Hüter der Informationen

von Ariane Rüdiger

Datenmanagement reicht weit über Backup, Archivierung oder Analyse hinaus. Hinter dem Begriff verbirgt sich ein ganzes Bündel organisatorischer und technischer Disziplinen – von Data Governance über Datenmodellierung bis hin zu Metadaten- und Qualitätsmanagement. Der Beitrag ordnet diese Bereiche im Storage-Umfeld ein und wirft anschließend einen Blick auf Anbieter entsprechender Plattformen, darunter auch Alternativen zu den großen US-Herstellern.

Datenmanagement entscheidet heute darüber, ob Unternehmen ihre Datenbestände kontrolliert nutzen können oder im wachsenden Datenvolumen den Überblick verlieren. Im Zentrum steht dabei Data Governance: Sie legt fest, wer für Daten verantwortlich ist, wie sie genutzt werden dürfen und welche Regeln für ihre Verarbeitung gelten. Darauf aufbauend umfasst Datenmanagement eine Vielzahl technischer und organisatorischer Disziplinen – von Datenmodellierung über Stamm- und Metadatenmanagement bis hin zur Sicherstellung der Datenqualität. Bereiche wie Backup, Archivierung oder Datenanalyse bleiben in diesem Artikel außen vor, da sie im IT-Administrator regelmäßig eigene Schwerpunkte bilden.

Viele Hersteller bündeln entsprechende Funktionen heute in Plattformen, die entweder komplett oder modular eingesetzt werden können. Andere Anbieter konzentrieren sich auf einzelne Teilbereiche. Die entsprechenden Produkte stehen meist sowohl für On-Premises- Umgebungen als auch als Cloud- oder Managed Service zur Verfügung.

In vielen Unternehmen dominieren dabei Produkte amerikanischer Hersteller – sei es für das gesamte Datenmanagement oder für einzelne Teilbereiche. Angesichts der sich derzeit verändernden politischen Rahmenbedingungen ist diese Abhängigkeit jedoch nicht überall unumstritten. Entsprechend wächst in manchen Organisationen das Interesse an Alternativen.

Vor diesem Hintergrund wird jeden Januar der "Digital Independence Day" begangen. Hintergrund ist unter anderem die US-Gesetzgebung, nach der amerikanische Unternehmen auf Anforderung von Behörden Zugriff auf bei ihnen gespeicherte Daten gewähren müssen – auch wenn diese von Nicht-US-Kunden stammen. Anbieter wie Microsoft betonen zwar, entsprechende Anfragen notfalls juristisch anzufechten. Dennoch stellt sich für viele Anwender die Frage, welche Alternativen es gibt. Im Folgenden stellen wir daher zentrale Bereiche des Datenmanagements kurz vor. Anschließend folgt ein Überblick über ausgewählte Anbieter entsprechender Software mit Hauptsitz in Deutschland oder der EU.

Daten brauchen klare Zuständigkeiten

SAP definiert den Begriff Datenstrategie als "umfassenden Plan, der Prozesse, Richtlinien und Technologien für die Datenerfassung, Speicherung, Verwaltung und Analyse in allen Geschäftsbereichen festlegt". Das Data Governance Institute beschreibt Data Governance als ein System von Entscheidungsrechten und Verantwortlichkeiten für datenbasierte Prozesse. Es legt fest, wer welche Informationen wann und unter welchen Bedingungen nutzen oder verändern darf.

Laut Gartner ist eine durchdachte Datenstrategie Voraussetzung dafür, den tatsächlichen Wert von Daten auszuschöpfen. 85 Prozent der Unternehmen ohne entsprechende Strategie gelingt das nicht – wobei unklar bleibt, wie genau dieser Misserfolg gemessen wird.

Ein Teil dieser Aufgaben lässt sich nur organisatorisch lösen: durch abgestimmte Prozesse, klar definierte Regeln und Verantwortlichkeiten. Für deren Umsetzung und Kontrolle ist Software jedoch meist unverzichtbar.

Angesichts steigender Complianceanforderungen gewinnt sie zusätzlich an Bedeutung, etwa um interne Prozesse mit regulatorischen Vorgaben abzugleichen oder entsprechende Reports zu erstellen.

Strukturen schaffen

Während Data Governance festlegt, wer für Daten verantwortlich ist und welche Regeln gelten, beschäftigt sich die Datenarchitektur mit der strukturellen Organisation von Datenbeständen. Sie beschreibt, wie Informationen aus unterschiedlichen Anwendungen zusammengeführt und konsistent gehalten werden können.

