Vom Metadatenmanagement zum Datenkatalog

Metadaten – Definition und Nutzung in der Digitalisierung

• Daten und ihre Metadaten.
• Kategorien von Metadaten.
• Metadaten als Fundament jeder Data Governance Initiative.
• Shopping for Data: Welche Daten sind im Angebot (praktische Übung)?
• Data Driven Culture: Das Wissen über Daten ist der Schlüssel zu ihrer Nutzung.
• DSGVO: Welche Metadaten verwendet ein Verfahrensverzeichnis?

Der Datenkatalog: Überblick

• Aufbau und Funktionalitäten einer Datenkataloglösung.
• Praxisbeispiel: Umsetzung der vorgestellten Nutzungsszenarien in einer Datenkataloglösung.

Metadaten strukturieren und modellieren

• Metadaten als Daten behandeln: Benötigen Metadaten ein Data Warehouse?
• Metadaten identifizieren und zueinander in Beziehung setzen (praktische Übung).
• Ein Schichtenmodell für Metadaten entwerfen (praktische Übung).
• Praxisbeispiel: Ein einfaches Datenmodell für Metadaten.
• Elemente eines Metadatenmodells kennen und verwenden (praktische Übung).

Quellen für Metadaten identifizieren

• Metadaten generierende Systeme identifizieren (praktische Übung).
• Alles automatisch? Der Stellenwert manueller Erfassung.

Metadaten managen

• Data Governance für Metadaten: Verantwortlichkeiten.
• Metadaten Qualität.
• Datenmanagement Prozesse.

Datenkataloglösungen: Funktionalitäten und Strukturen

• Das eigene Unternehmen abbilden: Metadatenmodellierung.
• ELT für Metadaten: Schnittstellen und Datenbeladung.
• Data Governance managen: Organisation, Rollen und Verantwortlichkeiten (praktische Übung).
• Datenbewegungen visualisieren: Data Lineage.
• Shopping for Data: Datennutzer informieren und leiten.
• Metadaten managen: Workflows für Freigabe und Wartung von Metadaten.
• Strukturen und Begriffe: Business Glossary, Data Dictionary oder Data Catalogue?

Marktüberblick zu Datenkataloglösungen

• Kategorien von Datenkataloglösungen.
• Lösungen über ihre Entwicklungsgeschichte besser einordnen können.

Der Weg zur Datenkataloglösung: Projektstrategie

• Unterstützung sichern: Sponsor:innen und Stakeholder:innen.
• Praxisbeispiel: Projektplan.
• Möglichkeiten der Modularisierung.
• Kritische Erfolgsfaktoren und Klippen bei der Projektdurchführung.

Arbeiten im Datenkatalog (praktische Übung)

• Als Analyst:in eine Kennzahl verstehen: Recherche von Definition, Verantwortlichkeiten und Entstehung einer Kennzahl.
• Eine neue Kennzahl erfassen.
• Ein Data Steward verlässt das Unternehmen: Verantwortung neu regeln.
• Impact Analyse: Auswirkungen einer Änderung im Quellsystem einschätzen.
• Ein Audit bestehen: Definition, Verantwortung, Herkunft und Qualitätssicherung einer Kennzahl nachweisen.
• Metadaten pflegen: Lücken erkennen und Aktualisierungen vornehmen.