KAP 2 - Datenmanagement

• Keine einheitliche Definition → je nach Fachgebiet unterschiedlich.

• In der BWL = Management der Ressource „Daten“.

• Bedeutet: alle Methoden, Konzepte, organisatorischen und technischen Maßnahmen, um Daten so zu behandeln, dass sie dem Unternehmen nutzen.

Entlang des Daten-Lebenszyklus:

1. Datenerzeugung & -sammlung → Daten entstehen (z. B. Sensoren, Eingaben).

2. Datenmodellierung → Struktur schaffen, wie Daten organisiert werden.

3. Datenspeicherung → effizientes Ablegen und Zugriff.

4. Datenpflege → Qualität sichern, Fehler bereinigen, Aktualität wahren.

5. Datensicherheit & -schutz → Daten vor Verlust, Missbrauch oder unbefugtem Zugriff schützen.

1. Unternehmen selbst → Transaktionen, Kunden-, Produktions-, Finanz-, Logistikdaten.

2. Maschinen & Anlagen → Sensoren liefern Temperatur, Feuchtigkeit, Bewegung, Standort usw.

3. Unternehmenseigene Websites und E-Commerce-Plattformen: → Suchanfragen, Käufe, Klicks.

4. Mobile Apps des Unternehmens: → Standortdaten, Nutzungsverhalten, App-Aktivitäten. 👉 Kurz: Alles, was im Betrieb oder durch direkte Kundenkontakte entsteht.

1. Soziale Medien → Meinungen, Bewertungen, Kundenfeedback.

2. Externe Websites / E-Commerce → Suchanfragen, Käufe außerhalb der eigenen Plattform.

3. Öffentliche Quellen → Behörden, Statistikämter, Institute.

4. Externe Datenanbieter → Branchen- oder Spezialdaten, die man einkauft. 👉 Kurz: Alles, was außerhalb des Unternehmens über Kunden, Märkte oder Trends gesammelt wird.

Eine Methode, automatisch Daten aus dem Internet zu „saugen“.

• Funktioniert mit Crawlern oder Scraper-Tools.

• Oft über APIs von Webseiten (z. B. Twitter API).

• Vorteil: Daten werden direkt in strukturierter Form extrahiert und können verarbeitet werden. 👉 Bildlich: Wie ein Staubsauger, der Webseiten absaugt und die Infos geordnet in den Eimer kippt.

Ein Datenmodell ist wie eine Landkarte für Daten.

• Es beschreibt, wie Daten aussehen, wie sie zusammenhängen und wie sie genutzt werden sollen.

• Es ist also eine schematische Darstellung von Datenflüssen und ein Leitfaden für den Umgang mit Daten.

1. Semantische Datenmodelle → nah an der Realität, fachlich, technologie-unabhängig (z. B. ER-Modell).

2. Logische Datenmodelle → beschreiben die Struktur für IT-Systeme, aber immer noch unabhängig von Hardware.

3. Physische Datenmodelle → sehr techniknah, wie die Daten wirklich in Systemen gespeichert werden.

1. IST-Modell: beschreibt, wie Daten heute im Unternehmen genutzt werden (dokumentierend). → Wofür? Analyse, Planung, Fehler finden.

2. SOLL-Modell: beschreibt, wie Daten in Zukunft organisiert sein sollen (planend). → Wofür? neue Datenbanken entwickeln oder alte umbauen.

Erstellung und Pflege eines klaren, strukturierten Datenmodells, damit Daten logisch organisiert, nutzbar und konsistent bleiben.

1. Speichert Daten in Tabellen (Relationen) mit Zeilen (Tupel/Datensätze) und Spalten (Attribute).

2. Jede Tabelle hat einen Primärschlüssel = eindeutige ID.

3. Ergebnis: ein logisches Datenmodell, Grundlage für relationale Datenbanken (SQL). 👉 Bild: Eine Excel-Tabelle mit eindeutigen IDs.

• Modell aus Entitäten (Objekten), Attributen (Eigenschaften) und Relationen (Beziehungen).

• Sehr nah an der Realität → ein semantisches Datenmodell.

• Beispiel: „Kunde“ (Entität) mit Attribut „Name“ steht in Relation zu „Bestellung“.

Man kann ein ERM leicht in ein Relationales Modell überführen:

• Entität → Tabelle.

• n:m-Beziehung → eigene Tabelle mit zusammengesetztem Schlüssel.

• 1:n-Beziehung → Schlüssel der „1“-Seite wandert als Fremdschlüssel in die „n“-Seite. 👉 So werden fachliche Modelle in konkrete Datenbanktabellen übersetzt.

Datenspeicherung heißt: Daten werden nach einem Modell organisiert abgelegt, sodass Anwendungssysteme sie nutzen können. Jedes Programm greift dafür auf einen Datenspeicher zurück.

1. Dateninkonsistenz → zwei Nutzer ändern gleichzeitig eine Datei → nur die letzte Änderung bleibt.

2. Datenredundanz → gleiche Daten mehrfach gespeichert → Speicher wird unnötig voll.

3. Abhängigkeit von Anwendungsprogramm und -speicher: → Daten und Programme sind eng verknüpft → Änderungen am Programm erfordern Änderungen an den Daten.

4. Mangelnde Datenschutz → schwer zu kontrollieren, wer wo auf Daten zugreift.

5. Fehlender Austausch von Daten zwischen einzelnen

   Anwendungsprogrammen → Daten aus verschiedenen Anwendungen kaum kombinierbar.

6. Keine Unterstützung für unstrukturierte Daten oder große Volumina.

Ein DBMS ist ein eigenes Programmsystem zur Verwaltung von Daten.

• Es trennt logische Sicht (wie der Nutzer Daten wahrnimmt) von physischer Sicht (wie sie gespeichert sind).

• Dadurch müssen Anwender nicht wissen, wo oder wie die Daten physisch liegen.

1. Unabhängigkeit → Daten sind nicht mehr an Programme gebunden.

2. Mehrfachzugriff → viele Nutzer gleichzeitig ohne Inkonsistenzen.

3. Flexibilität → Daten beliebig verknüpfbar.

4. Leistung → große Volumina & unstrukturierte Daten möglich.

5. Effizienz → schnelle Abfragen & Änderungen.

6. Datenschutz → Zugriffsrechte steuerbar.

7. Datensicherheit → geschützt vor Fehlern & Ausfällen.

8. Redundanzfreiheit → keine doppelten Datensätze.

1. Relationale Datenbanken → Tabellen mit Zeilen & Spalten (klassisch).

2. Nicht-relationale Datenbanken (NoSQL) → für große, flexible, oft unstrukturierte Daten.

3. Graphendatenbanken → speziell für komplexe Beziehungsnetze (z. B. Social Media).