoden werden von diesen Nutzern als „ausgefallen“ oder unnötig abgetan.
200: Wiederholbar • Einige Teams und Einzelpersonen beziehen Daten nur unzureichend in ihre Entscheidungsfindung ein. Es gibt klare Fälle, in denen eine Fehlinterpretation von Daten zu fehlerhaften Entscheidungen oder falschen Schlussfolgerungen geführt hat.

• Es gibt einen gewissen Widerstand, wenn Daten bereits bestehende Überzeugungen in Frage stellen.

• Einige Mitarbeiter stehen interaktiven Visualisierungen und anspruchsvollen Analysemethoden skeptisch gegenüber, obwohl sie immer häufiger eingesetzt werden.
300: Definiert • Die Mehrheit der Teams und Einzelpersonen versteht die Daten, die für ihren Geschäftsbereich relevant sind, und verwendet sie implizit, um informierte Entscheidungen zu treffen.

• Wenn Daten bestehende Überzeugungen in Frage stellen, führen sie zu kritischen Diskussionen und motivieren manchmal zu Veränderungen.

• Visualisierungen und erweiterte Analysen werden immer mehr akzeptiert, aber nicht immer effektiv verwendet.
400: Fähig • Datenkompetenz wird explizit als erforderliche Qualifikation in der Organisation erkannt. Einige Trainingsprogramme befassen sich mit Datenkompetenz. Es werden bestimmte Bemühungen unternommen, um Abteilungen, Teams oder Personen mit besonders schwacher Datenkompetenz zu unterstützen.

• Die meisten Personen können Daten effektiv verwenden und anwenden, um objektiv bessere Entscheidungen zu treffen und Maßnahmen zu ergreifen.

• Bewährten Methoden für visuelle Elemente und analytische Analysen werden in strategisch wichtigen Datenlösungen dokumentiert und befolgt.
500: Effizient • Datenkompetenz, kritisches Denken und kontinuierliches Lernen sind strategische Qualifikationen und Werte in der Organisation. Effektive Programme überwachen die Fortschritte bei der Verbesserung der Datenkompetenz in der Organisation.

• Die Entscheidungsfindung wird in der gesamten Organisation von Daten bestimmt. Entscheidungsintelligenz oder präskriptive Analysen werden verwendet, um wichtige Entscheidungen und Aktionen zu empfehlen.

• Bewährten Methoden für visuelle Elemente und Analysen werden als unerlässlich angesehen, um mit Daten einen geschäftlichen Nutzen zu erzielen.

Überlegungen und wichtige Aktionen

Checkliste: Hier finden Sie einige Überlegungen und wichtige Maßnahmen, mit denen Sie Ihre Datenkultur stärken können.

  • An Zielen und Strategie Ihrer Datenkultur ausrichten: Überlegen Sie ernsthaft, welche Art von Datenkultur Sie pflegen möchten. Idealerweise geschieht dies überwiegend aus Sicht der Vorteile für Benutzer, anstatt über eine Führungsperspektive.
  • Aktuellen Zustand verstehen: Sprechen Sie mit Beteiligten in verschiedenen Geschäftseinheiten, um zu verstehen, welche Analysemethoden sich aktuell bewährt haben und welche Verfahren für datengesteuerte Entscheidungsfindungen nicht geeignet sind. Führen Sie mehrere Workshops durch, um sich ein Bild des aktuellen Zustands machen und einen gewünschten zukünftigen Zustand formulieren zu können.
  • Mit Beteiligten sprechen: Sprechen Sie mit Beteiligten in den Bereichen IT, BI und dem COE, um zu verstehen, welche Einschränkungen bei der Governance berücksichtigt werden müssen. Diese Gespräche können eine Möglichkeit sein, um Teams für Themen wie Sicherheit und Infrastruktur zu sensibilisieren. Sie können auch die Möglichkeit nutzen, Projektbeteiligte über die Features und Funktionen zu informieren, die in Fabric enthalten sind.
  • Executive Sponsorship überprüfen: Überprüfen Sie, in welchem Maß Sie Executive Sponsorship und Unterstützung erhalten, um Ihre Datenkulturziele voranzutreiben.
  • Zweckmäßige Entscheidungen über die Datenstrategie treffen: Entscheiden Sie, welche Balance für vom Unternehmen ausgehende Self-Service-, verwaltete Self-Service- und Unternehmensdaten, - analysen und BI-Anwendungsfälle für die wichtigsten Geschäftseinheiten in der Organisation ideal ist (siehe Beschreibung im Artikel zu Eigentum und Verwaltung von Inhalten). Berücksichtigen Sie auch die Beziehung der Datenstrategie zum Ausmaß veröffentlichter Inhalte für persönliche, Team-, Abteilungs- und Unternehmens-Analysen und -BI (siehe Beschreibung im Artikel zum Umfang der Inhaltsübermittlung). Definieren Sie Ihre übergeordneten Ziele und Prioritäten für diese strategische Planung. Beurteilen Sie, wie sich diese Entscheidungen auf Ihre taktische Planung auswirken.
  • Taktischen Plan erstellen: Beginnen Sie mit der Erstellung eines taktischen Plans für sofortige, kurzfristige und langfristige Maßnahmen. Ermitteln Sie Unternehmensgruppen und Probleme, für die ein schneller Erfolg garantiert werden kann und die als eindrückliches Beispiel verwendet werden könnten.
  • Ziele und Metriken erstellen: Bestimmen Sie, wie Sie die Effektivität Ihrer Datenkulturinitiativen messen. Erstellen Sie Key Performance Indicators (KPIs) oder OKRs (Objectives and Key Results), um die Ergebnisse Ihrer Bemühungen zu validieren.

