Probleme in der Lieferkette

Drei Herausforderungen für die Daten-Supply-Chain

20. September 2022, 11:26 Uhr | Lukas Steiglechner | Kommentar(e)
Daten-Lieferkette
© Incredivfx / 123rf

Der Ausfall physischer Lieferketten kann große und weitreichende Folgen mit sich ziehen. Doch ebenso kann auch eine fehlerhafte Daten-Supply-Chain einem Unternehmen schaden. Pure Storage erläutert drei Herausforderungen für die Daten-Lieferkette.

Funktionierende Lieferketten sind für die heutige globale Wirtschaft ein Muss. Doch neben der herkömmlichen Lieferkette wird auch eine andere immer wichtiger: die Daten-Supply-Chain. Eine Daten-Supply-Chain umfasst die Schritte, die bei der Umwandlung von Rohdaten in verwertbare Erkenntnisse erforderlich sind, damit Unternehmen Innovationen vorantreiben, Umsätze generieren, Nutzer bedienen und fundierte Entscheidungen treffen können Wie eine reale Lieferkette besteht auch eine Datenlieferkette aus vielen verschiedenen Schritten und Teilnehmern, die zusammenarbeiten, um ein bestimmtes Produkt an einen bestimmten Ort oder eine bestimmte Personengruppe zu bringen, auch wenn es sich in diesem Fall um verwertbare oder analysierte Daten handelt.

Die typischen Schritte einer Lieferkette sind die Erstellung von Rohdaten, die Umwandlung und Integration dieser Rohdaten in verschiedene Systeme sowie die Nutzung oder Analyse dieser Daten, um sie für ein Unternehmen nutzbar zu machen. In einer Datenversorgungskette extrahiert das Unternehmen zunächst Daten in verschiedenen Formaten aus unterschiedlichen und oft isolierten Quellen und bereitet diese Daten so auf, dass sie in ein Repository geladen werden können, auf das später zur Analyse zugegriffen werden kann. Die Daten werden dann weiteren Prozessen wie Formatierung, Anreicherung und Bereinigung unterzogen, bevor sie analysiert und in einen Geschäftswert umgewandelt werden können.

Dies ist ein sehr einfacher Überblick über einen komplexen, zeitaufwändigen Prozess, für dessen Ausführung viele Tools und Akteure erforderlich sind – von fortschrittlichen Technologien wie maschinellem Lernen und Künstlicher Intelligenz (KI) bis hin zu menschlichen Datenexperten wie Datenarchitekten und Datenwissenschaftlern. Wie, wo und von wem genau Daten „umgewandelt“ werden, hängt davon ab, um welche Art von Informationen es sich handelt und was das Unternehmen damit machen möchte – von der Betrugserkennung bis hin zur Vorhersage von Anlagenausfällen.

Herausforderungen für die Daten-Lieferkette

Genauso wie die globale Lieferkette dafür verantwortlich ist, dass die Produkte in die Geschäfte und bis an die Haustür gelangen, steht auch die moderne Lieferkette, die Datenprodukte liefert, vor großen Herausforderungen wie Kosten und Komplexität.

1. Komplexität

Wie die Technologie-Stacks im Allgemeinen sind auch die Daten-Supply-Chains in den letzten fünf Jahren nur noch komplexer geworden. Komplexität ist nie gut für ein System. Oft jedoch, auch in der Welt der Technologie, werden Probleme dadurch gelöst, dass immer mehr Schichten oder Komponenten als Pflaster hinzugefügt werden, die am Ende alles verlangsamen und möglicherweise sogar das System zerstören, das mit diesen Pflastern repariert werden sollte.

Bei Daten-Supply-Chains ist das nicht anders. Wie bei den harten Gütern der globalen Versorgungskette gilt auch hier: Je mehr Daten die Welt produziert, desto schwieriger ist es, diese Daten durch die Versorgungskette zu bekommen, um die Datenprodukte zu erzeugen, auf die sich die Unternehmen für ihre datengesteuerte Entscheidungsfindung verlassen. Unternehmen neigen dazu, diesen Datenstrom zu bewältigen, indem sie immer mehr Schichten zu ihrem Supply-Chain-Management-System hinzufügen, was anfangs manchmal funktioniert, später aber oft zu kostspieligen Problemen in Form von Systemausfällen, Ausfallzeiten und möglicherweise sogar Datenschutzverletzungen führt.

2. Kosten

Die Kosten sind ein weiteres großes Problem von Daten-Supply-Chains, das direkt mit der Komplexität zusammenhängt. Durch die Komplexität bedingte Lücken und Ineffizienzen in der gesamten Lieferkette hindern Unternehmen daran, ihre Ziele im Bereich der Datenanalyse vollständig, zeitnah und kosteneffizient zu erreichen. Je komplexer ihre Lieferkette ist, desto mehr Fachwissen benötigen sie, um sie reibungslos ablaufen zu lassen, und desto mehr Zeit und Geld werden sie aufwenden müssen, um Fehler zu beheben.

3. Der Umgang mit strukturierten und unstrukturierten Daten

Die beträchtliche Zunahme der Menge an unstrukturierten Daten, die produziert werden, bringt die Daten-Lieferkette ebenfalls ins Wanken. Unstrukturierte Daten sind von Natur aus schwieriger zu definieren und zu verarbeiten, da sie nicht durch Zahlen dargestellt werden können. Der typische Weg, mit unstrukturierten Daten umzugehen, besteht darin, sie in einen Data Lake zu werfen, aber Data Lakes haben ihre eigenen Probleme mit Datenqualität, Zuverlässigkeit und Hacking.

Unternehmen versuchen, das Problem mit Geld zu lösen, indem sie in mehr Appliances und in Technologien wie KI investieren. Dies wird jedoch zu einem Teufelskreis, da sie ihrer Lieferkette nur mehr Infrastruktur hinzufügen, die nicht skalierbar ist, was wiederum die oben genannten Kosten- und Komplexitätsprobleme verschlimmert.


Verwandte Artikel

Pure Storage Germany GmbH

Anbieterkompass