Eine zu späte Datenherkunftsanalyse schafft Vertrauenslücken: Warum Unternehmen Transparenz von ihren Stammdatensystemen bis hin zu KI benötigen

Dieser Blogbeitrag ist der zweite Teil einer Reihe, die die Zusammenarbeit von Rocket Software und Ataccama beim Aufbau vertrauenswürdiger, durchgängiger Datenanalysen in Unternehmen untersucht. Im ersten Teil analysierte Ataccama, warum die vollständige Datenherkunft von der Transparenz über Mainframe-, verteilte und Cloud-Umgebungen hinweg abhängt. In diesem Beitrag gehen wir der Frage nach, warum diese Transparenz so wichtig ist und welche Rolle die vollständige Datenherkunft beim Aufbau von Vertrauen in Reporting, Governance, KI und Entscheidungsfindung spielt.

Zusammenfassung

• Eine vollständige Herkunftsnachverfolgung muss beim Ursprungssystem und nicht beim Verbrauchspunkt beginnen, um Vertrauen in Berichterstattung, Governance, Analysen und KI zu schaffen.
• Fehlende Transparenz hinsichtlich der Datenherkunft führt zu Vertrauenslücken. Ohne Einblick in die Herkunft und die Veränderungen der Daten treffen Organisationen Entscheidungen auf Basis unvollständiger Informationen.
• Da KI Entscheidungen und Handlungen beeinflusst, benötigen Organisationen nachvollziehbare, kontrollierte Daten, die Einblick in ihren gesamten Lebenszyklus und den Geschäftskontext bieten.
• Die durchgängige Herkunftsnachverfolgung verbessert Untersuchungen zur Datenqualität, das regulatorische Berichtswesen, die Modernisierungsplanung und die KI-Bereitschaft, indem sie nachgelagerte Ergebnisse mit vorgelagerten Quellen und Abhängigkeiten verknüpft.
• Gemeinsam bieten Rocket und Ataccama kontinuierliche Transparenz von operativen Systemen bis hin zu modernen Datenplattformen und helfen Unternehmen so, von fragmentierter Transparenz zu einem entscheidungsreifen Kontext zu gelangen.

Warum die vollständige Abstammung die Grundlage des Vertrauens bildet

Die meisten Datenstrategien von Unternehmen gehen davon aus, dass Vertrauen entsteht, sobald Daten ein Cloud-Data-Warehouse, eine Anwendung, ein Dashboard, ein KI-Modell oder einen Agenten erreichen. Doch ein Großteil des Kontextes, der darüber entscheidet, ob die dort ankommenden Daten vertrauenswürdig sind, liegt bereits mehrere Schritte zuvor.

Viele kritische Geschäftsdaten entstehen nicht in der Cloud. Sie entstehen in den operativen Systemen, die den Geschäftsbetrieb am Laufen halten: Schadenbearbeitungsplattformen, Policen-, Zahlungs- und Kundenkontosysteme sowie Legacy-Systeme, die weiterhin als Datenspeicher dienen.

Deshalb kann die Herkunftsanalyse eines Unternehmens nicht am Verbrauchspunkt beginnen. Sie muss am Ursprungspunkt beginnen.
Ataccamas erster Blogbeitrag dieser Reihe hebt einen wichtigen Punkt hervor: Datenherkunft ist nur dann sinnvoll, wenn sie vollständig ist. In komplexen Unternehmensumgebungen fragmentiert die Datenherkunft, sobald Systeme außerhalb des Graphen liegen. Diese Fragmentierung birgt Risiken für die Berichterstattung an Aufsichtsbehörden, Untersuchungen zur Datenqualität, Folgenabschätzungen, Governance und KI-gestützte Schlussfolgerungen.

Rocket geht diese Herausforderung genau dort an, wo sie entsteht, indem es die Datenherkunft in die Systeme ausdehnt, aus denen kritische Geschäftsdaten stammen.

