Für Data Governance gibt es derzeit (2019) keine eindeutige Definition.
Stark vereinfacht ist es eine Form von Datenmanagement, das Regeln im Umgang mit Daten durch Datenrichtlinien vorgibt.
Dieses Regelwerk kann allgemeingültige als auch firmenspezifische Vorgaben beinhalten. Das Aufgabenspektrum beinhaltet u.a. Richtlinien zur:
• Bereitstellung von Daten
• Gestaltung der Zugriffsrechte
• Vernetzungsstrategien
• Datensicherheit
• Datenqualität
• Protokollierung der Datenverarbeitung
• Überwachung der definierten Vorgaben
• Überwachung gesetzlicher Vorgaben und Compliance-Anforderungen
• Umgang mit Legacy Systemen
• …

Data Governance verfolgt u.a. folgende Ziele:
• Systemverfügbarkeit sicherstellen
• Risiken erkennen und vermeiden
• Potenziale erkennen und nutzen
• IT-Kosten senken

Im Prinzip beschreibt Data Governance die Startbedingungen für INDUSTRIE 4.0

Das Institut der deutschen Wirtschaft Köln e.V. definiert 2019 den Begriff in ihrem Untersuchungsbericht wie folgt:
"Data Governance stellt das Rahmenwerk dar, welches die Grundlage für den Umgang mit und
die Bewirtschaftung von Daten in einem Unternehmen für alle Stakeholder bildet"

gehört zu: Big Data

Der Begriff Data Lake (dt. „Datensee“) steht für einen sehr großen und unstrukturierten Datenspeicher.
Er beinhaltet Daten im ursprünglichen Rohformat.
Das hat den Vorteil, dass die Daten vor der Speicherung nicht geprüft oder formatiert werden müssen.
Der Data Lake muss in der Lage sein beliebige Datenformate aufzunehmen, egal ob strukturiert oder unstrukturiert.
Dadurch werden verteilte Datensilos vermieden.
Data Lakes benötigen deswegen viel mehr Speicherkapazität als Data Warehouses.
Diese unverarbeiteten Rohdaten lassen sich schnell für unterschiedlichste Zwecke analysieren und sind ideal für maschinelles Lernen.
D.h. erst wenn die Daten benötigt werden, erfolgt die Aufbereitung der betroffenen Daten.
Dafür benötigt man dann allerdings leistungsstarke und intelligente Mechanismen, um diese riesigen Informationsmengen mit vertretbaren Antwortzeiten zu verarbeiten.
Es handelt sich hierbei um eine typische BIG DATA Anwendung.
Der Nutzen entsteht erst, wenn durch Data Mining aus diesen Rohdaten Smart Data gemacht werden,
ansonsten verkommt der Data Lake zum Datensumpf (Data Swamp). Mit geeigneten Data-Governance-Maßnahmen muss das jede Firma für sich verhindern.

Bildquelle: ©rolffimages - Fotolia.com

gehört zu: KI, Big Data, Smart Data

Menschen, die im Bereich Data Science arbeiten, werden als Data Scientist bezeichnet.
Sie sind primär damit beschäftigt, große Datenvolumen zu vergleichen und mit analytischen Fragestellungen neue Erkenntnisse zu generieren.
Merke: Der Data Scientist erzeugt aus wertlosen Rohdaten (Big Data) wertvolle Informationen (Smart Data). 

Der Data Scientist ist meiner Einschätzung nach einer der zukunftsträchtigsten Berufe!

Bildquelle: © rashadashurov - Adobe Stock & © Maksym Yemelyanov / stock.adobe.com

gehört zu: Big Data

Der Begriff Data Swamp (dt. „Datensumpf“) steht für einen „versumpften“ Data Lake.

Sämtliche Data Mining Ansätze laufen ins Leere, weil aufgrund verlorengegangener bzw. nicht gespeicherter Informationen oder fehlender Metadaten aus den gespeicherten Rohdaten keinerlei Mehrwert generierbar ist.
Mit geeigneten Data-Governance-Maßnahmen muss das jede Firma für sich verhindern, denn blindwütiges Sammeln von Daten ohne Plan kann schnell zu einem Data Swamp führen. Um ein Versumpfen zu verhindern, sollten zudem veraltete oder nicht mehr benötigte Daten automatisch im Data Lake erkannt und gelöscht werden.

Bild-Quelle: © Photobank / stock.adobe.com

gehört zu:  KI

Das Herausfiltern spezifischer Informationen aus einer großen Datenmenge wird als „Data-Mining" oder Mustererkennung bezeichnet.
Dazu werden Massendaten mit Datenanalyse- und Entdeckungsalgorithmen durchsucht mit dem Ziel, neue Muster, Querverbindungen und Trends zu erkennen.
Findet man solche Muster, dann werden die Daten zu Smart Data die neuen Erkenntnisgewinn bringen.
Um Fehlinterpretationen weitestgehend zu vermeiden, müssen die Entdeckungsalgorithmen Ausreißer und manipulierte Daten erkennen und aus der Bewertung entfernen.

