• More
Menu Search

Auto-Classification

Transparente und vertretbare Auto-Klassifizierung speziell für Records Manager vom Branchenprimus im Bereich Records Management

Die für Information Governance von Unternehmensdaten verantwortlichen Fachkräfte wissen, dass ein wesentliches Ziel von fundierten Information Governance-Programmen das so genannte defensible disposal, also die vertretbare „Entsorgung“, von unstrukturierten Inhalten und Daten ist. Das Problem ist, dass diese Fachkräfte auch wissen, dass nur wenige Unternehmen Inhalte, die keinen geschäftlichen oder rechtlichen Wert mehr haben, tatsächlich löschen.

Was hält sie davon ab? Es liegt einfach daran, dass die Implementierung eines durchdachten Records Management-Systems im Rahmen der Information Governance-Strategie von Unternehmen mit vielen Herausforderungen einhergeht.

Dazu zählen u. a. die explosionsartige Zunahme der Datenmengen, die Schwierigkeiten bei der genauen Unterscheidung zwischen geschäftsrelevanten Daten und „transienten“ oder nicht geschäftsrelevanten Inhalten, die stark schrumpfenden IT-Budgets und die notwendige Integration von Daten aus älteren Systemen oder Aktivitäten im Rahmen von Fusionen und Übernahmen.

Das Paradoxon der Klassifizierung: Die Herausforderung

Für Records Manager und andere Personen, die für die Erstellung und Durchsetzung von Klassifizierungsrichtlinien und Archivierungsplänen sowie für andere Aspekte einer programmatischen Planung für das Records Management verantwortlich sind, lässt sich das Problem mit herkömmlichen, manuellen Klassifizierungsmethoden als Paradoxon der Klassifizierung zusammenfassen.

Die Kernaufgabe besteht darin, dass Inhalte klassifiziert oder verstanden werden müssen, um ermitteln zu können, welche Inhalte zu archivieren sind, wie lange sie aufbewahrt werden müssen und wann sie entsorgt bzw. vernichtet werden können.  Die verantwortliche Aufbewahrung und Löschung von Daten verringert die Prozessrisiken und die Discovery- und Speicherkosten und sorgt dafür, dass Unternehmen die gesetzlichen und behördlichen Auflagen einhalten.

Paradoxerweise ist Klassifizierung das Letzte, was Endanwender wirklich tun möchten (oder wozu sie in der Lage).  Aus Anwendersicht ist das Aussortieren von transienten Daten aus Datensätzen ein zeitaufwändiger, komplexer und kontraproduktiver Vorgang. Zudem hat die Beliebtheit von mobilen Geräten und Social Media-Anwendungen zu einer Fragmentierung des Content Authoring-Markts geführt und die Möglichkeit, einheitliche Klassifizierungstools in Endbenutzer-Anwendungen zu integrieren, zunichte gemacht.

Wenn keine Klassifizierung implementiert wird, gibt es natürlich gravierende Folgen, wenn Vertreter von Regulierungsbehörden oder Prüfer zur Vorlage von Berichten zum Nachweis des unternehmensinternen Records- und Archivierungsmanagement-Programms auffordern.

Neben den anwenderseitigen Bedenken kämpfen Records Manager auch mit der Durchsetzung von Richtlinien, die auf manuellen, von Menschen bestimmten Methoden basieren. Wenn die Klassifizierung den Anwendern überlassen wird, lassen die Genauigkeit und einheitliche Anwendung oft zu wünschen übrig, wodurch Kosten in Form von Produktivitätsverlusten entstehen. Diese Probleme führen wiederum zu geschäftlichen und rechtlichen Risiken und bergen die Gefahr, dass das gesamte Records Management-Programm im Hinblick auf seine Skalierfähigkeit schnell untragbar wird.

