Startseite Themen Datenlebenszyklus-Management Was ist Data-Lifecycle-Management (DLM)?
DLM-Lösung von IBM erkunden Für KI-Updates anmelden
 Illustration mit Collage von Cloud-Piktogrammen, Tortendiagramm, Grafikpiktogrammen zu folgenden Themen
Was ist DLM?

Das Data-Lifecycle-Management (DLM) ist ein Ansatz für die Verwaltung von Daten während ihres gesamten Lebenszyklus, von der Datenanforderung bis zur Datenlöschung. Die Daten werden nach verschiedenen Kriterien in Phasen unterteilt und durchlaufen diese Phasen, wenn sie verschiedene Aufgaben erledigen oder bestimmte Anforderungen erfüllen.

Ein guter DLM-Prozess sorgt für Struktur und Organisation der Unternehmensdaten, was wiederum wichtige Ziele innerhalb des Prozesses, wie Datensicherheit und Datenverfügbarkeit, ermöglicht.  

Diese Ziele sind für den Geschäftserfolg entscheidend und nehmen mit der Zeit an Bedeutung zu. DLM-Richtlinien und -Prozesse ermöglichen es Unternehmen, sich auf die verheerenden Folgen vorzubereiten, sollte ein Unternehmen von Data Breach, Datenverlusten oder Systemausfällen betroffen sein.

Eine gute DLM-Strategie priorisiert Datenschutz und Notfallwiederherstellung, insbesondere da mit dem schnellen Datenwachstum immer mehr böswillige Akteure auf den Markt kommen. Auf diese Weise steht im Katastrophenfall bereits ein effektiver Datenwiederherstellungsplan bereit, der einige der verheerenden Auswirkungen auf das Endergebnis und den allgemeinen Ruf einer Marke eindämmt.

Data-Lifecycle-Management vs. Information-Lifecycle-Management

Information-Lifecycle-Management (ILM) wird oft synonym mit Data-Lifecycle-Management verwendet. Es ist zwar Teil der Datenverwaltungspraxis, unterscheidet sich aber vom DLM.  

Das Data-Lifecycle-Management überwacht Daten auf Dateiebene, d. h. es verwaltet Dateien basierend auf Typ, Größe und Alter. Das ILM hingegen verwaltet die einzelnen Datenelemente innerhalb einer Datei und gewährleistet die Genauigkeit der Daten und zeitnahe Aktualisierungen. Hierzu zählen beispielsweise Benutzerinformationen wie E-Mail-Adressen oder Kontostände.  

KI-Lebenszyklus mit Data Science und MLOps operationalisieren

In diesem E-Book erfahren Sie, warum Führungskräfte heute MLOps einsetzen, um eine schnellere und genauere, datengestützte Entscheidungsfindung zu ermöglichen.

Ähnliche Inhalte

Registrieren Sie sich für das Whitepaper über KI-Governance

Phasen des Data-Lifecycle-Management

Ein Datenlebenszyklus besteht aus einer Reihe von Phasen im Verlauf seiner Nutzungsdauer. Jede Phase wird durch eine Reihe von Richtlinien geregelt, die den Wert der Daten in jeder Phase des Lebenszyklus maximieren. DLM wird immer wichtiger, da das in Geschäftsabläufe integrierte Datenvolumen immer weiter wächst. 

Phase 1: Datenerstellung

Ein neuer Datenlebenszyklus beginnt mit der Datenerfassung, doch gibt es zahlreiche Datenquellen. Sie können von Web- und Mobilanwendungen, Geräten des Internets der Dinge (IoT), Formularen, Umfragen und mehr reichen. Obwohl Daten auf verschiedene Weise generiert werden können, ist die Erfassung aller verfügbaren Daten nicht für den Erfolg Ihres Unternehmens erforderlich. Die Einbindung neuer Daten sollte immer anhand ihrer Qualität und Relevanz für Ihr Unternehmen bewertet werden. 

Phase 2: Datenspeicher

Die Daten können sich auch in ihrer Struktur unterscheiden, was Auswirkungen auf die Art der Datenspeicher hat, die ein Unternehmen verwendet. Strukturierte Daten nutzen in der Regel relationale Datenbanken, während unstrukturierte Daten in der Regel NoSQL oder nicht-relationale Datenbanken verwenden. Sobald die Art des Speichers für den Datensatz festgelegt ist, kann die Infrastruktur auf etwaige Sicherheitslücken untersucht werden. Die Daten können verschiedenen Arten der Datenverarbeitung unterzogen werden, wie z. B. Datenverschlüsselung und Datenkonvertierung, um das Unternehmen vor böswilligen Akteuren zu schützen. Diese Art der Datenverwaltung stellt außerdem sicher, dass sensible Daten die Datenschutz- und behördlichen Anforderungen wie die DSGVO erfüllen, sodass Unternehmen kostspielige Bußgelder im Zusammenhang mit diesen Arten von Vorschriften vermeiden können. 

Ein weiterer Aspekt des Datenschutzes ist der Fokus auf Datenredundanz. Eine Kopie aller gespeicherten Daten kann in Situationen wie bei der Löschung oder Beschädigung von Daten als Backup dienen und schützt vor versehentlichen und vorsätzlichen Änderungen der Daten, wie Malware-Angriffen.  

Phase 3: Weitergabe und Nutzung von Daten

In dieser Phase werden die Daten für Geschäftsanwender verfügbar. Mit DLM können Unternehmen festlegen, wer die Daten und zu welchem Zweck verwenden kann. Sobald die Daten verfügbar sind, können sie für eine Reihe von Analysen genutzt werden – von der grundlegenden explorativen Datenanalyse und Datenvisualisierung bis hin zu fortgeschritteneren Methoden wie Data Mining und maschinellem Lernen. Alle diese Methoden spielen eine Rolle bei der Entscheidungsfindung und der Kommunikation mit verschiedenen Stakeholdern im Unternehmen. 