Ein zentrales Instrument dafür ist die Datenmodellierung. Sie legt fest, welche Objekte, Eigenschaften und Beziehungen in einem Informationssystem abgebildet werden und wie diese miteinander verknüpft sind. Ziel ist eine gemeinsame Struktur, auf deren Basis verschiedene Anwendungen mit denselben Daten arbeiten können.

In vielen Unternehmen existieren jedoch zahlreiche voneinander getrennte Datenbestände, die über Jahre hinweg in unterschiedlichen Fachanwendungen entstanden sind. Kunden-, Produkt- oder Finanzdaten liegen dann in mehreren Systemen vor, häufig in leicht abweichenden Strukturen. Ohne ein konsistentes Datenmodell entstehen dadurch redundante Informationen und widersprüchliche Datenstände.

Die Datenarchitektur definiert deshalb übergreifende Strukturen für zentrale Datenbestände und legt fest, wie neue Anwendungen diese nutzen oder erweitern dürfen. Werkzeuge für die Datenmodellierung dokumentieren solche Strukturen, machen Beziehungen zwischen Datenelementen sichtbar und halten Änderungen nachvollziehbar.

Denn nichts ist ärgerlicher, als wenn in einem Unternehmen ein Kunde im Vertriebsdatensatz in A wohnt, in der Rechnungsstellung aber in B oder wenn seine Firma einmal als Gesellschaft mit beschränkter Haftung und einmal als Gesellschaft mit beschränkter Haftung & Co. Kommanditgesellschaft geführt wird. Umgekehrt benötigen Vertrieb und Rechnungswesen womöglich unterschiedliche Ansprechpersonen. Sich widersprechende oder fehlende Daten können bei wichtigen Geschäftsprozessen schnell zu erheblichem Wirrwarr führen.

Stammdaten konsistent halten

Der Königsweg ist die Anlage einer zentralen Datenbank mit Datensätzen, die geschützt bleiben und sorgfältig gepflegt werden. Sie sollte alle wichtigen Informationen zu dem Objekt enthalten, das der jeweilige Datensatz beschreibt. Solche Datenbanken verwalten zum Beispiel Produkte, Kunden, Lieferanten oder andere für das Unternehmen wichtige Objekte.

Alle Bereiche sollten auf diese Stammdatenbank oder auf mehrere zentrale Stammdatenbestände zugreifen und jeweils die Informationen nutzen, die sie benötigen. Änderungen an diesem zentralen Datenbestand sollten ausschließlich kontrolliert erfolgen. Gleichzeitig müssen die einzelnen Bereiche neue Stammdaten, etwa zu Kunden oder Produkten, zeitnah an die zentrale Datenbasis zurückmelden. Andernfalls ist das Chaos kaum zu vermeiden.

Damit das funktioniert, müssen Unternehmen Stammdatensätze und die zugehörigen Prozesse sorgfältig aufbauen. Nach Möglichkeit sollten die Datensätze so angelegt sein, dass sie sich später um weitere Datenfelder ergänzen lassen, wenn sich Anforderungen oder Geschäftsabläufe ändern.

Für Ordnung sorgen Systeme, die das Stammdatenmanagement automatisieren und vor unkontrollierten Veränderungen schützen. Solche Werkzeuge können auch Widersprüche zwischen verschiedenen Datenbeständen aufdecken und bereinigen, bevor inkonsistente Informationen Betriebsabläufe beeinträchtigen. Ebenso helfen sie bei der Beseitigung unnötiger Dubletten, die nicht nur Speicherplatz beanspruchen, sondern ebenfalls für Verwirrung sorgen. In Zukunft dürften intelligente Softwarefunktionen diese Aufgaben weiter erleichtern.

Wissen, was Daten bedeuten

Metadaten sind Daten über Daten. Das Europäische Datenportal unterscheidet beschreibende Metadaten, mit deren Hilfe sich Datenressourcen finden oder identifizieren lassen, strukturelle Metadaten wie Datenmodelle sowie administrative Metadaten für die Verwaltung einer Datenressource. Sie liefern Informationen darüber, "dass Daten, Konzepte (zum Beispiel Klassifikationen) und reale Begebenheiten zusammenpassen".

Unstimmige Metadaten können dazu führen, dass Informationen entweder nicht gefunden oder falsch zugeordnet werden. Entsprechend groß ist die Bedeutung des Metadatenmanagements für die Brauchbarkeit von Datenbeständen. Unstrukturierte Daten lassen sich beispielsweise vorwiegend über die ihnen zugeordneten Metadaten finden. Metadaten können sogar entstehen, bevor die eigentlichen Datensätze vorliegen.