Die Lücke in der Herkunftsdokumentation ist nicht nur eine technische Abdeckungslücke. Es ist eine Vertrauenslücke.

Wenn Organisationen Daten nicht von den Systemen, in denen sie entstanden sind, bis hin zu den Systemen, die sie transformieren, speichern, analysieren und nutzen, zurückverfolgen können, sind sie gezwungen, Entscheidungen auf der Grundlage unvollständiger Informationen zu treffen. Sie wissen zwar, wo ein Datenbestand gelandet ist, aber nicht, welcher operative Prozess ihn erzeugt hat. Sie können zwar eine Kennzahl in einem Bericht sehen, aber nicht jede vorgelagerte Transformation, die zu dieser Kennzahl geführt hat. Sie können zwar ein Datenqualitätsproblem in einem Dashboard identifizieren, aber nicht die zugrunde liegende Ursache.

Das schwächt das Vertrauen in genau jene Initiativen, die moderne Datenprogramme eigentlich unterstützen sollen.

Das Problem mit der Abstammung, die stromabwärts beginnt

Unternehmen haben massiv in moderne Datenplattformen investiert. Diese Investitionen haben zu besseren Analysen, einem breiteren Datenzugriff und skalierbareren Governance-Programmen geführt. Gleichzeitig haben sie aber auch einen häufigen blinden Fleck geschaffen: Organisationen erhalten erst nach der Datenmigration Einblick in ihre Daten.
Diese Sichtweise auf die nachgelagerten Bereiche ist zwar wertvoll, aber unvollständig.

Die Herausforderung wird immer dringlicher, da Unternehmen den Einsatz von KI und datengestützter Entscheidungsfindung ausweiten. Gartner^® prognostiziert, dass Unternehmen bis 2026 60 % der KI-Projekte, die nicht durch KI-fähige Daten gestützt werden, aufgeben werden.¹ Die

Gleichzeitig erzielen 36 % der Unternehmen immer noch mehr als die Hälfte ihres Umsatzes mit Mainframe-Anwendungen, und 21 % erzielen mehr als drei Viertel.² Wenn die Datenherkunft im Data Warehouse, Lakehouse, der BI-Plattform oder im KI-Workflow beginnt, können wichtige Geschäftsregeln, Transformationen, Dateiverschiebungen, Batch-Jobs, Anwendungslogik und Quellsystemabhängigkeiten, die die Daten vor ihrem Eintreffen geprägt haben, verloren gehen.

Unternehmensleiter, Governance-Teams und Dateningenieure benötigen alle Antworten auf die gleichen grundlegenden Fragen: Woher stammen die Daten, welche Systeme und Prozesse haben sie erzeugt, wie haben sie sich im Laufe der Zeit verändert und welche nachgelagerten Berichte, Anwendungen, Modelle und Geschäftsprozesse hängen davon ab?

Warum der Quellsystemkontext heute wichtiger ist denn je

Die Datenherkunft ist seit Langem wichtig für Governance, Compliance und Datenqualität. Ihre Bedeutung nimmt jedoch zu, da Unternehmen von einer analysegesteuerten Datennutzung zu KI-gestützter Entscheidungsfindung und agentenbasierten Arbeitsabläufen übergehen.

KI-Initiativen hängen von mehr als nur der Verfügbarkeit von Daten ab. Sie benötigen Daten, die präzise, ​​nachvollziehbar, aktuell, kontrolliert und mit dem Geschäftskontext verknüpft sind.

Der Geschäftskontext entsteht in den operativen Systemen, in denen Geschäftsvorgänge stattfinden. In vielen Organisationen, insbesondere in regulierten Branchen, umfassen diese Systeme weiterhin Mainframe- und Legacy-Plattformen, die nach wie vor die maßgebliche Quelle kritischer Unternehmensdaten darstellen. Wenn diese Umgebungen nicht in die Datenherkunftsanalyse einbezogen sind, fehlt den Organisationen nicht nur ein technischer Knotenpunkt im Datengraphen. Ihnen fehlt die operative Wahrheit hinter den Daten.