Des Rätsels Lösung: Auto-Klassifizierung für ein vertretbares und transparentes Records Management-Programm

Was ist also des Rätsels Lösung? Wie können Unternehmen die Herausforderungen durch das Paradoxon der Klassifizierung überwinden? Die Anforderung liegt auf der Hand: eine Lösung, die richtliniengemäß Funktionen für das automatische Identifizieren, Klassifizieren, Abrufen und letztlich auch Archivieren und Löschen von elektronischen Geschäftsdaten und transienten Daten bietet. Die Antwort? OpenText Auto-Classification.

OpenText Auto-Classification ist eine Lösung der nächsten Generation, die branchenführendes Records Management mit innovativen semantischen Funktionen für die Klassifizierung von Daten und Inhalten kombiniert. Durch diese Lösung erübrigt sich für Geschäftsanwender das manuelle Identifizieren von Datensätzen und Anwenden notwendiger Klassifizierungsregeln. Durch die Entlastung des Endanwenders können Records Manager die Einheitlichkeit der Klassifizierung optimieren und Vorschriften und Richtlinien besser durchsetzen.

Noch wichtiger jedoch ist die Tatsache, dass Records Manager mit OpenText Auto-Classification die Möglichkeit haben, einen vertretbaren Klassifizierungsansatz nachzuweisen, der auf statistisch relevanter Stichprobenprüfung und Qualitätskontrolle basiert. Infolgedessen wird das Risiko von behördlichen Bußgeldern und eDiscovery-Sanktionen minimiert.

OpenText Auto-Classification bietet eine Lösung mit dem Besten aus beiden Welten für bislang extrem kostenaufwändige und schwer zu lösende Probleme.

Dank dieser praktischen Lösung, mit der Geschäftsanwender die ständig wachsenden Mengen an Low Touch-Daten, wie Inhalte von E-Mail-Nachrichten und sozialen Medien, nicht mehr sortieren und klassifizieren müssen, können Records Manager und Unternehmen insgesamt ein vertretbares, vollständig transparentes Records Management-Programm im Rahmen ihrer breiter angelegten Information Governance-Strategie einrichten.

Vorteile

Anwendung von Records Management-Klassifizierungen als einheitlicher, programmatischer Bestandteil eines durchdachten Information Governance-Programms zur:

Verringerung der

  • Prozessrisiken
  • Speicherkosten
  • eDiscovery-Kosten

Verbesserung der

  • Compliance
  • Sicherheit
  • Reaktionsfähigkeit
  • Produktivität und Zufriedenheit von Anwendern

Adressierung der

  • fundamentalen Schwierigkeiten bei der Klassifizierung von großen Datenmengen, die nicht für alle relevant sind, wie ältere Inhalte, E-Mail-Nachrichten und Inhalte in sozialen Medien
  • Bedenken von Records Managern und Compliance-Beauftragten in Bezug auf die Verteidigungsfähigkeit und Transparenz

Funktionen

Automated Classification: automatische Klassifizierung von Content in OpenText Content Server im Einklang mit vorhandenen Records Management-Klassifizierungsregeln

Advanced Techniques: Klassifizierungsprozess auf Basis eines hybriden Ansatzes, der maschinelles Lernen, Regeln und Datenanalyse in sich vereint

Flexible Classification: Definition von Klassifizierungsregeln anhand von Schlüsselwörtern oder Metadaten

Policy-Driven Configuration: Konfiguration und Optimierung des Klassifizierungsprozesses mit einer einfachen „schrittweisen“ Anleitung

Advanced Optimization Tools: Berichte zur leichteren Prüfung von Klassifizierungsergebnissen, Erkennung potenzieller Genauigkeitsprobleme und Behebung dieser Probleme durch Nutzung der bereitgestellten „Optimierungstipps“

Sophisticated Relevancy and Accuracy Assurance: automatische Stichprobenprüfung und Benchmarking mit umfassenden Messgrößen zur Analyse und Beurteilung der Qualität des Klassifizierungsprozesses

Quality Assurance Workbench: erweiterte Berichte über eine statistisch relevante Stichprobe zur Prüfung und Codierung von automatisch klassifizierten Dokumenten, um die Qualität der Klassifizierungsergebnisse auf Wunsch manuell zu beurteilen

Zur OpenText Widget-Seite