{"id":49451,"date":"2018-09-18T08:00:36","date_gmt":"2018-09-18T06:00:36","guid":{"rendered":"https:\/\/e3magpmp.greatsolution.dev\/?p=49451"},"modified":"2022-05-01T10:13:13","modified_gmt":"2022-05-01T08:13:13","slug":"datenmanagement-laestige-pflicht-oder-lohnenswerte-investition","status":"publish","type":"post","link":"https:\/\/e3magpmp.greatsolution.dev\/de\/datenmanagement-laestige-pflicht-oder-lohnenswerte-investition\/","title":{"rendered":"Datenmanagement – L\u00e4stige Pflicht oder lohnenswerte Investition?"},"content":{"rendered":"

Datenmanagement erfreut sich keiner gro\u00dfen Beliebtheit, obwohl sich die meisten Unternehmen bewusst sind, dass dieses Zukunftsthema vor dem Hintergrund einer steigenden Datenflut unerl\u00e4sslich ist.<\/p>\n

In der Praxis zeigt sich, dass trotzdem die wenigsten Unternehmen die M\u00f6glichkeiten eines (automatisierten) Datenmanagements in vollem Umfang nutzen. Oft mangelt es an Ressourcen und einer ausreichenden technischen L\u00f6sung.<\/p>

\"\"<\/a><\/div>
\"\"<\/a><\/div>
\"\"<\/a><\/div>\n

Sp\u00e4testens, wenn die Hana-Migration zu teuer ger\u00e4t, da die Datenbank zu gro\u00df ist, wird eine Datenbereinigung unerl\u00e4sslich, bevor die Migration stattfinden kann.<\/p>\n

Gr\u00fcnde f\u00fcr das Datenwachstum<\/h3>\n

Es gibt unterschiedliche Gr\u00fcnde, die in den letzten Jahren zu immer gr\u00f6\u00dferem Datenwachstum gef\u00fchrt haben, etwa die Zunahme von Gesch\u00e4ftstransaktionen und neue digitale Gesch\u00e4ftsprozesse sowie rechtliche Regelungen, die eine Archivierung \u00fcber l\u00e4ngere Zeitr\u00e4ume vorschreiben.<\/p>\n

Dazu z\u00e4hlen die Regelungen des Sarbanes-Oxley Act f\u00fcr b\u00f6rsennotierte Unternehmen und Bestimmungen von Basel III f\u00fcr Finanzinstitute. In den USA bestehen die Richtlinien der Securities and Exchange Commission (SEC) f\u00fcr die Kontrolle des Wertpapierhandels und in der EU die Data Retention Directive.<\/p>\n

Als weitere Schlagworte seien hier FDA im Pharma- und Ern\u00e4hrungssektor, HIPAA im Gesundheitsbereich sowie GDPdU (DE), ElDI-V (CH), BAO (AT) und FRCP angef\u00fchrt.<\/p>\n

Vom Wert der Daten\u2026<\/h3>\n

Je mehr das Datenvolumen in einem System w\u00e4chst, desto geringer f\u00e4llt der Prozentsatz an aktiv genutzten, wertvollen Daten aus. Gerade \u00e4ltere, historische (kalte) Daten werden oftmals nur noch f\u00fcr eventuelle Pr\u00fcfungen vorgehalten.<\/p>\n

Kalte Daten werden jedoch weiterhin in gleicher Weise wie die aktiv genutzten (warmen und hei\u00dfen) Daten verwaltet. Im Durchschnitt sind nur 7 bis 15 Prozent der Daten einer Datenbank produktiv genutzte und berichtsfertige Daten.<\/p>\n

Der Rest sind Stammdaten, tempor\u00e4re Daten, historische Daten (\u00e4lter als zwei Jahre). Insbesondere SAP-BW-Systeme h\u00e4ufen Daten an, die ein proaktives, ausgekl\u00fcgeltes Datenmanagement notwendig machen.<\/p>\n

Im Durchschnitt sind 20 bis 30 Prozent der SAP-Datenbanken mit tempor\u00e4ren Daten belegt. Diese werden bei jeder SAP-Transaktion und Interaktion erzeugt und verlieren ihren Wert sehr schnell nach der Generierung.<\/p>\n

H\u00e4ufig finden sich tempor\u00e4re Daten in den Bereichen Logs (Application Logs, Change Logs), Staging (PSA & Change Logs), Communication Protocols (IDOCS, RFC, logs) und Adminis\u00adtration Data (Requests)<\/p>\n

\u2026und deren Kosten<\/h3>\n

War es bisher noch der einfachere und gef\u00fchlt kosteng\u00fcnstigere Weg, neuen Speicherplatz zu kaufen, sobald es eng wurde, da dieser recht g\u00fcnstig zu haben war, so hat sich das in den letzten Jahren ge\u00e4ndert.<\/p>\n