Das hat reale Konsequenzen.

Die Verteidigung eines behördlichen Berichts wird schwieriger, wenn Teams die Zahlen nicht auf die Systeme zurückführen können, die sie erzeugt haben. Die Behebung eines Datenqualitätsproblems dauert länger, wenn Teams zwar den Fehler im nachgelagerten System erkennen, aber nicht die Ursache im vorgelagerten. Jede Änderungsinitiative wird riskanter, wenn Teams nicht verstehen, welche Berichte, Anwendungen, Datenprodukte oder KI-Pipelines von dem geänderten System abhängen. Eine KI-Initiative wird schwieriger zu steuern, wenn Teams die Herkunft der Daten, die den Modellausgaben oder Agentenempfehlungen zugrunde liegen, nicht nachweisen können.

Warum KI die Bedeutung der Abstammung erhöht

KI verändert die Erwartungen von Unternehmen an ihre Daten. Es reicht nicht mehr aus, dass Daten verfügbar, katalogisiert oder für die Verwendung in einem Dashboard freigegeben sind. Da Daten zunehmend als Grundlage für Systeme wie Copiloten, Modelle, Agenten und automatisierte Entscheidungsprozesse dienen, müssen Unternehmen verstehen, ob diese Daten ausreichend nachvollziehbar sind, um ihnen zu vertrauen. Dies erfordert mehr als nur die Betrachtung des finalen Datenprodukts. Es bedarf Transparenz über den gesamten Datenweg, bevor die Daten in einen KI-Workflow gelangen.

KI-Systeme erben die blinden Flecken der Daten, mit denen sie gespeist werden. Wenn die Datenherkunftsanalyse erst beginnt, nachdem Daten bereits transformiert, aggregiert, repliziert oder aus ihrem Quellsystemkontext getrennt wurden, können Teams nicht erklären, wie diese Daten entstanden sind, was sich dabei verändert hat oder welche Annahmen darin enthalten sind.

Da KI sich von der reinen Informationsgenerierung hin zur Beeinflussung von Entscheidungen und Handlungen entwickelt, gewinnen diese Lücken zunehmend an Bedeutung. Geschäftsanwender benötigen die Gewissheit, dass KI-generierte Antworten, Empfehlungen und optimale Handlungsoptionen auf aktuellen, verlässlichen und nachvollziehbaren Informationen basieren.

Hier wird die Datenherkunft zu einem grundlegenden Bestandteil der KI-Bereitschaft. Sie liefert den Nachweis, dass Organisationen die Daten hinter den intelligenten Informationen verstehen und nachweisen können, woher diese Daten stammen, wie sie sich verändert haben und warum sie vertrauenswürdig sind.

Was eine vollständige Abstammungslinie ermöglicht

Wenn die Datenherkunft von operativen Systemen auf moderne Datenplattformen erweitert wird, gewinnen Unternehmen mehr als nur eine bessere Datenstruktur. Sie erhalten den Kontext, der für fundiertere Entscheidungen notwendig ist.

Schnellere Ursachenanalyse von Datenqualitätsproblemen: Probleme mit der Datenqualität treten oft erst später auf, ihre Ursache liegt jedoch meist viel früher im Datenfluss. Fehler in Quellfeldern, Batch-Jobs, Transformationsprozessen oder widersprüchliche Geschäftsdefinitionen können Probleme verursachen, die an anderer Stelle sichtbar werden. Dank vollständiger Datenherkunft können Teams Probleme bis zu ihrer Quelle zurückverfolgen, anstatt sich auf manuelle Untersuchungen und unzusammenhängende Dokumentationen zu verlassen. Das reduziert den Aufwand und erhöht das Vertrauen in die Problembehebung.

