TY - BOOK

T1 - Reifegradmodell zur Bewertung der Inputfaktoren für datenanalytische Anwendungen-Konzeptionierung am Beispiel der Schwachstellenanalyse

AU - Bernerstätter, Robert

N1 - nicht gesperrt

PY - 2019

Y1 - 2019

N2 - Die fortschreitende Durchdringung der Industrie mit digitalisierten und vernetzten Komponenten steigert in den letzten Jahren die erzeugte Datenmenge. Zur nutzbringenden Verwertung der Daten setzen immer mehr Unternehmen datenanalytische Projekte um. Dabei werden die Voraussetzungen, die für solche Vorhaben nötig sind, außer Acht gelassen oder falsch bewertet. Diese Voraussetzungen sind die Inputfaktoren des Datenanalyseprozesses, wie eine effektive Datenerfassung und eine effiziente Datenbereitstellung auf der einen Seite und der Inhalt der Daten in der klassischen Datenqualitätssicht auf der anderen Seite. Wenn diese beiden Facetten für ein Projekt nicht ausreichend entwickelt sind führt das nicht nur zu zeitlichen und folglich finanziellen Abweichungen in der Umsetzung, sondern im schlimmsten Fall zum Scheitern des Projektes und zu einem Ansehensverlust datenanalytischer Initiativen. Innovative und zukunftsweisende Projekte auf dem Gebiet der Datenanalytik sollten verwendet werden, um die Strukturen im Unternehmen auf ein Niveau zu entwickeln und damit den kommenden Herausforderungen zu begegnen. Reifegradmodelle unterstützen bei der Bewertung von Unternehmensprozessen und der strukturierten Verbesserung selbiger. Unter den zahlreichen existierenden Reifegradmodellen der Digitalisierung gibt es jedoch keines, welches sich mit der fokussierten Bewertung des datenanalytischen Prozesses mit dem Schwerpunkt seiner benötigten Inputfaktoren, wie Datenmanagement und Datenqualität beschäftigt. Das in dieser Arbeit entwickelte Reifegradmodell soll diese Lücke schließen. Der CRISP-DM als generisches Prozessmodell zur Datenanalyse liegt der Bewertung zu Grunde. Der strukturierte Aufbau berücksichtigt gängige Datenqualitätsdimensionen, um Bewertungsanforderungen auf die Ebene der Reifegradkategorien herunterzubrechen. Die sechs Reifegradkategorien sind so gewählt, dass in jeder von ihnen praxisorientierte Handlungsempfehlungen abgegeben werden können, um Verbesserung im Reifegrad zu erzielen. Die Hierarchie der Reifegradstufen orientiert sich an der steigenden Komplexität der Analysekonzepte, deren Einsatz einen verstärkten Unternehmensnutzen bringen. Das Reifegradmodell wurde an Fallbeispielen entwickelt und getestet. In diesem Rahmen wurde eine Methode für eine Big Data gestützte Schwachstellenanalyse aus dem klassischen Methodenkoffer der Datenanalyse verwendet und die Ergebnisse in einem datengestützten Ishikawa Diagramm dargestellt.

AB - Die fortschreitende Durchdringung der Industrie mit digitalisierten und vernetzten Komponenten steigert in den letzten Jahren die erzeugte Datenmenge. Zur nutzbringenden Verwertung der Daten setzen immer mehr Unternehmen datenanalytische Projekte um. Dabei werden die Voraussetzungen, die für solche Vorhaben nötig sind, außer Acht gelassen oder falsch bewertet. Diese Voraussetzungen sind die Inputfaktoren des Datenanalyseprozesses, wie eine effektive Datenerfassung und eine effiziente Datenbereitstellung auf der einen Seite und der Inhalt der Daten in der klassischen Datenqualitätssicht auf der anderen Seite. Wenn diese beiden Facetten für ein Projekt nicht ausreichend entwickelt sind führt das nicht nur zu zeitlichen und folglich finanziellen Abweichungen in der Umsetzung, sondern im schlimmsten Fall zum Scheitern des Projektes und zu einem Ansehensverlust datenanalytischer Initiativen. Innovative und zukunftsweisende Projekte auf dem Gebiet der Datenanalytik sollten verwendet werden, um die Strukturen im Unternehmen auf ein Niveau zu entwickeln und damit den kommenden Herausforderungen zu begegnen. Reifegradmodelle unterstützen bei der Bewertung von Unternehmensprozessen und der strukturierten Verbesserung selbiger. Unter den zahlreichen existierenden Reifegradmodellen der Digitalisierung gibt es jedoch keines, welches sich mit der fokussierten Bewertung des datenanalytischen Prozesses mit dem Schwerpunkt seiner benötigten Inputfaktoren, wie Datenmanagement und Datenqualität beschäftigt. Das in dieser Arbeit entwickelte Reifegradmodell soll diese Lücke schließen. Der CRISP-DM als generisches Prozessmodell zur Datenanalyse liegt der Bewertung zu Grunde. Der strukturierte Aufbau berücksichtigt gängige Datenqualitätsdimensionen, um Bewertungsanforderungen auf die Ebene der Reifegradkategorien herunterzubrechen. Die sechs Reifegradkategorien sind so gewählt, dass in jeder von ihnen praxisorientierte Handlungsempfehlungen abgegeben werden können, um Verbesserung im Reifegrad zu erzielen. Die Hierarchie der Reifegradstufen orientiert sich an der steigenden Komplexität der Analysekonzepte, deren Einsatz einen verstärkten Unternehmensnutzen bringen. Das Reifegradmodell wurde an Fallbeispielen entwickelt und getestet. In diesem Rahmen wurde eine Methode für eine Big Data gestützte Schwachstellenanalyse aus dem klassischen Methodenkoffer der Datenanalyse verwendet und die Ergebnisse in einem datengestützten Ishikawa Diagramm dargestellt.

KW - Reifegradmodell

KW - Datenqualität

KW - CRISP-DM

KW - Datenmanagement

KW - Datenreife

KW - Assoziationsanalyse

KW - Schwachstellenanalyse

KW - maturity model

KW - data quality

KW - CRISP-DM

KW - data management

KW - data maturity

KW - association analysis

KW - weak point analysis

M3 - Dissertation

ER -