Für die Formulierung von Metadaten existieren zahlreiche weltweit genutzte Standards, etwa Dublin Core für veröffentlichte Bilder und Texte, FOAF für Personen und Organisationen oder DCAT (Data Catalog Vocabulary) für europäische Datenportale. Mit RDF Schema (RDFS) lassen sich zudem individuelle Metadatenschemata erstellen, die für eine einheitliche Terminologie sorgen, zum Beispiel bei der Beschreibung von Bildern in einer Bilddatenbank. DCAT nutzt dabei wiederum Begriffe aus anderen Spezialterminologien wie Dublin Core. Ein systematisches Metadatenmanagement kann die Datenqualität im Unternehmen deutlich verbessern.

Zu den großen außereuropäischen Anbietern im Bereich Metadatenmanagement zählen unter anderem Informatica, Oracle und Astera Software. Daneben gibt es Spezialisten mit außereuropäischem Stammsitz wie Qlik, Alteryx, Mulesoft und Progress Software.

Datenqualität sicherstellen

Viele Projekte rund um künstliche Intelligenz scheitern daran, dass nicht die richtigen Daten zur Verfügung stehen oder deren Qualität den Anforderungen nicht genügt. Für funktionierende Analysen, den normalen Betriebsablauf und auch für die Einhaltung von Compliance- vorgaben ist eine hohe Datenqualität daher unverzichtbar. Dazu gehören klare Regeln und Metriken sowie eindeutig definierte Verantwortlichkeiten für die jeweiligen Datenbestände. Wichtige Maßstäbe für Datenqualität sind Genauigkeit, Vollständigkeit und Konsistenz.

Ebenso muss klar festgelegt sein, wie sich diese Kriterien überprüfen lassen und wie sich Daten bei Bedarf korrigieren lassen. Die entsprechenden Abläufe sollten – unterstützt durch Software – so weit wie möglich automatisiert erfolgen. Gerade bei der Definition von Regeln bleibt gründliches Nachdenken jedoch unverzichtbar, es sei denn, gesetzliche Vorgaben lassen sich direkt in entsprechende Prüfmechanismen übersetzen.

Software für die Sicherung der Datenqualität überwacht Datenbestände, misst definierte Kennwerte und erkennt Abweichungen. Bei Bedarf benachrichtigen solche Werkzeuge Verantwortliche oder stoßen Prozesse zur Korrektur von Daten an.

Der Markt für Werkzeuge zur Sicherung der Datenqualität erreichte laut Business Research Insight im Jahr 2025 ein Volumen von 4,68 Milliarden US-Dollar und wächst bis 2035 mit einer prognostizierten jährlichen Rate von 12,6 Prozent. Dann soll er ein Volumen von 15,54 Milliarden US-Dollar erreichen. Bekannte nichteuropäische Anbieter entsprechender Software sind zum Beispiel SAS, Capterra oder DQLabs.

Informationen zusammenführen und umziehen

Sollen Unternehmen Datenbanken oder andere Datenbestände konsolidieren, läuft das oft nicht ganz reibungslos ab. Solche Situationen entstehen nicht nur bei Firmenübernahmen, sondern auch im normalen Betrieb, zum Beispiel wenn die IT-Abteilung ihren Datenbankzoo aufräumt. Die notwendigen Arbeiten dürfen den laufenden Betrieb dabei möglichst wenig beeinträchtigen.

Vor einer Migration müssen Verantwortliche die Daten zunächst filtern, bereinigen und in ein geeignetes Format bringen. Dieser Prozess läuft häufig unter der Bezeichnung ELT (Extraction, Loading, Transformation). Auch die Reihenfolge ETL kommt vor, bei der die Formatierung der Daten bereits vor dem Laden erfolgt. Mit der wachsenden Zahl von Datenbanken und der zunehmenden Vielfalt der Datentypen steigt auch die Bedeutung solcher Verfahren.

Im Bereich der Datenmigration treten zahlreiche Hersteller auf, die sich auf bestimmte Datentypen oder Anwendungsbereiche spezialisiert haben. Große Datenbankanbieter stellen meist eigene Programme bereit. Diese funktionieren besonders gut, wenn Daten von anderen Systemen auf ihre Plattform oder von einer älteren auf eine neuere Version ihres Datenbankprodukts wechseln sollen.