Nachvollziehbarere Meldepflichten: Meldepflichten erfordern mehr als nur korrekte Zahlen. Unternehmen müssen nachweisen können, woher eine Zahl stammt, wie sie berechnet wurde und wie sie sich im System bewegt hat. Fehlt das zugrundeliegende System in der Datenherkunft, wird der Nachweis der Datenkette schwierig. Eine vollständige Datenherkunft verknüpft die Meldeergebnisse mit den operativen Systemen und Transformationen, die sie erzeugt haben.

Sicherere Modernisierung: Vor der Modernisierung, dem Austausch, der Integration oder der Außerbetriebnahme eines Systems benötigen Teams Einblick in die Berichte, Anwendungen, Datenprodukte, Prozesse und KI-Pipelines, die davon abhängen. Altsysteme enthalten oft über Jahre angesammelte Geschäftslogik und Abhängigkeiten, die andernorts nur unzureichend dokumentiert sind. Die vollständige Nachverfolgung der Systemhierarchie legt diese Zusammenhänge offen, bevor Änderungen vorgenommen werden. So können Teams Risiken frühzeitig erkennen und Modernisierungsentscheidungen mit größerer Sicherheit treffen.

Stärkere KI- und Agentenbereitschaft: KI-Systeme, Copiloten und Agenten sind auf nachvollziehbare und kontrollierte Daten angewiesen. Wenn die Datenherkunft bis zu den operativen Quellen zurückverfolgt werden kann, erhalten Organisationen den nötigen Kontext, um die Daten hinter KI-generierten Ergebnissen und Entscheidungen zu verstehen, zu steuern und ihnen zu vertrauen.

Wo Rocket und Ataccama passen

Ataccama ONE bietet eine zentrale Plattform für Herkunftsanalyse und Governance, auf der Teams unternehmensweit Herkunftsdaten nutzen, verwalten und darauf reagieren können. Rocket Scanner fungieren in dieser Umgebung als unterstützte Herkunftsdatenquellen, sodass die von Rocket generierten Metadaten im selben Diagramm und in derselben Benutzeroberfläche wie die von den nativen Scannern von Ataccama erzeugten Herkunftsdaten angezeigt werden.

Rocket erweitert diese Transparenz auf operative Systeme, Anwendungen, Datenbanken, Jobs, Code und Transformationsprozesse, die häufig außerhalb der modernen Datenherkunftsanalyse liegen. Rocket und Ataccama verbinden gemeinsam die Umgebungen, in denen kritische Unternehmensdaten entstehen, mit den modernen Plattformen, auf denen diese Daten verwaltet, analysiert und zunehmend von KI genutzt werden.

Die Nachverfolgung der Datenherkunft in modernen Plattformen ist nur ein Teil der Herausforderung. Die deutlich komplexere Aufgabe besteht darin, Daten durch jahrzehntelang verschachtelte Transformationslogik im prozeduralen Code, komplexe Jobplanung und -orchestrierung mit bedingten Verzweigungen sowie fragmentierte, nicht-relationale Speicher ohne Kontext zu verfolgen. Rockets umfassende Erfahrung in komplexen Betriebsumgebungen erweitert die Datenherkunft auf die Systeme, in denen kritische Geschäftsdaten erzeugt werden – jene Systeme, die Rocket seit Jahren gemeinsam mit Unternehmen betreibt und modernisiert.

Ohne Einblick in die vorgelagerten Systeme und Transformationspunkte sehen Unternehmen nur die späteren Phasen des Datenflusses. Rocket und Ataccama bieten gemeinsam eine durchgängige Sicht vom operativen Ursprung bis zur kontrollierten Nutzung und helfen Teams so zu verstehen, wo Daten nicht nur gelandet sind, sondern auch woher sie stammen, wie sie sich verändert haben und was von ihnen abhängt.