Das liegt unter anderem daran, dass es mit ein bisschen Speicherplatz nicht getan ist: Wenig oder gar nicht genutzte Daten durchlaufen dieselben Prozesse und verursachen die gleichen Kosten wie produktive Daten. So wird jedes GB Daten aus einem Produktivsystem innerhalb der Systemlandschaft 7-mal repliziert.<\/p>\n

\"Gundlich\"<\/a><\/p>\n

Bei unseren Kunden verzeichnen wir ein durchschnittliches Datenwachstum von 32,5 Prozent im Jahr. Die Gr\u00f6\u00dfe eines Systems vervierfacht sich schon bei 25 Prozent j\u00e4hrlichem Datenwachstum innerhalb von nur f\u00fcnf Jahren, wenn keine Datenbereinigung erfolgt.<\/p>\n

Im Gegenzug lassen sich im Beispielsystem mit einer anf\u00e4nglichen Gr\u00f6\u00dfe von 774 GB in f\u00fcnf Jahren 3,6 TB einsparen, sofern die richtigen Ma\u00dfnahmen f\u00fcr ein intelligentes Datenmanagement umgesetzt wurden.<\/p>\n

Nicht nur bez\u00fcglich des ben\u00f6tigten Speicherplatzes verursacht eine aufgebl\u00e4hte Datenbank unn\u00f6tige Kosten. Auch f\u00fcr Wartung, Lizenzen, Backup oder Storage fallen h\u00f6here Kosten an.<\/p>\n

Wir sehen heute beispielsweise deutliche Varianzen bei den Kosten f\u00fcr SAP Hana, zwischen 50.000 und 150.000 Euro, je nach Kunde und Setup. Cloud, Hosting, Tailored Data Center Integration, Appliance, HA\/DR \u2013 alles hat Einfluss auf die Kosten, die Performance und die Skalierbarkeit.<\/p>\n

Datenm\u00fcll beeintr\u00e4chtigt Systeme<\/h3>\n

Ist das System mit Datenm\u00fcll verschmutzt, verschlechtert sich oft auch die System-Performance. Gerade bei der Navigation durch die Haupttransaktionen und beim Reporting kann sich das unangenehm bemerkbar machen.<\/p>\n

Auch hier kostet der Datenballast Zeit und Geld. Zeit, die bei der Datenbereinigung fehlt, was zu weiterem Datenm\u00fcll f\u00fchrt \u2013 ein Teufelskreis.<\/p>\n

Entgegen der Annahme, dass mangelndes Datenmanagement f\u00fcr den Endkunden keine Rolle spielt, leidet oft auch die Konsistenz der Daten darunter, wie das Beispiel unseres Kunden zeigt.<\/p>\n

Die IT-Abteilung des Klinik- und Pflegebettenproduzenten Stiegelmeyer bekam von den Vertriebsmitarbeitern die R\u00fcckmeldung, dass das System aufgrund von Duplikaten in den Stammdaten un\u00fcbersichtlich sei und der richtige Kunde nicht auf Anhieb gefunden werden konnte. Zus\u00e4tzlich brach die Systemperformance zeitweise ein.<\/p>\n

Grund daf\u00fcr war eine gewachsene Systemlandschaft mit vielen Eigenentwicklungen. Wir ermittelten mit einem Systemscan die Schwachstellen und Optimierungsm\u00f6glichkeiten. Beispielsweise wurden 700 Eigen\u00adentwicklungen nicht genutzt und konnten stillgelegt werden. Auch in der Datenarchivierung schlummerte Optimierungspotenzial: 85 Prozent des Datenbestandes waren \u00fcberfl\u00fcssig und konnten archiviert werden.<\/p>\n

Wie bleibt die Datenbank schlank?<\/h3>\n

Wir sehen f\u00fcnf Ansatzpunkte, um Datenbanken schlank und effektiv zu halten:<\/p>\n

1. Datenerzeugung vermeiden<\/strong> \u2013 oder Rohdaten nur in einem zentralen Data Lake halten. Je weniger ungenutzte Daten im SAP-System gespeichert werden, desto performanter ist das System und desto optimierter kann der Betrieb geregelt werden.<\/p>\n

2. Nicht genutzte Daten, Anwendungen, Berichte l\u00f6schen und stilllegen:<\/strong> Was nicht ben\u00f6tigt wird, sollte gel\u00f6scht werden.<\/p>\n

3. Automatisiertes Housekeeping:<\/strong> Schlanke SAP-Systeme ohne Personalaufwand? Regelbasiert und mit Best Practices ausgestattet, kann eine L\u00f6sung f\u00fcr automatisiertes Housekeeping bis zu 35 Prozent des Datenbankinhaltes l\u00f6schen, ohne dass Business-Wissen verloren geht.<\/p>\n

4. Warme und kalte Daten in ein skalierendes und g\u00fcnstigeres Medium auslagern:<\/strong> Verschiedene Konzepte und Ans\u00e4tze f\u00fcr Big Data k\u00f6nnen dank moderner Technologien wie Hadoop vereint werden. Beispielsweise indem Dokumente und Dateien von SAP nach Hadoop ausgelagert werden. Auch transaktionale und analytische Daten lassen sich outsourcen. Dank zertifizierter Schnittstellen kann weiterhin auf die Daten zugegriffen werden, auch wenn diese nicht in der Prim\u00e4rdatenbank gespeichert sind.<\/p>\n

