Zum Inhalt gehen
Data_management_flywheel_image
Data and AI

Das Data Management Flywheel

Wie effizientes Datensourcing durch die Harmonisierung der Datenorganisation ermöglicht wird

“Data Management processes and procedures are well known since more than 20 years, but Data Sourcing is still a highly time consuming and often ineffective challenge.”

Regulatorische und unternehmensinterne Anforderungen sowie exponentiell wachsende Datenvolumina erfordern zunehmends eine Restrukturierung der Datenorganisations- und Datenmanagementprozesse heutiger Finanzinstitutionen. Die Restrukturierung gängiger Datenmanagement- und Governance Prozesse hilft dabei nicht nur auf interne und externe Anforderungen reagieren zu können sondern auch die Wettbewerbsfähigkeit von Finanzinsitutionen durch datengetriebene Innovationen und neuen Geschäftsmodellen im Markt sicherzustellen. Um regulatorischen und internen Anforderungen gerecht zu werden, muss insbesondere gewährleistet sein, dass sämtliche Daten zur richtigen Zeit an richtiger Stelle verfügbar sind und verwertet werden können – sei es zu Risiko Reporting oder Kundenanalysezwecken. Vor diesem Hintergrund und der Tatsache, dass ein Großteil der bestehenden Finanzinstitutionen mit historisch gewachsenen IT Infrastrukturen, Legacy Systemen und fragmentierten Applikationslandschaften konfrontiert ist, welche vermehrt Fehlerquellen, Datenredundanzen und ebenso fragmentierte Datensourcing Prozesse mit sich führen, hat Capgemini Invent eine Methode entwickelt, die die Realisierung eines effizienten und effektiven Datensourcingprozesses ermöglicht. Diese Methode nennt sicht „Data Management Flywheel“ und setzt sich aus neun wesentlichen Building Blocks zusammen, die die fundamentalen Dimensionen für die Harmonisierung des Datensourcings berücksichtigen.

In diesem Zusammenhang werden in dem PoV “How the Data Management Flywheel approach can help facilitate proper data sourcing” folgende Fragestellungen beleuchtet:

  1. Vor welchen Herausforderungen stehen Finanzinstitutionen und CDOs im Rahmen ihrer Datenorganisation heute und wie können Unternehmen diesen entgegnen?
  2. Wie können diese Herausforderungen und Hürden in wertschöpfende Potentiale innerhalb der Datenorganisation migriert werden?
  3. Welche Rolle spielt hierbei der Data Management Flywheel Ansatz und wie lässt sich dieser in Verbindung mit der Integration eines zentralen Data Dictionary’s umsetzen?

Mit der Beantwortung dieser Fragestellungen illustriert der PoV, wie Capgemini Invent’s Data Managment Flywheel Ansatz Unternehmen dabei unterstützt, ihre Datenorganisation und IT Infrastruktur so zu harmonisieren, dass die bestehenden Daten der Finanzinstitution in maximaler Qualität und Granularität, realtime /zu jedem Zeitpunkt verwertet und nachgehalten werden können.

Kernergebnisse:

  1. Die Data Management Flywheel Methode hilft Unternehmen, ihre Datenmanagement-, Datenorganisations- und Datensourcingprozesse zu strukturieren, zu harmonisieren und zu konsolidieren. Durch diesen Transformationsprozess werden Datenverfügbarkeit, -qualität und -transparenz sichergestellt.
  2. Die Ergebnisse der neun Data Management Flywheel spezifischen Building Blocks werden in einem zentralen Data Dictionary dokumentiert, welches als Single Source of Truth unternehmensweite Gültigkeit hat.
  3. Mit Hilfe Capgemini Invent’s etablierten Data Management Flywheel QuestionnairesMaturity Assessments und Transformationsplans, können Unternehmen den Restrukturierungs- und Transformationsbedarf ihrer Datenorganisation evaluieren, priorisieren und in weniger als sechs Monaten umsetzen.
Data Management Flywheel

Treffen Sie unsere Expert*innen

Ulrich Windheuser

Vice President / Head of Enterprise, Data & Analytics | Capgemini Invent
Ulrich Windheuser hat mehr als 25 Jahre Erfahrung in Banking. Funktional haben ihn stets die Herausforderungen der Finance/Risk-Integration getrieben, insbesondere forderten ihn das Schaffen einer einheitlichen Datenplattform mit hoher Datenqualität heraus. Auf dieser Basis freut er sich auf die neuen, darüber hinausgehenden Herausforderungen, um Banken zu mehr datengetriebenen Geschäftsmodellen zu verhelfen. Aktuell leitet er in Deutschland die Capability Unit Enterprise, Data & Analytics. Er hat an der Mercator Universität Duisburg Mathematik studiert und an der Universität Kaiserslautern in Technomathematik promoviert.