Merke:

Data-Mining macht Big Data zu Smart Data

gehört zu: Assistenzsystem

Unter Datenanreicherung (Data Enrichment oder Data Enhancement) versteht man die Erweiterung von Datensätzen mit zusätzlichen Informationen. Üblicherweise werden digitale Stammdatenströme durch die Bordintelligenz eines kognitives Assistenzsystems angereichert und dadurch vollautomatische Prozessdaten generiert.
Voraussetzung dafür sind vollständige und fehlerfreie Stammdaten!

In einer hohen Ausbaustufe (z.B.: bei ValueFacturing) werden Prozessdaten nicht nur angereichert sondern vollständig neu generiert:

 Bildquelle: © Maschinenfabrik Reinhausen & Johann Hofmann

Dabei werden folgende Teilziele verfolgt:

• Integrität
   Ziel: Schutz vor Manipulationen
   Lösungsansatz: Virenscanner, Firewall, Verschlüsselungs- bzw. Kryptographieverfahren, Blockchain

• Verfügbarkeit
   Ziel: Ausfallsicherheit
   Lösungsansatz: Server Architektur, Cloud

• Kontrollierbarkeit
   Ziel: Prüfung durch Protokollierung
   Lösungsansatz: Speichersysteme

Im Gegensatz zum Datenschutz beschränkt sich die Datensicherheit nicht auf personenbezogene Daten.

Bildquelle: © REDPIXEL- Fotolia.com

Beispiel:

Merke:

In letzter Konsequenz wird für den Anwender der Digital Value wie folgt ankommen: 

• Im Backend wird Künstliche Intelligenz (KI) in unterschiedlichsten Ausprägungen wirken und die Enabler situativ integrieren.

• Als Frontend werden Apps auf unterschiedlichsten mobilen Geräten dem Menschen dienen oder ihn ersetzen.

Daraus entstehen neue Produkte und neue Geschäftsmodelle. Siehe hierzu auch die Lexikon Einträge zu E-Health und Smart-Home.

Bildquelle: ©Elnur - Fotolia.com

gehört zu: Virtualisierung

Als Digitaler Schatten werden die Prozessdaten bezeichnet, die Maschinen während ihres Betriebes erzeugen.
Dabei handelt es sich um Rohdaten, die auch als Digitaler Fußabdruck (digital footprint) bezeichnet werden.
Diese Daten sind zum einen der Input für Condition Monitoring und zum anderen bilden sie die Grundlage für umfassendere Erkenntnisse,
die durch Data Mining (Musterfindung in den Rohdaten) gewonnen werden können.

Abgrenzung:
Der Digitale Schatten darf nicht mit dem Digitalen Zwilling verwechselt werden, den dieser ist ein digitales (virtuelles) Abbild des realen Objektes.

Merke:
Digitaler Zwilling: digitales Abbild der echten Maschine
Digitaler Schatten: Rohdaten die die Maschine erzeugt

Die echte Maschine erzeugt den Digitalen Schatten in Form von Prozessdaten
Bildquelle: ©Johann Hofmann & Naturestock Adobe Stock & vegefox.com Adobe Stock & Cybrain Adobe Stock

gehört zu: Virtualisierung

Der Digitale Zwilling ist das virtuelle Abbild eines Produktes, das sein reelles Gegenstück ein Leben lang begleitet, denn anhand des digitalen Doppelgängers lässt sich vieles präzise voraussagen. Das Potenzial dahinter ist groß: Statt teurer Prototypen und langwieriger Versuchsketten lassen sich mit diesen Abbildern allerhand Szenerien im kompletten Produktentwicklungsprozess innerhalb kürzester Zeit durchspielen, Lösungsstrategien entwickeln und verwerfen, Verbesserungsmöglichkeiten ausloten und umsetzen.

Abgrenzung:
Der Digitale Zwilling darf nicht mit dem Digitalen Schatten verwechselt werden.

Merke:
Digitaler Zwilling: digitales Abbild der echten Maschine
Digitaler Schatten: Rohdaten die die Maschine erzeugt

 Bildquelle: © unlimit3d - Fotolia.com

gehört zu: Digital Value

Disruptive Technologien ersetzen etablierte Technologien vollständig und verdrängen diese in kurzer Zeit vom Markt.
Meist sind sie zu Beginn qualitativ schlechter, holen aber nach und nach an ihre Vorgänger auf und übertreffen diese nach geraumer Zeit.

 Im Gegensatz zu Disruptive Technologien stehen Transformatorische Technologien