Hier wird die Herkunftsnachverfolgung mehr als nur Dokumentation. Sie wird zu einem Vertrauensmechanismus.
Betrachten wir eine häufige Herausforderung für Finanzinstitute: die Validierung einer kritischen Kennzahl in der Berichterstattung und den Nachweis ihrer Herkunft.

Was passiert, wenn eine Meldenummer nicht auf ihren Ursprung zurückgeführt werden kann?

Vorher: fragmentierte Abstammungslinie

Ein Finanzdienstleistungsunternehmen erstellt einen vierteljährlichen Bericht für die Aufsichtsbehörden. Die gemeldeten Zahlen sind in der Analyseumgebung sichtbar, die Datenherkunft bricht jedoch ab, bevor die Systeme erreicht werden, aus denen die zugrunde liegenden Konto-, Transaktions- und Saldendaten stammen.

Wenn ein Prüfer die Zahl in Frage stellt, untersuchen Dateningenieure, Anwendungsteams, Analysten und Verantwortliche für die Datenverwaltung jeweils ihren Teil des Prozesses. Ohne einen vollständigen Überblick von der Quelle bis zum Bericht wird der Nachweis der Herleitung der Zahl zu einem langwierigen manuellen Unterfangen.

Das Ergebnis: verzögerte Validierung, erhöhter Prüfungsaufwand und geringeres Vertrauen in die Fähigkeit der Organisation, die gemeldeten Zahlen zu verteidigen.

Nach: Rocket Data Intelligence und Ataccama

Mit Rocket Data Intelligence, das die Datenherkunft in operative Systeme erweitert, und Ataccama, das eine zentrale Herkunfts- und Governance-Lösung bietet, können Teams die Daten aus dem Bericht bis zu ihren Ursprungssystemen, Transformationen und Abhängigkeiten zurückverfolgen.

Wenn die Zahl angezweifelt wird, kann die Organisation schnell erkennen, woher die Daten stammen, wie sie sich verändert haben und welche Systeme zum Endergebnis beigetragen haben.

Das Ergebnis: schnellere Validierung, höheres Vertrauen in die Prüfergebnisse, geringerer manueller Aufwand und eine verlässlichere Grundlage für Berichterstattung, Governance und KI-Initiativen.

Im nächsten Artikel werden wir untersuchen, wie vertrauenswürdige Datenherkunft, Metadaten und Geschäftskontext zur KI-Bereitschaft beitragen und Unternehmen dabei helfen, Vertrauen in die Daten zu gewinnen, die Analysen, Automatisierung, Copiloten und Agenten ermöglichen.

Erfahren Sie in der Zwischenzeit, wie Rocket Data Intelligence und Ataccama zusammenarbeiten, um eine durchgängige Transparenz über operative und moderne Datenumgebungen hinweg zu gewährleisten.

Über diese Serie

Die Reihe begann mit der Untersuchung, warum unvollständige Herkunftsnachweise blinde Flecken erzeugen. Ataccama zeigte, wie die Erweiterung der Transparenz über Mainframe-, verteilte und Cloud-Umgebungen hinweg die vollständige Herkunftsnachverfolgung schafft, die zur Unterstützung von Governance-, Analyse-, Modernisierungs- und KI-Initiativen erforderlich ist.

Im nächsten Artikel untersucht Ataccama den Wandel von erklärbaren Daten hin zu einer kontrollierten Datennutzung. Die vollständige Nachverfolgbarkeit der Datenherkunft über verschiedene Umgebungen hinweg hilft Unternehmen, Datenursprung, Transformationen, Abhängigkeiten und die Auswirkungen von Änderungen nachgelagerter Prozesse zu verstehen. Governance beantwortet dann die entscheidende Frage: Sollten diese Daten für diese Entscheidung verwendet werden? Da KI einen immer größeren Einfluss auf Geschäftsergebnisse gewinnt, benötigen Unternehmen beide Antworten. Hier wird richtlinienbasierte Governance unerlässlich.