Außerdem ist die Datennutzung nicht unbedingt auf den internen Gebrauch beschränkt. Beispielsweise könnten externe Dienstleister die Daten für Zwecke wie Marketinganalysen und Werbung verwenden. Zur internen Verwendung gehören alltägliche Geschäftsprozesse und Workflows, beispielsweise Dashboards und Präsentationen.

Phase 4: Datenarchivierung

Nach einer bestimmten Zeit sind Daten für den täglichen Betrieb nicht mehr nützlich. Es ist jedoch wichtig, Kopien der Unternehmensdaten, auf die nicht häufig zugegriffen wird, für potenzielle Rechtsstreitigkeiten und Ermittlungen aufzubewahren. Die archivierten Daten können bei Bedarf in einer aktiven Produktionsumgebung wiederhergestellt werden. 

Die DLM-Strategie eines Unternehmens sollte klar definieren, wann, wo und wie lange Daten archiviert werden sollen. In dieser Phase durchlaufen die Daten einen Archivierungsprozess, der Redundanz gewährleistet.

Phase 5: Datenlöschung 

In dieser letzten Phase des Lebenszyklus werden die Daten aus den Aufzeichnungen gelöscht und sicher vernichtet. Unternehmen löschen Daten, die sie nicht mehr benötigen, um mehr Speicherplatz für aktive Daten zu schaffen. In dieser Phase werden Daten aus den Archiven entfernt, wenn sie die erforderliche Aufbewahrungsfrist überschritten haben oder keinen sinnvollen Zweck mehr für das Unternehmen erfüllen.

Vorteile des Data-Lifecycle-Management

Das Data-Lifecycle-Management bietet mehrere wichtige Vorteile, darunter: 

• Prozessverbesserung: Daten spielen eine entscheidende Rolle bei der Umsetzung der strategischen Initiativen eines Unternehmens. Das DLM trägt zur Pflege der Datenqualität während des gesamten Lebenszyklus bei, was wiederum eine Prozessverbesserung ermöglicht und die Effizienz erhöht. Eine gute DLM-Strategie stellt sicher, dass die den Benutzern zur Verfügung stehenden Daten korrekt und zuverlässig sind und Unternehmen den Wert ihrer Daten maximieren können.

• Kostenkontrolle: Ein DLM-Prozess misst Daten in jeder Phase ihres Lebenszyklus einen Wert zu. Sobald Daten für Produktionsumgebungen nicht mehr nützlich sind, können Unternehmen eine Reihe von Lösungen nutzen, um Kosten wie Daten-Backup, Replikation und Archivierung zu senken. So können die Daten beispielsweise auf kostengünstigere On-Premises-Speicher, in die Cloud oder in ein Network-Attached Storage verschoben werden.

• Datenverwendbarkeit: Mit einer DLM-Strategie können IT-Teams Richtlinien und Verfahren entwickeln, die sicherstellen, dass alle Metadaten einheitlich gekennzeichnet werden und die Barrierefreiheit bei Bedarf verbessert werden kann. Durch die Einrichtung durchsetzbarer Governancerichtlinien wird der Wert von Daten für ihren gesamten Aufbewahrungszeitraum sichergestellt. Die Verfügbarkeit von sauberen und nützlichen Daten erhöht die Agilität und Effizienz von Unternehmensprozessen.

• Compliance und Governance: Jede Branche hat ihre eigenen Regeln und Vorschriften für die Datenaufbewahrung, und eine solide DLM-Strategie hilft Unternehmen bei ihrer Einhaltung. DLM ermöglicht es Unternehmen, Daten effizienter und sicherer zu verarbeiten und gleichzeitig die Datenschutzgesetze im Hinblick auf personenbezogene Daten und Unternehmensdatensätze einzuhalten.

Ressourcen IBM Security Framing and Discovery Workshop

Analysieren Sie in dieser kostenlosen 3-stündigen Design-Thinking-Session, an der Sie virtuell oder persönlich teilnehmen können, Ihre Cybersicherheitslandschaft und priorisieren Sie Ihre nächsten Initiativen gemeinsam mit erfahrenen IBM Security Architects und Consultants.

Entwicklung einer Strategie für die Datenintegration und das Lebenszyklusmanagement in einer Hybrid-Umgebung

In diesem E-Book erfahren Sie, wie Sie eine Strategie für die Datenintegration und das Lebenszyklusmanagement in einer Hybridumgebung entwickeln und ausführen.

Lösungen für die Information Lifecycle Governance

In diesem E-Book erfahren Sie mehr über verschiedene Lösungen für die Information Lifecycle Governance.

Indische Staatsbank

Erfahren Sie, wie die indische Staatsbank mit mehreren IBM Lösungen und der IBM Garage™ Methodik eine umfassende Online-Banking-Plattform entwickelt hat.

The Data Differentiator: Ein Leitfaden für Leader

Erfahren Sie mehr über die strategischen Schritte zur Entwicklung und Implementierung einer Datenstrategie, die Ihnen Wettbewerbsvorteile verschafft.

IBM Research Publikationen lesen

IBM Research wird regelmäßig in neue Funktionen für IBM Cloud Pak for Data integriert

Machen Sie den nächsten Schritt

Skalieren Sie KI-Workloads für alle Ihre Daten, überall, mit IBM watsonx.data, einem zweckmäßigen Datenspeicher, der auf einer offenen Lakehouse-Architektur basiert.

watsonx.data erkunden Buchen Sie eine Live-Demo