Internationale Anbieter wie Fivetran, Databricks, Qlik, Boomi und andere konzentrieren sich auf Verfahren zur Datenintegration sowie auf das Extrahieren, Transformieren und Laden von Daten. Liegen Daten schließlich in der gewünschten Form vor, stellt sich eine neue Aufgabe: IT-Verantwortliche müssen sie so darstellen und strukturieren, dass sich ein Überblick über den vorhandenen Datenbestand gewinnen lässt. Besonders für Selbstbedienungsportale spielen Datenkataloge eine wichtige Rolle. Nur wer einen klar strukturierten Datenbestand vorfindet, kann darin gezielt nach den benötigten Informationen suchen.

SAP und Alternativen im Datenmanagement

Welche Möglichkeiten haben Anwender nun, sich von US-amerikanischen Anbietern zu lösen – unabhängig davon, ob diese ihre Produkte als Cloudangebot oder für lokale Installationen bereitstellen? Die gute Nachricht lautet: Für nahezu jedes Teilgebiet des Datenmanagements existieren europäische oder andere Anbieter außerhalb der Vereinigten Staaten.

Unternehmen müssen jedoch sorgfältig prüfen, in welchem Umfang und in welchem Tempo ein Wechsel sinnvoll ist. Datenmanagement-Umgebungen sind häufig eng mit der übrigen IT-Infrastruktur verzahnt. Viele Unternehmen haben ihre Systeme beispielsweise weitgehend auf Microsoft Azure ausgerichtet. In solchen Fällen fällt ein Austausch schwerer als in Umgebungen, die bewusst auf einen Best-of-Breed-Ansatz setzen und mehrere Anbieter kombinieren.

Besonders günstig ist die Situation für SAP-Anwender. Der Konzern aus Walldorf bietet mit SAP S/4HANA (Datenschutz, -migration, -governance), Business Data Fabric (Integration, Katalog, Verarbeitung) und Master Data Management (Datenqualität, Datenkonsolidierung, zentrale Governance) ein umfangreiches Portfolio für diese Aufgaben.

Wer auf SAP umsteigen will, sollte allerdings entsprechende Budgets einplanen, da der Hersteller als eher hochpreisig gilt. Für international tätige Unternehmen kann sich der Einsatz dennoch lohnen, da SAP als globaler Anbieter auf Augenhöhe mit US-Konzernen wie IBM, Oracle oder Microsoft agiert.

Die folgende Auswahl erhebt keinen Anspruch auf Vollständigkeit. Sie nennt exemplarisch Anbieter aus unterschiedlichen Funktionsbereichen des Datenmanagements und zeigt, dass europäische Alternativen in nahezu allen Schichten der Datenarchitektur vorhanden sind. Die genannten Unternehmen sind deutlich weniger bekannt, arbeiten jedoch ebenfalls professionell.

Europäische Spezialisten für einzelne Aufgaben

Linkurious [1] mit Sitz in Frankreich bietet eine Datenplattform auf Basis einer Graph-Datenbank. Damit lassen sich Daten vereinheitlichen und anreichern, komplexe Muster erkennen und Analysen zur Entscheidungsunterstützung durchführen. Zum Portfolio gehört unter anderem die "Linkurious Enterprise Cloud" für 490 Euro pro Monat und Anwender. Schwerpunkte sind Datenvisualisierung, Exploration und graphbasierte Analysen sowie grundlegende Sicherheitsfunktionen. Zusätzlich bietet der Hersteller die "Linkurious Decision Intelligence Platform" als lokale Installation oder Cloudangebot an. Diese modulare Plattform richtet sich an Unternehmen, die ihre Datenumgebung selbst kontrollieren möchten, etwa in komplexen Umgebungen mit ausgeprägten Governance-Strukturen oder hohen Anforderungen an Auditierbarkeit.

Synerise [2] aus Polen verfolgt einen anderen Ansatz und stellt eine verhaltensanalytische Datenplattform bereit. Sie zentralisiert Daten aus unterschiedlichen Quellen, ermöglicht Echtzeitanalysen und segmentiert Daten mithilfe von Funktionen aus dem Bereich künstliche Intelligenz nach Verhaltensmustern. Typische Einsatzfelder liegen im Marketing. Eine Plattform auf Basis offener Standards ist Piveau [3], das ursprünglich für öffentliche Akteure entwickelt wurde.

Die Plattform besteht aus mehreren Komponenten: Consus übernimmt Import und Ablage von Daten und Metadaten, Advocat prüft die Lizenzen einzelner Datensätze. Incognito stellt sensible Daten rechtskonform bereit, Staging unterstützt die Veröffentlichung. Hub fungiert als ressourcensparender Metadaten-Katalog. Charts erzeugt Visualisierungen aus Geodaten oder Tabellen, Metrics überwacht die Datenqualität und UI dient als Weboberfläche zur Verwaltung von Datenkatalogen.

