Die Basis von bekannten innovativen Lösungen, wie selbstfahrende Transportmittel und selbstorganisierende Lager, ist ein Durchbruch in der Künstlichen Intelligenz, welche wiederum nur von der schier unbegrenzten Datenverfügbarkeit und gut organisierten Enterprise Architecture (EA) ermöglicht werden kann. Neue Qualität in der KI erfordert neue Qualität in den Daten – es kommt nicht nur auf den Umfang der Daten an, sondern auch auf die Relevanz der Daten. Dies beweist, dass Daten das neue Gold und Öl der jetzigen Zeit sind. Und immer dann, wenn der Menschheit ein neuer Rohstoff in die Hände fällt, erschließt er ihn in drei Schritten:
Punktuelle Nutzung
Teilen durch Handeln
Gründung einer Ökonomie
Genau diese Abfolge lässt sich nun auch bei dem Rohstoff Daten feststellen. Daher sind die folgenden vier Feststellungen alles andere als abwegig:
Daten müssen wie Rohstoffe gefördert, gelagert, gehandelt und verbreitet werden.
Wir sind noch in der punktuellen Nutzungsphase, da jeder seine relevanten Datenrohstoffe für sich behält und keinen Datenhandel betriebt und es keine Daten-Banken oder -Börsen gibt.
Viele Daten laufen noch in Eigenversorgung, obwohl der Trend klar Richtung Cloud, Edge und ähnliche geht, um ein belastbares und zuverlässiges Datenstromnetz zu bilden.
Nutzbar gemacht werden die Daten durch Algorithmen, die durch das Wissen von Data Scientists und Engineers gesteuert werden und Daten zu eigentlich unmöglichen Erkenntnissen verbinden.
Erzielt werden können diese Punkte nur zusammen, da sie aufeinander aufbauen und bedingen.
Im ersten Schritt, der Rohstoff- bzw. Datengewinnung, haben Unternehmen, die schön länger mit Enterprise-Architektur umgehen, einen klaren Wettbewerbsvorteil, da sie die Daten in ihrer IT Landschaft organisiert haben und die Daten „nur“ noch aus den Prozessen und IT-Systemen rausgeholt und übergreifen bereitgestellt werden müssen.
So wird wiederrum das EA und EA Management (EAM) vor neue Aufgaben und Herausforderungen gestellt, wie:
Organisation und Bereitstellung des eigenen Datenrohstoffs für Interna.
Verfügbarkeit der eigenen Daten an der Unternehmensaußenkante zwecks Austausch und Handel.
Recherche und Gewinnung externer Daten zur internen Nutzung und Anreicherung bzw. Bereicherung eigener Daten.
Um diese strukturierte Fördertechnologie des Daten-Öls abbilden zu können wurden 2018 in einem Workshop des CBA Lab („Datengetriebene Geschäftsmodelle“) wichtige Punkte definiert, die die konsequente Stärkung und Einsetzung der folgenden EAM Capabilities:
Datenstrategieentwicklung
Datenmodellmanagement
Datenbereitstellungsmanagement
Date-Governance-Management
Daten-(IT/Referenz-)-Architekturmanagement
Denn ohne Daten keine KI und keine Daten ohne EAM.