5. Selektives Kopieren nutzen:<\/strong> Test- und Validierungssysteme ben\u00f6tigen nicht alle Daten aus einem Produktivsystem.<\/p>\n

Durch selektives Kopieren von prozessvalidierten Daten aus einem Produktivsystem zu einem Testsystem werden nicht produktive Systeme schlanker. Das beschleunigt die Kopierprozesse, die dadurch \u00f6fter wiederholt werden und so Hardware und Personalaufwand reduzieren.<\/p>\n

Einsparungen im Datenmanagement<\/h3>\n

\u00dcblicherweise lassen sich mit einem effizienten Datenmanagement 30 bis 50 Prozent der Systemgr\u00f6\u00dfe einsparen und die Wachstumsrate der Daten um 60 Prozent verringern.<\/p>\n

An erster Stelle steht dabei eine optimale Datenklassifizierung, um zu entscheiden, ob und wie diese am besten aufbewahrt werden: Hei\u00dfe Daten (hot data) m\u00fcssen schnell verf\u00fcgbar sein, sie werden im Hauptspeicher vorgehalten und, beispielsweise bei einer Migration nach SAP Hana, direkt migriert.<\/p>\n

Warme Daten (warm data) k\u00f6nnen in eine andere (sekund\u00e4re) Datenbank ausgelagert werden, mit angemessener Performance, aber geringeren Kosten. Kalte Daten (cold data) werden m\u00f6glichst kosteng\u00fcnstig gespeichert beziehungsweise archiviert oder gel\u00f6scht.<\/p>\n

Typischerweise wird die Klassifizierung der Daten heute von Nutzungsstatistiken und Wertigkeitsanalysen unterst\u00fctzt, die dem Data Steward in seiner Aufgabe als Information Lifecycle Manager zur Seite stehen.<\/p>\n

Neben der Erstellung eines Data Catalog, der beschreibt, wo welche Daten in welchem Format und welcher Wichtigkeit gespeichert werden, besch\u00e4ftigt sich ein Data Steward mit der Identifizierung und Bereitstellung von Daten, der Erstellung und Pflege von Referenzdaten sowie der konsistenten Qualit\u00e4t von Stammdaten.<\/p>\n

Mithilfe eines effizienten automatisierten Daten\u00admanagements konnte die KION-Group 30 Prozent an Datenballast entfernen und so die Systemperformance um durchschnittlich 25 Prozent steigern.<\/p>\n

Microsoft Azure bietet mit SAP on Azure und verschiedensten Datenbank- und Storage-Optionen Enterprise-f\u00e4hige L\u00f6sungen in der Cloud an. Auch sehr gro\u00dfe Systeme lassen sich durch die Skalierbarkeit von SAP Hana, Hadoop und SQL-Servern effektiv betreiben. Immer beliebter werden hybride Szenarien mit einem Sekund\u00e4rspeicher in der Cloud und der Prim\u00e4rdatenbank on premise, um den Ausbau der Cloudstrategie zu forcieren.<\/p>\n

Fazit<\/h3>\n

Ein intelligentes Datenmanagement ist unabdingbar, um das Datenwachstum einzud\u00e4mmen, eine dauerhaft gute Systemperformance zu gew\u00e4hrleisten und Kosten einzusparen. Es lohnt sich, die vorhandenen Hindernisse zu \u00fcberwinden.<\/p>\n

Ein zen\u00adtralisiertes ILM ist der Schl\u00fcssel zu mehr Transparenz, weniger Aufwand und einer zuverl\u00e4ssigen Durchf\u00fchrung aller notwendigen Aufgaben. Daneben sind organisatorische Ans\u00e4tze wie die Installation von Data Stewards und Data Catalogs wichtiger Bausteine.<\/p>\n

Neue Technologien bestm\u00f6glich verkn\u00fcpft und mit analytischen Tools versehen, bilden die Grundlage f\u00fcr ein modernes Data\/Information Lifecycle Management.<\/p>\n

Ein effektives Datenmanagement wird in Zeiten von schneller wachsenden Datenseen ein wichtiger Wettbewerbsfaktor f\u00fcr Unternehmen, damit sie die M\u00f6glichkeiten und Mehrwerte der zur Verf\u00fcgung stehenden Daten bestm\u00f6glich nutzen k\u00f6nnen.<\/p>\n

\"https:\/\/e3magpmp.greatsolution.dev\/partners\/datavard-gmbh\/\"<\/a><\/p>\n

\n

Kriterien f\u00fcr effektives Datenmanagement<\/span><\/h3>\n

Wert der Daten bemessen: Mithilfe von Analyse-Tools m\u00fcssen die Daten richtig klassifiziert werden, um ihren Wert exakt zu erkennen. Hier helfen heute moderne Ans\u00e4tze wie Machine Learning.<\/p>\n