Ein Werkzeug für die Datenmodellierung bietet die Innovator GmbH [4] an. Das gleichnamige Programm stellt datenbankunabhängig Beziehungen zwischen den Schichten eines Entity-Relations-Modells her und zeigt Herkunft sowie Zusammenhänge von Daten. Außerdem erstellt die Software Entity-Relationship-Diagramme und unterstützt die Modellierungstechnik IDEF1X. Ein Importassistent übernimmt Tabellen aus Datenbanken, ein Datenbankmanager zeigt Tabellen und Sichten aus Datenbanken und Modellen und gleicht sie miteinander ab. Zusätzlich überträgt das Programm konzeptionelle Datenbankmodelle auf das physische Datenbankdesign und unterstützt unter anderem die Modellierungstechnologie Data Vault 2.0.

Im Bereich Master Data Management finden sich ebenfalls europäische Anbieter. Stibo [5] aus Dänemark richtet sich mit seinem Cloudangebot vor allem an größere Unternehmen und nutzt Funktionen aus dem Bereich künstliche Intelligenz. Typische Anwenderbranchen sind Einzelhandel, Industrie, Automobilsektor und Life Science. Die österreichische Pimcore [6] bietet mehrere Werkzeuge für das Datenmanagement, darunter Systeme für Master Data Management, die Verwaltung von Kundendaten, digitale Assets und Produktinformationen. Die Software ist sowohl für lokale Installationen als auch als Cloudangebot verfügbar. Mit Enterprise-Erweiterungen, Langzeitsupport rund um die Uhr, Hosting, Betrieb, Monitoring und Alarmierung kostet sie 8400 Euro pro Jahr. Ergänzend bietet Viamedici [7] mit der Plattform Via- medici EPIM eine Umgebung, die Funktionen für Master Data Management, Digital Asset Management und Product Information Management kombiniert.

Auch aus Deutschland kommen Anbieter in diesem Feld. Datras (Data Tracing Systems) [8] konzentriert sich auf Datenqualität und Datenintegration. Die Plattform EPTL bietet Funktionen wie Datenbereinigung, Deduplizierung, SAP-Export und explorative Datenanalyse. Mit der Funktion Refactor lassen sich Daten einlesen, normalisieren und nach definierten Regeln verteilen, anschließend überprüft ein Viewer die Ergebnisse. Ein weiterer Anbieter ist Uniserv [9]. Das Unternehmen bietet drei Systeme an: Data Quality Hub, Master Data Hub und Data Migration Hub.

Offene Werkzeuge und Initiativen

Erwähnenswert ist außerdem das von der europäischen Datenplattform [10] data.europa.eu entwickelte Werkzeug Metadata Quality Assessment [11]. Das Projekt prüft vor allem die Qualität öffentlicher Datensätze. Derzeit stehen eine Programmierschnittstelle sowie eine Weboberfläche zur Verfügung, über die sich Daten bestimmter Anwendungstypen hochladen und anschließend analysieren lassen.

Eine weitere Open-Source-Plattform ist OpenMetadata [12] für das Metadaten-Management. Sie stellt laut Projektbeschreibung den vollständigen Kontext über Datenbestände bereit und unterstützt Funktionen für Datenent- deckung, Governance und Beobachtung von Datenflüssen. Das System erzeugt dazu einen Metadaten-Graphen, der Daten- objekte über unterschiedliche Plattformen hinweg miteinander verknüpft. Die Architektur besteht aus wenigen Komponenten – Datenbank, Scheduler, Kernsystem und Suchmaschine – und lässt sich in verschiedenen Umgebungen einsetzen.

Im Zuge der politischen und wirtschaftlichen Bestrebungen, die europäische Datensouveränität zu stärken, dürfte sich auch das Angebot an Open-Source-Werkzeugen in diesem Bereich weiter verbreitern.

Fazit

Datenmanagement umfasst eine Vielzahl organisatorischer und technischer Disziplinen – von Governance und Daten- modellierung über Metadaten- und Stammdaten-Management bis hin zur Sicherung der Datenqualität. Erst ihr Zusammenspiel sorgt dafür, dass Datenbestände über Storage-Systeme hinweg konsistent, auffindbar und zuverlässig nutzbar bleiben. Auch wenn der Markt stark von US-Anbietern geprägt ist, existieren für viele Teilbereiche europäische Alternativen, deren Einsatz jedoch immer vom konkreten Umfeld abhängt.

Datenmanagement im Überblick