Fragen zur Datenkultur

Verwenden Sie Fragen wie die unten aufgeführten, um die Datenkultur zu bewerten.

  • Werden Daten in der Organisation als strategische Ressource betrachtet?
  • Gibt es eine Vision einer gesunden Datenkultur, die aus der Führungskräfteebene stammt und sich an den Organisationszielen richtet?
  • Führt die Datenkultur zur Erstellung von Governancerichtlinien und Leitlinien?
  • Sind Organisationsdatenquellen von Inhaltserstellern und Verbrauchern vertrauenswürdig?
  • Verwenden Mitarbeiter*innen Daten als Beweismittel, wenn sie eine Meinung, Entscheidung oder Wahl begründen?
  • Ist Wissen über Analysen und Datennutzung dokumentiert, oder ist die Abhängigkeit von nicht dokumentiertem Stammeswissen?
  • Werden die Bemühungen um die Entwicklung einer Datenlösung von der Nutzergemeinschaft geschätzt und gewürdigt?

Reifegrade der Datenkultur

Mit den folgenden Reifegraden können Sie den aktuellen Status Ihrer Datenkultur bewerten.

Level Zustand der Datenkultur
100: Initial (Anfänglich) • Enterprise BI-Teams können nicht mit den Anforderungen des Unternehmens Schritt halten. Es sind viele Anforderungen aufgelaufen.

• In verschiedenen Bereichen der Organisation werden Self-Service-Daten- und -BI-Initiativen mit einigem Erfolg durchgeführt. Diese Maßnahmen werden aber etwas chaotisch durchgeführt, es gibt wenig formelle Prozesse und auch keinen strategischen Plan.

• Übersichtlichkeit und Sichtbarkeit von Self-Service-BI-Vorgängen sind mangelhaft. Erfolge oder Misserfolge von Daten- und BI-Lösungen können nicht wirklich nachvollzogen werden.
200: Repeatable (Wiederholbar) • Mehrere Teams können messbare Erfolge mit Self-Service-Lösungen nachweisen. Personen in der Organisation beginnen, aufmerksam zu werden.

• Es werden Investitionen getätigt, um das ideale Gleichgewicht zwischen Unternehmens- und Self-Service-Daten, -Analysen und -BI zu finden.
300: Defined (Definiert) • Es werden bestimmte Ziele für den weiteren Ausbau der Datenkultur gesetzt. Diese Ziele werden inkrementell umgesetzt.

• Die einzelnen Geschäftseinheiten tauschen ihre Erfahrungen aus.

• Effektive Self-Service-Methoden werden inkrementell und zweckgesteuert in weitere Bereichen der Organisation repliziert.
400: Capable (Fähig) • Die Datenkulturziele für eine fundierte Entscheidungsfindung sind an den Zielen der Organisation ausgerichtet. Sie werden vom Executive Sponsor und vom COE aktiv unterstützt und wirken sich direkt auf die Einführungsstrategien aus.

• Zwischen dem leitenden Sponsor, COE, Geschäftseinheiten und der IT-Abteilung herrscht eine stabile und produktive Zusammenarbeit. Die Teams arbeiten auf gemeinsame Ziele hin.

• Mitarbeiter*innen, die die Initiative ergreifen, um sinnvolle Datenlösungen zu entwickeln, werden anerkannt und belohnt.
500: Efficient • Der geschäftliche Mehrwert von Daten-, Analysen- und BI-Lösungen wird regelmäßig überprüft und gemessen. Datenkulturziele und die Ergebnisse von diesen Bemühungen werden anhand von KPIs oder OKRs nachverfolgt.

• Feedbackschleifen sind vorhanden und fördern fortlaufende Verbesserungen der Datenkultur.

• Eine fortlaufende Verbesserung der Akzeptanz in der Organisation, Benutzerakzeptanz und der Lösungsakzeptanz hat höchste Priorität.

Im nächsten Artikel der Roadmapreihe zur Microsoft Fabric-Einführung erfahren Sie mehr über die Bedeutung eines Sponsors in der Führungsebene.